2、基础知识：掌握传感器采样原理、ADC量化误差、采样率与混叠效应，理解采样漂移的物理根源

TinyML异常检测系统的第一道防线，往往不在模型层，而在数据采集的物理层。传感器输出的模拟信号经过采样、量化、编码后，才成为可供模型处理的数字序列。如果这一环节存在系统性偏差或随机扰动，后续任何精巧的神经网络都无法区分“真实故障”与“数据伪影”。本章从采样定理出发，逐步拆解ADC量化误差、混叠效应与采样漂移的物理根源，为后续排错建立必要的理论基础。

2.1 传感器采样原理：从连续物理量到离散数字序列

传感器采样的本质是将时间连续、幅值连续的物理信号，转换为时间离散、幅值量化的数字序列。这一过程包含三个关键步骤：感知（传感器将物理量转换为电信号）、调理（放大、滤波、偏置调整）和数字化（ADC采样与量化）。在TinyML场景中，常用的传感器包括MEMS加速度计、压电式振动传感器、热电偶/热敏电阻温度传感器等，它们的输出阻抗、灵敏度、带宽各不相同，直接影响后续采样参数的选择。

采样定理（Nyquist-Shannon）给出了无失真采样的最低频率约束：采样率 \( f_s \) 必须大于信号最高频率分量 \( f_{max} \) 的两倍，即 \( f_s > 2f_{max} \)。实际工程中，通常取 \( f_s = 5 \sim 10 f_{max} \) 以保证足够的波形保真度。例如，监测电机轴承故障时，若故障特征频率集中在 2 kHz 以内，采样率至少应设为 10 kHz 以上，才能捕捉到足够的谐波信息。

2.2 ADC量化误差：分辨率、有效位数与噪声底

ADC将连续模拟电压映射为有限数量的离散码值。以12位ADC为例，若参考电压为 3.3V，则最低有效位（LSB）对应的电压为 \( V_{LSB} = 3.3V / 4096 \approx 0.806mV \)。量化误差的均方根值约为 \( V_{LSB} / \sqrt{12} \)，这构成了系统的理论噪声底。

实际ADC性能远达不到理想分辨率，需要关注有效位数（ENOB）。ENOB = (SINAD - 1.76) / 6.02，其中SINAD为信纳比。一个标称16位的ADC，若其SINAD仅为75dB，则ENOB约为12.2位，意味着实际有效分辨率只有12位。在TinyML异常检测中，如果信号幅值较小（例如振动加速度仅为 ±2g 中的 0.01g 变化），量化噪声可能淹没真实特征。

量化误差并非随机白噪声，当输入信号幅值较小或变化缓慢时，量化误差会呈现周期性模式，在频谱上产生谐波尖峰。这些伪峰容易被异常检测模型误判为“故障特征”。因此，在信号调理阶段应尽量将信号幅值放大到ADC满量程的 50%~90%，以最大化信噪比。

2.3 采样率与混叠效应：频域折叠的陷阱

混叠（Aliasing）是采样过程中最隐蔽的误差源。当信号中存在高于 \( f_s/2 \)（奈奎斯特频率）的频率分量时，这些高频分量会折叠到低频区间，与真实低频信号叠加，产生无法通过数字滤波去除的伪影。例如，以 1 kHz 采样率采集包含 600 Hz 和 400 Hz 分量的信号，600 Hz 分量会折叠为 400 Hz，与真实 400 Hz 分量完全重叠，无法区分。

在TinyML硬件中，混叠的常见来源包括：

• 机械谐振：传感器安装结构的高频谐振（通常 5~20 kHz）被采样后折叠到低频段。
• 电磁干扰：PWM驱动、开关电源产生的 50 kHz~1 MHz 噪声。
• 传感器自身谐振：MEMS传感器内部结构谐振频率可达 20 kHz 以上。

解决混叠的标准方法是抗混叠滤波：在ADC之前放置低通滤波器，截止频率设为 \( f_s/2 \) 的 80% 左右。但许多低成本TinyML开发板（如Arduino Nano 33 BLE Sense）并未集成硬件抗混叠滤波器，需要软件层面额外处理，或选择更高采样率以“过采样+数字滤波”方式缓解。

2.4 采样漂移的物理根源：温度、老化与供电波动

采样漂移是指传感器输出或ADC转换特性随时间发生缓慢变化，导致同一物理量在不同时刻产生不同的数字读数。其物理根源可归纳为以下四类：

1. 温度漂移：传感器敏感元件的材料特性（如压电系数、电阻温度系数）随温度变化。MEMS加速度计的零偏温度系数通常为 ±0.5~2 mg/°C，意味着温度变化 10°C 可产生 20 mg 的基线偏移，这对振动监测而言是显著误差。
2. 老化效应：压电材料随时间极化强度衰减，弹性元件刚度变化，导致灵敏度下降。典型压电加速度计的年灵敏度漂移约为 1%~2%。
3. 供电电压波动：ADC的参考电压（Vref）若直接取自电源轨，电源纹波会直接转化为测量误差。例如，3.3V 电源纹波 50mV，对于12位ADC相当于 62 个LSB的误差。
4. 机械应力松弛：传感器安装螺栓的预紧力随时间减小，改变传感器的频率响应和灵敏度。安装扭矩从 5 N·m 降至 3 N·m 时，某些传感器的谐振频率可偏移 10% 以上。

漂移在时域上表现为基线偏移和幅值缩放，在频域上表现为低频分量能量增加。对于TinyML异常检测，漂移会导致模型误报（将漂移误判为故障）或漏报（漂移掩盖了真实故障特征）。

2.5 案例拆解：工业风扇轴承监测中的采样漂移与混叠排查

背景与约束：某工厂在离心风扇轴承座上部署了基于TinyML的振动异常检测系统，使用ADXL345三轴加速度计（12位ADC，量程±16g），采样率 800 Hz，FFT窗口 512 点。系统运行两周后开始频繁误报“轴承磨损”，但现场点检发现轴承状态正常。

初始现象与数据：误报集中在每天下午 14:00~16:00 时段。查看原始波形发现，该时段振动信号基线从 0.02g 漂移至 0.15g，且频谱中 50 Hz 附近出现明显峰值。进一步检查环境温度记录，发现该时段车间温度从 28°C 升至 36°C。

分析判断过程：

• 首先排除混叠：采样率 800 Hz，奈奎斯特频率 400 Hz。风扇转速 1450 rpm（基频 24.2 Hz），轴承故障特征频率最高约 120 Hz，均低于 400 Hz，理论上无混叠风险。
• 检查ADC配置：ADXL345内部无抗混叠滤波器，但信号频带远低于奈奎斯特频率，混叠可能性低。
• 聚焦漂移：对比温度曲线与振动基线，发现两者高度相关（Pearson相关系数 0.92）。ADXL345的零偏温度系数约为 ±1 mg/°C，8°C 温差应产生约 8 mg 偏移，但实测偏移达 130 mg，远超规格。
• 进一步检查安装：发现传感器使用双面胶粘贴在轴承座表面，而非螺栓固定。高温下胶层软化，导致传感器与轴承座之间产生微米级间隙，形成“二次谐振”，放大了温度漂移效应。

实际操作步骤：

1. 将双面胶固定改为 M5 螺栓固定，安装扭矩 4 N·m，并使用螺纹锁固胶。
2. 在软件中增加温度补偿：利用板载温度传感器，建立线性补偿模型 \( a_{comp} = a_{raw} - k_T \cdot (T - T_0) \)，其中 \( k_T \) 通过实验室标定获得（实测为 1.2 mg/°C）。
3. 将采样率提升至 1600 Hz，并在数字域增加 400 Hz 低通FIR滤波器，进一步抑制高频干扰。
4. 增加漂移监测逻辑：每 10 分钟计算一次信号直流分量，若连续 3 次超过阈值则触发“传感器漂移告警”，而非直接判定为设备故障。

结果对比：改造后连续运行 30 天，误报次数从 14 次降至 1 次（该次为真实轴承润滑不良）。温度漂移导致的基线偏移从 130 mg 降至 15 mg 以内，信噪比提升约 18 dB。

复盘经验：TinyML异常检测的排错不能只盯着模型和算法，必须从物理安装、环境因素、信号链路逐层排查。本案例中，温度漂移本身并不严重，但安装松动放大了漂移效应，两者叠加才导致误报。这提示我们：安装质量是传感器数据可靠性的第一道保障。

2.6 常见误区与总结复盘

在传感器采样与TinyML异常检测的实践中，以下误区值得特别注意：