近日，实验室高端装备智能运维团队受邀撰写的综述论文“Intelligent Maintenance Review for Robots: Multimodal Information, Deep Diagnosis and Embodied Artificial Intelligence”在国际学术期刊 Advanced Robotics Research 上发表。论文面向机器人可靠服役与智能运维需求，围绕多模态状态信息、深度故障诊断和具身人工智能三个层面，系统梳理机器人智能运维的技术演进、关键挑战与未来路线。

机器人正广泛应用于高端制造、医疗健康、航空航天和仓储物流等场景。然而机器人变速、变载荷工况及复杂人机协作任务对机器人可靠安全运行带来巨大挑战，尤其是关键部件失效或性能退化可能影响系统故障停机或导致重大安全事故。论文指出，真实故障样本稀缺、跨平台泛化困难、诊断模型可解释性不足和边缘实时部署受限，是机器人智能运维走向工程应用需要重点解决的问题。

论文以机器人故障诊断发展历程为主线，梳理了阈值报警、模型残差、特征机器学习、多模态深度学习到具身群体智能运维的技术演进，揭示机器人健康管理由单一信号阈值监测向“模型特征—信息融合—群体智能”协同发展的趋势。

图1 机器人故障诊断技术发展历程

机器人信息获取方面，论文梳理了振动、声音、电流、转矩、位置、视觉、力触觉和润滑油信息等多模态数据。振动与声音适合捕捉减速器、轴承和齿轮早期冲击；控制器内部信号具备低成本、非侵入和实时采集优势；视觉与力触觉可从任务执行质量和交互安全角度补充观测。润滑油磨粒图像进一步为RV减速器等关键传动部件的磨损识别和寿命评估提供重要依据。

图2 实验室研发的滑油磨粒分析监测系统及机器人智能运维平台

机器人故障诊断方法方面，论文总结了CNN、RNN/LSTM、GNN、Transformer及注意力机制在端到端诊断中的作用，阐明其在局部特征提取、时序退化建模、结构关联表达和长序列依赖捕获方面的优势；同时讨论少样本学习、迁移学习、自监督学习、数据增强、数字孪生和物理信息神经网络等技术在缓解故障样本不足、提升跨工况泛化能力和增强诊断可信度方面的应用潜力。

面向未来，论文提出机器人智能运维将进一步服务具身智能系统的安全交互、自我状态认知和全生命周期健康管理。可解释人工智能与因果推理将推动诊断模型从识别故障走向理解机理；在线学习和终身学习可增强模型对动态工况和新故障模式的适应能力；轻量化边缘部署、边云协同和机器人群体协同诊断，将成为提升机器人可靠性、实时性和工程可用性的关键方向。

图3 机器人智能运维的未来发展路线图

QIAO Yuting, WANG Hongbo, LI Naipeng, WANG Shuo, LEI Yaguo, WU Tonghai, CAO Junyi. Intelligent Maintenance Review for Robots: Multimodal Information, Deep Diagnosis and Embodied Artificial Intelligence[J]. Advanced Robotics Research, 2026: e202500205.

论文链接：https://doi.org/10.1002/adrr.202500205