論文の概要: BearingNAS: Obtaining In-Sensor Intelligent Fault Diagnosis Systems for Bearings Using a Laptop

• arxiv url: http://arxiv.org/abs/2607.18287v1
• Date: Tue, 30 Jun 2026 11:28:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 00:46:13.108299
• Title: BearingNAS: Obtaining In-Sensor Intelligent Fault Diagnosis Systems for Bearings Using a Laptop
• Title（参考訳）: BearingNAS:ラップトップを用いたベアリング用センサ内知的故障診断システム
• Abstract要約: BearingNASは、インセンサー処理を通じて、インテリジェンスを直接センサーダイにシフトするように設計されたフレームワークである。 ラップトップのCPUで完全に動作するので、検索は1時間以内に収束する。 その結果、センサパッケージ内で機械学習のワークロードをシフトさせることで、低コストで大規模なベアリング障害診断が可能になった。
• 参考スコア（独自算出の注目度）: 2.977600548677971
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 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.
• Abstract（参考訳）: 本稿では,センサ内処理によるセンサダイに直接インテリジェンスをシフトするハードウェア・アウェア・ニューラル・アーキテクチャ・サーチ(HW-NAS)フレームワークであるBeringNASを紹介する。 BearingNASは、極端なマイクロ予算(RAM 4から8 KiB、Flash 16から32 KiB)をターゲットにした、制約付き最適化問題として検索をフレーム化している。 高価な離散GPUの信頼性を損なうため, 1 つのデータフロー探索空間と組み合わせて, 崩壊するカーネル成長の定式化を利用して, パラメータの爆発を防止する軽量な微分自由探索戦略を提案する。 2つの商品マイクロコントローラと LSM6DSO16IS Intelligent Sensor Processing Unit (ISPU) の3つのSTマイクロエレクトロニクスターゲットのアーキテクチャを最適化し, ケース・ウェスタン・リザーブ大学(CWRU)のベンチマーク評価を行った。 ラップトップのCPUで完全に動作するので、検索は1時間以内に収束する。 結果として得られる最高のインセンサーアーキテクチャは、ISPUで99.50\%という高い競争力を持つ診断精度を達成する。 これらの結果は、センサーパッケージ内で機械学習のワークロードをシフトさせることで、低コストで大規模なベアリング障害診断を可能にすることを示す。

関連論文リスト

• MicroNAS: An Automated Framework for Developing a Fall Detection System [0.13194391758295113]
  MicroNASは、小さなメモリリソースを持つマイクロコントローラのモデルを作成するために特別に設計された、自動ニューラルネットワーク検索ツールである。 ESP32マイクロコントローラは320KBのメモリを持ち、ターゲットプラットフォームとして使用されている。 低域アンプの落下検知システム(FDS)をパイロット実験として開発した。
  論文  参考訳（メタデータ） (2025-04-10T02:32:47Z)
• Accelerating TinyML Inference on Microcontrollers through Approximate Kernels [3.566060656925169]
  本研究では、近似計算とソフトウェアカーネル設計を組み合わせることで、マイクロコントローラ上での近似CNNモデルの推定を高速化する。 CIFAR-10データセットでトレーニングされたSTM32-Nucleoボードと2つの人気のあるCNNによる評価は、最先端の正確な推測と比較すると、平均21%のレイテンシ削減が可能であることを示している。
  論文  参考訳（メタデータ） (2024-09-25T11:10:33Z)
• SpikeNAS: A Fast Memory-Aware Neural Architecture Search Framework for Spiking Neural Network-based Embedded AI Systems [6.006032394972252]
  スパイキングニューラルネットワーク(SNN)は、高精度で超低消費電力/エネルギー計算を提供する。 SpikeNASは、SNNのための新しい高速メモリ対応ニューラルアーキテクチャ検索フレームワークである。 以上の結果から,SpikeNASは検索時間を改善するとともに,最先端技術と比較して高い精度を維持していることがわかった。
  論文  参考訳（メタデータ） (2024-02-17T16:33:54Z)
• HW-SW Optimization of DNNs for Privacy-preserving People Counting on Low-resolution Infrared Arrays [9.806742394395322]
  低分解能赤外線(IR)アレイセンサは、空間や人の流れの占有をモニターするなどのアプリケーションを数えることができる。 ディープニューラルネットワーク(DNN)は、これらのセンサデータを正確かつ効率的な方法で処理するのに適していることが示されている。 本稿では、ニューラルネットワーク探索、混合精度量子化、後処理といったDNNのための高度に自動化されたフルスタック最適化フローを提案する。
  論文  参考訳（メタデータ） (2024-02-02T08:45:38Z)
• MicroNAS: Zero-Shot Neural Architecture Search for MCUs [5.813274149871141]
  ニューラルネットワーク探索(NAS)は、新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを効果的に発見する。 エッジコンピューティングにおけるマイクロコントローラユニット(MCU)のためのハードウェア対応ゼロショットNASフレームワークであるMicroNASを提案する。 以前の研究と比較すると、MicroNASは探索効率を最大1104倍改善し、3.23倍高速なMCU推論モデルを発見した。
  論文  参考訳（メタデータ） (2024-01-17T06:17:42Z)
• Auto-PINN: Understanding and Optimizing Physics-Informed Neural Architecture [77.59766598165551]
  物理インフォームドニューラルネットワーク(PINN)は、ディープラーニングのパワーを科学計算にもたらし、科学と工学の実践に革命をもたらしている。 本稿では,ニューラル・アーキテクチャ・サーチ(NAS)手法をPINN設計に適用したAuto-PINNを提案する。 標準PDEベンチマークを用いた包括的事前実験により、PINNの構造と性能の関係を探索することができる。
  論文  参考訳（メタデータ） (2022-05-27T03:24:31Z)
• Deep Learning for Real Time Satellite Pose Estimation on Low Power Edge TPU [58.720142291102135]
  本稿では,ニューラルネットワークアーキテクチャを利用したポーズ推定ソフトウェアを提案する。 我々は、低消費電力の機械学習アクセラレーターが宇宙での人工知能の活用を可能にしていることを示す。
  論文  参考訳（メタデータ） (2022-04-07T08:53:18Z)
• FPGA-optimized Hardware acceleration for Spiking Neural Networks [69.49429223251178]
  本研究は,画像認識タスクに適用したオフライントレーニングによるSNN用ハードウェアアクセラレータの開発について述べる。 この設計はXilinx Artix-7 FPGAをターゲットにしており、利用可能なハードウェアリソースの40%を合計で使用している。 分類時間を3桁に短縮し、ソフトウェアと比較すると精度にわずか4.5%の影響を与えている。
  論文  参考訳（メタデータ） (2022-01-18T13:59:22Z)
• MAPLE: Microprocessor A Priori for Latency Estimation [81.91509153539566]
  現代のディープニューラルネットワークは、低レイテンシとエネルギー消費を示しながら最先端の精度を示す必要がある。 評価されたアーキテクチャのレイテンシの測定は、NASプロセスにかなりの時間を加えます。 転送学習やドメイン適応に依存しない推定用マイクロプロセッサAプライオリティを提案する。
  論文  参考訳（メタデータ） (2021-11-30T03:52:15Z)
• iDARTS: Differentiable Architecture Search with Stochastic Implicit Gradients [75.41173109807735]
  微分可能なArchiTecture Search(DARTS)は先日,ニューラルアーキテクチャサーチ(NAS)の主流になった。 暗黙の関数定理に基づいてDARTSの過次計算に取り組む。 提案手法であるiDARTSのアーキテクチャ最適化は,定常点に収束することが期待される。
  論文  参考訳（メタデータ） (2021-06-21T00:44:11Z)
• ROME: Robustifying Memory-Efficient NAS via Topology Disentanglement and Gradient Accumulation [106.04777600352743]
  微分可能なアーキテクチャサーチ(DARTS)は、スーパーネット全体がメモリに格納されているため、メモリコストが大幅に低下する。 シングルパスのDARTSが登場し、各ステップでシングルパスのサブモデルのみを選択する。 メモリフレンドリーだが、計算コストも低い。 RObustifying Memory-Efficient NAS (ROME) と呼ばれる新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-11-23T06:34:07Z)
• Binarized Neural Architecture Search for Efficient Object Recognition [120.23378346337311]
  バイナリ化されたニューラルネットワークサーチ(BNAS)は、エッジコンピューティング用の組み込みデバイスにおいて、膨大な計算コストを削減するために、極めて圧縮されたモデルを生成する。 9,6.53%対9,7.22%の精度はCIFAR-10データセットで達成されるが、かなり圧縮されたモデルで、最先端のPC-DARTSよりも40%速い検索が可能である。
  論文  参考訳（メタデータ） (2020-09-08T15:51:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。