2、振动传感器基础：振动传感器类型、工作原理与关键参数

振动传感器是异常检测系统的“感知前端”，其选型与配置直接决定后续TFLite Micro模型能获取到的数据质量。在嵌入式端部署轻量级神经网络时，我们无法依赖云端强大的算力去“清洗”糟糕的信号，因此从物理层理解传感器特性，是构建可靠检测系统的第一步。本章将聚焦于加速度计与压电式传感器两大主流类型，深入剖析其工作原理，并重点解读灵敏度、量程与采样率这三个决定数据边界的关键参数。

2.1 振动传感器类型：从物理原理到工程选型

振动传感器本质上是一个将机械运动（位移、速度、加速度）转换为电信号的换能器。在工业异常检测场景中，我们最常面对的是加速度计和压电式传感器。两者虽然都能感知振动，但物理机制和适用频段截然不同。

2.1.1 加速度计：MEMS差分电容原理

MEMS（微机电系统）加速度计是目前TFLite Micro项目中最常用的传感器类型，典型代表如ADXL345、MPU6050、LIS3DH等。其核心结构是一个由硅材料加工而成的“质量块-弹簧-阻尼”系统。当传感器随被测物体振动时，质量块因惯性产生相对位移，导致两侧固定电极与可动电极之间的差分电容发生变化。通过测量电容差值，即可反推出加速度大小。

这种传感器最大的优势在于：能够测量静态加速度（如重力），因此可以同时用于倾角检测。其输出方式灵活，数字接口（I2C/SPI）可直接与MCU通信，非常适合TFLite Micro的端侧部署。但受限于机械结构，其高频响应通常止步于1kHz左右，对于更高频的冲击信号会显得力不从心。

2.1.2 压电式传感器：电荷输出与高频响应

压电式传感器利用石英晶体或压电陶瓷的压电效应——当晶体受到机械应力时，其表面会产生与应力成正比的电荷。这种传感器没有活动部件，结构刚度极高，因此固有频率可达数十kHz，特别适合捕捉轴承早期故障、齿轮啮合冲击等高频振动特征。

然而，压电传感器有两个工程痛点：第一，电荷信号非常微弱，必须经过电荷放大器或阻抗变换器调理后才能被ADC采集；第二，它不能测量静态力，低频响应存在天然截止（通常0.5Hz以下信号会严重衰减）。这意味着它无法感知设备倾斜或缓慢漂移。

2.2 关键参数深度解读：灵敏度、量程与采样率

这三个参数构成了振动数据采集的“铁三角”，任何一项设置不当都会导致数据失真或信息丢失。理解它们之间的制约关系，是配置传感器驱动代码的前提。

2.2.1 灵敏度：信号放大的尺度

灵敏度定义了传感器将物理加速度转换为电信号的增益。对于数字加速度计，灵敏度通常以LSB/g为单位（如16384 LSB/g对应±2g量程）；对于模拟输出传感器，则以mV/g为单位。灵敏度越高，相同振动幅度下输出的数字值变化越大，意味着能分辨更微小的振动变化。

但高灵敏度并非总是好事。如果被测设备本身振动幅度较大（如破碎机），高灵敏度会导致ADC输出饱和，波形顶部被“削平”，丢失真实的峰值信息。因此，灵敏度的选择必须与量程配合。

2.2.2 量程：测量上限的边界

量程决定了传感器能准确测量的最大加速度值。常见的MEMS加速度计量程有±2g、±4g、±8g、±16g。选择量程时，需要预估设备在正常运行和故障状态下的最大振动峰值。一个实用的经验法则是：让正常振动峰值落在量程的30%~70%之间，这样既留有裕量应对突发冲击，又能充分利用ADC的量化精度。

例如，一个正常运行时振动峰值约为0.5g的电机，选择±2g量程是合适的；但如果该电机偶尔会出现1.5g的瞬时冲击，则±2g量程可能饱和，此时应选择±4g，并接受灵敏度下降一半的事实。

2.2.3 采样率：时域分辨率的决定者

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，才能无失真地重建信号。对于振动检测，这意味着：

fs ≥ 2 × f_max

其中f_max是感兴趣的振动最高频率。例如，要分析100Hz的电机振动，采样率至少需要200Hz；实际工程中通常取5~10倍裕量，即500Hz~1kHz。但采样率并非越高越好——更高的采样率意味着单位时间内产生更多数据，对MCU的存储、传输和TFLite模型的推理速度都带来压力。

2.3 实战场景：为离心泵选择传感器参数

假设我们要为一台额定转速为2900rpm（约48Hz）的离心泵设计异常检测系统。泵的轴承早期故障特征频率通常在1kHz~3kHz之间，但考虑到TFLite Micro的算力限制，我们决定先聚焦于不平衡和不对中这两类低频故障（特征频率在1倍频和2倍频，即48Hz和96Hz）。

参数决策过程：

1. 传感器类型：选择MEMS加速度计（如ADXL345），因为目标故障频率低于1kHz，且数字接口便于MCU直接读取。
2. 量程：实测泵体正常振动峰值约为0.3g，启动瞬间可能达到1.2g。选择±2g量程，灵敏度为1024 LSB/g（ADXL345在±2g下的典型值）。
3. 采样率：目标最高分析频率为200Hz（覆盖2倍频并留裕量），取5倍裕量，设置采样率为1kHz。这样每秒产生1000个采样点，每个采样点16位，数据量为2KB/s，对ESP32等MCU完全可承受。
4. 抗混叠：启用ADXL345内置的低通滤波器，截止频率设为400Hz，确保200Hz以上的高频成分被充分衰减。

实施结果：采集到的时域波形清晰呈现了48Hz的基频振动，FFT频谱中能明显区分不平衡（1倍频幅值高）和不对中（2倍频幅值高）的特征。将数据输入TFLite Micro训练的轻量级CNN模型后，对不平衡和不对中两类故障的分类准确率达到94%。

复盘与代价：最初曾尝试使用±16g量程以“保险”，结果发现正常振动信号仅占ADC量程的2%，量化噪声严重，模型准确率降至71%。改回±2g后，信号动态范围得到充分利用，准确率显著提升。这个案例说明，量程不是越大越好，而是要与实际振动水平匹配。

2.4 常见误区与总结复盘

在振动传感器的使用中，初学者常陷入以下误区：

• 误区一：采样率越高越好。高采样率带来数据洪流，拖慢TFLite推理速度，且对高频噪声更敏感。应根据故障特征频率合理选择。
• 误区二：忽略传感器安装方式。传感器与测点之间的连接刚度直接影响频率响应。使用磁吸座安装会衰减高频信号，而螺纹安装或胶粘则能保持较好的耦合。对于MEMS加速度计，建议使用3M双面胶或环氧树脂固定。
• 误区三：不校准灵敏度。虽然MEMS传感器出厂时已校准，但温度漂移和长期老化会导致灵敏度偏差。在关键项目中，应使用标准振动台进行定期校准。
• 误区四：忽视供电噪声。数字加速度计的电源纹波会耦合到输出数据中，表现为固定频率的干扰峰。建议在传感器电源引脚附近放置100nF去耦电容。