3、传感器与数据采集：加速度计、振动传感器选型、采样率设置、数据采集注意事项

振动故障分类模型的性能上限，在数据采集阶段就已经被决定。无论后续使用多么先进的深度学习架构或Edge Impulse的自动化特征工程，如果传感器选型不当、采样率设置错误或数据采集过程引入噪声，模型都难以学到真正有效的故障特征。本章将系统讲解加速度计与振动传感器的选型逻辑、采样率设置的工程依据，以及数据采集中容易被忽视的关键细节，帮助你在进入Edge Impulse工作流之前，构建高质量的数据基础。

3.1 加速度计与振动传感器的选型逻辑

振动故障分类任务中，加速度计是最常用的传感器类型，因为它能够直接测量振动加速度，且频率响应范围宽、动态范围大。选型时需要从传感器类型、量程、灵敏度、频率响应和安装方式五个维度综合考量。

3.1.1 传感器类型：压电式与MEMS式

压电式加速度计利用压电晶体的电荷效应，具有信噪比高、频率响应宽（可达数十kHz）、长期稳定性好的优点，适合工业旋转机械的精密振动监测。但其需要外部恒流源供电（IEPE接口），且成本较高。MEMS加速度计基于微机械结构，体积小、成本低、集成度高，部分型号内置ADC可直接输出数字信号，非常适合与Edge Impulse配合的嵌入式原型验证。但MEMS的频率响应通常上限在5~10kHz，且噪声底较高，不适合超高速设备。

3.1.2 量程与灵敏度匹配

量程决定了传感器能够测量的最大加速度值。如果设备正常运行时振动加速度峰值约为±2g，选择±5g量程的传感器即可留出足够余量。量程过小会导致信号削波，量程过大则在小振动信号下分辨率不足。灵敏度（mV/g）与量程成反比，高灵敏度传感器适合低振动水平的精密设备，低灵敏度传感器适合高冲击、高振动环境。在Edge Impulse中，输入数据通常被归一化处理，但传感器输出信号的原始信噪比直接影响模型可学习的特征质量。

3.2 采样率设置的工程依据

采样率是决定振动数据频率分辨率和数据量的核心参数。根据奈奎斯特采样定理，采样率必须大于信号最高频率成分的2倍，工程上通常取2.56倍以留出抗混叠滤波器的过渡带。但实际设置时，还需要结合故障特征频率、设备转速和Edge Impulse的资源限制综合判断。

3.2.1 从故障特征频率反推采样率

以滚动轴承故障为例，故障特征频率包括外圈通过频率（BPFO）、内圈通过频率（BPFI）、滚动体自旋频率（BSF）和保持架频率（FTF）。这些频率通常与轴频（转频）成固定比例关系。例如，一个深沟球轴承的BPFO约为轴频的5.4倍，BPFI约为轴频的8.2倍。要捕捉轴承早期故障的冲击特征，采样率需要覆盖到最高特征频率的10倍以上，以保留冲击信号的谐波成分。

// 采样率计算示例（Python伪代码）
shaft_freq = 30  # 轴频 30 Hz（即1800 RPM）
bpfo_ratio = 5.4  # 外圈故障特征频率系数
bpfo = shaft_freq * bpfo_ratio  # 162 Hz
max_freq_of_interest = bpfo * 10  # 1620 Hz，考虑10次谐波
fs = max_freq_of_interest * 2.56  # 约 4147 Hz，取整为 5 kHz

3.2.2 Edge Impulse中的采样率设置策略

Edge Impulse的采集界面允许直接设置采样率和采样时长。对于振动分类任务，建议遵循以下流程：首先确定设备最高转速和可能出现的最高故障特征频率；然后计算理论最小采样率；最后根据目标硬件（如手机、MCU、树莓派）的存储和计算能力调整。如果使用内置三轴加速度计的手机采集数据，采样率通常限制在1kHz~4kHz；如果使用外部USB加速度计（如ADXL345、MPU6050），采样率可达1kHz~32kHz。

3.3 数据采集的完整操作流程

在Edge Impulse中创建振动故障分类模型，数据采集环节需要遵循标准化的操作流程，确保数据质量、一致性和可复现性。

1. 传感器安装与固定：使用螺柱安装（推荐）、磁座或胶粘方式将传感器固定在被测设备上。安装面必须清洁、平整，避免松动。螺柱安装的谐振频率最高，磁座安装会降低高频响应（上限约5kHz），胶粘方式需要谨慎评估胶层厚度和刚度。
2. 通道配置与量程检查：在Edge Impulse的Devices页面中，确认传感器被正确识别，检查三轴（X/Y/Z）数据是否正常输出。让设备运行在正常工况，观察波形幅值是否在量程的20%~80%之间，避免削波或幅值过小。
3. 采样参数设置：根据3.2节的方法设置采样率。在Edge Impulse中，采样时长（Sample length）建议设置为1~2秒，每个样本包含多个旋转周期。对于30Hz轴频的设备，1秒样本包含30个旋转周期，足够提取稳定的频域特征。
4. 工况覆盖与数据采集：分别采集正常、故障1、故障2等各类工况的数据。每种工况至少采集30个以上样本，每个样本之间间隔数秒，避免连续采集导致的数据相关性过高。采集过程中保持设备运行状态稳定（转速、负载恒定）。
5. 数据标注与上传：在Edge Impulse的Data Acquisition页面中，为每个样本添加标签（如"normal"、"bearing_fault"）。上传后，在Dashboard中检查各类别样本数量是否均衡，必要时补充采集。

3.4 实战案例：电机轴承故障数据采集

某工厂需要对一台4极三相异步电机（额定转速1450 RPM，轴频约24.2Hz）进行轴承故障诊断。电机驱动端轴承型号为6205，已知BPFO系数为5.4，BPFI系数为8.2。目标是区分正常、外圈故障、内圈故障三种状态。

初始参数计算：轴频 f₀ = 1450/60 ≈ 24.2Hz；BPFO = 24.2 × 5.4 ≈ 130.7Hz；BPFI = 24.2 × 8.2 ≈ 198.4Hz。考虑10次谐波，最高关注频率约为2kHz。根据奈奎斯特定理，采样率至少为5.12kHz，工程上取10kHz以留出余量。

传感器选型：选用IEPE压电式加速度计，量程±10g，灵敏度100mV/g，频率响应0.5Hz~10kHz。安装方式采用螺柱安装，确保高频响应。数据采集设备使用支持IEPE输入的USB采集卡，通过Edge Impulse的Data Forwarder将数据流式传输到开发板。

采集过程：在Edge Impulse中设置采样率为10kHz，采样时长为2秒（每个样本包含约48个旋转周期）。每种工况采集50个样本，共150个样本。采集时，电机在额定转速下空载运行，环境温度约25°C。为了模拟真实故障，外圈故障通过电火花加工在轴承外圈滚道制造宽0.5mm、深0.2mm的凹槽；内圈故障同样加工在滚道上。

结果与复盘：采集完成后，在Edge Impulse的Raw Data页面中检查波形。正常工况的振动幅值约为±0.5g，外圈故障时幅值升至±2g，且波形中出现明显的周期性冲击脉冲。内圈故障的冲击脉冲幅值随旋转位置变化，呈现调制特征。通过频谱分析，外圈故障样本在130Hz及其谐波处出现明显峰值，与理论BPFO吻合。该数据集用于后续训练，分类准确率达到98%以上。

3.5 数据采集中的常见误区与风险控制

数据采集环节的失误往往在模型训练阶段才暴露，此时返工成本极高。以下是常见的误区和对应的风险控制策略。