BearingNAS：使用笔记本电脑获取用于轴承的传感器内智能故障诊断系统
BearingNAS: Obtaining In-Sensor Intelligent Fault Diagnosis Systems for Bearings Using a Laptop
浏览论文内容
中文总结 AI 辅助
研究利用BearingNAS框架，通过轻量级无导数搜索策略及单数据流搜索空间，针对微预算优化轴承故障诊断架构，在笔记本电脑CPU上运行，为意法半导体目标实现高诊断准确率，证明可将机器学习负载移至传感器封装内进行低成本故障诊断。
中文摘要 AI 辅助
本文介绍了BearingNAS，这是一种硬件感知神经架构搜索（HW-NAS）框架，旨在通过传感器内处理将智能直接转移到传感器芯片上。BearingNAS将搜索框架为针对极端微预算（4到8 KiB的RAM和16到32 KiB的Flash）的约束优化问题。为消除对昂贵离散GPU的依赖，我们提出了一种轻量级、无导数的搜索策略，以及一个利用衰减内核增长公式防止参数爆炸的单数据流搜索空间。我们在凯斯西储大学（CWRU）轴承基准上评估了我们的框架，为三个意法半导体目标优化架构：两个商用微控制器和LSM6DSO16IS智能传感器处理单元（ISPU）。搜索完全在笔记本电脑CPU上运行，不到一小时就收敛。在ISPU上，最终得到的最佳传感器内架构实现了99.50%的极具竞争力的诊断准确率。这些结果证明了将机器学习工作负载转移到传感器封装内的可行性，实现了低成本、生产规模的轴承故障诊断。
英文摘要
This paper introduces BearingNAS, a Hardware-Aware Neural Architecture Search (HW-NAS) framework designed to shift the intelligence directly onto the sensor die via in-sensor processing. BearingNAS frames the search as a constrained optimization problem targeting extreme micro-budgets (4 to 8 kiB of RAM and 16 to 32 kiB of Flash). To eliminate the reliance on expensive discrete GPUs, we propose a lightweight, derivative-free search strategy paired with a single data-flow search space that leverages a decaying kernel growth formulation to prevent parameter explosion. We evaluate our framework on the Case Western Reserve University (CWRU) bearing benchmark, optimizing architectures for three STMicroelectronics targets: two commodity microcontrollers and the LSM6DSO16IS Intelligent Sensor Processing Unit (ISPU). Running entirely on a laptop CPU, the search converges in less than an hour. The resulting best in-sensor architecture achieves a highly competitive diagnostic accuracy of 99.50\% on the ISPU. These results demonstrate the viability of shifting the machine learning workload inside the sensor package, enabling low-cost, production-scale bearing fault diagnosis.
发表机构
- Case Western Reserve University（凯斯西储大学）
- STMicroelectronics（意法半导体）
机构由 AI 辅助整理，请以论文原文为准。
