2、工业监测基础：常见工业参数（振动、温度、电流等）、监测需求与挑战、传统方案与TinyML方案的对比
工业设备的状态监测是预测性维护与能效优化的基石。在钢铁、电力、石化、半导体等连续生产场景中，一台关键旋转机械的非计划停机可能造成每小时数十万元甚至更高的损失。理解工业监测的底层物理量、工程约束与方案演进逻辑，是设计TinyML低功耗监测系统的前提。本章将系统梳理振动、温度、电流等核心参数的采集原理与判据，剖析工业现场对监测系统的刚性需求与严苛挑战，并基于量化指标对比传统方案与TinyML方案的差异，为后续章节的硬件选型与算法设计建立工程坐标系。
2.1 核心工业参数：物理意义与采集要点
2.1.1 振动参数
振动是旋转机械状态最敏感的指示器。轴承磨损、转子不平衡、齿轮啮合故障等都会在振动信号中留下特征频率。工业振动监测通常采用压电式加速度计或MEMS加速度计，采样率需覆盖设备转频的10倍以上。例如，对于3000rpm（50Hz）的电机，建议采样率不低于1kHz，分析频段关注1x、2x转频以及轴承故障特征频率（BPFO、BPFI）。
振动信号的关键特征量包括：
- 时域指标：峰值、均方根值（RMS）、峰值因子（Crest Factor），用于快速判断冲击性故障。
- 频域指标：频谱包络、边带分析，用于识别具体故障部位。
- 无量纲指标：峭度（Kurtosis）、偏度（Skewness），对早期微弱故障敏感。
2.1.2 温度参数
温度监测覆盖轴承表面温度、电机绕组温度、环境温度等。工业级温度传感器包括热电偶（K型、J型）、PT100/PT1000热电阻、以及数字温度传感器（如DS18B20、TMP117）。温度变化通常具有大惯性，采样率1Hz~10Hz即可满足需求，但需注意传感器热时间常数与安装位置的导热路径。
温度监测的判据通常采用阈值与趋势变化率结合的方式：
- 温度超过设定上限（如轴承温度>90℃报警）。
- 温度变化率异常（如每分钟温升>5℃）。
- 与负载电流的关联性分析（如绕组温升与电流平方成正比）。
2.1.3 电流参数
电流信号直接反映电机负载状态与电气故障。通过电流互感器（CT）或霍尔传感器采集，采样率需覆盖工频（50/60Hz）的谐波成分，通常建议1kHz~4kHz。电流分析可识别：
- 过载与堵转：电流有效值持续超过额定值。
- 转子断条：在电流频谱中出现(1±2s)f1的边带分量。
- 轴承故障：通过电流解调分析间接检测。
| 参数类型 | 典型传感器 | 采样率建议 | 主要特征 | TinyML处理方式 |
|---|---|---|---|---|
| 振动 | MEMS加速度计 | 1k~10kHz | RMS、峭度、频谱 | 边缘端FFT+特征提取 |
| 温度 | PT100/数字温度 | 0.1~10Hz | 值、变化率 | 阈值判断+趋势预测 |
| 电流 | 霍尔传感器/CT | 1k~4kHz | 有效值、谐波、边带 | 时频域轻量分析 |
2.2 工业监测需求与工程挑战
2.2.1 核心需求维度
工业监测系统的需求可归纳为四个维度：可靠性（7×24h不间断运行，误报率<1%）、实时性（从数据采集到报警响应<1s）、经济性（单点部署成本<500元，维护周期>2年）、可扩展性（支持数百个监测点灵活组网）。这些需求在传统方案中往往相互制约，例如提高采样率会显著增加功耗与通信负载。
2.2.2 主要工程挑战
在实际工业现场，TinyML监测系统面临以下挑战：
- 供电约束：多数监测点位于设备内部或高空，无法提供市电。电池供电需满足2~3年寿命，平均功耗需控制在100μA以下。
- 通信不稳定：金属结构对无线信号屏蔽严重，LoRa/NB-IoT在部分场景下丢包率可达10%~20%。
- 数据标注困难：工业故障样本稀缺，且故障类型多样，难以获得足量标注数据训练深度学习模型。
- 环境干扰：电磁干扰、温度漂移、安装共振等都会影响传感器信号质量。
2.3 传统方案与TinyML方案的系统性对比
2.3.1 传统监测方案架构
传统工业监测通常采用“传感器+数据采集卡+工控机/服务器”的集中式架构。振动信号通过屏蔽电缆传输至机柜内的采集卡，由上位机软件进行FFT分析、趋势存储和报警管理。这种方案的优势在于分析能力强、可追溯历史数据，但存在明显短板：
- 布线成本高：每通道电缆+安装费用约200~500元/米。
- 单点故障风险：采集卡或通信总线故障会导致整片区域监测失效。
- 功耗与体积大：典型采集卡功耗5~20W，需要专用电源。
2.3.2 TinyML方案架构
TinyML方案将信号处理与推理下沉到传感器节点。以STM32U5或ESP32-S3等低功耗MCU为核心，内置MEMS传感器，通过边缘端算法完成特征提取与异常分类，仅在检测到异常事件时通过无线模块上报。典型功耗分配如下：
传感器+MCU待机： 5~15μA
边缘推理（10ms/次）： 平均2~5μA
无线发送（LoRa，每次100ms）： 平均1~3μA（按每小时1次）
总平均功耗： 10~25μA（3.6V电池供电，2×AA可运行3~5年）2.3.3 量化对比表
| 对比维度 | 传统有线方案 | 传统无线方案（透传） | TinyML边缘方案 |
|---|---|---|---|
| 单点部署成本 | 3000~8000元 | 1500~3000元 | 300~800元 |
| 平均功耗 | 5~20W | 50~200mW | 0.1~0.5mW |
| 通信数据量 | 连续波形（>100kbps） | 连续波形（>100kbps） | 事件特征（<1kbps） |
| 故障响应时间 | <1s（在线分析） | 1~5s（云端分析） | <1s（本地判断） |
| 维护复杂度 | 高（线缆老化、接口松动） | 中（电池更换频繁） | 低（电池寿命长） |
| 扩展灵活性 | 差（需重新布线） | 中（需考虑网关容量） | 优（即贴即用） |
2.4 案例拆解：某化工厂泵组振动监测改造
2.4.1 背景与约束
某化工厂有32台离心泵，分布在三个车间，泵转速2900rpm（48.3Hz），轴承型号SKF 6309。此前采用人工巡检方式，每4小时记录一次振动值，曾发生两次轴承损坏导致的非计划停机，单次损失约15万元。工厂希望部署在线监测系统，但车间内无网络布线条件，且防爆区域对无线设备功率有限制（<10mW）。
2.4.2 方案设计与实施
采用TinyML方案，每台泵安装一个监测节点：
- 硬件：STM32U585 MCU + ADXL357（±40g，低噪声）+ SX1262 LoRa模块 + 3.6V锂亚电池（19Ah）。
- 算法：边缘端每10分钟采集1秒振动数据（采样率4kHz），计算RMS、峭度、峰值因子，并提取1x/2x转频频谱幅值。通过轻量级决策树模型（训练样本200组，含正常/不平衡/轴承早期故障）进行分类。
- 上报策略：正常状态每6小时上报一次心跳包（含电池电压）；异常状态立即上报特征向量并触发LED本地报警。
2.4.3 运行结果与复盘
系统运行8个月后，成功预警3次轴承早期故障（峭度从3.2升至4.8，同时1x频幅增加15%），避免了潜在停机。实测平均功耗18μA，预计电池寿命4.2年。通信丢包率在车间内约3%，通过重传机制保证事件上报成功率99.5%。
2.5 常见误区与设计原则
2.5.1 常见误区
- 误区一：采样率越高越好。高采样率带来功耗和存储压力，应根据设备转频和故障特征频率合理选择。对于轴承故障，4kHz采样率已足够覆盖多数特征频率。
- 误区二：TinyML必须用深度学习。工业场景中，传统信号处理+轻量机器学习（决策树、随机森林）往往更稳定、更易解释，且无需大量训练数据。
- 误区三：忽略传感器安装质量。MEMS传感器用双面胶或磁座安装时，其有效带宽会降至1kHz以下，导致高频故障特征丢失。应采用螺纹安装或环氧树脂粘接。
2.5.2 设计原则
- 功耗预算先行：先确定电池容量和目标寿命，反推平均功耗上限，再分配各模块功耗。
- 事件驱动上报：避免周期性上传原始数据，采用“本地判断+事件上报”模式，可减少90%以上的通信功耗。
- 多参数融合：振动+温度+电流联合判断可显著降低误报率。例如，振动增大但温度正常时，可能为传感器松动而非轴承故障。
- 可解释性优先：在工业场景中，维护人员需要知道“为什么报警”，因此模型应输出关键特征值（如峭度=4.5，1x频幅=2.3mm/s），而非仅输出“异常”标签。