通过自适应边缘模型对移动机器人进行连续在线故障检测

移动机器人需要强大的实时故障检测能力，能够持续适应受限的边缘硬件。虽然深度时间序列模型擅长无监督异常检测，但其计算成本阻碍了高频机载执行。本文通过师生蒸馏框架弥补了这一差距。离线基础模型 (TSPulse) 从通过故障注入增强的未标记时间序列生成伪标签。一个轻量级的 MiniRocket Student，采用递归最小二乘估计器，近似这个复杂的决策边界，以在机上执行实时推理。对 TSB-AD 基准测试和物理移动机器人的评估表明，学生的 CPU 推理延迟达到了 4.30 毫秒。在现实世界的领域转移期间，在线适应使学生能够从看不见的机械退化中恢复，将 VUS-PR 分数从 0.26 提高到 0.75，而不会发生灾难性遗忘。至关重要的是，不确定性引导的主动学习策略最大限度地减少了操作员的认知负荷，仅在遇到新的故障分布时才请求稀疏干预。这些结果验证了通过离线到在线蒸馏在资源受限的机器人上部署最先进的异常检测。