2、传感器与信号基础：常见传感器类型、信号特性、采样定理、量化与编码基础
Edge AI 采集链路的第一公里，始于传感器将物理世界映射为电信号。无论是工业振动监测、可穿戴健康设备，还是智能音箱的麦克风阵列，ADC（模数转换器）之前的一切都决定了数据质量的上限。本章聚焦传感器选型逻辑、信号域特性、采样定理的工程落地，以及量化与编码对特征文件精度的根本性影响。理解这些基础，才能在设计采集链路时做出正确的折中——而非盲目堆砌高指标。
2.1 常见传感器类型与输出信号特性
传感器将非电物理量转换为电信号，但不同传感器的输出阻抗、信号幅度、线性度和频率响应差异巨大。在 Edge AI 场景中，最常用的传感器包括 MEMS 加速度计、MEMS 麦克风、热电偶、光电二极管、压电薄膜和磁力计。以 MEMS 加速度计为例，其输出可能是模拟电压（如 ±2g 对应 0~3.3V），也可能是数字 I2C/SPI 接口直接输出 16 位数据。而压电传感器则输出电荷信号，需要电荷放大器进行阻抗变换。
信号特性决定了前端调理策略。下表对比了典型传感器的关键参数：
| 传感器类型 | 输出信号 | 典型幅度 | 输出阻抗 | 频率范围 | 调理重点 |
|---|---|---|---|---|---|
| MEMS 加速度计 | 模拟电压 / 数字 | 0~3.3V | 低（<10Ω） | 0~1kHz | 低通滤波、偏置校准 |
| 热电偶 | 微伏级电压 | 0~50mV | 低（几Ω） | DC~10Hz | 高增益放大、冷端补偿 |
| 压电传感器 | 电荷 | 1~100pC | 极高 | 1Hz~100kHz | 电荷放大器、高通滤波 |
| MEMS 麦克风 | 模拟电压 / PDM | 10~100mV | 低 | 20Hz~20kHz | 前置放大、抗混叠滤波 |
| 光电二极管 | 电流 | nA~μA | 高 | DC~MHz | 跨阻放大、暗电流补偿 |
工程上，选择传感器时需关注三个核心指标：灵敏度（每单位物理量对应的电输出）、信噪比（SNR）（信号与自身噪声的比值）和带宽（有效响应的频率范围）。例如，在轴承振动监测中，若目标故障特征频率为 2kHz，则传感器带宽至少需要 5kHz，且 ADC 采样率应不低于 10kHz。
2.2 采样定理与抗混叠工程实践
奈奎斯特采样定理指出：为了无失真地重建信号，采样频率 fs 必须大于信号最高频率 fmax 的两倍。但工程上，两倍只是理论下限。实际 Edge AI 系统通常取 fs = 5~10 倍 fmax，原因有二：一是真实信号并非理想带限，高频噪声和干扰无处不在；二是非理想滤波器在截止频率附近存在过渡带，需要留出保护间隔。
混叠（Aliasing）是采样链路中最隐蔽的杀手。当信号中含有超过 fs/2 的频率成分时，这些成分会被“折叠”回低频段，与真实信号叠加，且无法通过后续数字滤波去除。例如，用 1kHz 采样率采集 600Hz 信号，实际会得到 400Hz 的假信号。因此，ADC 之前必须放置抗混叠滤波器——通常为一阶或二阶有源低通滤波器，其截止频率设为 fs/2 的 0.8 倍左右。
采样率的确定还需考虑系统功耗与数据量。Edge 设备往往电池供电，过高的采样率意味着更大的 ADC 功耗、更多的数据存储和传输开销。以 3 轴加速度计为例，若采样率从 100Hz 提升到 1kHz，数据量增加 10 倍，无线传输功耗可能增加 3~5 倍。因此，采样率应基于信号的实际带宽需求来设定，而非盲目追求高采样。
2.3 量化、编码与动态范围
量化是将连续幅值映射为有限个离散电平的过程。N 位 ADC 提供 2^N 个量化电平，量化步长 Δ = Vref / 2^N，其中 Vref 为参考电压。量化误差均匀分布在 ±Δ/2 之间，其均方根值为 Δ/√12。由此推导出理论信噪比：SNR = 6.02N + 1.76 dB。这意味着每增加 1 位分辨率，SNR 提升约 6dB。但实际 ADC 的有效位数（ENOB）往往低于标称位数，因为存在微分非线性（DNL）、积分非线性（INL）和热噪声。
编码格式同样影响数据链路。最常见的二进制补码适合有符号运算，格雷码则用于减少切换错误。在 Edge AI 场景中，特征文件通常以 16 位有符号整数（int16）或 32 位浮点（float32）存储。int16 占用空间小，适合资源受限的 MCU；float32 动态范围大，适合需要高精度的频谱分析。选择编码格式时，需权衡存储空间、计算精度和模型输入要求。
动态范围是另一个关键指标。它定义了系统能同时处理的最大信号与最小信号之比。例如，一个 16 位 ADC 的理论动态范围为 96dB，但若前端增益设置不当，强信号会削波（Clipping），弱信号则被量化噪声淹没。工程上常采用自动增益控制（AGC）或可变增益放大器（PGA）来扩展有效动态范围。在语音唤醒场景中，麦克风距离说话人 10cm 与 2m 时声压级相差约 26dB，固定增益很难兼顾两者。
2.4 从模拟信号到特征文件的完整链路设计
一个典型的 Edge AI 采集链路包含：传感器 → 信号调理 → ADC → 数字滤波 → 特征提取 → 特征文件。以工业电机振动监测为例，具体设计步骤如下：
- 传感器选型：选用 IEPE 型压电加速度计，灵敏度 100mV/g，带宽 0.5Hz~10kHz，量程 ±50g。
- 信号调理：使用电荷放大器将电荷转换为电压，增益设为 10 倍，使 1g 振动对应 1V 输出。加入 20kHz 低通滤波器作为抗混叠滤波。
- ADC 配置：采样率设为 25.6kHz（满足 10kHz 信号的 2.56 倍），16 位分辨率，输入范围 ±5V。实际有效位数约 14 位。
- 数字处理：在 MCU 中执行 1024 点 FFT，频率分辨率 25Hz。提取 1x 转频、2x 转频和 3x 转频的幅值作为特征。
- 特征文件生成：将 3 个特征值打包为 6 字节（每个 float16），加上时间戳和设备 ID，共 12 字节，存入 Flash 或通过 BLE 发送。
该链路中，每个环节的误差都会累积。传感器非线性误差约 1%，调理电路引入 0.5% 的增益误差，ADC 量化误差约 0.01%，数字滤波的纹波约 0.1dB。整体系统精度约 2%，对于故障诊断而言足够，但对于精密计量则需校准。
最后，需要强调的是，特征文件的质量不仅取决于采样链路，还取决于特征提取算法。但若前端采集已引入混叠或严重量化噪声，任何高级算法都无法挽回。因此，本章内容是整个 Edge AI 采集链路的基石，值得反复推敲和验证。