4、信号采集与硬件平台：常用开发板、传感器接口、采样率与分辨率设置
TinyML工业状态分类的起点并非模型算法，而是物理世界与数字世界的交汇点——信号采集与硬件平台。在工业现场，温度、电流与振动信号往往混杂着噪声、工频干扰和突发冲击，若前端采集硬件设计不当，后续无论模型多么精巧，都难以获得理想的分类准确率。本章将聚焦于TinyML落地中最常用的两款开发板（Arduino Nano 33 BLE Sense与ESP32），深入剖析其传感器接口、采样率与分辨率设置方法，并结合工业振动监测的典型场景，给出可复用的工程配置方案。
4.1 核心原理：从物理信号到数字特征的链路完整性
工业状态分类的本质是模式识别，而模式识别的质量上限由信号采集链路决定。一个完整的采集链路包含四个环节：传感器感知 → 信号调理 → ADC量化 → 数字预处理。传感器将温度、电流、振动等物理量转换为电信号；信号调理负责将传感器输出调整到ADC的最佳输入范围（通常为0~3.3V或0~5V）；ADC以一定采样率和分辨率将模拟电压离散化；数字预处理则完成去直流、滤波、加窗等操作，为后续特征提取和模型推理准备数据。
在TinyML场景中，开发板的选择直接决定了上述链路的性能边界。Arduino Nano 33 BLE Sense搭载nRF52840处理器，内置12位ADC、支持I2C/SPI接口，板载麦克风、加速度计等传感器，适合振动和声音监测；ESP32则以其双核240MHz主频、12位ADC、Wi-Fi/蓝牙通信能力见长，适合需要无线传输的分布式监测节点。两者均支持TensorFlow Lite Micro，但内存和算力差异决定了模型复杂度上限。
4.2 判断方法与操作流程：采样率与分辨率的工程设定
采样率与分辨率的设置并非越大越好，而是依据信号特性和分类目标进行工程权衡。以下是标准操作流程：
- 确定信号带宽：通过频谱分析或查阅设备手册，确认目标故障特征的最高频率f_max。根据奈奎斯特定理，采样率f_s ≥ 2×f_max，工程上通常取5~10倍以保证余量。
- 选择ADC分辨率：12位ADC的理论动态范围为72dB，可分辨约0.8mV（3.3V参考电压下）。若需检测微小振动幅值变化，可考虑过采样技术：以4倍采样率采集后求平均，等效增加2位分辨率。
- 配置采样触发方式：工业振动监测推荐使用定时器触发ADC采样，而非在循环中调用analogRead()，以保证采样间隔的精确性。Arduino Nano 33 BLE Sense可使用NRF52的PPI（可编程外设互连）实现定时器与ADC的硬件联动。
- 设置缓冲区与DMA：为避免CPU在采样过程中被中断频繁打扰，应使用DMA将ADC数据直接搬运到内存缓冲区。ESP32的ADC支持DMA模式，可连续采样多通道数据。
- 校准与归一化：上电后先采集静态基准值，计算偏置和增益误差，在软件中做校准。对于振动信号，通常去除直流分量（减去均值），再归一化到[-1, 1]区间。
| 信号类型 | 推荐采样率 | ADC分辨率 | 预处理要点 |
|---|---|---|---|
| 振动（加速度计） | 1kHz~5kHz | 12bit（±2g/±4g量程） | 去直流、带通滤波（10Hz~2kHz） |
| 电流（CT/霍尔） | 1kHz~4kHz | 12bit（0~3.3V） | 工频陷波（50Hz）、RMS计算 |
| 温度（NTC/PT100） | 1Hz~10Hz | 10bit即可 | 滑动平均滤波、异常值剔除 |
4.3 案例拆解：基于Arduino Nano 33 BLE Sense的电机振动监测
某工厂需要对一台三相异步电机进行状态分类，目标是区分正常、轴承磨损和转子不平衡三种状态。电机转速为1450rpm（约24Hz），轴承故障特征频率（BPFO）约为87Hz，考虑谐波成分，最高关注频率设为500Hz。
硬件选型：采用Arduino Nano 33 BLE Sense板载的LIS3DH三轴加速度计（I2C接口，量程±2g，带宽可配置）。该传感器内置FIFO缓冲区，可减轻MCU读取压力。
参数设置：采样率设为1kHz（满足500Hz信号5倍余量），量程±2g（电机振动幅值通常不超过1g），输出数据率ODR=1kHz，开启低通滤波器截止频率400Hz。ADC分辨率由传感器内部决定（12bit），无需额外配置。
实施步骤：
// 初始化LIS3DH
#include <Wire.h>
#include <LIS3DH.h>
LIS3DH accel(I2C_MODE, 0x18);
void setup() {
accel.begin();
accel.setRange(LIS3DH_RANGE_2G);
accel.setDataRate(LIS3DH_DATARATE_1KHZ);
accel.setHighPassFilter(0, 1); // 启用高通滤波去除直流
}
// 定时器中断中读取FIFO数据
void timerISR() {
accel.readFIFO(buffer, 32); // 每次读取32个样本
// 计算RMS、峰值、频谱特征...
}结果与复盘：采集10秒数据（10000个样本），提取时域特征（RMS、峰值因子、峭度）和频域特征（1倍频、2倍频幅值），输入TinyML分类模型（如2层全连接网络），准确率达到96%。过程中发现，若不启用高通滤波，直流偏置会淹没微弱的振动特征；而采样率从1kHz降至500Hz时，BPFO谐波混叠导致分类准确率下降至82%。
4.4 常见误区与总结复盘
误区一：采样率越高越好。高采样率导致数据量激增，MCU存储和传输压力增大，且高频噪声可能掩盖低频故障特征。正确做法是根据故障特征频率设定采样率，并配合抗混叠滤波器。
误区二：忽略ADC参考电压稳定性。开发板USB供电时，3.3V电压可能波动，直接影响ADC测量精度。应使用外部LDO稳压或至少并联100μF和100nF去耦电容。
误区三：多传感器同步采样缺失。温度、电流、振动信号需要时间对齐，否则特征融合时会出现相位错位。建议使用GPIO触发同步采样，或为每个通道打上时间戳。
误区四：忽视传感器量程设置。量程过小导致信号削顶，量程过大则量化噪声增加。应根据实际信号幅值预留20%~30%余量。