3、传感器与数据采集：加速度计、陀螺仪、磁力计等传感器原理，采样率、量程、分辨率选择，数据采集硬件与软件工具
TinyML振动检测的起点是物理世界与数字世界的交汇——传感器将机械振动转化为电信号，数据采集系统则负责将模拟信号忠实记录为可供模型训练的数字序列。本章聚焦三类核心惯性传感器（加速度计、陀螺仪、磁力计）的工作原理，深入讲解采样率、量程、分辨率三个关键参数的工程选择逻辑，并梳理从传感器选型到数据落盘的完整硬件与软件工具链。理解这一章，你才能为后续的标注与训练提供高质量、可复现的数据基础。
上图展示了振动检测数据链路的三个核心层次。传感器层负责物理量的感知，参数配置层决定了数据的“视角”与“精度”，数据采集层则将模拟世界固化为可计算的数字文件。下面我们逐一深入。
3.1 核心传感器原理与选型
3.1.1 加速度计：振动检测的主力
加速度计测量的是物体沿敏感轴方向的线性加速度，单位通常为g（1g = 9.81 m/s²）。MEMS加速度计内部包含一个质量块和悬臂梁结构，当设备发生加速度变化时，质量块产生位移，通过电容变化或压阻效应转化为电信号。在振动检测中，加速度计能够捕捉设备表面的振动加速度，这是评估机械健康状态最直接的物理量。
选型时需关注以下关键指标：
- 轴数：三轴加速度计（X/Y/Z）是振动检测的最低配置，可捕捉空间任意方向的振动分量。
- 带宽：典型MEMS加速度计带宽为0~1000Hz，覆盖大多数工业设备的振动频率范围。
- 噪声密度：单位μg/√Hz，数值越低，可检测的微弱振动信号越小。
3.1.2 陀螺仪：补充角速度信息
陀螺仪测量绕各轴的旋转角速度，单位dps（度/秒）。MEMS陀螺仪基于科里奥利效应，通过检测质量块在旋转参考系中的位移来推算角速度。在振动检测中，陀螺仪对旋转部件的摆动、扭转振动特别敏感，与加速度计形成互补。
陀螺仪的关键参数包括量程（±125~±2000 dps）、零偏稳定性（°/h）和带宽。对于旋转机械的扭振分析，陀螺仪数据能提供独特的诊断视角。
3.1.3 磁力计：辅助定位与方向感知
磁力计测量环境磁场强度，单位gauss或μT。在振动检测中，磁力计主要用于确定设备的绝对朝向，辅助判断振动方向与设备安装姿态的关系。对于某些需要结合方向信息的应用（如风机叶片振动分析），磁力计数据可作为参考通道。
需要注意的是，磁力计易受铁磁性材料干扰，在工业环境中需谨慎使用，通常仅作为辅助传感器。
| 传感器类型 | 测量物理量 | 典型量程 | 振动检测适用场景 | 局限性 |
|---|---|---|---|---|
| 加速度计 | 线性加速度 (g) | ±2g ~ ±16g | 轴承磨损、不平衡、松动 | 低频响应受限 |
| 陀螺仪 | 角速度 (dps) | ±125 ~ ±2000 | 扭振、摆动、旋转失稳 | 零偏漂移 |
| 磁力计 | 磁场强度 (gauss) | ±49 gauss | 方向参考、姿态辅助 | 易受磁干扰 |
3.2 采样率、量程与分辨率的工程选择
3.2.1 采样率：遵循奈奎斯特定律
采样率决定了数据的时间分辨率。根据奈奎斯特采样定理，采样率必须大于信号最高频率的2倍，才能无失真地重建原始信号。对于振动检测，工程上通常取最高分析频率的2.56倍作为采样率，以留出抗混叠滤波器的过渡带。
// 采样率计算示例
最高分析频率 Fmax = 1000 Hz
理论最小采样率 Fs_min = 2 × Fmax = 2000 Hz
工程推荐采样率 Fs = 2.56 × Fmax = 2560 Hz
实际取整 Fs = 2600 Hz 或 3200 Hz过低的采样率会导致高频振动成分混叠到低频段，产生虚假的故障特征；过高的采样率则增加存储和计算负担。对于TinyML应用，建议在满足频率覆盖的前提下，选择尽可能低的采样率以降低功耗。
3.2.2 量程：避免削波与分辨率损失
量程决定了传感器能测量的最大加速度值。选择量程时，需预估设备的最大振动峰值。若量程过小，信号会削波，产生严重失真；若量程过大，则有效信号仅占ADC量程的一小部分，分辨率利用率下降。
量程与分辨率存在直接关联。以16位ADC为例，若量程为±16g，则每个LSB对应的加速度为：
分辨率 = (2 × 量程) / 2^16 = 32g / 65536 ≈ 0.488 mg/LSB若量程缩小到±2g，分辨率提升至0.061 mg/LSB，可检测更微弱的振动信号。因此，在振动幅值较小的精密设备上，应优先选择小量程。
3.2.3 分辨率：决定最小可检测振动
分辨率是ADC能够区分的最小信号变化。对于TinyML振动检测，分辨率直接影响模型能否捕捉到早期故障的微弱特征。16位ADC是当前主流选择，部分高端传感器已支持18位或24位。
选择分辨率时需综合考虑噪声底限。若传感器自身的噪声密度高于ADC分辨率，则提高ADC位数无实际意义。工程上应使ADC分辨率略优于传感器噪声水平，避免“高分辨率低信噪比”的浪费。
3.3 数据采集硬件与软件工具链
3.3.1 硬件平台选型
TinyML振动检测的硬件平台需兼顾计算能力、功耗和接口丰富度。常见选择包括：
- STM32系列：工业级可靠性，丰富的外设接口，适合嵌入式实时采集。
- ESP32系列：内置Wi-Fi/蓝牙，方便无线数据传输，适合分布式监测节点。
- nRF52系列：超低功耗，适合电池供电的长期监测设备。
- 树莓派/边缘网关：适合需要本地预处理或运行较大模型的场景。
传感器与主控之间通常通过I2C或SPI总线通信。I2C接线简单，适合低速（≤400kHz）短距离传输；SPI速率更高（可达10MHz以上），适合高频采样场景。
3.3.2 软件工具链
数据采集软件需要完成传感器初始化、数据读取、时间戳标记、数据存储等任务。推荐以下工具组合：
| 工具 | 用途 | 适用阶段 |
|---|---|---|
| Arduino IDE | 快速原型验证，传感器驱动开发 | 实验室调试 |
| Python + pyserial | 串口数据读取、实时可视化、数据保存 | 数据采集与预处理 |
| Edge Impulse | 端到端TinyML工作流，内置数据采集SDK | 模型训练与部署 |
| TensorFlow Lite | 模型转换与微控制器部署 | 部署阶段 |
一个典型的数据采集Python脚本框架如下：
import serial
import csv
import time
ser = serial.Serial('COM3', 115200)
with open('vibration_data.csv', 'w', newline='') as f:
writer = csv.writer(f)
writer.writerow(['timestamp', 'ax', 'ay', 'az', 'gx', 'gy', 'gz'])
start = time.time()
while time.time() - start < 60: # 采集60秒
line = ser.readline().decode().strip()
if line:
values = line.split(',')
timestamp = round(time.time() - start, 3)
writer.writerow([timestamp] + values)3.4 实战案例：电机轴承振动数据采集
背景与约束：某工厂需要对一台额定转速为3000 RPM（50Hz）的异步电机进行振动监测，目标是识别轴承早期磨损特征。电机壳体振动的主要频率成分包括：转频（50Hz）、轴承故障特征频率（BPFO约200Hz、BPFI约300Hz）以及高频共振成分（可达2kHz）。现场环境存在较强的电磁干扰，且要求采集设备功耗低于100mW。
初始现象与目标：电机在正常运行状态下，壳体振动加速度峰值约为0.5g。需要采集足够的数据量用于训练TinyML故障分类模型。
关键参数选择过程：
- 采样率确定：最高分析频率取2kHz，理论最小采样率4kHz，工程取2.56倍即5.12kHz，实际选择6kHz采样率。
- 量程选择：预估最大振动峰值不超过2g，选择±4g量程，留出2倍余量，同时保证分辨率（16位ADC下约0.122 mg/LSB）。
- 传感器选型：选用三轴加速度计（量程±4g，带宽1kHz），配合陀螺仪（量程±500dps）获取扭振信息。
- 硬件平台：采用ESP32-S3，通过I2C接口连接传感器，采样率6kHz，三轴加速度+三轴陀螺仪共6通道。
实际操作步骤：
1. 将传感器模块用强力磁座吸附在电机轴承座正上方
2. 配置传感器寄存器：加速度计量程±4g，陀螺仪±500dps
3. 设置采样率6kHz，FIFO缓冲深度32
4. 编写ESP32固件，通过UART以115200波特率输出CSV格式数据
5. 运行Python脚本采集10分钟数据，同时记录电机转速和负载结果与复盘：采集到的数据经FFT分析，清晰识别出50Hz转频及其谐波，在2kHz附近观察到轴承共振频带。数据质量满足训练要求。复盘发现，初始使用±16g量程时，信号幅度仅占ADC量程的3%，分辨率严重不足；切换至±4g后，信号利用率提升至12%，微弱故障特征得以显现。
3.5 常见误区与总结
误区一：采样率越高越好。高采样率带来数据量激增，增加存储和计算压力，且对TinyML模型训练并无额外收益。应根据目标故障频率合理选择。
误区二：忽略抗混叠滤波。即使采样率满足奈奎斯特定理，若传感器或ADC前级没有抗混叠滤波器，高频噪声仍会折叠到低频段。多数MEMS传感器内置了低通滤波器，但需确认截止频率设置。
误区三：量程与分辨率割裂考虑。两者通过ADC位数紧密关联，选择量程时必须同步计算有效分辨率。
误区四：忽视时间同步。多通道数据采集时，各通道间的时间偏差会导致相位失真，影响后续频谱分析。应使用传感器FIFO或主控DMA确保同步采样。
总结而言，传感器与数据采集是TinyML振动检测的基石。正确的参数配置能最大化信号质量，合理的硬件选型能平衡性能与功耗，规范的软件流程能保证数据的可复现性。在进入数据标注环节之前，务必对采集到的原始数据进行可视化检查，确认波形无削波、无异常毛刺、无通道缺失，这是保障模型训练效果的第一道防线。