面向智能维护的工业机器人故障检测与诊断：数据、方法及新兴趋势综述

《ROBOTICS AND COMPUTER-INTEGRATED MANUFACTURING》：Industrial robot fault detection and diagnosis for intelligent maintenance: A review of data, methods, and emerging trends

　　

• •
  从数据、方法和新兴趋势的角度，对工业机器人故障检测与诊断进行了结构化综述。
• •
  系统总结了故障特征、感知模态、数据采集策略和数据集。
• •
  将诊断方法组织为统一分类体系，涵盖知识驱动、模型驱动、数据驱动和融合驱动方法。
• •
  讨论了面向制造系统智能维护的关键挑战和新兴方向。

引言

在工业4.0和智能制造的背景下，工业机器人已成为现代自动化生产系统中不可或缺的组成部分[1]。凭借其高精度、高重复性和操作灵活性，工业机器人被广泛应用于焊接、装配、物料搬运、喷涂和加工任务[2]。然而，在复杂、动态且通常恶劣的工业条件下长期运行，不可避免地会导致性能退化和部件故障。非计划停机以及严重的机械或电气故障不仅会降低生产率和增加维护成本，还可能引发制造过程中的安全风险和质量波动。因此，稳健、准确且实时的工业机器人故障检测与诊断（IRFDD）对于确保系统可靠性、运行安全和生产效率至关重要。

与常规机械设备相比，工业机器人表现出独特的特征，如复杂的运动学构型、多关节耦合、复杂的传动路径以及高度集成的机械、电气和控制子系统[3]。在实际机器人系统中，故障往往受到子系统间相互作用和运行条件变化的影响，从而可能引发跨子系统故障传播、复合故障耦合、异构多源信号响应以及高度非平稳的诊情场景[4]。因此，工业机器人的故障诊断远比常规旋转机械或独立机电部件的故障诊断更具挑战性。

为应对这些挑战，IRFDD方法已逐步从基于专家知识和基于模型的方法演进为数据驱动范式[5]。基于专家知识的方法依赖于人工经验、启发式规则和知识表示，而基于模型的方法则利用分析冗余和系统动力学来识别异常行为[6,7]。随着感知数据和计算资源的日益丰富，数据驱动方法因能够从数据中学习判别性故障表示并适应复杂运行条件而成为重要的研究方向[8,9]。特别是，传统机器学习和深度学习方法在特征提取、模式识别和智能故障诊断方面展现了巨大潜力[[10], [11], [12]]。为进一步提升诊断性能，融合方法通过整合多源信号、多种诊断模型或将基于机理的知识与数据驱动表示相结合，受到了越来越多的关注[[13], [14], [15]]。最近，基于大模型的诊断框架因其在迁移学习、知识复用和跨领域泛化方面的潜力而备受关注[16,17]。

近年来，已有若干综述涉及旋转机械诊断、机器人状态监测和智能故障诊断算法等主题。为阐明本综述的定位和创新点，表1将现有代表性综述与本文工作进行了对比。现有研究从不同角度提供了有价值的总结，包括基于人工智能的旋转机械故障诊断[18]、工业机器人和多轴机床的故障检测与诊断（FDD）方法[19]、机器人关节伺服系统的故障诊断[20]、工业机器人旋转部件基于深度学习的预测与健康管理（PHM）[21]，以及工业机器人的故障类型和诊断方法[2]。然而，这些综述通常以通用旋转机械、特定机器人子系统、部件级故障或特定类别的诊断方法为中心。因此，它们对作为机电控一体化系统的工业机器人缺乏系统性的讨论。本综述因此提供了工业机器人FDD的机器人特定综合评述，特别关注智能维护相关的监测信号、数据采集、诊断方法和新兴趋势。

本综述的主要贡献总结如下：

• (1)
  全面概述了IRFDD的数据基础。本综述总结了感知模态、数据采集策略和公开可用的数据集，从而为理解工业机器人故障诊断中的数据特征和实验设置建立了统一基础。
• (2)
  建立了IRFDD方法的统一分类体系。本综述系统调研了现有机器人故障诊断方法，包括基于专家知识、基于模型、数据驱动和融合驱动的方法，特别关注深度学习的最新进展。
• (3)
  将基于大模型的诊断作为一种前沿主题进行了综述，重点强调其在工业机器人故障诊断中知识复用、多模态理解、迁移学习和跨领域泛化方面的潜力。
• (4)
  识别了关键技术挑战、研究空白和未来方向，以支持面向工业机器人的下一代智能诊断框架的发展。

本综述的整体框架如图1所示。第2节介绍了工业机器人的故障特征，以及其典型结构特征、常见故障类型、数据采集策略和公开可用的数据集。第3节系统综述了现有IRFDD方法学，涵盖基于专家知识的方法、基于模型的方法、数据驱动的方法、融合驱动的诊疗框架以及基于大模型的故障诊断的最新探索。第4节讨论了主要技术挑战和可能的未来研究方向。最后，第5节对全文进行总结。

章节摘要

工业机器人的典型结构与故障类型

如图2所示，工业机器人通常由四个紧密耦合的模块组成：驱动模块、机械与传动模块、控制模块和感知模块。需要注意的是，工业机器人的实际部件配置可能因机器人类型、制造商和应用场景的不同而存在显著差异。这些模块的高度集成虽然能够实现高精度和可靠运行，但也使得故障检测与诊断变得困难。

工业机器人故障检测与诊断方法

在过去几十年中，工业机器人故障检测与诊断方法发展迅速，形成了多种技术范式，这些范式在机理可解释性、泛化能力、信息利用和复杂工况适应性方面各具特点。如图4所示，本节综述的方法可大致分为两大类：基础范式和扩展范式。基础范式包括

挑战

• (1)
  高质量故障数据和基准数据集的稀缺性
  由于工业机器人在其生命周期中大部分时间处于健康状态运行，来自真实工业环境的故障数据天然稀缺。故障往往是偶发的、瞬时的且与任务相关的，使得系统性采集和精确标注变得困难。此外，机器人结构、负载和应用场景的差异导致数据分布具有异质性。现有公开数据集通常

结论

本综述从故障特征与数据资源、诊断方法论以及新兴趋势的角度，对工业机器人故障检测与诊断进行了系统性考察。文章着重强调了工业机器人故障检测与诊断从基于专家知识和基于模型的方法向日益数据驱动、融合导向和大模型赋能范式的演变。然而，该领域的进展在很大程度上取决于

CRediT作者贡献声明

Yan Ruqiang： 撰写 – 审阅与编辑，监督，获取经费，概念构思。Zhu Xin： 撰写 – 初稿，可视化，方法学。Dong Qianxi： 撰写 – 初稿，调查。Zhang Mengyang： 调查，数据管理。Yin Ziren： 撰写 – 初稿，数据管理。Zhao Zhibin： 概念构思。Chen Xuefeng： 监督，概念构思。

Yan Ruqiang|Zhu Xin|Dong Qianxi|Zhang Mengyang|Yin Ziren|Zhao Zhibin|Chen Xuefeng