《ROBOTICS AND COMPUTER-INTEGRATED MANUFACTURING》：Anomaly detection in industrial robotics: A novel dataset and benchmark method
编辑推荐：
工业机械臂是现代制造与自动化系统的关键组成部分。通过自动化重复性、危险性或复杂任务，其显著提升生产率、精度与工作场所安全性。然而，运行过程中突发的异常或故障可能严重扰乱生产、损害产品质量，并在现代协作环境中引发严重的人身安全担忧。因此，准确且及时的异常检测（a
工业机械臂是现代制造与自动化系统的关键组成部分。通过自动化重复性、危险性或复杂任务，其显著提升生产率、精度与工作场所安全性。然而，运行过程中突发的异常或故障可能严重扰乱生产、损害产品质量，并在现代协作环境中引发严重的人身安全担忧。因此，准确且及时的异常检测（anomaly detection, AD）至关重要。现代机器人中的异常检测对标准的原则性方法而言仍具挑战性。机器人系统集成硬件与软件组件，并在动态且往往不可预测的环境中运行。因此，异常（如硬件或软件故障、机械磨损、环境突变）在成因、频率与时间尺度上呈现多样谱系。这种复杂性使数据驱动方法在机器人异常检测中尤具吸引力。然而，此类方法的有效性关键取决于代表性数据的质量与可得性。在真实环境中采集标注数据既困难又耗时，严重限制了全监督学习方法的适用性。鉴于这些约束，半监督学习成为有前景的替代方案：模型仅基于正常数据训练，训练期间不接触异常样本，随后在推理阶段当输入偏离所学分布时识别异常。尽管机器人系统异常检测研究兴趣日增，当前研究的一个显著局限是缺乏可公开获取的、能准确反映真实场景（包括真实故障事件）的综合数据集。多数现有工作依赖私有数据集，限制了不同方法间的可复现性与公平基准测试。据研究人员所知，现有公开数据集仅限于AURSAD、Voraus-AD与RoAD。然而，AURSAD高度特定于螺丝刀应用，不适合通用异常检测。RoAD与Voraus-AD则采集自拾放操作并呈现更高变异性。Voraus-AD可能是最完整的，提供广泛多样的异常，涵盖应用相关异常至机器人故障。然而，后者为人工诱导——例如通过添加弹性带模拟因故障导致的摩擦增大——并未捕捉真实机械失效或运行故障，限制了数据集对真实工况的保真度。当前方法的另一常见局限是侧重短期、突发异常——如传感器失效或碰撞——这类异常更易模拟、标注与检测。相比之下，工业系统中许多真实失效随时间逐渐显现，如关节摩擦增大、电机效率下降或结构磨损。这些缓慢发展的异常往往更难早期检测，但对预测性维护与长期运行可靠性至关重要。因此，研究界日益认识到需要能有效捕捉与评估这些更具挑战性的渐进失效模式的方法与数据集。本文引入ME-AD，一种面向工业机器人故障分析的新型异常检测数据集。该数据集由机器数据组成，捕捉单次运行至失效实验中真实故障的完整演进过程，涵盖多种拾放运动条件。故障源于移除机器人某一关节谐波减速器上的润滑脂，导致性能缓慢持续退化并最终引发完全机械失效。这使该数据集对以标准半监督方式开发与基准测试异常检测算法尤为有价值，也适用于在线与早期异常检测场景，这对预测性维护策略与剩余使用寿命（remaining useful life, RUL）估计器尤具意义。为建立参考基线，研究人员还提出一种基于高斯过程回归（Gaussian Process Regression, GPR）的新型异常检测方法。该方法利用GPR构建机械臂动力学模型，并利用预测均值与不确定性构建新型异常评分，可用于标准半监督场景（即二分类任务）。与许多依赖密度估计且难以进行分布外泛化的先进方法不同，该基于动力学的建模旨在提升对未见轨迹与构型的推断能力。本工作通过同一运行至失效采集中进行的跨轨迹与跨速度实验评估该性质。此外，除标准半监督场景外，研究人员提出一种在线使用该算法以推断潜在递增故障趋势的策略。研究人员将所提方法与随Voraus-AD数据集共同开发的成熟MVT-Flow方法进行对比。在ME-AD与Voraus-AD上进行的实验表明其具有强异常检测性能，而ME-AD实验特别评估了跨未见运动条件的泛化能力。此外，研究人员表明在该数据集中，其算法可通过识别递增趋势提前提示故障存在。综上，贡献有三：（i）引入ME-AD，一个公开数据集，捕捉工业拾放场景中真实的、渐进发展的机械失效；（ii）提出基于GPR的异常检测方法，建模机械臂动力学，并通过新型不确定性感知评分支持跨未见运行条件的迁移，适用于静态异常检测与在线故障检测；（iii）在ME-AD与Voraus-AD上进行广泛评估，包括ME-AD上的跨轨迹与跨速度实验，证明相较成熟基线具有强异常检测性能。
研究背景方面，工业机械臂在制造与自动化中承担重复性、危险性或复杂任务，其运行异常可能导致生产中断、质量下降及人机协作安全隐患，故准确及时的异常检测（AD）至关重要。当前问题在于：机器人系统软硬件耦合、运行环境动态多变，异常成因与时间尺度多样；全监督学习依赖昂贵标注数据，半监督学习虽为可行替代，但现有公开数据集匮乏，仅有AURSAD、Voraus-AD与RoAD，其中AURSAD过于特定于螺丝刀应用，Voraus-AD的机器人故障为人工诱导（如添加弹性带模拟摩擦增大），非真实机械失效，且现有方法多关注短期突发异常，忽视工业中缓慢发展的渐进失效（如关节摩擦增大、电机效率下降、结构磨损），而后者对预测性维护至关重要。因此，研究人员开展本项研究，构建ME-AD数据集并提出基于高斯过程回归（GPR）的异常检测方法，论文发表于《ROBOTICS AND COMPUTER-INTEGRATED MANUFACTURING》。研究得出：ME-AD记录了单次运行至失效实验中关节3谐波减速器因去除润滑脂而产生的真实渐进机械退化，所提GPR方法利用预测均值与不确定性构建不确定性感知循环误差（UACE）评分，在ME-AD与Voraus-AD上表现强异常检测性能，半参数（SP）核公式在跨运动分布偏移下保持稳健。其重要意义在于提供了首个记录真实机械臂硬件故障渐进过程的公开数据集，支持半监督、在线与早期异常检测及跨轨迹、跨速度泛化基准测试，并为预测性维护与剩余使用寿命估计提供参考。
关键技术方法方面（不超过250字）：研究采用6自由度三菱电机RV-7FM-D1-S15机械臂执行约17000次虚拟拾放操作，涵盖10组运动集（托盘化、带停靠经点随机、连续运动三类），以280 Hz同步采集关节位置、速度、加速度与由电机电流换算的关节力矩；提出基于GPR的逆动力学建模，按运行模式分段并为各关节独立训练GP，比较径向基函数（RBF）、参数（PP）与半参数（SP）核；构建UACE评分以预测方差归一化力矩残差，并采用Holt线性指数平滑与累积和（CUSUM）进行在线动态检测。
研究结果方面：在ME-AD数据集构建上，通过运行至失效实验去除关节3谐波减速器润滑脂，经约17000次拾放操作后谐波减速器齿面出现可见磨损产物、碎屑堆积与表面氧化，证明真实渐进机械退化，早期循环可视为名义工况、后期循环逐渐偏离。在方法设计上，通过数据分段与预处理（按运行模式划分并剔除低速样本）、模型学习（各关节独立GP并比较三种核）与测试时评估（UACE与平均UACE即aUACE）三阶段构建检测框架。在Voraus-AD验证上，通过仅使用关节级量的RBF模型与MVT-Flow对比，RBF在Axis friction、Miss can、Lose can、Entangled、Wobbling station等异常上达近完美区分（AUROC 0.98–1.00），在Axis weight与Can weight上略低但仍具竞争力。在ME-AD二分类实验中，通过七种跨运动泛化场景的模型–评分消融表明，分布内场景各组合近乎完美，强分布偏移（场景5、6）下RBF显著退化，而SP结合aUACE分别达AUROC 0.989与0.972；与RBD残差、MVT-Flow、LSTM-VAE、Isolation Forest、One-Class SVM对比，SP在全部七场景AUROC不低于0.972。在渐进退化分析中，通过逐步收缩正样本窗口至最终50循环，SP的AUROC随退化加剧单调上升（场景5、6由0.668、0.686升至0.989、0.972），表明其评分跟踪渐进退化而非仅区分末端失效。在计算成本上，通过离线超参数优化（约612–707 s）与在线循环处理（SP中位0.647 s，处理速率约1134样本/s，高于280 Hz采样率）分析，表明在线检测可行。在动态异常检测实验中，通过场景3的逐关节UACE与Holt滤波及CUSUM对比，在400循环校准、Nc=1000、δ=10%下关节3于第849循环首先报警，其余关节（6、5、2）随后依次报警，与关节3局部退化逐步影响耦合动力学的预期一致。
讨论部分总结：ME-AD的关键优势在于记录真实物理诱导的机械故障而非人工注入异常，并在同一退化过程中采集多种运动条件，支持分布内与分布外基准测试；局限在于其为单次运行至失效实验，仅涉及单机器人、单关节、单故障机制，所评估的是单一退化实现内跨轨迹与跨速度的稳健性，而非跨机器人、关节或故障机制。所提GPR方法建模逆动力学并将异常标记为对健康模型的显著偏差，只要故障在力矩–状态关系中产生可测系统偏差即预期有效，该主张已在Voraus-AD多种不同于ME-AD的异常上部分验证，但需在更多真实故障上进一步验证，未直接反映于机械臂状态的故障可能需互补传感模态。结论翻译：本工作引入ME-AD，一个用于工业机械臂异常检测的公开数据集，记录完整运行至失效实验中的真实渐进关节失效；数据集包含同一退化实现中采集的多种拾放运动条件，支持渐进退化分析及跨轨迹与跨速度泛化；研究人员还提出基于GPR的异常检测方法，学习机器人逆动力学并通过UACE评分利用预测不确定性；在ME-AD与Voraus-AD上的实验证明强异常检测性能，SP公式在ME-AD所考虑的运动分布偏移下保持稳健；跨独立机器人与失效机制的更广泛验证仍是未来工作的重要方向。
