传感器数据基础：常见传感器类型、数据采样率、量纲与噪声特性
在TinyML异常评分与告警阈值调参的工程实践中，传感器数据的质量与特性直接决定了后续特征工程、模型训练和阈值设定的有效性。不同类型的传感器具有截然不同的物理原理、输出量纲和噪声分布，若在数据采集阶段未能正确理解这些基础属性，后续任何精密的调参工作都将失去意义。本章将系统梳理加速度计、陀螺仪、温度、振动等常见传感器的核心参数，深入解析采样率选择、量纲转换与噪声特性对异常检测任务的影响，为后续章节的阈值调参奠定坚实的数据基础。
常见传感器类型与物理原理
在工业监测、可穿戴设备和智能家居等TinyML应用场景中，传感器是数据采集的源头。理解每种传感器的物理原理和输出特性，是正确解读数据、设计异常检测算法的前提。以下从工程应用角度分析四类最常用的传感器。
加速度计
加速度计测量物体沿敏感轴方向的线性加速度，单位通常为 m/s² 或 g（1g = 9.81 m/s²）。MEMS加速度计基于电容式或压阻式原理，当质量块因加速度发生位移时，引起电容或电阻变化，经ASIC转换为数字信号。在异常检测中，加速度计常用于监测设备振动、倾斜变化或冲击事件。例如，在旋转机械中，加速度计采集的振动信号频谱特征可反映轴承磨损程度；在结构健康监测中，加速度幅值突变可能预示裂缝扩展。
陀螺仪
陀螺仪测量角速度，单位 rad/s 或 °/s。MEMS陀螺仪基于科里奥利效应，通过检测振动质量块在旋转时的横向位移来计算角速度。陀螺仪在姿态估计、防抖和旋转机械监测中至关重要。与加速度计相比，陀螺仪对温度更敏感，零偏稳定性（Bias Stability）是核心指标，典型值为 5~20 °/h。在异常检测中，陀螺仪数据可用于识别异常旋转模式，如电机堵转或机械卡滞。
温度传感器
温度传感器种类繁多，包括热电偶、RTD（铂电阻）、热敏电阻和半导体温度传感器（如LM75、TMP117）。在TinyML场景中，数字温度传感器因集成ADC和I2C接口而广泛使用。温度数据具有强惯性（热时间常数通常为秒级），采样率需求较低（0.1~1 Hz即可）。温度异常检测需注意环境温度波动与设备自热效应的区分，通常采用滑动窗口基线法。
振动传感器
振动传感器本质上是高灵敏度加速度计或速度传感器，输出单位为 mm/s（速度）或 g（加速度）。工业振动监测遵循ISO 10816标准，将振动烈度分为A~D四个等级。振动信号频带较宽（10 Hz ~ 10 kHz），对采样率要求高（至少2 kHz以上），且对噪声极其敏感。在TinyML部署中，通常使用FFT提取频域特征，而非直接分析时域波形。
| 传感器类型 | 输出物理量 | 典型量程 | 典型采样率 | 主要噪声源 |
|---|---|---|---|---|
| 加速度计 | 加速度 (m/s²) | ±2g ~ ±16g | 100 Hz ~ 1 kHz | 机械热噪声、量化噪声 |
| 陀螺仪 | 角速度 (rad/s) | ±125 ~ ±2000 °/s | 100 Hz ~ 1 kHz | 随机游走、温度漂移 |
| 温度传感器 | 温度 (°C) | -40 ~ +125 °C | 0.1 ~ 1 Hz | ADC量化噪声、自热 |
| 振动传感器 | 振动速度/加速度 | 0 ~ 50 mm/s | 2 kHz ~ 10 kHz | 工频干扰、共振 |
数据采样率：Nyquist定理与工程权衡
采样率决定了信号在时间轴上的分辨率，直接影响异常检测的灵敏度与计算开销。根据Nyquist-Shannon采样定理，采样频率必须大于信号最高频率分量的两倍，否则会发生混叠（Aliasing），导致高频成分伪装成低频信号，产生虚假异常。
采样率选择的判断方法
- 确定信号带宽：通过频谱分析或查阅设备规格书，获取目标信号的有效频率范围。例如，电机振动主要能量集中在1 kHz以下，而齿轮啮合频率可能达到5 kHz。
- 计算最小采样率：fs ≥ 2 × f_max，工程上通常取3~5倍余量。例如，若f_max = 500 Hz，则fs至少为1 kHz，推荐2 kHz。
- 考虑功耗与存储约束：TinyML设备通常由电池供电，采样率每提高一倍，ADC功耗和存储带宽约增加一倍。需在检测精度与续航之间权衡。
- 验证抗混叠滤波器：若采样率不足，需在ADC前添加低通滤波器（截止频率为fs/2），否则混叠噪声将污染数据。
案例拆解：电机轴承振动监测的采样率设计
某工厂计划对一台额定转速为3000 RPM（50 Hz）的异步电机进行轴承异常监测。轴承外圈故障特征频率（BPFO）约为4.3×转频 = 215 Hz，内圈故障特征频率（BPFI）约为6.7×转频 = 335 Hz。考虑到故障冲击的谐波成分可达5倍基频，信号最高有效频率约为1.7 kHz。根据Nyquist定理，最小采样率为3.4 kHz。工程上选择4 kHz采样率，并配置2 kHz低通抗混叠滤波器。实际部署中，使用ADXL357加速度计（量程±10g，灵敏度4000 LSB/g），每秒钟采集4096个样本，通过I2C接口传输至MCU。在MCU上执行256点FFT，频率分辨率为15.6 Hz，足以区分轴承故障特征频率。该方案在保证检测精度的同时，将MCU平均功耗控制在3.5 mA以内（3.3V供电），满足电池供电要求。
量纲与标定：从原始值到物理量
传感器输出的原始值通常是ADC量化后的整数（如16位有符号数），必须经过标定转换才能得到具有物理意义的数值。量纲处理不当会导致异常评分阈值设定错误，例如将加速度原始值（LSB）与温度物理值（°C）直接比较，产生荒谬结果。
标定公式与操作流程
物理量 = (原始值 - 偏移量) × 灵敏度系数
其中：
- 偏移量（Offset）：零输入时的输出值，需在静止/恒温条件下测量
- 灵敏度系数（Scale Factor）：单位物理量对应的LSB变化量，可从数据手册获取或实验标定
示例（加速度计ADXL345，±2g量程）：
灵敏度 = 256 LSB/g
偏移量 = 0 LSB（出厂校准）
加速度(g) = (原始值 - 0) / 256
若原始值 = 512，则加速度 = 2g标定流程包括：零偏校准（将传感器水平放置，采集1000个样本取平均）、灵敏度校准（施加已知标准加速度，如重力场翻转法）、温度补偿（在-20°C~+60°C范围内记录偏移变化，建立补偿曲线）。在TinyML部署中，建议将标定参数存储在Flash中，并在每次启动时加载。
噪声特性：理解数据中的随机成分
所有传感器输出都包含噪声，噪声特性直接影响异常检测的灵敏度。若阈值设定过小，噪声本身会触发大量误报；若阈值过大，则可能漏报真实异常。理解噪声的统计特性是阈值调参的核心基础。
噪声类型与量化指标
- 白噪声（高斯噪声）：功率谱密度平坦，幅值服从正态分布。用标准差σ描述，异常检测中常用3σ或6σ作为阈值基线。
- 1/f 闪烁噪声：低频段功率密度随频率降低而增大，常见于MEMS传感器。表现为基线缓慢漂移，需用高通滤波或差分处理消除。
- 量化噪声：由ADC有限分辨率引起，幅值为±0.5 LSB。对于16位ADC，量化噪声远小于机械噪声，可忽略。
- 冲击干扰：由电磁干扰、机械碰撞等引起，表现为幅值突变的尖峰。需用中值滤波或限幅滤波剔除。
衡量噪声水平的关键指标是信噪比（SNR）和有效位数（ENOB）。SNR = 20log10(信号有效值/噪声有效值)，ENOB = (SNR - 1.76) / 6.02。在阈值调参时，需先测量传感器静止状态下的噪声标准差σ_n，然后将告警阈值设定为μ + k·σ_n，其中k通常取3~6，具体取决于误报容忍度。
案例拆解：温度传感器噪声与阈值设定
某数据中心使用TMP117数字温度传感器监测服务器进风温度，采样率1 Hz。传感器标称精度±0.1°C，实际测量静止空气温度时，采集1000个样本，计算得均值μ = 25.3°C，标准差σ = 0.08°C。若设定告警阈值为μ + 3σ = 25.54°C，则误报概率为0.3%（正态分布假设）。但实际运行中，空调气流波动导致温度在±0.3°C范围内波动，若仍用3σ阈值，每小时约产生2次误报。经分析，将阈值调整为μ + 6σ = 25.78°C，误报率降至0.0001%，同时仍能捕捉到散热风扇故障导致的温度快速上升（变化率>0.5°C/s）。该案例表明，阈值设定必须结合环境噪声实测值，而非仅依赖传感器标称精度。
常见误区与总结复盘
在传感器数据基础环节，工程师常犯以下错误，导致后续异常检测效果不佳：
| 误区 | 后果 | 正确做法 |
|---|---|---|
| 忽略量纲差异，直接融合特征 | 大数值特征主导评分，小数值特征失效 | 先归一化或标准化，再输入模型 |
| 采样率设置过高 | 功耗和存储浪费，MCU负载过高 | 根据信号带宽计算最小采样率，留1.5~2倍余量 |
| 未进行抗混叠滤波 | 高频噪声折叠到低频，产生虚假异常 | 在ADC前添加RC低通滤波器或使用内置滤波 |
| 使用出厂标定参数，忽略温度漂移 | 零偏漂移导致基线偏移，误报率升高 | 定期执行零偏校准，建立温度补偿表 |
| 噪声标准差测量不充分 | 阈值设定过小，噪声触发大量告警 | 采集至少1000个静止样本，计算稳健标准差（MAD） |
总结：传感器数据基础是TinyML异常检测的基石。工程师必须掌握四类核心传感器的物理特性、采样率设计方法、量纲转换流程和噪声统计规律。在实际项目中，建议建立传感器数据档案，记录量程、灵敏度、噪声标准差、温度漂移系数等参数，并定期更新。只有对数据源头有深刻理解，后续的异常评分算法和阈值调参才能做到有的放矢，避免“垃圾进，垃圾出”的困境。