2、振动信号基础：振动的基本概念、常见振动类型、振动传感器原理与选型
振动是自然界和工业设备中最普遍的物理现象之一。在TinyML振动异常检测场景中，振动信号是唯一的信息来源，其采集质量直接决定了后续阈值自适应调整算法的上限。理解振动的基本概念、掌握常见振动类型的特征、熟悉传感器的工作原理与选型方法，是构建可靠异常检测系统的第一道关卡。本章将从物理定义出发，逐步深入到传感器工程选型，为后续的阈值自适应算法设计奠定坚实的信号基础。
2.1 振动的基本概念与物理量
振动是指物体围绕其平衡位置进行的往复运动。在机械系统中，振动是设备运行状态的直接反映，任何旋转部件的不平衡、轴承磨损、齿轮啮合异常都会在振动信号中留下特征痕迹。描述振动需要三个核心物理量：位移（单位mm或μm）、速度（单位mm/s）和加速度（单位g或m/s²）。三者之间存在严格的微积分关系：速度是位移对时间的一阶导数，加速度是位移的二阶导数。在实际工程中，低频振动（如轴心偏移）适合用位移衡量，中频振动（如不平衡、不对中）适合用速度衡量，高频振动（如轴承早期故障、齿轮点蚀）则必须用加速度捕捉。
从信号分析的角度，振动信号可以用幅值、频率和相位三个要素完整描述。幅值反映振动的剧烈程度，频率揭示振动的来源（如转频、倍频、边频带），相位则用于识别共振和动平衡问题。对于TinyML应用而言，我们通常关注的是加速度信号，因为MEMS加速度传感器成本低、体积小、功耗低，且能覆盖大多数工业设备的振动频率范围（10Hz~10kHz）。
2.2 常见振动类型与信号特征
工业设备中的振动信号并非单一形态，而是多种振动成分的叠加。从时间域特征来看，振动可分为三类：周期振动（如转子不平衡、齿轮啮合）、准周期振动（如滚动轴承故障早期出现的调制信号）和随机振动（如流体湍流、摩擦噪声）。从频域特征来看，不同故障类型对应不同的频谱结构：不平衡表现为1×转频的峰值突出；不对中表现为2×转频分量增大；轴承外圈故障会在特征频率处出现冲击脉冲及其谐波；齿轮磨损则表现为啮合频率及其边频带的变化。
对于阈值自适应调整算法而言，理解振动类型的意义在于：正常状态下的振动信号通常具有相对稳定的统计特征（如RMS值、峰值因子、频谱能量分布），而异常状态会打破这种稳定性。阈值自适应算法的本质就是动态跟踪这些统计特征的变化，并在变化超过合理范围时触发报警。因此，在部署传感器之前，必须明确设备正常运行时的振动基线水平，以及可能出现的故障类型对应的振动特征。
| 振动类型 | 典型来源 | 时域特征 | 频域特征 | TinyML检测关注点 |
|---|---|---|---|---|
| 周期振动 | 转子不平衡、轴弯曲 | 正弦波形态，幅值稳定 | 1×转频峰值突出 | RMS值、基频幅值跟踪 |
| 准周期振动 | 轴承早期故障、齿轮点蚀 | 幅值调制，冲击脉冲 | 特征频率+边频带 | 包络分析、峰值因子 |
| 随机振动 | 流体噪声、松动、摩擦 | 不规则波动，无固定周期 | 宽带频谱，能量分散 | 功率谱密度、峭度指标 |
| 瞬态冲击 | 碰撞、裂纹扩展 | 短时大幅值脉冲 | 高频宽带激发 | 峰值检测、短时能量 |
2.3 振动传感器工作原理与选型
振动传感器是将机械振动转换为电信号的换能装置。在TinyML场景中，最常用的传感器类型是MEMS电容式加速度传感器。其工作原理基于差分电容检测：质量块在加速度作用下发生位移，导致上下极板间距变化，从而改变电容值。通过测量电容差即可反推加速度大小。MEMS传感器具有体积小（3mm×3mm×1mm）、功耗低（几十μA）、集成度高（内置ADC、数字滤波、FIFO）等优势，非常适合嵌入式边缘计算场景。
相比之下，压电式加速度传感器虽然精度更高、频响更宽（可达20kHz以上），但需要电荷放大器和外部供电，体积大、成本高，通常用于工业在线监测系统而非TinyML节点。压阻式传感器则多用于低频或静态加速度测量，在振动检测中应用较少。选型时需要综合考虑以下关键参数：
- 量程：根据设备正常振动水平选择，一般工业设备选±2g~±16g。量程过小会导致信号削波，过大则降低分辨率。
- 带宽：MEMS传感器带宽通常为0~1kHz或0~5kHz，需确认是否覆盖目标故障频率。部分传感器支持可配置的低通滤波器。
- 噪声密度：单位μg/√Hz，直接影响可检测的最小振动信号。对于轴承早期故障检测，建议噪声密度低于200μg/√Hz。
- 灵敏度：数字输出传感器通常以LSB/g表示，灵敏度越高，分辨率越好。
- 接口：I2C/SPI接口便于与MCU直连，支持FIFO中断可降低MCU唤醒频率，节省功耗。
2.4 传感器安装与信号采集实战
传感器安装质量对振动信号的影响往往被低估。安装谐振频率、接触刚度、安装位置都会显著改变采集到的信号特征。常见的安装方式包括：螺栓固定（最佳，谐振频率最高）、磁吸安装（方便但会降低谐振频率至5kHz左右）、胶粘安装（适用于临时测试）、手持探针（仅适用于粗略检测）。在TinyML设备中，传感器通常直接焊接在PCB上，此时需注意PCB的机械共振频率，避免与设备振动频率重叠。
信号采集链路包括：传感器 → 内部ADC → 数字滤波 → FIFO缓存 → MCU读取。以ADXL345为例，其内部16位ADC在±4g量程下的分辨率为0.122mg/LSB，可满足大多数异常检测需求。采集参数设置建议：采样率设为最高分析频率的2.56倍以上，开启内置低通滤波器以抑制高频噪声，使用FIFO中断批量读取数据以减少MCU开销。
2.5 案例拆解：电机轴承振动检测传感器选型与部署
场景背景：某工厂需要对10台三相异步电机（额定转速1450rpm）进行振动异常监测，目标是通过TinyML实现轴承早期故障预警。电机轴承型号为6305，滚动体数量8个，节径约39mm，滚动体直径约7.5mm，接触角约0°。
初始约束：每台电机需独立部署一个无线传感节点，节点采用电池供电（CR2032纽扣电池），要求连续工作6个月以上。节点MCU为Cortex-M4F（如STM32L4系列），主频80MHz，RAM 64KB，Flash 256KB。通信采用BLE 5.0，每10分钟上报一次特征值。
关键计算：根据轴承几何参数，计算外圈故障特征频率（BPFO）约为5.6×转频，即5.6×24.2Hz≈135Hz；内圈故障特征频率（BPFI）约为8.4×转频≈203Hz；滚动体故障特征频率（BSF）约为3.6×转频≈87Hz。考虑到早期故障会产生高频冲击，实际分析频率需覆盖至2kHz以上。
选型决策：选择ADXL355（量程±2g，带宽1kHz，噪声密度25μg/√Hz）或BMI160（量程±4g，带宽1.6kHz，噪声密度180μg/√Hz）。考虑到功耗和成本，最终选择BMI160，采样率设为3.2kHz，开启内置低通滤波至1.6kHz。每10分钟采集2秒数据（6400个采样点），计算RMS、峰值因子、峭度和1~2kHz频带能量作为特征。
部署与验证：传感器焊接在PCB上，PCB通过三个螺栓固定在电机轴承座端盖上。实测正常状态下的RMS值约为0.8m/s²，峰值因子约3.2。运行3个月后，RMS值缓慢上升至1.2m/s²，峰值因子升至4.5，峭度从3.0升至4.8，触发阈值自适应调整机制，提前2周预警轴承早期磨损。经停机检修确认，轴承滚道出现轻微点蚀。
复盘经验：① 传感器安装位置必须靠近轴承承载区，远离电机风扇端以减少气流干扰；② 阈值自适应算法需结合温度补偿，电机表面温度从25℃升至60℃时，传感器灵敏度漂移约2%；③ 无线传输仅发送特征值而非原始波形，可降低90%以上的功耗；④ 建议在部署初期进行为期一周的基线数据采集，以建立可靠的初始阈值。