3、多信号感知原理：温度、电流、振动信号的物理特性、采集方式与典型传感器选型
在TinyML工业状态分类任务中，模型性能的上限往往不取决于神经网络结构，而取决于感知层的信号质量与信息完备性。温度、电流、振动是工业设备状态监测中最具互补性的三类物理量：温度反映热积累与热异常，电流反映电气负载与机械阻力变化，振动反映动力学特性与结构损伤。本章从物理特性出发，系统梳理三类信号的采集链路、传感器选型要点及多信号融合的工程约束，为后续特征工程与模型训练奠定数据基础。
上图展示了三类信号从物理感知到融合汇聚的整体链路。可以看到，温度通道采样率最低但时间常数大，电流通道居中，振动通道采样率最高且数据量最大。在TinyML场景下，这种差异直接决定了边缘端的存储策略、预处理流水线以及模型输入的组织方式。下面分别对三类信号的物理特性与采集方式进行深入剖析。
3.1 温度信号：热惯性主导的慢变物理量
3.1.1 物理特性与信息价值
温度信号本质上是物体内部分子热运动平均动能的宏观表现。在工业设备中，温度变化具有显著的热惯性——金属部件的热时间常数通常在数十秒到数分钟量级，这意味着温度信号是典型的低频信号，其有效带宽一般不超过0.1Hz。温度异常往往对应着能量耗散异常：轴承磨损导致摩擦热增加、电机绕组绝缘劣化导致铜损上升、散热风扇堵塞导致对流换热效率下降。这些故障在振动或电流信号上可能尚未显现时，温度已经给出了早期预警。
从信息论角度看，温度信号虽然信息熵较低，但其长期趋势的稳定性极高，不易受瞬态冲击干扰。在TinyML分类任务中，温度特征通常作为"慢变量"参与决策，用于修正振动或电流特征的阈值判断。例如，当振动幅值升高且温度同步上升时，可以判定为磨损类故障；若振动幅值升高但温度正常，则更可能是松动或共振问题。
3.1.2 传感器选型与采集链路
| 传感器类型 | 测温范围 | 精度 | 响应时间 | TinyML适用性 |
|---|---|---|---|---|
| 热电偶(K型) | -200~1250℃ | ±1.5℃ | 0.5~2s | 需冷端补偿，适合高温 |
| PT100/PT1000 | -50~500℃ | ±0.1℃ | 1~5s | 线性好，需恒流激励 |
| NTC热敏电阻 | -40~150℃ | ±0.3℃ | 0.5~3s | 低成本，非线性需查表 |
| 数字温度传感器(DS18B20) | -55~125℃ | ±0.5℃ | 1~2s | 单总线接口，直接输出数字量 |
在TinyML硬件平台上，推荐优先选用数字温度传感器（如DS18B20或TMP117），原因在于其内部已完成模拟数字转换，MCU无需额外配置ADC通道和信号调理电路。对于需要多点测温的场景，DS18B20的单总线拓扑可以在一根数据线上挂载多个传感器，极大节省GPIO资源。若被测对象温度超过150℃，则必须选用热电偶并配套MAX31856等冷端补偿芯片，此时需注意SPI接口的时序配置。
3.2 电流信号：电气负载的实时镜像
3.2.1 物理特性与故障关联
电流信号直接反映电机的电磁转矩与负载功率。在稳态运行时，电流的有效值基本恒定；当设备出现机械故障（如轴承磨损、齿轮点蚀）时，负载转矩波动会调制电流波形，产生边频分量。电流信号的频谱中，基波分量（50Hz/60Hz）占据主导，故障特征通常以边频带形式出现在基频两侧，调制频率对应机械故障的特征频率（如轴承外圈故障频率BPFO）。
电流采集的独特优势在于非侵入性——使用电流互感器（CT）或罗氏线圈即可实现电气隔离测量，无需改动设备机械结构。这使得电流感知成为改造存量工业设备成本最低的方案。然而，电流信号的信噪比相对振动信号更低，因为电网谐波、负载波动等干扰会掩盖微弱的故障特征。
3.2.2 采集方式与传感器对比
- 电流互感器（CT）：只能测量交流，输出为mA级电流信号，需并联采样电阻转换为电压。频率响应范围50Hz~10kHz，适合工频设备监测。成本低，但存在磁饱和问题，大电流时波形畸变。
- 霍尔电流传感器：交直流通用，基于霍尔效应原理，输出为电压信号。带宽可达200kHz，响应速度快。典型型号如ACS712/ACS724，内置隔离，使用方便，但存在零点温漂，需定期校准。
- 罗氏线圈：测量交变电流，输出为微分信号，需外接积分器还原电流波形。线性度好，无磁饱和，适合大电流场景。但积分器电路复杂，低频响应受限。
在TinyML场景下，推荐使用ACS724系列霍尔传感器，其输出电压与电流呈线性关系，MCU可直接通过ADC采样。采样率建议设置为1~4kSPS，覆盖电流信号的50次谐波（3kHz），足以捕捉大多数机械故障引起的电流调制现象。
// 电流信号采集配置示例（基于STM32 HAL库）
hadc1.Init.ClockPrescaler = ADC_CLOCK_SYNC_PCLK_DIV4;
hadc1.Init.Resolution = ADC_RESOLUTION_12B;
hadc1.Init.SamplingTime = ADC_SAMPLETIME_84CYCLES;
// 采样率 = ADC时钟 / (采样周期 + 转换周期)
// 若ADC时钟=21MHz，84周期采样+12周期转换，则单通道采样率≈218kSPS
// 实际通过定时器触发ADC，将采样率降至2kSPS，避免数据冗余3.3 振动信号：机械动力学的指纹
3.3.1 物理特性与频带划分
振动信号是设备机械状态最直接的反映，其频率成分与设备转速、结构固有频率、故障特征频率密切相关。根据振动频率范围，可划分为三个子带：低频带（10Hz~1kHz）对应转子不平衡、不对中、轴弯曲等故障；中频带（1kHz~5kHz）对应轴承滚动体通过频率及其谐波；高频带（5kHz~10kHz）对应齿轮啮合频率、轴承早期点蚀产生的冲击脉冲。振动信号的瞬态冲击特性要求采样率至少为最高分析频率的2.56倍，因此典型采样率设置为10~50kSPS。
振动传感器安装位置对信号质量影响极大。传感器应尽量靠近轴承座等振动传递路径的最近点，且安装面需平整光洁。使用磁吸座安装时，其固有谐振频率约为2kHz，会衰减高频成分；使用胶粘安装时，频率响应可扩展至10kHz以上；最可靠的安装方式是螺纹连接，但需要在设备上加工安装孔。
3.3.2 传感器选型：压电与MEMS的权衡
| 参数维度 | 压电式加速度计 | MEMS加速度计 |
|---|---|---|
| 频率响应 | 0.5Hz~25kHz | DC~5kHz（典型） |
| 噪声密度 | 10~50 μg/√Hz | 100~300 μg/√Hz |
| 量程 | ±50g~±500g | ±2g~±16g |
| 接口 | 模拟电荷/电压输出 | SPI/I2C数字输出 |
| 功耗 | 约1mA（需信号调理） | 约0.5mA（含ADC） |
| TinyML适配度 | 需外置ADC与调理电路 | 可直接连接MCU，集成度高 |
对于TinyML边缘节点，MEMS加速度计（如ADXL345、LSM6DSOX）具有显著优势：内置ADC、数字接口、低功耗、小封装。但其频率上限通常为5kHz左右，对于齿轮箱等高频故障场景可能不足。此时可选用压电式传感器配合外部24bit ADC（如ADS1292R），但需权衡功耗与成本。一个折中方案是采用双传感器融合：使用MEMS传感器监测低频振动，同时使用压电传感器监测高频冲击，两者特征拼接后输入TinyML模型。
3.4 多信号时间对齐与同步采集策略
三类信号的采样率差异巨大（温度0.1SPS、电流2kSPS、振动20kSPS），在TinyML模型输入构造时必须进行时间对齐。常用的对齐策略有两种：一是特征级对齐，即对每类信号分别提取统计特征（均值、峰值、峭度、频谱质心等），然后在特征维度拼接；二是降采样对齐，将振动信号降采样至与电流相同的采样率，在时间轴上逐点拼接。前者保留了各信号的独立特征，后者保留了信号间的相位关系，但计算量更大。
在硬件层面，建议采用"触发同步"机制：由MCU产生一个同步脉冲，同时触发电流ADC采样和振动传感器FIFO读取，确保两类高速信号的时间基准一致。温度信号由于变化缓慢，只需在每次同步采集窗口开始时读取一次即可。
3.5 案例拆解：离心泵轴承故障的多信号协同诊断
背景与约束：某化工厂循环水泵机组，转速2970rpm（49.5Hz），电机功率45kW。现场要求在不拆卸设备的前提下实现轴承早期故障预警，且边缘节点仅配备STM32L4系列MCU（512KB Flash，128KB RAM），需在1秒内完成一次分类推理。
初始现象：设备振动总级从2.1mm/s缓慢上升至3.4mm/s（ISO 10816标准仍处于"良好"区间），但温度正常（轴承座55℃），电流有效值无明显变化。操作人员主观感觉噪声略有增大。
关键数据采集：在轴承座水平方向安装MEMS加速度计（ADXL345，采样率12.8kHz），在电机进线端安装ACS724霍尔电流传感器（采样率4kSPS），同时使用DS18B20监测轴承座温度。连续采集30秒数据，进行离线分析。
分析判断过程：振动频谱中，在49.5Hz基频两侧发现边频带，间隔为5.2Hz，该频率与轴承外圈故障特征频率BPFO=5.18Hz高度吻合。进一步观察包络谱，在5.2Hz处出现明显峰值，且其2倍频、3倍频依次递减。电流频谱中，在50Hz基频两侧同样检测到±5.2Hz的边频分量，但幅值仅为振动边频的1/20。温度信号在30秒内无变化，排除润滑不良因素。
实际操作步骤：将振动信号进行带通滤波（1kHz~5kHz），计算包络后做FFT，提取BPFO及其谐波幅值作为特征；电流信号计算50Hz基频幅值与±5.2Hz边频幅值的比值；温度信号取当前值。将三类特征输入训练好的随机森林模型（100棵树，最大深度8），输出结果为"轴承外圈早期点蚀"，置信度0.87。
结果对比与代价：模型预警后第12天，设备振动加速度峰值突增至8.5g，停机检修发现外圈滚道出现直径约1.5mm的点蚀坑。若未及时预警，预计2周内将发展为滚动体损伤，导致轴承卡死。本次检修更换轴承成本约1200元，而计划外停机损失约8万元/小时。
复盘经验：单一振动信号虽然能识别故障，但存在误报风险（如流体湍流引起的振动波动）；电流信号作为交叉验证，显著提升了置信度；温度信号在此案例中未提供直接判别信息，但在排除润滑故障时具有不可替代的作用。多信号融合的价值不在于每个信号都贡献关键特征，而在于通过冗余互补降低误判率。
3.6 常见误区与设计要点
- 误区一：采样率越高越好。过高的采样率导致数据量激增，TinyML设备存储与计算资源有限。应根据目标故障的最高特征频率确定采样率，一般取最高分析频率的2.56~4倍即可。
- 误区二：传感器数量越多越好。每个传感器都引入额外的故障点与校准负担。应遵循"最小充分原则"——先使用单振动测点+单电流通道建立基线模型，再根据误报情况逐步增加测点。
- 误区三：忽视传感器安装一致性。同一设备不同时期的数据对比，要求传感器安装位置、方向、紧固力矩保持一致。更换传感器型号或安装方式后，必须重新采集基线数据。
- 误区四：温度信号直接作为模型输入。温度受环境温度影响显著，应使用温升（当前温度-环境温度）或温度斜率作为特征，而非温度值。