4、传感器数据采集与预处理：采样率选择、数据清洗、归一化、滑动窗口与特征提取

在Edge AI传感器异常检测系统中，数据采集与预处理是决定模型性能与延迟预算的第一道关口。传感器原始信号中混杂着噪声、缺失值与量纲差异，若未经妥善处理直接送入模型，不仅会拉高推理延迟（因无效数据增加计算量），还会导致误报率上升。本章围绕采样率选择、数据清洗、归一化、滑动窗口与特征提取五个核心环节，讲解如何在资源受限的MCU/DSP上，以最小延迟代价获取最具判别力的特征向量。

4.1 采样率选择：从Nyquist到工程折中

核心原理：采样率决定了信号中可保留的最高频率分量。根据Nyquist-Shannon采样定理，采样率需大于信号最高频率的2倍才能无混叠重建。但在Edge AI场景中，采样率并非越高越好——高采样率意味着单位时间内处理的数据量线性增长，直接推高ADC功耗、DMA传输带宽和后续特征提取的计算量。对于振动传感器（如加速度计），典型故障特征频率集中在几十Hz到几kHz；对于电流传感器，工频50Hz及其谐波（最高可达数kHz）是主要关注对象。

工程判断方法：选择采样率需遵循以下步骤：

1. 确定信号带宽：通过频谱分析或先验知识，找出故障特征的最高有效频率 f_max。例如，轴承外圈故障特征频率 f_o = 0.4×n×fr（n为滚动体数，fr为转频），若 fr=30Hz、n=9，则 f_o=108Hz，考虑其3倍谐波，f_max≈324Hz。
2. 计算理论最低采样率：f_s ≥ 2×f_max，实际工程中取3-5倍裕量，即 f_s = (3~5)×f_max。
3. 匹配硬件能力：检查MCU的ADC采样率上限、DMA带宽、存储空间。例如，STM32F4系列ADC最高6.6Msps，但实际连续采样受限于DMA和内存。
4. 功耗与延迟折中：若系统由电池供电，每增加1kHz采样率，ADC功耗约增加0.5-2mW。此时可考虑自适应采样——在设备空闲时降低采样率，检测到异常征兆时切换高采样率。

4.2 数据清洗：剔除噪声与异常值

核心原理：传感器数据在采集过程中会混入多种噪声：电源纹波（50Hz/100Hz）、电磁干扰（高频尖峰）、机械振动耦合、传感器自身热噪声等。此外，ADC可能产生偶发的野值（spike）或丢数。数据清洗的目标是在不损伤真实信号特征的前提下，最大程度去除这些干扰。清洗操作必须放在归一化之前，因为异常值会扭曲归一化的统计参数（如均值和方差）。

操作流程：

• 缺失值处理：对于ADC丢数，采用线性插值或前值保持。若连续丢数超过3个，建议丢弃该窗口数据并标记。
• 野值剔除：使用Hampel滤波器——计算滑动窗口内的中位数和MAD（绝对中位差），若当前值偏离中位数超过3×1.4826×MAD，则用中位数替换。
• 低通滤波：根据采样率设计截止频率为 f_max×1.5 的IIR滤波器（如Butterworth二阶），或更节省算力的移动平均滤波（窗口长度N=5~15）。
• 工频陷波：若存在50Hz干扰，使用二阶IIR陷波器，Q值设为10-30，避免过度展宽。

// Hampel滤波器伪代码（C语言风格）
#define WIN_SIZE 7
#define N_SIGMA 3.0
float hampel_filter(float x, float buffer[WIN_SIZE]) {
    // 将x移入环形缓冲区
    memmove(&buffer[1], &buffer[0], (WIN_SIZE-1)*sizeof(float));
    buffer[0] = x;
    // 计算中位数
    float sorted[WIN_SIZE];
    memcpy(sorted, buffer, sizeof(sorted));
    qsort(sorted, WIN_SIZE, sizeof(float), cmp);
    float median = sorted[WIN_SIZE/2];
    // 计算MAD
    for (int i=0; i<WIN_SIZE; i++) sorted[i] = fabsf(buffer[i]-median);
    qsort(sorted, WIN_SIZE, sizeof(float), cmp);
    float mad = sorted[WIN_SIZE/2];
    // 判断并替换
    float threshold = N_SIGMA * 1.4826 * mad;
    return (fabsf(x - median) > threshold) ? median : x;
}

4.3 归一化：消除量纲差异与适配定点运算

核心原理：不同传感器通道的量纲和幅值范围差异巨大——加速度计输出±2g（约±2000mV），温度传感器输出0-3.3V，电流传感器输出0-5A。若不归一化，特征提取时幅值大的通道会主导距离计算，导致模型偏向。同时，Edge设备上的MCU通常没有FPU（浮点单元），归一化后的数据映射到定点数（如int16或Q15格式）可大幅加速计算。

归一化方法对比：

实战建议：在Edge AI中，推荐离线计算归一化参数，在线仅做线性映射。即在开发阶段用采集的数据集计算min/max或μ/σ，固化为常量，运行时只需执行一次乘加操作。例如，将加速度计输出映射到int16范围[-32768, 32767]：

// 离线计算：min=-2.0g, max=2.0g
#define ACC_MIN (-2.0f)
#define ACC_MAX (2.0f)
#define ACC_SCALE (65535.0f / (ACC_MAX - ACC_MIN))
#define ACC_OFFSET (-ACC_MIN * ACC_SCALE - 32768.0f)

int16_t acc_norm(float raw_g) {
    return (int16_t)(raw_g * ACC_SCALE + ACC_OFFSET);
}

4.4 滑动窗口：平衡时间分辨率与计算开销

核心原理：异常检测需要基于一段时间内的信号片段（窗口）提取特征，而非单点判断。滑动窗口以固定步长在时间轴上移动，每次生成一个数据帧送入特征提取模块。窗口长度W和步长S直接决定：频率分辨率（Δf = fs/W）、检测延迟（约等于S/fs + 处理时间）、计算量（每步处理W个样本）。

参数选择方法：

1. 窗口长度W：至少包含3-5个完整故障特征周期。例如，轴承故障特征频率为108Hz，采样率2kHz，则周期T=9.26ms，W应≥46ms，取W=64ms（128个采样点）。
2. 步长S：决定检测延迟。若系统要求100ms内响应，则S ≤ 100ms×fs - W。通常取S = W/4（75%重叠）或W/2（50%重叠）。重叠率越高，特征序列越平滑，但计算量线性增加。
3. 内存约束：窗口数据需在RAM中缓存。W=128点×2字节×3轴=768字节，对于典型MCU（RAM≥16KB）可接受。若窗口过长，可考虑DMA双缓冲或分段处理。

4.5 特征提取：从原始信号到判别向量

核心原理：特征提取将窗口内的原始样本压缩为低维向量，减少模型输入维度，同时增强判别力。Edge AI场景下，特征提取需满足：计算简单（避免复杂变换）、物理可解释（便于调参）、存储友好（特征维度≤32）。

常用特征分类：

Edge端优化策略：

• 避免完整FFT：若只需特定频段的能量，使用Goertzel算法（O(n)）计算单频点幅值。
• 递推计算：均值、方差等统计量可利用滑动窗口的重叠特性，用递推公式更新，避免每步全量重算。例如，窗口均值 μ_k = μ_k-1 + (x_new - x_old)/W。
• 定点FFT：使用CMSIS-DSP库的Q15格式FFT，比浮点快3-5倍。
• 特征选择：通过离线训练时的特征重要性排序（如随机森林的feature importance），只保留Top-8特征，减少计算量。

4.6 预处理链路延迟预算核算

在Edge AI系统中，预处理环节的延迟必须纳入整体预算。以一个典型的三轴加速度计异常检测任务为例，假设采样率2kHz，窗口128点，步长32点，MCU主频168MHz：

上述链路总延迟约0.74ms，加上模型推理（假设2ms），总延迟约2.74ms，远小于10ms预算。若采样率提升至8kHz，FFT点数增至512点，特征提取延迟将升至约2.1ms，总延迟接近4ms，仍可接受。但若窗口长度增至512点，内存占用将达3KB，且FFT延迟增至8ms，此时需考虑分帧处理或降低重叠率。