📚 课程目录第4章数据采集与预处理

4、数据采集与预处理：采样率选择、滤波、去噪、滑动窗口、数据标注

TinyML振动异常检测的成败，往往不取决于模型有多深、算力有多强，而取决于喂给模型的数据是否“干净、对齐、有标签”。在嵌入式端部署振动检测模型时，传感器直接贴在电机、泵机或转轴上，采集到的原始信号混杂着工频干扰、结构共振、随机冲击和环境噪声。如果采样率选错，振动特征可能被混叠掩盖；如果滤波参数不当，故障特征可能被一并滤除；如果滑动窗口长度与旋转周期不匹配，时域特征和频域特征都会失真。本章围绕数据采集与预处理的关键环节，系统讲解采样率选择依据、滤波与去噪策略、滑动窗口设计方法以及数据标注规范，并给出一个完整的实战案例闭环。

上图展示了TinyML振动数据采集与预处理的完整工程链路。从传感器选型开始，到采样率确定、滤波去噪、滑动窗口切分、数据标注，每个环节都直接影响后续模型训练和阈值设定的可靠性。下面逐一展开每个环节的核心原理与操作方法。

4.1 采样率选择：从奈奎斯特到工程裕量

核心原理：采样率决定了振动信号在频域上的可观测范围。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两倍，否则会发生频谱混叠，高频成分折叠到低频区域，产生虚假的故障特征。但在工程实践中，由于抗混叠滤波器并非理想低通，通常取采样率为最高分析频率的2.56倍以上。对于TinyML振动检测，需要先明确设备的工作转速范围和关注的故障频率范围。例如，一个转速为3000 RPM（50 Hz）的电机，其转频为50 Hz，轴承故障特征频率可能达到转频的10倍以上（500 Hz），因此采样率至少需要1280 Hz，实际工程中常取2 kHz或更高。

  采样率选择操作流程：
  确定设备最高转速 \( f_{max} \)（单位：Hz），可通过铭牌或转速计实测。
计算最高分析频率 \( f_{analysis} = 10 \times f_{max} \)（针对轴承故障）或根据故障机理确定倍频数。
采样率 \( f_s \geq 2.56 \times f_{analysis} \)，并向上取整到常用值（如2k、4k、8k、16k）。
检查嵌入式平台ADC采样能力和存储带宽，确认是否满足实时传输需求。
若采样率过高导致数据量过大，可考虑分时采样或降低重叠率。

案例拆解：某工厂离心泵转速为2900 RPM，轴承型号为6205，其外圈故障特征频率约为转频的3.05倍，即 \( 48.3 \times 3.05 \approx 147 \) Hz。若需监测到10倍频（约483 Hz），则采样率至少为 \( 2.56 \times 483 \approx 1236 \) Hz。实际选用2 kHz采样率，每个样本点间隔0.5 ms，单次采集1秒数据仅需2 KB存储，完全满足TinyML设备的内存限制。

设备类型	转速范围	关注频率范围	推荐采样率
低速重载轴承	100~500 RPM	10~200 Hz	1 kHz
中速电机/泵	1000~3000 RPM	50~1000 Hz	2~4 kHz
高速主轴/涡轮	5000~30000 RPM	500~5000 Hz	10~20 kHz
齿轮箱	1500 RPM	100~3000 Hz	8 kHz

常见误区：采样率越高越好？并非如此。过高的采样率会带来数据量激增、功耗上升和存储压力，且高频噪声可能淹没低频故障特征。应根据故障机理和嵌入式资源合理选择，而非盲目追求高采样率。

4.2 滤波与去噪：保留特征，剔除干扰

核心原理：振动信号中的噪声来源包括工频干扰（50/60 Hz及其谐波）、结构共振、电磁干扰、随机冲击和环境振动。滤波的目标是在保留故障特征频率成分的同时，尽可能抑制无关噪声。常用的滤波方法包括：带通滤波（保留关注频段）、陷波滤波（去除特定频率如工频）、中值滤波（去除脉冲噪声）、小波去噪（适用于非平稳信号）。在TinyML场景下，滤波器设计需考虑计算复杂度，避免使用高阶FIR滤波器导致MCU负载过高。

判断方法：首先通过频谱分析确定噪声频段与故障特征频段是否重叠。若工频干扰与故障频率接近，需使用陷波器而非简单高通；若噪声为宽带随机，可采用小波软阈值去噪；若存在周期性冲击，中值滤波能有效抑制。滤波参数需通过实验对比确定，观察滤波前后频谱变化，确保故障特征幅值不被明显削弱。

实战经验：在嵌入式端实现滤波时，优先选择IIR滤波器（如巴特沃斯、切比雪夫），因其阶数低、计算量小。但需注意IIR滤波器的相位非线性可能影响时域特征，若后续使用CNN提取时域波形特征，建议改用FIR滤波器或采用零相位滤波（离线处理时）。

// 嵌入式端二阶IIR带通滤波器示例（C语言）
typedef struct {
    float b0, b1, b2, a1, a2;
    float x1, x2, y1, y2;
} IIRFilter;

float iir_filter(IIRFilter *f, float x) {
    float y = f->b0 * x + f->b1 * f->x1 + f->b2 * f->x2 
              - f->a1 * f->y1 - f->a2 * f->y2;
    f->x2 = f->x1; f->x1 = x;
    f->y2 = f->y1; f->y1 = y;
    return y;
}

案例拆解：某风电齿轮箱振动信号中，齿轮啮合频率为800 Hz，但存在强烈的50 Hz工频干扰及其2、3次谐波。采用4阶巴特沃斯带通滤波器（截止频率500~1200 Hz）后，工频干扰被有效抑制，但发现100 Hz处仍有残留。进一步加入50 Hz陷波器后，频谱干净度提升，故障特征信噪比从8 dB提升至22 dB。整个滤波过程在STM32F4上运行，耗时仅0.3 ms/样本，满足实时性要求。

4.3 滑动窗口：时间分辨率与特征稳定性的平衡

核心原理：滑动窗口将连续振动信号切分为固定长度的片段，每个片段作为一个独立样本输入模型。窗口长度决定了频率分辨率（窗口越长，频率分辨率越高）和时域特征的统计稳定性；重叠率则影响样本数量和相邻窗口间的信息冗余。对于旋转机械，窗口长度应至少包含一个完整旋转周期，通常取2~5个周期以保证特征稳定。

操作流程：

确定旋转周期 \( T = 60 / RPM \)（秒）。
窗口长度 \( L = k \times T \times f_s \)，其中k取2~5。
重叠率 \( overlap \) 取50%~75%，重叠率越高，样本越多，但计算量增大。
若使用FFT提取频域特征，窗口长度需满足 \( L = 2^n \) 以加速计算。
验证窗口长度对特征方差的影响：绘制特征值随窗口长度的变化曲线，选择方差趋于稳定的最小长度。

窗口长度（周期数）	频率分辨率	特征稳定性	样本数量	适用场景
1	低	差	多	快速响应、瞬态检测
2~3	中	较好	中	常规轴承/齿轮监测
5~10	高	稳定	少	低速重载、微弱故障

常见误区：窗口越长越好？窗口过长会平滑掉瞬态冲击特征，且增加推理延迟。对于TinyML实时监测，窗口长度应控制在0.5~2秒内，兼顾特征稳定性和响应速度。

4.4 数据标注：构建高质量训练集的关键

核心原理：数据标注是将原始振动信号与设备状态关联起来的过程。标注质量直接决定模型的上限。标注内容应包括：工况信息（转速、负载、温度）、故障类型（正常、外圈故障、内圈故障、滚动体故障、保持架故障）、故障严重程度（轻微、中度、严重）、时间戳和采集环境描述。标注方式分为在线标注（实时记录设备状态）和离线标注（事后通过频谱分析或检修记录确认）。

标注规范与流程：

标签体系设计：采用多级标签，例如一级标签为“正常/异常”，二级标签为具体故障类型，三级标签为严重程度。
时间对齐：确保振动数据时间戳与设备运行状态记录同步，误差不超过1秒。
标注工具：使用开源工具如Label Studio或自研脚本，支持波形可视化与区间标注。
多人交叉验证：至少两人独立标注同一批数据，计算标注一致性（Cohen's Kappa），要求Kappa > 0.8。
数据增强：对标注后的样本进行小幅平移、加噪、缩放，增加模型鲁棒性。

  案例拆解：某化工厂压缩机振动监测项目，采集了3个月数据，共1200小时。标注团队通过设备检修记录和频谱分析，将数据分为：正常（800小时）、不平衡（200小时）、轴承磨损（150小时）、不对中（50小时）。每个样本窗口为1秒（2000个采样点），重叠率50%，共生成约432万条样本。标注过程中发现，部分“正常”数据实际包含轻微冲击，通过频谱复核后重新归类为“早期故障”。最终模型在测试集上准确率达96.3%，但标注工作量耗时2人周，占总项目周期的30%。复盘发现，若在采集阶段同步记录设备运行日志，标注效率可提升50%以上。

总结复盘：数据采集与预处理是TinyML振动检测的基石。采样率需结合故障机理和嵌入式资源综合确定；滤波去噪需在保留特征与抑制噪声间取得平衡；滑动窗口需匹配旋转周期并验证特征稳定性；数据标注需建立规范体系并投入足够人力。任何环节的疏忽都会导致模型在真实场景中失效。建议在项目启动初期就制定详细的数据采集与标注计划，并在预处理流程中加入质量检查节点，确保每个环节的输出符合预期。