最近、IEEE COINS 2026に採択された論文「BearingNAS: ラップトップを使用したベアリング向けセンサ内蔵知的故障診断システムの実現」が発表されました。本研究では、BearingNASと呼ばれるハードウェア認識型ニューラルアーキテクチャ探索（HW-NAS）フレームワークを提案し、センサ内処理技術を介してインテリジェンスを直接センサダイに移行することで、低コストのベアリング故障診断を実現します。
従来の故障診断システムはクラウドやエッジコンピューティングデバイスに依存することが多く、遅延、消費電力、プライバシーなどの問題がありました。BearingNASフレームワークは、ニューラルアーキテクチャ探索を制約付き最適化問題として定式化し、RAM 4〜8 KiB、フラッシュ16〜32 KiBという極小マイクロバジェットのマイクロコントローラを対象としています。高価な個別GPUへの依存を排除するため、研究チームは軽量で微分を必要としない探索戦略を考案し、単一データフロー探索空間と組み合わせ、減衰カーネル成長公式を用いてパラメータ爆発を防止しました。
実験はケース・ウェスタン・リザーブ大学（CWRU）のベアリングベンチマークデータセットを用いて行われ、STMicroelectronicsの3つのターゲットハードウェア（2つの汎用マイクロコントローラとLSM6DSO16ISインテリジェントセンサ処理ユニット（ISPU））向けに最適化されました。探索プロセスはラップトップのCPU上で完全に実行され、1時間以内に収束しました。最終的に、ISPU上で得られた最適なセンサ内アーキテクチャは99.50%の診断精度を達成し、非常に競争力のある結果を示しました。
この成果は、機械学習のワークロードをセンサパッケージ内部に移行することの実現可能性を証明し、低コストで生産規模のベアリング故障診断への道を開くものです。この研究はハードウェアコストを削減するだけでなく、システムのリアルタイム性とプライバシーを向上させ、産業用IoTやスマート製造分野での幅広い応用が期待されます。
特に、BearingNASの探索戦略は高価なGPUを完全に回避しており、一般的なラップトップでニューラルアーキテクチャの最適化が可能です。これはリソースが限られた産業現場にとって重要であり、中小企業でも低コストで知的故障診断システムを導入できることを意味します。また、センサ内処理によりデータ転送の遅延と帯域幅要件が低減され、システムの応答性がさらに向上します。
本研究はAndrea Mattia Garavagnoらによって行われ、IEEE COINS 2026の特別セッション7（Edge AI technologies）で発表される予定です。今後、研究チームはBearingNASを他のセンサタイプや故障診断タスクに拡張し、エッジインテリジェンスの産業応用を推進する計画です。