3、信号采集与预处理：采样率、量程、滤波、去噪、同步采集与数据质量保障
在Edge AI工业多传感器监测系统中，信号采集与预处理是决定后续诊断模型上限的关键环节。温度、振动与电流三类信号在物理特性、频率范围、幅值动态和噪声来源上差异显著，若在采集端未能科学配置采样率、量程与滤波策略，再优秀的AI算法也无法从失真的数据中提取有效特征。本章围绕信号链路的完整工程路径，系统讲解采样定理的工程落地、量程匹配与抗混叠滤波、去噪方法、多通道同步采集机制以及数据质量保障体系，帮助学员建立从传感器输出到AI模型输入之间的高质量数据管道。
3.1 采样率设定与抗混叠滤波
核心原理：从奈奎斯特到工程裕度
采样率的设定必须遵循奈奎斯特采样定理，即采样频率 fs 至少为信号最高频率分量 fmax 的两倍。然而在工业现场，振动信号往往包含丰富的谐波成分和冲击响应，电流信号则可能叠加高频开关噪声，若仅以理论最小值的2倍作为采样率，频谱混叠几乎不可避免。工程实践中通常取 fs ≥ 5~10 倍 fmax，为数字滤波和特征提取保留足够的频带裕度。例如，监测轴承故障时，振动信号的特征频率通常在 1kHz~10kHz 范围，考虑更高阶的固有共振频率，采样率应设置在 50kHz~100kHz 之间。
抗混叠滤波是采样前必须完成的硬件级处理。ADC 采样前的模拟低通滤波器（通常为 Butterworth 或 Elliptic 型）用于衰减高于 fs/2 的频率分量，其截止频率一般设置为 fs/2 的 80% 左右，衰减陡度要求达到 -80dB/decade 以上。对于电流信号，由于存在 PWM 驱动产生的高频纹波（可达数百 kHz），抗混叠滤波器的阶数需要更高，或采用两级滤波结构。
操作流程：采样率与滤波参数配置
- 确定信号带宽：通过历史数据或理论计算，获取振动、电流信号的有效频率范围。例如，感应电机电流的故障特征频率通常在 0.5Hz~2kHz，而振动加速度信号可达 20kHz。
- 选择采样率：按 fs = (5~10) × fmax 计算，并向上取整到标准采样率档位（如 25.6kHz、51.2kHz、102.4kHz）。
- 配置抗混叠滤波器：根据采样率设置模拟低通滤波器截止频率，确保 fcutoff ≤ 0.4 × fs，并验证阻带衰减。
- 验证频谱纯净度：采集已知正弦信号，检查频谱中是否存在镜像频率分量，若在 fs/2 附近出现异常谱峰，则需调整滤波参数。
案例拆解：电机轴承振动监测的采样率选择
某工厂对 4 极异步电机（转速 1480rpm）进行轴承故障监测。轴承外圈故障特征频率 BPFO ≈ 89Hz，内圈 BPFI ≈ 135Hz，滚动体 BSF ≈ 58Hz。然而，轴承故障会激发结构共振，共振频率通常在 2kHz~8kHz 之间。若仅按特征频率的 10 倍设置采样率（即 1.35kHz），将完全丢失共振频带信息，无法实现早期故障诊断。实际方案中，选择 IEPE 加速度传感器，采样率设为 25.6kHz，抗混叠滤波器截止频率 10kHz，既覆盖了共振频带，又兼顾了数据存储与 Edge AI 处理能力。通过频谱分析，在 3.2kHz 处清晰观察到边频带，成功提前 3 个月预警轴承磨损。
3.2 量程匹配与信号调理
核心原理：ADC 动态范围与量程利用率
工业 ADC 通常为 16 位或 24 位，其动态范围决定了可分辨的最小信号变化。量程匹配的核心目标是让被测信号的幅值尽可能占据 ADC 满量程的 60%~90%，从而最大化量化信噪比。若信号幅值过小（如振动信号仅占满量程的 5%），量化噪声将显著影响信号质量；若信号幅值超过满量程，则产生削波失真，破坏波形完整性。温度信号为缓变直流，量程匹配相对简单；振动信号动态范围大（峰值可达数 g，有效值仅 0.1g），需要根据峰值而非有效值设置量程；电流信号则需考虑启动浪涌（可达额定电流的 5~7 倍），量程需留有足够裕度。
信号调理电路设计要点
| 信号类型 | 传感器输出 | 调理需求 | 典型量程 |
|---|---|---|---|
| 温度 | PT100 电阻变化 | 恒流源激励、电桥放大 | 0~200℃ → 0~5V |
| 振动 | IEPE 恒流源供电，AC 信号 | AC 耦合、增益放大、偏置调整 | ±5g → ±2.5V |
| 电流 | 霍尔传感器输出电压 | 差分放大、低通滤波、浪涌保护 | 0~100A → 0~3.3V |
对于 Edge AI 设备，信号调理电路还需考虑功耗与体积限制。建议采用集成式信号调理芯片（如 AD8221 仪表放大器 + MAX7400 开关电容滤波器），在保证性能的同时简化设计。量程配置应支持软件可编程增益放大器（PGA），以便根据不同工况动态调整增益。
3.3 去噪策略与数字滤波
噪声来源分类与抑制方法
工业环境中的噪声可分为三类：环境噪声（电磁干扰、工频干扰）、传感器固有噪声（热噪声、散粒噪声）和采集系统噪声（量化噪声、时钟抖动）。针对不同噪声源，需采取差异化的抑制策略。电磁干扰可通过屏蔽双绞线、差分信号传输和硬件滤波解决；工频干扰（50Hz/60Hz）可采用陷波滤波器或自适应对消算法；传感器热噪声属于宽带白噪声，需通过多次平均或小波去噪处理。
数字滤波的工程实现
在 Edge AI 平台上，数字滤波需兼顾实时性与资源消耗。常用的滤波方法包括：
- FIR 低通/带通滤波：线性相位，适合振动信号特征提取，但阶数较高时计算量大。例如 50 阶 FIR 带通滤波器（1kHz~5kHz）在 Cortex-M7 上需约 50 个乘加运算/采样点。
- IIR 滤波：计算效率高，但存在相位非线性，适合对相位不敏感的电流信号处理。如 4 阶 Butterworth 带通滤波器。
- 小波去噪：适用于非平稳信号，可有效保留冲击特征，但计算复杂度较高，通常用于离线分析或边缘端的间歇性处理。
- 中值滤波：对脉冲噪声（尖峰干扰）效果显著，计算简单，适合预处理阶段去除异常毛刺。
// Edge AI 设备上的 FIR 滤波示例（C语言伪代码）
#define TAPS 32
float fir_coeff[TAPS] = { /* 由MATLAB/fdatool生成 */ };
float buffer[TAPS] = {0};
float fir_filter(float input) {
float output = 0;
for (int i = TAPS - 1; i > 0; i--) buffer[i] = buffer[i-1];
buffer[0] = input;
for (int i = 0; i < TAPS; i++) output += buffer[i] * fir_coeff[i];
return output;
}案例拆解：电流信号中的工频干扰消除
在某变频驱动系统中，电流传感器采集到的信号包含明显的 50Hz 工频干扰，幅值约为信号有效值的 15%。若直接进行 FFT 分析，工频分量及其谐波将掩盖电机转子断条特征频率（约为 1.3Hz 的边带）。处理方案采用两级策略：首先在硬件端加入 50Hz 陷波滤波器（Q=30），将工频幅值衰减 40dB；然后在数字端采用自适应 LMS 滤波器，以 50Hz 参考信号为输入，动态跟踪并消除残余工频干扰。处理后，信号的信噪比从 16dB 提升至 38dB，转子断条特征清晰可辨。该方案在 STM32H743 平台上实现，LMS 滤波器阶数为 64，实时处理延迟小于 1ms，满足 Edge AI 实时诊断要求。
3.4 多通道同步采集机制
同步采集的必要性
温度、振动与电流联合诊断的核心在于分析不同物理量之间的时序关联。例如，电机电流的波动与振动冲击之间存在微秒级的相位关系，若各通道采集时间不同步，将导致特征错位，严重影响诊断准确性。同步采集要求所有 ADC 通道在同一时刻对信号进行采样，通道间的时间偏差需控制在采样周期的 1/10 以内。对于 25.6kHz 采样率，采样周期约 39μs，通道间偏差应小于 3.9μs。
同步实现方案对比
| 方案 | 同步精度 | 适用场景 | 优缺点 |
|---|---|---|---|
| 共享采样时钟 + 硬件触发 | < 1ns | 单板多通道采集 | 精度最高，但扩展性受限 |
| IEEE 1588 PTP 网络同步 | < 1μs | 分布式多节点采集 | 灵活性强，需网络支持 |
| GPS/北斗授时 | < 100ns | 跨地域监测系统 | 依赖卫星信号，室内不可用 |
| 软件时间戳对齐 | ms 级 | 低速信号（温度） | 实现简单，精度较低 |
在 Edge AI 设备中，通常采用共享采样时钟 + 硬件触发的方式。所有 ADC 通道共用同一时钟源，由定时器产生同步采样脉冲，确保各通道严格同时采样。对于分布式监测系统（如多个 Edge 节点协同工作），则需部署 PTP 协议，通过网络时间同步实现跨节点采集对齐。
3.5 数据质量保障体系
数据质量评估指标
数据质量保障贯穿采集、传输、存储全链路。关键评估指标包括：完整性（数据包丢失率、连续采集时长）、一致性（通道间延迟、时钟漂移）、准确性（幅值误差、量程利用率）、可追溯性（时间戳、校准记录、采集配置版本）。Edge AI 设备应内置实时质量监控模块，对每个数据块计算质量评分，低于阈值的数据需标记或重采。
数据质量保障操作流程
- 采集前自检：上电后对每个通道进行自校准，输入已知参考电压，验证增益和偏置误差。
- 实时监控：在采集过程中持续计算信号统计特征（均值、方差、峰值），检测异常波动或饱和状态。
- 数据完整性校验：为每个数据帧添加 CRC 校验码，传输层检测丢包并触发重传机制。
- 定期校准：每 3~6 个月使用高精度校准源对传感器链路进行全通道校准，更新校准系数。
- 元数据记录：保存采集时的环境温度、设备运行状态、采样率配置等上下文信息，便于后续数据回溯。
案例拆解：某风电齿轮箱监测系统的数据质量事故复盘
某风电场部署的齿轮箱监测系统在运行 6 个月后，AI 诊断模型频繁误报齿轮磨损。排查发现，数据采集单元（DAU）的振动通道量程设置为 ±2g，但齿轮箱在特定工况下振动峰值达到 ±3.5g，导致大量削波失真。同时，由于温度通道与振动通道共用一个采样时钟，但温度传感器的 RC 滤波电路引入了约 2ms 的延迟，导致温度与振动数据在时间上错位，AI 模型无法正确关联温度变化与振动冲击。复盘后采取三项措施：将振动量程调整为 ±5g，并在软件中启用自动增益控制；为温度通道增加延迟补偿算法，对齐时间轴；建立数据质量日报，每日自动检查量程利用率和通道间相关性。整改后，误报率下降 90%，模型诊断准确率从 72% 提升至 94%。
3.6 总结与工程复盘
信号采集与预处理是 Edge AI 工业监测系统的基石，其质量直接决定了上层诊断模型的性能上限。本章核心要点可归纳为：采样率设定需兼顾奈奎斯特定理与工程裕度，量程匹配应追求 60%~90% 的 ADC 利用率，去噪策略需针对噪声源分类施策，多通道同步采集是联合诊断的前提，数据质量保障需建立全链路监控体系。在实际项目中，建议采用"先分析、后配置、再验证"的流程：先通过离线数据分析确定信号特征，再配置采集参数，最后通过频谱分析和时域波形验证配置的正确性。同时，建立数据质量看板，将关键质量指标可视化，便于运维人员及时发现异常。