编辑推荐：
为解决传统机器故障诊断系统传输成本高、WSNs 节点资源受限问题，研究人员提出基于 Ghost-AdderNet 与 WSNs 传感器计算的诊断方法。在 JN5169 节点验证表明，该方法可降低模型规模、传输数据量，节省 25.1 mJ（29.1%）能量，诊断准确率超 99.6%，具重要应用价值。
在工业领域，机器设备的稳定运行至关重要，及时准确的故障诊断能有效提升设备可靠性、延长使用寿命并预防故障发生。传统机器故障诊断系统依赖电缆传输信号，存在安装维护成本高的问题。随着无线传感器网络（WSNs）和物联网（IoT）的发展，基于无线技术的故障诊断系统应运而生。然而，现有系统主要分为原始数据传输模式和传感器计算模式：原始数据传输模式受限于 WSNs 的无线带宽和节点能量，难以满足高速数据采集传输需求；传感器计算模式虽能减少能耗和传输数据量，但多采用传统机器学习方法，依赖人工构造特征和专家经验，而深度学习中的卷积神经网络（CNN）虽具备自动特征提取能力，却因资源需求高难以直接部署在资源受限的 WSNs 节点上。因此，研发适用于 WSNs 节点的轻量级 CNN 故障诊断模型成为亟待解决的问题。
为应对这一挑战，河北某研究机构的研究人员开展了相关研究，其成果发表在《Expert Systems with Applications》。研究提出一种基于 Ghost-AdderNet 与带传感器计算的 WSNs 的机器故障诊断方法，旨在实现低能耗、高效的设备故障诊断，为工业物联网的智能化运维提供技术支撑。
研究主要采用以下关键技术方法：一是设计 Ghost-AdderNet，通过 AdderNet 将 CNN 中的乘法运算替换为加减法（利用 L1距离替代卷积操作），降低计算成本；二是引入 Ghost 模块，利用少量普通卷积及其线性操作挖掘特征图冗余信息，减少模型参数；三是在商用 WSN 节点 JN5169（NXP）上嵌入模型，并基于凯斯西储大学（CWRU）轴承数据集进行实验验证，通过搭建含四个传感器节点和一个协调器的星形拓扑 WSN，测量节点电流以计算能耗。
实验验证与结果
通过在实验装置上开展多组实验，验证了方法的有效性：
- 模型性能验证：与原始数据传输模式相比，Ghost-AdderNet 显著减小模型规模和 WSNs 有效载荷传输数据量，在保持诊断准确率超 99.6% 的同时，节省节点能量 25.1 mJ（29.1%）。
- 传感器计算模式优势：对比传统基于 FFT、BPNN 等的传感器计算方法，该方法摆脱人工特征依赖，通过深度学习自动提取故障特征，提升诊断效率和准确性。
- 轻量级设计有效性：AdderNet 的加减法替代乘法运算和 Ghost 模块的参数优化，使模型适用于资源受限的 WSN 节点，突破传统 CNN 部署瓶颈。
结论与讨论
研究成功设计并验证了 Ghost-AdderNet 在 WSNs 节点的应用，为机器故障诊断提供了轻量级、低能耗的解决方案。该方法既保留了 CNN 的高诊断精度，又通过结构创新降低了对存储和计算资源的需求，推动了深度学习在工业物联网边缘设备中的实际应用。其意义在于：一是为 WSNs/IoT 环境下的实时故障诊断提供新范式，减少对云端计算的依赖；二是降低工业设备运维成本，提升系统灵活性和可扩展性；三是为轻量级神经网络在嵌入式设备中的设计提供新思路，可推广至其他资源受限场景的智能诊断领域。研究结果表明，传感器计算与轻量级深度学习的结合是未来工业智能化的重要发展方向，有望在智能制造、智能运维等领域发挥关键作用。
