《Expert Systems with Applications》：Machine fault diagnosis method using Ghost-AdderNet and WSNs with sensor computing
編輯推薦：
為解決傳統機器故障診斷系統傳輸成本高、WSNs 節點資源受限問題，研究人員提出基于 Ghost-AdderNet 與 WSNs 傳感器計算的診斷方法。在 JN5169 節點驗證表明，該方法可降低模型規模、傳輸數據量，節省 25.1 mJ（29.1%）能量，診斷準確率超 99.6%，具重要應用價值。
在工業領域，機器設備的穩定運行至關重要，及時準確的故障診斷能有效提升設備可靠性、延長使用壽命并預防故障發生。傳統機器故障診斷系統依賴電纜傳輸信號，存在安裝維護成本高的問題。隨著無線傳感器網絡（WSNs）和物聯網（IoT）的發展，基于無線技術的故障診斷系統應運而生。然而，現有系統主要分為原始數據傳輸模式和傳感器計算模式：原始數據傳輸模式受限于 WSNs 的無線帶寬和節點能量，難以滿足高速數據采集傳輸需求；傳感器計算模式雖能減少能耗和傳輸數據量，但多采用傳統機器學習方法，依賴人工構造特征和專家經驗，而深度學習中的卷積神經網絡（CNN）雖具備自動特征提取能力，卻因資源需求高難以直接部署在資源受限的 WSNs 節點上。因此，研發適用于 WSNs 節點的輕量級 CNN 故障診斷模型成為亟待解決的問題。
為應對這一挑戰，河北某研究機構的研究人員開展了相關研究，其成果發表在《Expert Systems with Applications》。研究提出一種基于 Ghost-AdderNet 與帶傳感器計算的 WSNs 的機器故障診斷方法，旨在實現低能耗、高效的設備故障診斷，為工業物聯網的智能化運維提供技術支撐。
研究主要采用以下關鍵技術方法：一是設計 Ghost-AdderNet，通過 AdderNet 將 CNN 中的乘法運算替換為加減法（利用 L1距離替代卷積操作），降低計算成本；二是引入 Ghost 模塊，利用少量普通卷積及其線性操作挖掘特征圖冗余信息，減少模型參數；三是在商用 WSN 節點 JN5169（NXP）上嵌入模型，并基于凱斯西儲大學（CWRU）軸承數據集進行實驗驗證，通過搭建含四個傳感器節點和一個協調器的星形拓撲 WSN，測量節點電流以計算能耗。
實驗驗證與結果
通過在實驗裝置上開展多組實驗，驗證了方法的有效性：
- 模型性能驗證：與原始數據傳輸模式相比，Ghost-AdderNet 顯著減小模型規模和 WSNs 有效載荷傳輸數據量，在保持診斷準確率超 99.6% 的同時，節省節點能量 25.1 mJ（29.1%）。
- 傳感器計算模式優勢：對比傳統基于 FFT、BPNN 等的傳感器計算方法，該方法擺脫人工特征依賴，通過深度學習自動提取故障特征，提升診斷效率和準確性。
- 輕量級設計有效性：AdderNet 的加減法替代乘法運算和 Ghost 模塊的參數優化，使模型適用于資源受限的 WSN 節點，突破傳統 CNN 部署瓶頸。
結論與討論
研究成功設計并驗證了 Ghost-AdderNet 在 WSNs 節點的應用，為機器故障診斷提供了輕量級、低能耗的解決方案。該方法既保留了 CNN 的高診斷精度，又通過結構創新降低了對存儲和計算資源的需求，推動了深度學習在工業物聯網邊緣設備中的實際應用。其意義在于：一是為 WSNs/IoT 環境下的實時故障診斷提供新范式，減少對云端計算的依賴；二是降低工業設備運維成本，提升系統靈活性和可擴展性；三是為輕量級神經網絡在嵌入式設備中的設計提供新思路，可推廣至其他資源受限場景的智能診斷領域。研究結果表明，傳感器計算與輕量級深度學習的結合是未來工業智能化的重要發展方向，有望在智能制造、智能運維等領域發揮關鍵作用。
