近日，一篇题为《BearingNAS：使用笔记本电脑实现轴承的传感器内智能故障诊断系统》的论文被IEEE COINS 2026会议录用。该研究提出了一种名为BearingNAS的硬件感知神经架构搜索（HW-NAS）框架，旨在通过传感器内处理技术将智能直接迁移到传感器芯片上，从而实现低成本的轴承故障诊断。
传统的故障诊断系统通常依赖云端或边缘计算设备，但这种方法存在延迟、功耗和隐私等问题。BearingNAS框架另辟蹊径，将神经架构搜索问题转化为一个受约束的优化问题，目标硬件是极端微预算的微控制器，仅需4至8 KiB的RAM和16至32 KiB的闪存。为了消除对昂贵离散GPU的依赖，研究团队提出了一种轻量级、无导数的搜索策略，并设计了一个单一数据流搜索空间，利用衰减核增长公式防止参数爆炸。
实验在凯斯西储大学（CWRU）的轴承基准数据集上进行，针对STMicroelectronics的三款目标硬件进行了优化：两款通用微控制器以及LSM6DSO16IS智能传感器处理单元（ISPU）。整个搜索过程完全在笔记本电脑的CPU上运行，不到一小时即可收敛。最终，在ISPU上获得的最佳传感器内架构实现了99.50%的诊断准确率，极具竞争力。
这一成果证明了将机器学习工作负载迁移到传感器内部封装的可行性，为实现低成本、生产规模的轴承故障诊断开辟了新途径。该研究不仅降低了硬件成本，还提高了系统的实时性和隐私性，有望在工业物联网和智能制造领域得到广泛应用。
值得注意的是，BearingNAS的搜索策略完全避免了昂贵的GPU资源，使得在普通笔记本电脑上即可完成神经架构的优化。这对于资源受限的工业场景尤其重要，意味着中小型企业也能以较低的成本部署智能故障诊断系统。此外，传感器内处理减少了数据传输的延迟和带宽需求，进一步提升了系统的响应速度。
该研究由Andrea Mattia Garavagno等人完成，论文已被IEEE COINS 2026会议的特邀分会7（Edge AI technologies）接收。未来，研究团队计划将BearingNAS推广到其他类型的传感器和故障诊断任务中，推动边缘智能在工业领域的落地。