2、传感器数据基础：常见传感器类型、数据格式、采样率与时间序列特性

在构建基于TFLite Micro的异常检测系统之前，必须首先理解传感器数据的本质。传感器是物理世界与数字计算之间的桥梁，其输出的数据格式、采样方式以及时间序列特性，直接决定了后续特征工程、模型输入设计和推理结果的可靠性。本章将系统梳理嵌入式设备中常见的传感器类型，解析其数据格式与采样率概念，并深入探讨时间序列数据的核心特性，为后续的模型训练与部署奠定基础。

2.1 常见传感器类型与工作原理

在嵌入式异常检测场景中，传感器选型决定了能够捕获的物理信号类型。不同传感器具有不同的物理原理、输出特性和噪声基底，理解这些差异是正确解读数据的前提。

2.1.1 惯性传感器：加速度计与陀螺仪

加速度计测量物体沿三个正交轴（X、Y、Z）的线性加速度，其工作原理基于微机电系统（MEMS）中的质量块-弹簧结构。当设备加速时，质量块发生位移，通过电容或压阻效应转换为电信号。加速度计的输出包含重力分量（静态）和运动加速度（动态），在异常检测中常用于识别振动、冲击和姿态变化。

陀螺仪则测量绕三个轴的角速度，基于科里奥利效应。MEMS陀螺仪内部有一个高速振动的质量块，当设备旋转时，科里奥利力使质量块在垂直方向产生位移，从而检测角速度。陀螺仪对旋转运动敏感，适合检测旋转异常、抖动和姿态漂移。

实际应用中，加速度计和陀螺仪常组合为惯性测量单元（IMU），例如MPU6050、BMI160等。IMU输出6轴数据（3轴加速度+3轴角速度），在工业设备振动监测、可穿戴设备跌倒检测中广泛应用。

2.1.2 环境传感器：温度与压力

温度传感器（如NTC热敏电阻、热电偶、数字温度芯片DS18B20）测量环境或设备表面温度。在异常检测中，温度数据常用于监测电机过热、电子元件老化、散热系统失效等场景。温度信号变化缓慢，采样率通常较低（1Hz~10Hz即可），但需要关注温度漂移和热惯性。

压力传感器（如MEMS压阻式、电容式）测量气体或液体的压力。在工业管道监测、气动系统故障诊断中，压力数据的突变或周期性波动往往预示着泄漏、堵塞或阀门故障。压力传感器输出通常为模拟电压或数字I2C/SPI接口，量程和精度差异较大。

2.1.3 其他常用传感器

磁力计（电子罗盘）测量地磁场强度，用于方向检测和金属物体接近探测；电流传感器（霍尔效应）用于电机电流监测，可检测堵转、短路等电气异常；声音传感器（麦克风阵列）通过声学特征识别机械异响。在TFLite Micro异常检测项目中，传感器选型应遵循"最小充分"原则——只采集与异常模式最相关的信号，避免数据冗余导致模型复杂化。

2.2 数据格式与采样率

传感器输出的原始数据格式直接影响TFLite Micro模型的输入预处理。理解数据格式的底层含义，是避免精度损失和错误解读的关键。

2.2.1 原始数据格式与灵敏度

大多数MEMS传感器输出16位有符号整数（int16），通过I2C或SPI总线读取。每个数字量（LSB）对应一个物理量单位，这个对应关系称为灵敏度（Sensitivity），通常以LSB/g或LSB/(°/s)表示。例如，加速度计量程为±2g时，灵敏度约为16384 LSB/g，意味着读取值16384对应1g加速度。

在TFLite Micro中，模型输入通常要求浮点数（float32）或量化整数（int8）。因此，原始int16数据需要转换为物理量单位（如m/s²），再进行归一化或标准化。转换公式为：物理量 = 原始值 / 灵敏度。若使用int8量化输入，还需将浮点数据缩放到[-128, 127]范围。

// 示例：将int16原始加速度数据转换为m/s²
float accel_g = (float)raw_value / 16384.0f;  // 转换为g
float accel_ms2 = accel_g * 9.80665f;          // 转换为m/s²

// 若模型输入为int8量化，需进一步缩放
int8_t quantized = (int8_t)(accel_ms2 / scale_factor);

2.2.2 采样率的选择原则

采样率（Fs）决定了时间序列的时间分辨率。根据奈奎斯特定理，采样率必须大于信号最高频率的两倍才能无失真重建信号。对于异常检测，采样率的选择应基于异常信号的频率特征：

• 低频异常（如温度漂移）：1~10Hz采样率足够，过高采样率只会增加数据量和功耗。
• 中频振动（如轴承磨损）：100~1000Hz采样率，需覆盖振动基频及谐波。
• 高频冲击（如碰撞检测）：1000Hz以上，需捕捉瞬态峰值。

在TFLite Micro场景中，采样率还受限于MCU的处理能力和内存。例如，STM32F4系列主频168MHz，若采样率1000Hz、3轴加速度计，每秒产生3000个int16数据（6KB），在256KB RAM的MCU上可存储约40秒数据。因此，实际采样率需在信号保真度和资源约束之间权衡。

2.2.3 时间戳与多传感器对齐

当使用多个传感器时，时间同步至关重要。不同传感器可能具有不同的采样率和启动延迟，若未对齐时间戳，特征提取将产生错误。常见的同步方法包括：

1. 硬件同步：使用MCU的定时器触发所有传感器同时采样，保证采样时刻一致。
2. 软件插值：以最高采样率的传感器为基准，对其他传感器数据进行线性插值或重采样。
3. 时间戳标记：每个数据包附带MCU的定时器计数值，后续处理时按时间戳对齐。

2.3 时间序列特性与异常模式

传感器数据本质上是时间序列——按时间顺序排列的观测值序列。理解时间序列的统计特性和异常模式，是设计特征提取和模型架构的基础。

2.3.1 时域特征

时域特征直接从原始时间序列中计算，计算量小，适合MCU实时处理。常用特征包括：

• 均值（Mean）：反映信号的直流分量，如加速度计的重力分量。
• 方差/标准差（Variance/Std）：反映信号的波动程度，振动异常时方差显著增大。
• 峰值（Peak）：窗口内的最大绝对值，用于检测冲击事件。
• 均方根（RMS）：反映信号的有效能量，常用于振动强度评估。
• 峰值因子（Crest Factor）：峰值与RMS之比，用于区分冲击信号与平稳振动。

2.3.2 频域特征

频域特征通过傅里叶变换（FFT）将时间序列转换到频率域，揭示信号的频率成分。在异常检测中，频域特征能有效识别周期性故障（如轴承磨损会产生特定频率的振动分量）。常用频域特征包括：

• 主频（Dominant Frequency）：功率谱中幅度最大的频率，反映旋转机械的基频。
• 频谱质心（Spectral Centroid）：功率谱的加权平均频率，反映信号的能量集中区域。
• 频带能量（Band Energy）：特定频段（如1kHz~5kHz）内的能量和，用于检测高频振动异常。

在TFLite Micro上执行FFT时，需注意MCU的运算能力。对于256点FFT，Cortex-M4内核约需数千个时钟周期，可满足实时处理需求。若采样率较高，可考虑使用硬件FFT加速器（如STM32F4系列内置的CORDIC）或降低FFT点数。

2.3.3 时间序列的异常模式分类

从时间序列角度，异常模式可分为三类：

2.4 案例拆解：电机振动异常检测的数据准备

为将上述概念落地，我们以一个工业电机振动监测项目为例，完整演示传感器数据从采集到模型输入的准备过程。

2.4.1 场景与约束

某工厂需要在电机轴承上部署异常检测系统，目标是识别轴承磨损初期的振动特征变化。电机转速为3000 RPM（50Hz），轴承故障特征频率约为150Hz~500Hz。硬件平台为STM32F446RE（Cortex-M4, 180MHz），配备ADXL345加速度计（I2C接口，量程±16g，灵敏度256 LSB/g）。系统需在本地完成推理，功耗受限，采样数据需在MCU内存中缓存。

2.4.2 采样率与窗口设计

根据奈奎斯特定理，要覆盖500Hz的故障频率，采样率至少为1000Hz。考虑到需要分析谐波（最高5倍频=2500Hz），最终选择采样率Fs=3200Hz，满足2.56倍过采样。每个采样窗口取1024点，对应时间长度1024/3200=0.32秒，可分辨约3Hz的频率分辨率，足以区分50Hz基频及其谐波。

窗口重叠率设为50%，即每次滑动512点。这样每秒产生约6.25个窗口（3200/512），每个窗口包含3轴×1024个int16数据（6KB）。在256KB RAM的MCU上，可缓存约40个窗口（约6.4秒数据），满足实时处理需求。

2.4.3 数据预处理流程

// 伪代码：数据采集与预处理
#define Fs 3200
#define WINDOW_SIZE 1024
#define OVERLAP 512

// 1. 配置ADXL345: 量程±16g, 输出数据率3200Hz
adxl345_set_range(ADXL345_RANGE_16G);
adxl345_set_odr(3200);

// 2. 使用DMA循环采集三轴数据到环形缓冲区
dma_start(adxl345_rx_buf, WINDOW_SIZE * 3 * sizeof(int16_t));

// 3. 每采集到OVERLAP个新样本，处理一个窗口
while (1) {
    if (dma_available() >= OVERLAP) {
        // 提取当前窗口数据（3轴×1024点）
        extract_window(current_window, adxl345_rx_buf);
        
        // 转换为物理单位: 原始值/256 = g
        for (int i = 0; i < WINDOW_SIZE * 3; i++) {
            float_accel[i] = (float)current_window[i] / 256.0f;
        }
        
        // 计算时域特征: 每轴均值、方差、RMS、峰值
        compute_time_features(float_accel, features);
        
        // 可选: 对X轴做256点FFT，提取频带能量
        arm_rfft_fast_f32(&fft_instance, float_accel_x, fft_output, 0);
        compute_band_energy(fft_output, 150, 500, &band_energy);
        
        // 将特征打包为模型输入张量 (1, 特征维度)
        prepare_model_input(features, band_energy, model_input);
        
        // 调用TFLite Micro推理
        interpreter->Invoke();
        
        // 判断异常
        if (output_score > THRESHOLD) {
            trigger_alarm();
        }
    }
}

2.4.4 结果与复盘

通过上述流程，系统成功在轴承磨损初期（振动幅度增加约20%）检测到异常。关键经验包括：

• 采样率选择需留有余量：3200Hz采样率虽增加了数据量，但避免了混叠效应，使频域特征更可靠。
• 特征选择要匹配异常类型：轴承磨损主要表现为高频振动能量增加，因此频带能量特征比均值/方差更敏感。
• DMA+环形缓冲区是MCU高效采样的关键：避免了CPU轮询导致的时间戳抖动，保证了采样间隔均匀。

2.5 常见误区与总结

在传感器数据准备过程中，初学者常犯以下错误，需特别注意：

• 忽略灵敏度系数：直接使用int16原始值作为模型输入，导致不同量程设置下数据尺度不一致，模型泛化能力差。
• 采样率过低导致混叠：未考虑异常信号的高频成分，采样率不足导致频域特征失真。
• 多传感器时间未对齐：直接拼接不同采样率的传感器数据，导致特征向量中时间错位。
• 窗口长度选择随意：窗口过短导致频率分辨率不足，窗口过长则响应延迟大，无法及时检测突发异常。
• 忽视数据归一化：不同传感器（如加速度计和温度）量纲差异大，未归一化会导致模型训练不稳定。

掌握传感器数据的基础特性，是构建可靠异常检测系统的第一步。在下一阶段，我们将基于这些原始数据，设计适合TFLite Micro的轻量级特征工程方案，将高维时间序列压缩为低维特征向量，为模型训练提供高质量输入。