VARADE++：面向生产工厂实时异常检测的边缘友好型框架

《IEEE Transactions on Emerging Topics in Computing》：VARADE++: An Edge-Friendly Framework for Real-Time Anomaly Detection in Production Plants

　　

实时异常检测对于智能机器人的成功至关重要，尤其是在生产工厂中，即使是微小的系统故障也可能导致严重的机器停机和高昂的过程中断。为了解决这一问题，需要将专门的机器学习(ML)模型无缝集成到由相互连接的机器、传感器和执行器组成的网络中，以极低延迟处理海量多维传感器数据流，而基于云的解决方案往往难以实现这种低延迟。在这项工作中，研究人员介绍了VARADE++，一个边缘优化的异常检测框架，旨在权衡异常检测精度、推理速度和计算效率之间的复杂关系。通过利用基于无注意力Transformer的轻量级自回归架构，并结合变分训练范式，研究人员实现了实时处理能力。该模型被集成到先进的物联网(IoT)基础设施中，能够低延迟地处理复杂的数据流。VARADE++的有效性在两个公共基准数据集上得到展示，并通过一个以工业机器人为主要对象的传感器化工业试生产线的真实案例研究得到验证。研究结果不仅凸显了VARADE++卓越的异常检测能力，还展示了其在实时边缘计算环境中的运行效率，在检测性能与实际可部署性之间的平衡上优于现有最先进解决方案。

论文解读：VARADE++——面向生产工厂实时异常检测的边缘友好框架

一、研究背景与现存问题

在智能机器人和工业4.0背景下，生产工厂中的意外机器故障会导致显著停机并扰乱整个生产流程，进而增加生产时间并造成经济损失。实时异常检测(AD)能够及时识别潜在问题，避免小故障升级为过程失效。实时异常检测的实现依赖于持续收集来自众多异构传感器的生产数据，由此产生海量多维时间序列(MTS)流，其中大量变量（通道）按各自尺度和周期随时间记录。分析这些数据需要专门的机器学习(ML)模型：一方面学习正常工况下复杂的数据分布，另一方面在运行时识别与所学分布的显著偏差。工业物联网(IIoT)将生产工厂中的机器、传感器和执行器集成到互联网络中，使其成为信息物理系统(CPS)，为上述场景提供了基础设施支撑。然而，有效部署仍面临多个难题：检测未知异常通常需要非常复杂的ML模型，而这类模型计算开销大，与边缘端有限资源不兼容；传统云端方案传输大量数据流（可达GB/s量级）会带来通信开销和延迟。因此，最优解决方案必须在异常检测性能、推理速度与低计算需求之间取得复杂平衡。为此，研究人员在先前工作基础上提出VARADE，并进一步发展为本文的VARADE++。论文发表在《IEEE Transactions on Emerging Topics in Computing》。

二、研究内容与总体结论

VARADE++在保持原始自回归框架的同时，对架构进行了深度改进：将卷积替换为无注意力Transformer，并引入一种全新的基于预测误差和均方误差(MSE)的变分训练范式。模型预测下一时间步的均值μ和绝对预测误差e，异常分数定义为S(y)=(y-μ)/e。此外，研究人员不仅关注ML模型本身，还构建了完整的三层IIoT基础设施（物理层、通信层和应用层），使模型能够有效与生产工厂交互。实验验证分为两部分：一是在两个公认的公共基准数据集SMD和Exathlon上，将VARADE++与多种主流方法进行比较；二是利用意大利维罗纳大学ICE实验室中的传感器化协作机器人单元构建真实案例研究。结果表明，VARADE++的检测精度与最先进方法相当，在案例研究中AUPRC值达42.6%（仅低于kNN的43%），并在多数计算平台上实现超过200Hz的推理频率，综合权衡下优于所有对比方法，具备良好的边缘实时部署能力。

三、主要关键技术方法

VARADE++采用基于无注意力Transformer的轻量级自回归架构，以全连接(FC)层分别进行时间混合和通道混合，不使用残差连接，参数上限约为T2/4+C2。变分训练直接预测均值μ和绝对误差e，以MSE为损失函数，替代负对数似然(NLL)。异常评分采用标准化偏差S=(y-μ)/e。基础设施方面，通信层通过OPCUA和MQTT代理接入异构数据源，经Kafka汇聚，并利用精确时间协议(PTP)实现时间对齐。样本来源包括SMD和Exathlon公共基准，以及ICE实验室KUKA LBR iiwa机器人86通道实时采集数据。

四、研究结果

（一）基准测试结果
在SMD和Exathlon两个公共基准上，以精确率-召回率曲线下面积(AUPRC)为指标，研究人员将VARADE++与28种深度学习方法及三类传统检测器进行比较。结果显示，VARADE++的AUPRC值大部分与现有方法的分布一致，在少数数据集上甚至以明显优势超越，表明其在未针对特定基准调优的情况下仍具有较强的检测能力。

（二）案例研究结果
在ICE实验室试点产线中，研究人员以KUKA LBR iiwa七轴机器人为对象，通过人为注入三类异常：瞬时干涉（模拟意外碰撞）、额外负载（模拟机械退化或配置错误）和轨迹速度改变（模拟过程漂移）。VARADE++与从基准筛选出的15种对比模型在相同IoT基础设施和相同计算资源下进行实时比较。结果显示，VARADE++以42.6%的AUPRC成为表现最好的深度模型，且推理速度显著优于同等精度的kNN方法。

（三）验证指标结果
在树莓派5、NVIDIA Jetson Xavier NX、NVIDIA Jetson AGX Orin及桌面PC（Intel i7 8700）四种平台上，研究人员测量了AUPRC、推理频率、内存占用、能耗和模型参数规模。雷达图显示，VARADE++在多数平台上综合面积最大，表明其在检测性能、速度、内存、能耗和尺寸之间实现了最佳平衡。

（四）结果讨论
VARADE++在所有测试平台（除Jetson Xavier NX外）上均达到或超过200Hz推理频率，满足案例中200Hz的数据采集速率。CPU执行普遍优于GPU，因为避免了数据在CPU与GPU间的拷贝开销。与DeepAnt和LSTM-P等高速方法相比，VARADE++在保持相近速度的同时AUPRC高出25%至50%，是唯一同时具备高检测性能和实时推理速度的方法。

（五）控制反馈可行性
根据系统时延方程，采用树莓派5时总时延约为39ms加上自适应制造控制器(AMC)决策时间。若执行暂停机器人的简单控制策略，机器人移动距离不超过0.585mm，系统可在不到10个数据样本内响应异常，满足工业实时控制约束。

五、讨论与结论

讨论部分指出，没有任何单一方法能在所有异常检测场景或数据模态下达到最优，但VARADE++在异常检测准确性和计算效率之间取得了有效平衡，其实时性能和潜在闭环控制支持能力得到实验证实。结论强调，VARADE++已具备实际工业应用条件；为促进透明性和可重复性，数据集和源代码已公开。未来工作将引入闭环反馈机制，扩展至更多设备和异构生产数据，推动实现完全集成的生产工厂数字孪生。