2、振动检测基础：振动传感器类型、信号特征与典型应用场景
在TinyML振动检测项目中，数据异常值处理的前提是理解振动信号从物理世界到数字世界的映射过程。传感器选型决定了信号的保真度，信号特征决定了算法设计的切入点，而应用场景则决定了异常值判定的业务语义。本章将系统梳理振动传感器的类型与选型逻辑、振动信号的三要素（频率、幅值、相位）及其工程含义，并结合工业预测性维护与设备状态监测场景，说明异常值处理为何必须与物理机理结合。
2.1 振动传感器类型与选型逻辑
核心原理：从物理量到电信号的转换
振动传感器将机械振动（位移、速度、加速度）转换为可测量的电信号。在TinyML应用中，最常用的是MEMS加速度计和陀螺仪。加速度计基于电容式或压阻式原理，检测质量块因加速度产生的位移变化；陀螺仪则利用科里奥利效应测量角速度。选型时需关注量程、灵敏度、带宽、噪声密度和功耗五个关键参数。
| 参数 | 加速度计 | 陀螺仪 | 选型影响 |
|---|---|---|---|
| 量程 | ±2g ~ ±16g | ±125°/s ~ ±2000°/s | 量程过小导致削波失真 |
| 灵敏度 | 16384 LSB/g (典型) | 16.4 LSB/(°/s) | 决定分辨率下限 |
| 带宽 | 1Hz ~ 5kHz | 1Hz ~ 1kHz | 需覆盖设备转频的10倍 |
| 噪声密度 | 80~400 μg/√Hz | 0.005~0.02 °/s/√Hz | 影响低幅值信号检测 |
| 功耗 | 10~200 μA | 5~150 μA | 电池供电场景关键 |
判断方法：根据设备特征选择传感器
- 旋转机械（电机、泵）：优先选用加速度计，量程±8g~±16g，带宽≥5kHz，可捕捉轴承故障的高频冲击。
- 低速重载设备（回转窑、大型风机）：选用高灵敏度加速度计（量程±2g），或配合位移传感器。
- 姿态变化监测（机械臂、AGV）：需要陀螺仪+加速度计融合，使用6轴IMU。
- 超低速（<10 RPM）：加速度计信号极弱，需考虑速度或位移传感器。
案例拆解：电机轴承监测的传感器选型
某工厂需要对一台4极异步电机（转速1480 RPM）进行轴承状态监测。电机转频为24.7Hz，轴承外圈故障特征频率约为89Hz。选择ADXL345（量程±16g，带宽3.2kHz）时，可覆盖故障频率的30倍以上，满足要求。但若设备是大型风机（转速300 RPM），转频仅5Hz，故障特征频率约18Hz，此时应选择更高灵敏度的传感器（如LSM6DS3，量程±2g），否则低幅值故障信号会被噪声淹没。
常见误区与总结
- 误区1：认为量程越大越好。量程过大会降低低幅值信号的分辨率。
- 误区2：忽略传感器带宽。若带宽不足，高频冲击信号会被衰减，导致异常值被平滑掉。
- 误区3：所有设备都用同一型号传感器。应根据设备转速、故障频率范围差异化选型。
2.2 振动信号特征：频率、幅值、相位
核心原理：三要素的物理意义
振动信号的三要素——频率、幅值、相位——构成了设备状态诊断的基础。频率对应振动的来源（转频、倍频、轴承故障频率），幅值反映振动能量的大小，相位则描述不同测点或不同时刻振动波形的相对位置关系。在TinyML异常值处理中，频率特征用于区分故障类型，幅值特征用于判断严重程度，相位特征用于定位故障位置。
判断方法：从时域到频域的特征提取
- 时域特征：计算RMS（有效值）、峰值、峰峰值、峭度（Kurtosis）。峭度>3.5时提示存在冲击性振动。
- 频域特征：通过FFT获取频谱，识别转频（1X）、二倍频（2X）、边频带。轴承故障时会出现特征频率及其谐波。
- 相位分析：通过双通道测量或键相传感器获取相位，用于动平衡和轴对中诊断。
// 伪代码：TinyML端特征提取流程
float rms = sqrt(mean(samples^2));
float peak = max(abs(samples));
float kurtosis = mean((samples - mean)^4) / (var^2);
// FFT后提取频谱峰值
float freq_1x = find_peak(fft, 20, 30); // 转频范围
float amp_1x = get_amplitude(freq_1x);
案例拆解：齿轮箱故障的频谱识别
某齿轮箱输入轴转速为1200 RPM（20Hz），齿数Z=32，啮合频率为640Hz。正常运行时，频谱在640Hz处有峰值，幅值约0.5g。当齿轮出现点蚀时，640Hz处幅值上升至1.8g，并出现以640Hz为中心、间隔20Hz的边频带。若仅看RMS值，从2.1g上升到3.2g，变化不够显著；但频域特征清晰显示了故障。在TinyML模型中，将频谱峰值和边频带能量作为特征，比单纯使用时域RMS更有效。
常见误区与总结
- 误区1：只关注幅值，忽略频率。幅值增大可能是负载变化而非故障。
- 误区2：采样率设置过低。根据奈奎斯特定理，采样率至少为最高分析频率的2.56倍。
- 误区3：忽略相位信息。在TinyML中相位特征较难提取，但可通过双通道同步采样实现。
2.3 常见应用场景：工业预测性维护与设备状态监测
核心原理：场景决定异常值语义
同样的振动数据在不同场景下，异常值的含义完全不同。在预测性维护中，异常值可能意味着轴承磨损、不对中、松动；在设备状态监测中，异常值可能表示工况变化（转速、负载调整）。TinyML模型必须结合场景定义"正常"与"异常"的边界。
| 场景 | 监测对象 | 典型故障 | 异常值表现 |
|---|---|---|---|
| 工业预测性维护 | 电机、泵、风机 | 轴承磨损、转子不平衡 | 1X幅值上升、边频带出现 |
| 设备状态监测 | 机床主轴、压缩机 | 不对中、齿轮断齿 | 2X幅值上升、冲击脉冲 |
| 结构健康监测 | 桥梁、风电塔 | 螺栓松动、焊缝开裂 | 低频模态频率漂移 |
| 质量检测 | 装配线 | 零件缺失、装配不良 | 特定频段能量异常 |
判断方法：场景驱动的异常值处理策略
- 预测性维护：关注趋势变化，使用滑动窗口统计（如每小时RMS均值），异常值定义为超过3σ阈值。
- 状态监测：关注实时突变，使用短窗口（1~2秒），异常值定义为瞬时幅值超过设定限值。
- 工况变化识别：需结合转速、负载等辅助信号，避免将工况变化误判为故障。
案例拆解：风电齿轮箱的TinyML异常检测
某风电场在齿轮箱上部署加速度计，采样率25.6kHz，每10分钟采集4秒数据。正常工况下，齿轮箱高速轴转频约30Hz，啮合频率约3kHz。某次数据中，RMS值从2.5g突增至4.8g，但进一步分析发现，风速从8m/s升至14m/s，转速从1200 RPM升至1800 RPM。若直接按RMS阈值报警，会产生大量误报。正确做法是：将RMS值除以转速的平方（振动与转速的平方成正比），得到归一化指标。归一化后，RMS从2.5g降至2.6g，实际无故障。该案例说明，在变工况场景下，异常值处理必须考虑工况补偿。
常见误区与总结
- 误区1：用固定阈值处理所有工况。应建立工况自适应的动态阈值。
- 误区2：忽略安装位置差异。同一设备不同测点的振动幅值可能相差数倍。
- 误区3：只做二分类（正常/异常）。应输出异常置信度，便于运维人员决策。