voraus-AD

该数据集名为“voraus-AD”，包含了协作机器人执行工业取放任务时的机器数据。其中既包含了用于训练的正常数据，也包含了用于测试的正常数据和异常数据，涵盖了12种不同的异常类型。该数据集共记录了130个信号，采样频率为500赫兹，全面覆盖了机械臂操作的各种方面。它旨在用于训练异常检测模型，并评估如MVT-Flow等方法。在取放操作过程中，共记录了2122个时间序列样本，该数据集的任务是针对机器人应用中的异常检测。This dataset, named "voraus-AD", contains machine data collected when collaborative robots perform industrial pick-and-place tasks. It includes normal data for model training, as well as both normal and abnormal data for model testing, covering 12 distinct anomaly types. A total of 130 signals were recorded at a sampling frequency of 500 Hz, comprehensively covering all aspects of robotic arm operations. This dataset is intended for training anomaly detection models and evaluating methods such as MVT-Flow. During the pick-and-place operations, 2122 time-series samples were recorded in total, and the core task of this dataset is anomaly detection in robotic applications.

搜集汇总

数据集介绍

构建方式

在工业机器人应用中，异常事件的检测对保障人员安全与生产质量至关重要。voraus-AD数据集基于一台协作机器人执行典型拾放任务时采集的机器数据构建而成。该任务涉及机器人移动、末端执行器操作及与环境物体的交互，通过内置传感器以500 Hz的频率记录了6个轴共130个信号，包括机械与电气参数。数据集包含1367个正常样本用于训练，以及755个涵盖12种异常类型的测试样本，异常包括轴磨损、夹取错误、碰撞等。每种异常均设定了不同强度，且部分异常具有跨任务通用性。

特点

该数据集的核心特点在于其丰富的异常多样性与现实场景的逼真模拟。12种异常类型覆盖了过程错误、夹取错误和机器人轴磨损三大类，且每种异常均包含多个变体与强度级别，例如附加轴重量设置了3个等级，碰撞对象包括泡沫、电缆和纸板。与现有数据集相比，voraus-AD的异常更具通用性，其评估结果可推广至其他机器人应用。此外，数据以高采样频率提供，并附有详细的元数据，包括异常类型、变体及机器人状态，便于深入分析。

使用方法

使用voraus-AD数据集时，研究者应遵循其定义的评估协议，即对每种异常类型单独计算AUROC指标，以避免样本数量不均导致的偏差。数据集适用于半监督异常检测方法，训练仅使用正常数据，测试时需检测所有异常类型。建议采用基于密度估计的方法，如MVT-Flow，利用归一化流对多变量时间序列进行建模。同时，可通过输入梯度进行时间维度的异常定位，辅助分析异常发生的具体时刻。数据与代码已公开，便于复现与基准测试。

背景与挑战

背景概述

在工业机器人持续运行的过程中，异常事件的检测对于保障人员安全与生产质量至关重要。然而，由于不可预见的事故可能随时间发生，收集涵盖所有潜在错误类型的数据往往难以实现。为此，Jan Thieß Brockmann、Marco Rudolph、Bodo Rosenhahn 与 Bastian Wandt 等研究人员于2023年提出了 voraus-AD 数据集，旨在为基于机器数据的机器人应用异常检测提供公开基准。该数据集以典型的拾放操作为应用场景，通过记录协作机器人抓取随机放置的易拉罐并移至固定位置的过程，采集了包含130个信号（机械与电气信号）的高频时间序列数据，频率达500 Hz。相较于此前仅有的公开数据集 AURSAD，voraus-AD 涵盖了12种多样化的异常类型，包括轴磨损、抓取错误及碰撞等，其中多数异常具有跨任务通用性，因而对机器人领域内不同应用的异常检测研究具有广泛参考价值与影响力。

当前挑战

voraus-AD 数据集所面临的挑战首先体现于其核心领域问题：异常检测需在仅有正常数据训练的条件下，识别出未曾见过的异常事件，这要求方法具备对复杂数据分布的高灵活建模能力。此外，构建过程中的挑战尤为突出：模拟机器人轴磨损等异常需在不造成永久损伤的前提下，在有限时间内诱发细微故障，例如通过附加泡沫增加摩擦或故意校准错误的电机换向；同时，异常类型需覆盖从过程错误（如碰撞、平台不稳）到抓取失败及环境干扰的广泛场景，且每种异常需模拟不同强度（如易拉罐重量分6级），以评估方法的鲁棒性。数据集还面临信号维度高（130个信号）、时间序列长度不一及正常数据本身因随机放置引入连续方差等难题，这使现有方法在处理多信号特征和时序结构时表现不佳，亟待更优的密度估计与架构设计方案。

常用场景

经典使用场景

在工业机器人领域，异常检测对于保障生产安全与产品质量至关重要。voraus-AD数据集专为机器人应用中的异常检测设计，其经典使用场景聚焦于基于机器数据的半监督异常检测任务。该数据集包含一台协作机器人在执行典型拾取与放置操作过程中记录的130维时序信号，涵盖机械与电气参数，频率高达500赫兹。研究者可利用该数据集训练仅依赖正常数据的异常检测模型，从而识别出诸如轴磨损、抓取失败或环境碰撞等微妙异常，这些异常通常难以被传统安全系统察觉。

衍生相关工作

voraus-AD数据集的发布催生了多项具有影响力的衍生工作。其中，MVT-Flow作为该数据集提出的基线方法，通过定制归一化流架构处理多元时序数据，在异常检测性能上大幅超越此前方法。该工作启发后续研究者探索卷积与注意力机制在时序密度估计中的应用。此外，数据集还促进了图增强归一化流（GANF）、隐马尔可夫模型（HMM）等多种方法的对比与改进，为机器人故障检测与恢复领域提供了坚实的实验平台与理论参考。

数据集最近研究

最新研究方向

在工业机器人应用领域，异常检测正成为保障人机安全与生产质量的关键技术。voraus-AD数据集聚焦于基于机器数据的半监督异常检测，通过模拟拾放操作中的12种细微异常类型（如轴磨损、碰撞、抓取失误等），为算法评估提供了高度多样化的基准。当前前沿研究方向集中于利用归一化流等深度生成模型进行密度估计，例如MVT-Flow方法通过卷积结构适配多变量时间序列，在ROC-AUC指标上超越传统方法6.2%。该数据集填补了机器人异常检测领域公开基准的空白，其非任务特异性异常设计使评估结果具有跨应用泛化能力，推动了从简单阈值检测向复杂概率建模的范式转变，对工业4.0中连续自主监控系统的可靠性提升具有里程碑意义。

相关研究论文

• The voraus-AD Dataset for Anomaly Detection in Robot Applications

  汉诺威莱布尼兹大学 · 2023年