BearingNAS: Obtaining In-Sensor Intelligent Fault Diagnosis Systems for Bearings Using a Laptop

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.

한 줄 요약

BearingNAS는 센서 내부에서 베어링 고장 진단을 수행하는 저비용 HW-NAS 프레임워크로, ISPU에서 99.50% 정확도를 달성한다.

핵심 기여도

**하드웨어 인식형 HW-NAS 프레임워크**인 BearingNAS를 제안.
**4~8 kiB RAM, 16~32 kiB Flash**의 극저비용 하드웨어 예산을 타겟으로 최적화.
**GPU 없이 랩탑 CPU에서 1시간 이내**에 수렴하는 경량화된 검색 전략 제시.
**ISPU에서 99.50% 정확도**를 달성하며, 센서 내부 머신러닝의 실현 가능성을 입증.

핵심 아이디어

BearingNAS는 기존 NAS가 고비용 GPU에 의존하는 문제를 해결하기 위해, **GPU 없이 랩탑 CPU에서도 실행 가능한 경량화된 검색 전략**을 제안한다. 이는 **단일 데이터 흐름 검색 공간**과 **감소하는 커널 성장 공식**(decaying kernel growth formulation)을 통해 파라미터 폭발을 방지함으로써 실현된다. 또한, 센서 내부에서 머신러닝을 실행하는 **in-sensor processing**을 목표로 하여, **STMicroelectronics LSM6DSO16IS ISPU**와 같은 실시간 처리 가능한 하드웨어를 대상으로 최적화한다.

기술적 접근법

**하드웨어 인식형 제약 최적화 문제**를 기반으로 NAS 수행.
**RAM 4~8 kiB, Flash 16~32 kiB**의 극저비용 예산을 고려.
**GPU 없이 랩탑 CPU에서 1시간 이내 수렴**하는 **경량화된, 미분 없는 검색 전략** 사용.
**단일 데이터 흐름 검색 공간**과 **감소 커널 성장 공식**을 통해 파라미터 수 제어.
**CWRU 베어링 벤치마크** 데이터셋을 사용한 실험.

주요 결과

**CWRU 데이터셋**에서 **ISPU 타겟**에 대해 **99.50% 정확도** 달성.
**베이스라인 대비 +0.50%** 개선 (기존 최고 성능 대비).
**1시간 이내**에 **랩탑 CPU에서 수렴**, GPU 의존성 제거.

의의 및 한계

BearingNAS는 센서 내부에서 머신러닝을 실행하는 **in-sensor AI 구현의 가능성을 입증**하며, **저비용, 대량 생산 가능한 고장 진단 시스템** 개발에 기여한다. 특히, **STMicroelectronics의 ISPU**와 같은 실시간 처리 가능한 하드웨어를 대상으로 최적화한 점에서 실용적 가치가 높다. 그러나 **다른 센서 플랫폼이나 데이터셋에 대한 일반화 가능성**은 명시되지 않았으며, **더 복잡한 고장 유형에 대한 성능**도 추가 실험이 필요하다.

실용적 활용

BearingNAS는 **산업 설비 모니터링**, **예지 정비**, **스마트 센서 네트워크** 등에 적용 가능하다. 특히, **저비용 IoT 센서**에서 실시간 고장 진단을 구현하는 데 유용하며, **STMicroelectronics ISPU** 기반의 산업용 센서에 바로 활용할 수 있다.