3、传感器与数据采集：常见工业传感器类型、信号类型与预处理要求
在AI+PLC的融合架构中，传感器是物理世界与数字模型的唯一接口。无论是温度、压力、振动还是视觉数据，其采集质量直接决定了上层AI模型的推理精度与PLC控制逻辑的可靠性。本章将系统梳理工业现场最常见的传感器类型、信号制式差异，并重点讲解从原始信号到可用数据之间的预处理链路。理解这一环节，是设计稳定、抗干扰、高保真的数据采集系统的前提。
上图展示了从物理感知到数据应用的完整链路。在AI+PLC架构中，传感器信号并非直接进入AI模型，而是经过信号调理、采集、预处理三个关键阶段。下面我们逐一展开。
3.1 常见工业传感器类型与选型依据
核心原理：工业传感器将物理量（温度、压力、振动、位移、图像等）转换为可测量的电信号。根据输出信号的性质，可分为模拟量传感器和数字量传感器两大类。模拟量传感器输出连续变化的电压或电流（如4-20mA、0-10V），数字量传感器则输出离散的开关量（如24V PNP/NPN）或数字协议（如EtherCAT、Profinet）。
| 传感器类型 | 典型输出信号 | 精度范围 | 典型应用场景 | AI+PLC关注点 |
|---|---|---|---|---|
| 温度（PT100/热电偶） | 4-20mA / 0-10V / 数字量 | ±0.1℃ ~ ±1℃ | 热处理炉、反应釜、电机绕组 | 热惯性补偿、多点温度场重建 |
| 压力（应变片/陶瓷） | 4-20mA / HART / 0-10V | ±0.25% FS ~ ±0.5% FS | 液压系统、气动回路、管道压力 | 瞬态压力冲击捕捉、脉动分析 |
| 振动（IEPE/压电式） | 0-5V AC / 4-20mA / 数字量 | 频率响应 0.5Hz~10kHz | 旋转机械、轴承、齿轮箱 | FFT频谱分析、故障特征频率提取 |
| 视觉（工业相机） | GigE / USB3.0 / Camera Link | 分辨率 0.3MP~12MP | 外观检测、定位引导、OCR读取 | 图像预处理、ROI提取、深度学习推理 |
| 数字量（限位/光电/接近） | 24V PNP/NPN / 干接点 | 开关频率 100Hz~5kHz | 位置检测、工件计数、安全门联锁 | 抖动滤波、时间戳记录、顺序控制 |
3.2 信号类型与采集方式
判断方法：模拟量信号与数字量信号在采集方式上有本质区别。模拟量信号需要经过A/D转换，采样率、分辨率、量程匹配是关键；数字量信号则关注电平标准、滤波时间和计数频率。
- 模拟量采集：PLC的模拟量输入模块（AI）通常支持4-20mA、0-10V、PT100直接接入。关键参数包括：A/D分辨率（12位~24位）、采样率（通常为10ms~100ms/通道）、通道隔离方式。对于高速振动信号（>1kHz），PLC的AI模块采样率不足，需采用独立的高速采集卡或边缘网关。
- 数字量采集：PLC的数字量输入模块（DI）支持24V DC或干接点。需注意输入滤波时间（通常0.1ms~20ms可配置），用于消除机械触点抖动。对于高速计数（如编码器），需使用高速计数模块（HSC）或运动控制模块。
- 总线式采集：现代工业现场越来越多采用总线式传感器（如IO-Link、EtherCAT端子模块），传感器直接输出数字化的测量值，PLC通过总线周期读取。这种方式避免了模拟量传输的误差累积，且支持参数远程配置和诊断。
// 模拟量采集配置示例（以西门子S7-1200 AI模块为例）
// 通道0：4-20mA，量程0~100℃，滤波强度4（中）
// 通道1：0-10V，量程0~10MPa，滤波强度2（弱）
AI_CONFIG[0].TYPE = "4_20MA";
AI_CONFIG[0].RANGE_LOW = 0.0;
AI_CONFIG[0].RANGE_HIGH = 100.0;
AI_CONFIG[0].FILTER = 4; // 滤波等级 0-7，数值越大滤波越强
AI_CONFIG[1].TYPE = "0_10V";
AI_CONFIG[1].RANGE_LOW = 0.0;
AI_CONFIG[1].RANGE_HIGH = 10.0;
AI_CONFIG[1].FILTER = 2;
3.3 数据预处理要求与工程实践
操作流程：原始传感器数据必须经过预处理才能用于AI模型训练或PLC控制逻辑。预处理的目标是去除噪声、统一尺度、处理缺失值、提取有效特征。
- 去噪与滤波：对于模拟量信号，采用滑动平均、中值滤波或低通滤波（如Butterworth）去除高频噪声。对于振动信号，需根据分析频带选择带通滤波（如1kHz~5kHz）。PLC内部通常提供一阶惯性滤波，但AI模型需要更精细的离线滤波。
- 归一化与标准化：不同传感器量纲不同（温度0~100℃，压力0~10MPa），需进行Min-Max归一化或Z-score标准化，使特征值处于同一尺度，避免模型偏向大数值特征。
- 缺失值处理：传感器断线、通信超时会导致数据缺失。常用方法包括：前向填充（用上一时刻值）、线性插值、或标记为异常值。在PLC侧，应设置超时报警并记录缺失时间戳。
- 重采样与时间对齐：不同传感器采样率不同（如温度1Hz、振动10kHz），需统一重采样到同一时间基准。对于AI模型，通常降采样到10Hz~100Hz；对于PLC控制，需保证所有输入信号在同一扫描周期内更新。
背景与约束：某化工厂的离心压缩机（转速12000rpm）需实现预测性维护。现有PLC系统（S7-1500）已采集温度、压力、流量等慢变量（采样率1Hz），但振动信号未接入。目标是通过AI模型识别轴承早期故障。
初始现象：压缩机振动值（通频）从2.1mm/s缓慢上升至2.8mm/s，但未超过报警值4.5mm/s。操作人员无法判断是否需停机检修。
关键输入数据：在轴承座安装IEPE加速度传感器（灵敏度100mV/g），通过独立的高速采集模块（采样率25.6kHz，24bit）接入边缘网关。同时从PLC读取转速、负荷、温度等过程数据。
分析判断过程：对振动信号进行FFT频谱分析，发现1倍频（200Hz）幅值稳定，但2倍频（400Hz）幅值从0.3g上升至0.8g，且出现边频带（间隔为转频的分数倍）。结合轴承故障特征频率计算（BPFO=7.2×转频），判断为外圈早期点蚀。
实际操作步骤：① 在边缘网关中部署预处理脚本：带通滤波（1kHz~5kHz）、计算时域特征（RMS、峰值因子、峭度）；② 将特征数据通过OPC UA写入PLC数据块；③ PLC根据峭度>3.5且RMS>2.5mm/s触发预警，同时将数据上传至云端AI模型；④ AI模型输出故障概率87%，建议2周内安排检修。
结果对比：按AI建议在10天后停机检修，发现轴承外圈有3mm×2mm剥落。若继续运行，预计2~3周后可能发生抱轴事故。检修后振动RMS恢复至1.8mm/s。
风险与代价：高速采集模块成本约8000元，边缘网关部署耗时2天。误报风险可通过多特征融合（RMS+峭度+频带能量）降低。
复盘经验：振动信号预处理必须保留原始波形的时间戳，便于与PLC过程数据对齐。AI模型训练数据需覆盖正常、退化、故障三种状态，否则容易过拟合。
3.4 常见误区与总结复盘
常见误区：
- 误区一：采样率越高越好。过高的采样率导致数据量爆炸，增加存储和计算负担。应根据信号最高频率确定采样率（奈奎斯特定理），一般取最高频率的5~10倍即可。
- 误区二：忽略传感器安装位置。振动传感器安装在轴承座与安装在基座上的信号幅值差异可达10倍以上。安装面需平整、刚性连接，避免使用磁吸座（会衰减高频成分）。
- 误区三：PLC扫描周期与采样周期混淆。PLC的AI模块采样周期通常为10ms~100ms，但PLC程序扫描周期可能更短或更长。若需精确时间戳，应使用等时同步模式（如PROFINET IRT）或独立采集系统。
- 误区四：预处理过度导致信息丢失。过度滤波会滤除故障特征频率。例如，轴承早期故障的特征频率通常在1kHz~5kHz，若使用10Hz低通滤波则完全丢失。
总结复盘：传感器与数据采集是AI+PLC架构中最基础也最关键的环节。选型时需综合考虑信号类型、精度、响应速度和通信接口；采集时需匹配PLC模块或边缘网关的采样能力；预处理时需平衡去噪与信息保留。建议在项目初期建立传感器台账，记录每个传感器的安装位置、校准日期、信号范围、采样参数，为后续AI模型训练和系统维护提供数据基础。同时，定期对传感器进行校准和健康检查，避免因传感器漂移导致AI模型误判。