3. 传感器原理与选型
在Edge AI系统中，传感器是物理世界与数字计算之间的桥梁。无论是工业设备的状态监测、智能机器人的环境感知，还是可穿戴设备的生理信号采集，传感器选型的合理性直接决定了数据质量的上限——算法再优秀，也无法从失真的数据中恢复出真实物理量。本章将系统梳理Edge AI场景下最常见的传感器类型，深入剖析其工作原理、核心参数，并给出面向实际工程约束（功耗、成本、体积、实时性）的选型方法论。
3.1 常见传感器类型与工作原理
3.1.1 温度与湿度传感器
核心原理：温度传感器主要基于热电阻效应（PT100/PT1000）、热电偶效应（K型、T型）或半导体PN结温度特性（如DS18B20、SHT30）。在Edge AI设备中，MEMS硅基温度传感器因体积小、数字输出、功耗低而成为主流。湿度传感器多采用电容式原理——高分子感湿膜吸收水分子后介电常数变化，导致电容值改变，典型器件如SHT40、AHT21。
关键参数：测量范围（-40~125℃）、精度（±0.3℃）、响应时间（τ63%）、长期漂移（<0.02℃/年）。湿度传感器还需关注迟滞（<2%RH）和温度交叉灵敏度。
3.1.2 压力传感器
核心原理：MEMS压阻式压力传感器利用单晶硅的压阻效应——压力使硅膜片形变，桥式电阻阻值变化，经差分放大输出。电容式压力传感器则通过极板间距变化改变电容值。在工业Edge场景中，绝压、表压、差压三种类型需严格区分。
关键参数：量程（如0~1MPa）、综合精度（含非线性、迟滞、重复性，通常±0.25%FS）、过载压力（3倍量程）、长期稳定性（<0.1%FS/年）。
3.1.3 加速度计与陀螺仪
核心原理：MEMS加速度计基于质量块-弹簧-阻尼系统，通过电容检测质量块位移。陀螺仪则利用科里奥利效应——质量块在旋转参考系中受到与速度垂直的力，导致检测电容变化。六轴IMU（如ICM-42688-P）将两者集成，配合DMP（数字运动处理器）可输出四元数。
关键参数：量程（±2g~±16g）、噪声密度（μg/√Hz）、零偏稳定性（°/h）、灵敏度温漂（ppm/℃）、带宽（Hz）。
3.1.4 摄像头与激光雷达
核心原理：摄像头基于CMOS/CCD光电转换，输出RAW/RGB/YUV数据流。激光雷达（LiDAR）通过TOF（飞行时间）或FMCW（调频连续波）测量距离，生成3D点云。在Edge AI中，摄像头适合纹理识别（如缺陷检测），LiDAR适合几何定位（如AGV导航）。
关键参数：摄像头关注分辨率、帧率、动态范围（HDR）、全局/卷帘快门；LiDAR关注测距范围、视场角（FOV）、角分辨率、点频（点/秒）、抗环境光能力。
| 传感器类型 | 典型输出 | 接口 | 典型功耗 | Edge AI典型应用 |
|---|---|---|---|---|
| 温度/湿度 | 数字(I2C) | I2C/1-Wire | <1mW | 环境监测、设备热管理 |
| 压力 | 模拟/数字 | SPI/模拟 | 1~5mW | 液压系统、气压计 |
| 加速度计 | 数字(SPI/I2C) | SPI/I2C | 0.5~2mW | 振动分析、姿态检测 |
| 陀螺仪 | 数字(SPI/I2C) | SPI/I2C | 1~3mW | 旋转控制、防抖 |
| 摄像头 | MIPI/USB | MIPI-CSI/USB | 100~500mW | 视觉检测、人脸识别 |
| 激光雷达 | 点云(以太网) | Ethernet/UART | 1~10W | SLAM、避障 |
3.2 传感器关键参数深度解析
精度与分辨率的区别：精度是测量值与真值的偏差，分辨率是能检测的最小变化量。例如一个12位ADC配合±2g量程的加速度计，分辨率约为0.98mg/LSB，但实际精度可能只有±10mg（受噪声和温漂影响）。选型时不能只看分辨率，要关注有效分辨率（ENOB）。
带宽与采样率的关系：根据奈奎斯特定理，采样率至少为信号最高频率的2倍。但Edge AI中还需考虑抗混叠滤波。例如振动分析需采集10kHz信号，则传感器带宽应≥10kHz，ADC采样率≥20kSPS，且前端需低通滤波。
功耗与性能的权衡：高采样率和高带宽必然带来更高功耗。电池供电的无线传感器节点通常采用占空比工作模式——以1Hz低频采样，仅在检测到事件时切换至1kHz高速采样。
3.3 传感器选型方法：从需求到型号的六步法
- 明确物理量特征：确定测量范围、频率范围、所需精度。例如监测电机轴承振动，需加速度计量程±16g，带宽≥5kHz，精度≥1mg。
- 定义环境约束：工作温度范围、湿度、振动冲击、EMI干扰、防护等级（IP65/67）。工业现场需考虑化学腐蚀。
- 确定接口与集成方式：根据主控MCU/SoC的可用外设选择SPI/I2C/UART/USB/MIPI。注意I2C地址冲突和总线速率限制。
- 评估功耗预算：计算平均功耗 = 工作电流×占空比 + 待机电流×(1-占空比)。电池容量与续航目标决定可用功耗。
- 软件与算法适配：传感器是否内置DSP（如IMU的FIFO、事件检测）、是否提供官方驱动库、是否支持TFLite Micro等Edge AI框架。
- 供应链与成本验证：确认供货周期、最小起订量（MOQ）、长期供货承诺（PCN）、替代料兼容性。
3.4 实战案例：工业设备预测性维护的传感器选型
背景与约束：某工厂需对离心泵进行振动监测，要求Edge AI节点实现异常检测。约束条件：电池供电（3.6V锂电池，容量1900mAh），目标续航≥1年，节点安装在泵体表面（温度-20~70℃），通信采用BLE 5.0。
初始现象与目标：泵的振动频谱包含1X（转频）、2X（对中不良）、轴承故障特征频率（BPFO/BPFI）。需采集0.5Hz~5kHz的振动信号，分辨率≥0.1g，且能捕捉瞬态冲击。
关键输入数据：泵转速2900rpm（48.3Hz），轴承型号SKF 6205，BPFO=3.57×转频，BPFI=5.43×转频。因此最高关注频率约5.43×48.3≈262Hz，但需考虑谐波，设定采样率≥10kHz。
分析判断过程：
- 量程选择：正常振动0.5~2g，异常时可达5g，选±8g量程留足裕量。
- 带宽需求：5kHz，需选带宽≥5kHz的加速度计（如ADXL357带宽2kHz不够，选ADXL1002带宽11kHz）。
- 噪声要求：分辨率0.1g，噪声密度需<0.1g/√(5kHz)≈1.4mg/√Hz，ADXL1002噪声密度25μg/√Hz满足。
- 功耗计算：ADXL1002工作电流2mA，采样10kHz，BLE传输平均电流10mA（占空比1%），MCU（Cortex-M4）工作电流20mA（占空比5%）。平均功耗=2mA×100%+10mA×1%+20mA×5%=3.1mA。1900mAh/3.1mA≈613h≈25天，远不满足1年需求。
- 优化方案：改用事件触发模式——平时以1kHz采样（ADXL357，电流0.2mA），检测到振动超阈值（如>3g）时切换至10kHz高速采样并缓存数据。平均功耗降至0.5mA，续航约158天，仍不足。
- 最终方案：采用边缘特征提取——传感器内置FIFO和峰值检测，MCU每10秒唤醒一次读取RMS值和峰值，仅当RMS超过基线20%时上传原始波形。平均功耗降至0.15mA，理论续航约1.4年。
实际操作步骤：① 选用ADXL357（量程±10g，带宽1kHz，噪声80μg/√Hz）；② 配置内置FIFO为128样本，采样率1kHz；③ MCU每10秒唤醒读取RMS；④ 若RMS>1.5g则连续采集1秒数据并通过BLE发送；⑤ 云端/边缘网关进行FFT分析。
结果对比：原方案（连续采样）续航25天，优化后（事件触发+特征提取）续航1.4年，满足要求。代价是丢失了部分瞬态冲击的完整波形，但通过阈值触发补偿了关键事件。
风险与复盘：风险在于阈值设置不当导致漏报。解决：初期以较低阈值（1.2g）运行2周，收集数据后统计分布，再调整阈值。复盘经验：传感器选型不是孤立参数选择，而是与算法、功耗管理、通信策略协同设计的过程。
3.5 选型总结与决策清单
传感器选型的本质是在性能、功耗、成本、尺寸、可靠性五维空间中寻找最优解。建议建立如下决策清单：
- 物理量范围是否覆盖最大/最小值（含过载余量）？
- 频率响应是否满足信号带宽需求？
- 精度/噪声是否满足系统误差预算？
- 接口是否与主控兼容？驱动是否成熟？
- 功耗是否在预算内？是否有低功耗模式？
- 工作温度、湿度、防护等级是否达标？
- 是否有足够的供货保障和替代方案？
- 是否支持后续校准和补偿？
在Edge AI项目中，建议先做传感器选型，再定算法——因为传感器决定了数据质量的上限，而算法只能逼近这个上限。同时，务必在真实环境（而非实验室）中进行传感器验证，因为温度、振动、电磁干扰等实际因素会显著影响性能。