2、加速度计基础：加速度计工作原理、三轴数据含义、常见传感器型号（如MPU6050、LIS3DH）及选型
在TinyML异常检测项目中，加速度计是数据采集的源头，其性能与数据质量直接决定了后续模型训练的上限。本章将深入剖析加速度计的核心工作原理，解读三轴数据的物理含义，对比主流传感器型号（MPU6050、LIS3DH等），并给出面向不同应用场景的选型决策框架。理解这些基础概念，是正确设计数据采集电路、预处理流程以及特征工程的前提。
2.1 加速度计工作原理：从MEMS到数字信号
现代加速度计绝大多数基于MEMS（微机电系统）技术，其核心是一个微小的机械结构，通常由质量块、弹簧和固定电极组成。当传感器发生加速度变化时，质量块因惯性作用会相对于固定框架产生微小位移，这个位移改变了质量块与固定电极之间的电容间隙，从而引起电容值的变化。通过测量电容差值（△C），即可反推出当前加速度的大小和方向。
从信号链路来看，MEMS加速度计内部包含以下几个关键环节：
- 敏感结构：质量块-弹簧-阻尼系统，决定了传感器的机械带宽和共振频率。
- 电容检测电路：将微小的电容变化转换为电压信号，通常采用开关电容或电荷放大器结构。
- 模拟调理电路：包括放大、滤波、温度补偿等，保证信号质量。
- ADC与数字接口：将模拟电压量化为数字值，并通过I2C或SPI总线输出。
值得注意的是，加速度计测量的是比力（Specific Force），即物体受到的除重力以外的合力与质量的比值。因此，当传感器静止水平放置时，Z轴会读到约1g（9.8 m/s²）的重力加速度，而X、Y轴接近0g。这一特性在后续的静态校准和姿态解算中至关重要。
2.2 三轴数据含义：坐标系、单位与物理映射
三轴加速度计输出的是沿传感器本体坐标系的三个正交分量，通常以g（重力加速度单位）或m/s²表示。在数据采集时，我们需要明确以下几点：
- 坐标系定义：多数传感器遵循右手定则，X轴指向芯片的某一侧边，Y轴与之垂直，Z轴垂直芯片表面向上。不同封装和安装方向会导致坐标系旋转，必须在项目初期进行标定。
- 静态与动态分量：静止时，三轴矢量和等于1g；运动时，各轴分量反映线性加速度和重力分量的叠加。例如，设备绕X轴旋转时，Y和Z轴的重力分量会发生变化。
- 数据范围与分辨率：以MPU6050为例，量程可选±2g、±4g、±8g、±16g，对应16位ADC输出。量程越小，分辨率越高（±2g时约0.061mg/LSB），但可能发生削波。
| 传感器型号 | 轴数 | 量程(g) | 接口 | 功耗 | 封装尺寸 | 典型应用 |
|---|---|---|---|---|---|---|
| MPU6050 | 6轴(含陀螺仪) | ±2/±4/±8/±16 | I2C | 3.9mA(全速) | 4×4×0.9mm QFN | 手机、机器人、平衡车 |
| LIS3DH | 3轴 | ±2/±4/±8/±16 | I2C/SPI | 2μA(低功耗模式) | 3×3×1mm LGA | 可穿戴、电池供电设备 |
| ADXL345 | 3轴 | ±2/±4/±8/±16 | I2C/SPI | 23μA(测量模式) | 3×5×1mm LGA | 工业监测、倾斜检测 |
| BMA400 | 3轴 | ±2/±4/±8/±16 | I2C/SPI | 0.9μA(低功耗) | 2×2×0.95mm | 超低功耗TinyML |
在异常检测项目中，三轴数据的处理通常遵循以下流程：原始数据读取 → 去直流分量（去除重力） → 带通滤波 → 特征提取（均值、方差、峰值、频谱能量等） → 模型输入。理解每个轴的数据含义，有助于设计更有物理意义的特征。
2.3 常见传感器型号对比与选型决策
选型是项目启动的第一步，错误的选型可能导致功耗过高、数据精度不足或开发周期延长。以下是针对TinyML场景的选型决策框架：
- 功耗约束：如果项目由纽扣电池供电且需要长期运行，LIS3DH或BMA400的低功耗模式是首选；如果设备可频繁充电或使用USB供电，MPU6050的功耗可以接受。
- 数据维度需求：仅需加速度数据时，3轴传感器足够；若需要姿态融合（如判断设备朝向），则需选择6轴（加速度+陀螺仪）或9轴（+磁力计）传感器。
- 接口与生态：I2C接口占用引脚少，适合连接多个传感器；SPI接口速率更高，适合高采样率场景。同时考虑开发板库的成熟度，MPU6050在Arduino和ESP32生态中支持最完善。
- 量程与分辨率：监测振动或冲击时，建议选择±16g量程；监测人体活动（走路、跑步）时，±2g或±4g即可，且分辨率更高。
- 明确供电方式（电池/USB）和续航要求 → 确定功耗预算。
- 明确监测对象（人体/机器/车辆） → 确定量程和带宽。
- 明确是否需要陀螺仪/磁力计 → 确定轴数。
- 评估主控MCU的I2C/SPI外设资源 → 确定接口。
- 检查开发板库和社区支持 → 降低开发风险。
2.4 案例拆解：工业设备振动监测的传感器选型与数据采集
某工厂需要对旋转电机进行异常振动监测，目标是提前发现轴承磨损故障。项目约束如下：设备由24V直流供电，但传感器节点需通过PoE供电，功耗预算为50mW；振动频率范围在10Hz~2kHz；需要同时采集加速度和温度数据；MCU选用ESP32-S3。
初始现象与目标：电机正常运行时振动幅度较小，但轴承磨损后会出现高频冲击信号。目标是采集足够的数据训练一个TinyML异常检测模型，部署在边缘节点上。
关键输入数据与参数：
- 振动频率范围：10Hz~2kHz，根据奈奎斯特定理，采样率需≥4kHz，实际选择5kHz。
- 加速度量程：正常振动约±2g，冲击峰值可能达到±8g，因此选择±8g量程。
- 功耗预算：50mW，在3.3V供电下约15mA电流。
分析判断过程：MPU6050虽然接口成熟，但其陀螺仪功能在此场景中无用，且全速运行功耗约3.9mA（仅加速度计部分），加上ESP32-S3的功耗，总电流可能超过15mA。LIS3DH在正常模式（50Hz输出）下功耗约11μA，即使以5kHz采样（高分辨率模式）功耗也仅为约150μA，远低于预算。同时LIS3DH支持SPI接口，可以高速读取数据。最终选择LIS3DH。
实际操作步骤：
- 将LIS3DH配置为±8g量程、SPI接口、5kHz输出数据率，开启内置高通滤波器（截止频率1Hz）以去除重力分量。
- 在电机轴承座附近安装传感器，使用螺纹胶固定，确保传感器与振动体刚性连接。
- 采集正常状态数据10分钟，然后人为模拟轴承故障（注入微小颗粒）再采集10分钟。
- 对数据进行加窗处理（窗长256点，步长128点），提取每个窗口的时域特征（RMS、峰值因子、峭度）和频域特征（频谱峰值、能量比）。
- 使用Edge Impulse训练一个2层DNN模型，部署到ESP32-S3上。
结果对比与复盘：模型在测试集上达到了98.2%的准确率，且推理时间仅需3.2ms。但初期安装时由于传感器固定不牢，导致数据中出现大量低频噪声，重新固定后问题解决。复盘经验：传感器安装的机械耦合质量直接影响数据质量，在TinyML项目中，数据采集环节的工程细节往往比模型结构更重要。
2.5 总结与工程实践要点
本章从MEMS加速度计的工作原理出发，详细阐述了三轴数据的物理含义和常见传感器型号的选型方法。在TinyML异常检测项目中，加速度计不仅是数据源，更是整个系统的感知前端。以下要点值得牢记：
- 理解加速度计的比力测量特性，区分重力分量与运动加速度。
- 根据功耗、量程、接口和生态四个维度进行选型，不要盲目追求高规格。
- 重视传感器校准和安装质量，这是数据可靠性的基石。
- 在数据预处理阶段，合理配置滤波器和采样率，避免信息丢失或噪声混叠。
掌握了这些基础，下一步就可以着手搭建实际的数据采集电路，并开始编写传感器驱动代码了。