近日，一篇題為《BearingNAS：使用筆記型電腦實現軸承的感測器內智慧故障診斷系統》的論文被IEEE COINS 2026會議錄用。該研究提出了一種名為BearingNAS的硬體感知神經架構搜尋（HW-NAS）框架，旨在透過感測器內處理技術將智慧直接遷移到感測器晶片上，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裝置，但這種方法存在延遲、功耗和隱私等問題。BearingNAS框架另闢蹊徑，將神經架構搜尋問題轉化為一個受約束的最佳化問題，目標硬體是極端微預算的微控制器，僅需4至8 KiB的RAM和16至32 KiB的快閃記憶體。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、無導數的搜尋策略，並設計了一個單一資料流搜尋空間，利用衰減核增長公式防止引數爆炸。
實驗在凱斯西儲大學（CWRU）的軸承基準資料集上進行，針對STMicroelectronics的三款目標硬體進行了最佳化：兩款通用微控制器以及LSM6DSO16IS智慧感測器處理單元（ISPU）。整個搜尋過程完全在筆記型電腦的CPU上執行，不到一小時即可收斂。最終，在ISPU上獲得的最佳感測器內架構實現了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感測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體成本，還提高了系統的即時性和隱私性，有望在工業物聯網和智慧製造領域得到廣泛應用。
值得注意的是，BearingNAS的搜尋策略完全避免了昂貴的GPU資源，使得在普通筆記型電腦上即可完成神經架構的最佳化。這對於資源受限的工業場景尤其重要，意味著中小型企業也能以較低的成本部署智慧故障診斷系統。此外，感測器內處理減少了資料傳輸的延遲和頻寬需求，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推廣到其他型別的感測器和故障診斷任務中，推動邊緣智慧在工業領域的落地。