近日，一篇題為《BearingNAS：使用筆記本電腦實現軸承的傳感器內智能故障診斷系統》的論文被IEEE COINS 2026會議錄用。該研究提出了一種名為BearingNAS的硬件感知神經架構搜索（HW-NAS）框架，旨在通過傳感器內處理技術將智能直接遷移到傳感器芯片上，從而實現低成本的軸承故障診斷。
傳統的故障診斷系統通常依賴雲端或邊緣計算設備，但這種方法存在延遲、功耗和隱私等問題。BearingNAS框架另闢蹊徑，將神經架構搜索問題轉化為一個受約束的優化問題，目標硬件是極端微預算的微控制器，僅需4至8 KiB的RAM和16至32 KiB的閃存。為了消除對昂貴離散GPU的依賴，研究團隊提出了一種輕量級、無導數的搜索策略，並設計了一個單一數據流搜索空間，利用衰減核增長公式防止參數爆炸。
實驗在凱斯西儲大學（CWRU）的軸承基準數據集上進行，針對STMicroelectronics的三款目標硬件進行了優化：兩款通用微控制器以及LSM6DSO16IS智能傳感器處理單元（ISPU）。整個搜索過程完全在筆記本電腦的CPU上運行，不到一小時即可收斂。最終，在ISPU上獲得的最佳傳感器內架構實現了99.50%的診斷準確率，極具競爭力。
這一成果證明了將機器學習工作負載遷移到傳感器內部封裝的可行性，為實現低成本、生產規模的軸承故障診斷開闢了新途徑。該研究不僅降低了硬件成本，還提高了系統的實時性和隱私性，有望在工業物聯網和智能製造領域得到廣泛應用。
值得注意的是，BearingNAS的搜索策略完全避免了昂貴的GPU資源，使得在普通筆記本電腦上即可完成神經架構的優化。這對於資源受限的工業場景尤其重要，意味着中小型企業也能以較低的成本部署智能故障診斷系統。此外，傳感器內處理減少了數據傳輸的延遲和帶寬需求，進一步提升了系統的響應速度。
該研究由Andrea Mattia Garavagno等人完成，論文已被IEEE COINS 2026會議的特邀分會7（Edge AI technologies）接收。未來，研究團隊計劃將BearingNAS推廣到其他類型的傳感器和故障診斷任務中，推動邊緣智能在工業領域的落地。