近年来，人工智能（AI）技术发展迅速，其在特征提取和模式识别方面的强大能力在各个领域都展现了出色的性能。得益于大规模数据集、先进的算法架构和高性能计算硬件，深度学习不断超越了传统算法的局限，成为科学研究和工程创新的重要推动力[1]、[2]。然而，这些模型的快速扩展和复杂性的增加导致了显著的能耗问题[3]，使得计算效率成为现代AI系统的主要瓶颈[4]。目前，深度神经网络的训练和推理所需的计算量和能耗已经远远超出了传统电子硬件的能力[5]、[6]。这种资源密集型的特性不仅限制了模型的可扩展性，也对可持续性目标构成了挑战[7]。
为了解决这个问题，研究人员开始探索物理神经网络（PNNs）作为替代方案。这些新兴的挑战重新激发了对替代硬件平台的兴趣。基于这些非传统计算平台的AI硬件统称为PNNs[8]、[9]。这些硬件系统利用光学、机械或电子等物理过程来执行计算任务，以实现更高效和低功耗的机器学习。PNNs在推理阶段表现出显著的优势，充分利用了物理系统的固有特性。例如，光学神经网络使用光学设备进行高效的矩阵运算，而机械神经网络则利用物理变形进行计算。这种基于物理过程的计算范式在降低能耗和提高处理速度方面具有很大的潜力[10]、[11]。
尽管PNNs在信号推理方面表现出巨大潜力，但在硬件中实现高效稳定的训练过程仍然是一个挑战[12]。当前主流的物理硬件训练方法主要依赖于反向传播算法或其变体。这种算法需要高度精确的数学建模和数值求解过程，而这些过程由于物理系统中常见的非线性、噪声和动态特性而变得非常复杂[13]、[14]，这不仅大大增加了总体计算时间和能耗，还降低了物理硬件在推理阶段的高效率[15]。这些挑战严重限制了传统训练方法在工业环境中的实际应用[16]。
因此，提出一种能够克服传统训练方法的局限性并进一步探索物理硬件潜力的新方法至关重要。在这方面，模拟电路的特性为实现机器学习提供了新的视角[17]。与传统的机器学习算法不同，受决策树启发的模拟电路系统可以直接利用电压和电流等物理量来实现分类和决策功能[18]。这种方法不仅将机器学习的核心概念嵌入到电路设计中，还能够在硬件层面执行特征提取和分类任务[19]。通过这种方法，可以实现振动信号的实时处理，这对于监测和诊断工业关键部件（如轴承故障）尤为重要[20]。利用模拟电路的快速响应能力，可以高效地提取特征并准确分类振动信号，从而实现不同类型轴承故障的实时监测和诊断[21]。
从另一个角度来看，电机在工业自动化、精密制造和航空航天行业得到了广泛应用[22]、[23]，而轴承是电机中最关键的部件之一[24]。然而，在长时间运行过程中，由于负载冲击[25]、磨损不均和润滑不足[26]等因素，电机轴承容易发生故障。这些故障不仅会导致电机异常振动和效率降低，还可能导致设备故障，甚至严重的安全事故和经济损失[27]。因此，实现高效、精确的实时监测和诊断电机轴承故障已成为确保设备稳定运行和延长使用寿命的关键技术[28]。
目前，传统的轴承故障诊断方法主要依赖于数字信号处理技术和复杂的算法模型[29]。尽管这些方法能够实现高故障诊断精度，但它们通常实时性能较差、能耗较高且系统复杂性较高[30]。这些限制不仅增加了实施成本，还限制了它们在对时间延迟敏感的工业环境中的应用[31]。此外，随着监测系统的规模和复杂性的不断增加，传统方法相关的计算负担和延迟进一步加剧，使得实现高效和实时的故障诊断变得越来越困难。相比之下，基于模拟电路的故障诊断技术在响应速度、低功耗和低实施成本方面具有显著优势，有效避免了传统方法的延迟和高能耗问题[32]。特别是在嵌入式和低功耗场景中，基于模拟电路的故障诊断技术展示了巨大的应用潜力[33]。
研究空白、挑战和主要贡献总结如下：
1) 传统的故障诊断依赖于模拟到数字的信号转换，这具有固有的延迟和高能耗，阻碍了满足嵌入式低功耗的需求。受决策树启发的模拟电路分类器完全避免了数字转换，实现了实时信号处理，同时大大降低了延迟和能耗。
2) 鉴于缺乏关于模拟电路分类的研究，本文设计了滤波矩阵和幅度量化模块。传统的决策树节点划分逻辑被复现，并且分类方法完全基于模拟电路进行信号分类。
所提出的基于决策树的模拟电路分类器可以直接处理传感器采集的原始连续振动信号，这在很大程度上满足了工业场景中低功耗嵌入式系统的需求。
研究的其余部分组织如下：第2节介绍了基于模拟电路的决策树分类器的原理以及模拟电路每个模块的功能。第3节讨论了模拟电路的拓扑图、数据集和实验验证结果。第4节介绍了用于验证实时信号分类实验的实际实验平台。第5节讨论了所提出方法的改进可能性，第6节总结了全文。
