时间序列故障学习：面向多机器人系统复杂故障检测的序列行为建模

《Frontiers in Robotics and AI》：Learning faults in time: sequential behavioural modelling for complex fault detection in multi-robot systems

　　

来自多机器人系统的可靠故障检测需要能够捕获复杂、时间依赖性故障特征（signatures）的模型，这些特征在长时间范围内显现，而非仅靠瞬时观测。现有数据驱动方法对行为快照进行反应性操作，未能捕获其判别特征依赖于时间有序前兆的故障模式。研究人员形式化了一个理论不可能性结果，证明无记忆分类器（memoryless classifiers）在理论上是不够的，并提出了一种基于长短期记忆网络（Long Short Term Memory，LSTM）的模型，该模型基于通用的原始行为特征来学习这些潜在的时间依赖性，无需领域特定的先验知识。评估了两种复杂故障类型：渐进式执行器退化（progressive actuator degradation）和间歇性执行器丢失（intermittent actuator dropout），每种故障类型与不同的群体运动模式配对，代表不同时间复杂性水平。实验结果表明，当故障特征由有序前兆定义时，序列模型是必不可少的，而无记忆模型对于更简单的时间结构部分足够。计算基准测试证实了分布式部署的实时可行性。

**论文解读文章**

**研究背景**
在动态非结构化环境中运行的多机器人系统（Multi-Robot Systems，MRS）需要可靠的外源性故障检测模型，以捕获从突发瞬时故障到缓慢渐进退化等全时间谱的故障特征。现有外源性故障检测方法（如基于免疫启发或机器学习的方法）通常依赖瞬时行为快照，将每个观测视为时间独立，这导致两类常见但复杂的故障类型无法被可靠识别：渐进式执行器退化（progressive actuator degradation）的故障特征在长时间运行中逐渐显现；间歇性故障（intermittent fault）的判别特征依赖于时间有序的前兆事件序列，而非瞬时系统状态。这些限制阻碍了故障恢复和优雅降级，增加了维修成本和停机时间。因此，研究人员旨在探索数据驱动的序列行为建模方法，以克服无记忆分类器的结构性不足，实现复杂时间依赖性故障的可靠检测。该研究成果发表在《Frontiers in Robotics and AI》。

**主要关键技术方法**
研究人员首先形式化了一个理论不可能性结果（Proposition 1），证明对于其判别特征依赖于时间有序前兆的故障，无记忆分类器（如梯度提升决策树，Gradient Boosting Decision Tree，GBDT）在理论上无法表示真实的标签规则。随后，研究人员提出了一种基于长短期记忆网络（LSTM）的序列模型，该模型以通用原始行为特征（5个特征：左右推进器速度、最近邻距离、平均邻居距离、累积旅行距离）作为输入，通过固定长度时间窗口（任务I为55秒，任务II为51秒）学习时间依赖性，无需领域特定的先验知识。实验在基于Unity的水面仿真环境中进行，使用10个同质无人水面艇（Unmanned Surface Vehicles，USV），配备10米范围-方位（RAB）传感器和2D激光雷达，所有机器人自主分布式运行。数据集构建采用种子-实验分割，训练集、验证集和测试集不重叠，并采用滑动窗口、加性高斯噪声和类平衡权重等方法增强鲁棒性。模型训练采用贝叶斯优化和5折交叉验证，以最小化验证集二进制交叉熵损失，并选择最优分类阈值（F₁最大化）。计算基准测试在CPU上评估了模型的推理延迟、内存占用，以验证实时分布式部署的可行性。

**研究结果**

**5.1 任务I：渐进式执行器退化下的故障检测可靠性**
研究人员将LSTM与GBDT在聚合运动模式下的渐进式退化故障进行比较。LSTM在测试集上达到F₁=0.88，比GBDT（F₁=0.79）高11.4%，主要提升来自召回率（LSTM: 0.80 vs GBDT: 0.67）。两种模型均获得高ROC-AUC（约0.95）和精度（约0.95）。分析表明，在零速度子群体中（健康与故障机器人均可能出现静止状态），GBDT因缺乏运动轨迹而无法区分，导致召回率较低；而LSTM通过历史上下文能更准确识别故障，但当静止状态持续时间超过固定窗口长度时，性能仍受限制。

**5.2 任务II：间歇性故障下的故障检测可靠性**
自适应采样运动模式下的间歇性执行器丢失故障中，LSTM在完整测试集上达到F₁=0.95，显著优于GBDT（F₁=0.58）。GBDT表现出精度-召回率不对称（精度0.43，召回率0.90），源于其对零速度子群体的错误分类：在零速度子群体（仅包含故障停机与健康聚焦采样样本）中，GBDT的ROC-AUC骤降至0.56（相当于随机猜测），而LSTM仍然保持F₁=0.95和ROC-AUC=0.99。这验证了形式化理论：无记忆分类器无法区分瞬时观测相同的故障与健康事件，而LSTM通过有序前兆序列和主动停机事件实现了可靠区分。

**5.3 阈值敏感性与操作点分析**
对于任务I，两种模型在阈值τ∈[0.1, 0.95]范围内均表现出精度-召回率权衡，但向安全导向操作点调整时精度急剧下降。对于任务II，LSTM在τ∈[0.1, 0.95]范围内保持近完美精度和召回率，而GBDT的精度在中间范围始终约为0.40，无法通过阈值调整改善，表明其性能失败是分布性的，不可恢复。

**5.4 分布式部署的计算可行性**
GBDT占用磁盘13-19MB，静态RAM 80-102MB；LSTM总进程RAM约780MB，但动态推理内存开销小（约80KB）。单对推理延迟GBDT约3ms，LSTM约230ms，全邻域批处理推理（batch=9）延迟与单对相同（约235ms），均满足1秒实时约束。两种架构均兼容高端嵌入式计算机（如NVIDIA Jetson系列）。

**总结与讨论**
本研究通过理论证明和实验验证，明确了无记忆分类器在时间有序前兆依赖的故障检测中结构不足，而LSTM等序列模型是必要架构选择。主要贡献包括：1）形式化不可能性结果，填补了多机器人系统外源性故障检测的理论空白；2）首次对复杂时间依赖性故障进行序列行为建模的实证评估，证明LSTM在通用原始特征上实现可靠检测；3）提供计算基准，验证实时分布式部署的可行性。实际意义在于海洋机器人部署中，渐进式退化（如生物污垢）和间歇性故障（如ESC保护停机）普遍存在，无记忆检测器将导致操作无效。研究结论翻译如下：
**结论、局限性与未来工作**
本研究调查了无记忆非序列模型能否为分布式多机器人系统中时间复杂性故障类型提供可靠的外源性故障检测，以及循环神经网络是否提供架构优势。两种故障类型在独特群体运动模式下评估：群体聚合下的渐进式执行器退化，以及自定义自适应采样模式下的间歇性执行器丢失。结果表明，非序列模型在渐进式退化中表现尚可，但在间歇性故障中退化至机会水平，尤其是在零速度子群体中，导致大量误报。LSTM在两项任务中均保持高性能，源于其利用时间顺序的结构优势。结论：当故障判别特征由时间有序前兆定义时，序列模型是必需的；当瞬时特征或其窗口聚合能唯一表征故障状态时，无记忆模型可能足够。主要贡献包括形式化不可能性结果、首次实证评估和计算可行性验证。局限性包括仅在仿真中评估、固定群体大小、假设观测连续性、阈值基于对称成本假设。未来工作将评估非序列模型结合显式时间特征、扩展至完整故障检测定位恢复（FDDR）管道、引入非对称成本权重、处理部分中断观测历史。