工业机器人“带病运行”还能被 AI 听出来吗RJADNet 给出答案论文来源Chengzhi Jiang, Xiaoxi Hu, Yuhan Huang, Huan Wang, Zhuyun Chen, Te Han, “RJADNet: A Structure-Aware Multijoint Network With Topology-Constrained Aggregation for Industrial Robot Anomaly Detection With Compositional Generalization Under Imperfect Sensing,” IEEE Transactions on Reliability, Vol. 75, 2026.Date of Publication:03 August 2026作者: 胡小溪 清华大学 助理研究员首位提出不完美感知下的PHM、陈祝云广东工业大学 副教授、韩特北京理工大学 副教授工业机器人已经成为现代制造现场的关键装备。搬运、加工、打磨、检测每一道工序都要求它稳定、精准、可重复。但在真实工厂里异常往往不是教科书式的“一个关节坏了”。环境噪声、强电磁干扰、供电波动、传感器接触不良、线路开路或短路都可能把原本就很微弱的异常信号进一步掩盖。更难的是训练数据里可能只见过单关节、双关节异常而真正运行时却会出现三关节、四关节的复合异常组合。这正是 RJADNet 试图解决的问题在不完美感知条件下让工业机器人多关节异常检测具备更强的组合泛化能力。真实难点异常检测不是“干净数据上的分类题”传统异常检测方法在实验环境中往往能取得较好效果但工业现场通常更复杂。第一类挑战来自感知条件。论文将其概括为 imperfect sensing即不完美感知主要包括环境噪声和传感器故障。环境噪声可能来自电源噪声、信号传输干扰、外部 EMI、ESD 侵入、强电磁干扰等传感器故障则可能来自短路、接触不良、开路、敏感元件失效等。第二类挑战来自异常组合。实际生产中正常样本、单关节异常样本、双关节异常样本相对容易收集但三关节、四关节等高阶复合异常很难充分覆盖。模型如果只会记住训练集中出现过的异常组合一旦遇到未见组合就容易漏报或误报。因此这篇论文没有只问“模型能否识别已见异常”而是提出了一个更贴近现场的问题模型能否只用简单异常组合训练却识别训练中从未见过的复杂复合异常RJADNet先听清每个关节再理解关节之间的结构关系RJADNet 的核心思想可以概括为一句话先提取每个关节自己的异常线索再按照机器人真实拓扑结构进行关节间信息聚合。这与直接把所有传感器信号混在一起学习不同。工业机器人不是一组无结构的时间序列而是具有明确机械连接关系的多关节系统。相邻关节之间的振动、载荷和运动影响更直接因此模型也应该尊重这种结构。论文中的 RJADNet 主要由三部分组成。第一部分是 RSJFE即 Robot Single-Joint Feature Extraction backbone。它为每个关节单独提取特征避免一开始就把不同关节信号混合。其核心模块是可训练离散小波卷积 TDWC可以同时关注低频与高频子带特征从而在噪声和传感器异常干扰下保留更稳健的关节私有异常线索。第二部分是 IJGSA即 Inter-Joint Graph Structure-Aware neck。它承担关节间信息交互包含三个关键模块JSEA、TCGI 和 TFAM。JSEA 用于关节级重加权。当某些关节信号整体受到污染时模型可以降低这些信号流的影响。TCGI 是整篇方法中最有结构意识的部分。它不是让所有关节两两自由交互而是按照机器人拓扑关系约束信息传递。以论文中的 4 自由度机器人为例其拓扑可以理解为 J1-J2-J3-J4 的链式结构。TCGI 让信息优先在相邻关节之间传递从而减少不合理的跨关节混合。TFAM 则负责时间维度聚合和通道重标定把前面得到的时序特征压缩成更适合分类的关节级表示。第三部分是共享分类头。它会对每个关节输出一个异常概率最终得到逐关节异常检测结果。也就是说RJADNet 不只是判断“机器人有没有问题”而是进一步回答“哪些关节可能有问题”。数据集设计用简单异常训练专门测试复杂异常论文基于同一 4 自由度工业机器人平台构建了两个数据集PSD 和 ISD。PSD 是 Perfect Sensing Dataset对应较干净的实验室感知条件。ISD 是 Imperfect Sensing Dataset对应真实工厂环境下可能出现的环境噪声和传感器故障。每个关节安装一个三轴振动加速度传感器采集关节减速器壳体振动信号。每个样本为 1 秒窗口采样率为 2560 Hz因此单个样本包含 4 个关节、每关节 3 个轴、每轴 2560 个时间点即 12 x 2560 的多变量时序数据。更关键的是论文采用 train-on-simple / evaluate-on-complex 的评估协议。Part A 包含正常、单关节异常、双关节异常用于训练、验证和简单组合测试。Part B1 包含三关节异常只用于测试。Part B2 包含四关节异常也只用于测试。这个设定的意义在于模型不能依赖“见过所有组合”来取得好成绩而必须从简单异常中学到可组合、可迁移、可泛化的关节异常规律。实验结果复杂异常与感知变化下优势更明显从实验结果看RJADNet 在最具挑战性的场景中表现突出。当模型在 ISD Part A 上训练即在不完美感知条件下使用正常、单关节、双关节异常进行训练时RJADNet 在 ISD-A、ISD-B1、ISD-B2 上的 F1 分别达到 99.43%、99.27% 和 98.26%。这意味着它不仅能处理训练同分布下的简单异常也能较好识别未见过的三关节、四关节复合异常。当模型在 PSD Part A 上训练再迁移到 ISD 中的复杂异常测试时难度进一步提高训练时是较干净感知测试时面对不完美感知和未见复杂组合。即便如此RJADNet 在 ISD-B1 和 ISD-B2 上仍分别达到 95.72% 和 97.11% 的 F1。这一点很有工业意义。因为真实部署时训练阶段的数据往往不可能覆盖所有工况、所有干扰和所有异常组合。能够在感知条件变化和异常组合变化下保持稳定才更接近工程应用所需要的可靠性。消融实验优势不是靠“堆大模型”论文还做了系统消融实验回答一个关键问题RJADNet 的性能提升究竟来自哪里结果显示去掉整个 IJGSA 结构感知颈部后在未见高阶复合异常上的性能明显下降。在 ISD 训练设定下ISD-B1 和 ISD-B2 的 F1 从 99.27% / 98.26% 降至 90.56% / 88.31%。这说明关节间的结构化信息聚合非常关键。进一步比较图交互模块时TCGI 也优于全连接 GATv2 和基于同一拓扑的 GCN。这说明“拓扑约束 注意力聚合”的组合更适合机器人多关节异常检测。从模型复杂度看RJADNet 并不是参数最少或延迟最低的方法。但论文也指出它的优势不能简单归因于模型规模。相比一些参数规模相近或计算量更大的模型RJADNet 在复杂异常和感知条件变化下依然表现更稳说明结构化设计本身是主要贡献。可解释性观察模型在学习机器人结构而不是只看相关性论文中的可视化结果进一步展示了模型内部行为。RSJFE 的特征热力图显示经过 TDWC 模块后原始三轴振动信号被逐层重组为更有区分度的多通道特征。不同关节的特征形态仍保持差异说明模型没有把所有关节信号粗暴混合而是在保留关节私有信息的基础上增强异常线索。TCGI 的关系图则显示经过拓扑约束图交互后模型更倾向于强化拓扑相邻关节之间的关系。例如在代表性三关节和四关节异常案例中相邻关节关系在 TCGI 后更明显同时部分非相邻但有信息价值的关系也被保留。这让 RJADNet 的判断逻辑更接近工业机器人的真实机械系统异常不是孤立发生的关节之间也不是任意相关的。对工业现场的价值从“识别故障”走向“理解系统”RJADNet 的价值不止于提高一次实验中的 F1 分数。更重要的是它提供了一种面向真实工业现场的建模思路。第一它面向不完美感知。模型显式考虑环境噪声和传感器故障使异常检测更贴近工厂部署场景。第二它面向复合异常泛化。模型不要求训练阶段覆盖所有复杂异常组合而是从简单组合中学习可泛化的异常表征。第三它面向结构化系统。工业机器人本身具有明确拓扑RJADNet 把这种结构引入模型使数据驱动方法不再只是“看曲线”而是开始“理解机器人”。这对工业机器人预测性维护、产线质量风险预警、智能制造可靠性评估和 PHM 系统建设都有参考意义。也要看到边界学术宣传既要讲亮点也要讲边界。论文目前的验证集中在一个固定拓扑的 4 自由度机器人平台传感器模态主要是三轴振动信号干扰类型也基于当前 EN/SF 分类体系。未来如果要推广到更多机器人构型、不同负载、不同速度、不同轨迹、多模态感知和更多现场干扰类型还需要进一步验证。此外由于缺少伺服电机轴速以及轴承、精密减速器的详细参数论文也指出当前还无法充分开展部件级特征频率分析和采样频率充分性评估。这些边界并不削弱工作的价值反而说明这项研究已经把问题推进到更真实、更工程化的阶段。结语工业机器人的异常检测正在从“识别已知故障”走向“理解复杂系统”。RJADNet 给出的启示是真实工业 AI 不能只追求模型更深、更大、更复杂还要把设备结构、感知缺陷和泛化需求纳入同一个框架。当模型能够在噪声中听清每个关节的异常线索又能按照机器人拓扑理解关节之间的关系它才真正接近工业现场所需要的可靠智能。这或许正是 RJADNet 最值得关注的地方