3. 振动信号采集与预处理
振动异常检测的板级验证效果，首先取决于采集到的信号是否真实、完整、可复现。TinyML模型在边缘端的推理精度，往往不是被算法本身限制，而是被传感器选型不当、采样率设置错误、噪声混叠以及窗口分割不合理所拖累。本章围绕振动信号从物理世界到模型输入之间的完整链路，系统讲解加速度计/陀螺仪的选型要点、采样率与抗混叠滤波的工程设置、去噪方法的选择依据，以及滑动窗口分割对特征稳定性的影响。以下内容将结合MEMS传感器特性、嵌入式资源约束和实际板级调试经验，给出可直接落地的操作路径。
3.1 加速度计与陀螺仪的选型逻辑
核心原理
加速度计测量线性加速度，陀螺仪测量角速度。在振动异常检测中，加速度计是主力传感器，因为大多数机械故障（轴承磨损、齿轮断裂、转子不平衡）都会在径向或轴向产生明显的加速度特征。陀螺仪则用于旋转机械的角振动分析，例如电机转子摆动、轴系扭振。MEMS传感器内部由质量块、弹性梁和电容检测极板构成，当外部振动引起质量块位移时，电容变化量经ASIC转换为数字信号。选型的本质是匹配振动信号的幅值范围、频率范围和噪声底噪。
| 选型参数 | 加速度计 | 陀螺仪 | 说明 |
|---|---|---|---|
| 量程 | ±2g~±16g | ±125°/s~±2000°/s | 量程过小会削波，过大会降低分辨率 |
| 带宽 | 0.5Hz~5kHz | 1Hz~1kHz | 需覆盖振动信号最高频率的2~3倍 |
| 噪声密度 | 25~200 μg/√Hz | 0.005~0.02 °/s/√Hz | 噪声密度越低，微弱振动越可辨 |
| 接口 | I2C/SPI | I2C/SPI | SPI适合高采样率，I2C适合低功耗 |
| 功耗 | 0.5~2mA | 1~5mA | 电池供电场景需重点考虑 |
判断方法
首先估算被测设备的最大振动加速度。例如，一个转速为3000RPM的电机，若转子偏心导致1g的振动加速度，则选择±2g量程即可；若存在冲击载荷，峰值可能达到5g，则需选择±8g或±16g。其次，确定振动频率范围。滚动轴承故障特征频率通常在1kHz~5kHz，齿轮啮合频率可达2kHz~10kHz，因此加速度计带宽至少应为最高分析频率的2倍。最后，检查噪声密度。若目标异常信号幅值接近传感器噪声底噪，则需选择低噪声型号或增加多次采样平均。
案例拆解：电机轴承故障检测的传感器选型
某工厂需要对一台4极异步电机（转速1450RPM）进行轴承外圈故障检测。初始方案选用量程±2g的加速度计，实测发现电机启动瞬间振动峰值达到3.8g，导致信号削波。分析后确认，启动冲击和负载突变是主要原因。将量程切换至±8g后，信号完整度提升，但发现正常运行时振动幅值仅0.2g，量化噪声明显。最终采用双量程策略：正常运行使用±2g高分辨率模式，启动和负载突变时通过中断自动切换至±8g。同时，将采样率从1kHz提升至4kHz，以捕捉轴承外圈故障特征频率（约2.3kHz）的2倍频。更换传感器后，故障特征信噪比从6dB提升至18dB，模型准确率从82%提升至96%。
3.2 采样率设置与抗混叠滤波
核心原理
采样率决定了振动信号在频域的可分析范围。根据奈奎斯特采样定理，采样率必须大于信号最高频率的2倍，工程上通常取5~10倍。例如，若关注频率上限为2kHz，采样率应设为10kHz~20kHz。但采样率过高会带来数据量激增、MCU处理压力增大、功耗上升等问题。因此，采样率设置需在频率覆盖和资源消耗之间取得平衡。抗混叠滤波是采样前必须执行的步骤，用于滤除高于奈奎斯特频率的高频噪声，否则这些频率成分会折叠到低频段，污染真实信号。
// 采样率与频率覆盖关系示例
#define SAMPLE_RATE 16000 // 16kHz采样率
#define MAX_FREQ 2000 // 关注最高频率2kHz
// 奈奎斯特频率 = SAMPLE_RATE / 2 = 8kHz
// 抗混叠滤波器截止频率应设为 2kHz ~ 3kHz
// 实际可分析频率范围：0 ~ 8kHz（但有效信号集中在0~2kHz）操作流程
- 确定振动信号的最高分析频率f_max，可通过FFT预扫描或查阅设备故障特征频率表。
- 设置采样率fs ≥ 5×f_max，推荐10×f_max以保证波形细节。
- 配置抗混叠滤波器（硬件RC或数字FIR），截止频率设为f_max的1.5~2倍。
- 验证采样数据：采集一段已知频率的正弦信号，检查FFT频谱是否在预期频率处出现峰值。
3.3 滤波去噪策略
核心原理
振动信号中的噪声来源包括：传感器自身电子噪声、电源纹波、机械结构共振、电磁干扰等。滤波去噪的目标是保留与故障相关的特征频率成分，抑制无关噪声。高通滤波用于去除低频漂移（如温度变化引起的基线偏移）和重力分量；低通滤波用于去除高频电磁干扰和结构共振噪声；带通滤波则针对特定频段进行分析。数字滤波器相比模拟滤波器具有更好的稳定性和可调性，但会引入相位延迟，需在实时性要求高的场景中权衡。
| 滤波器类型 | 截止频率设置 | 适用场景 | 注意事项 |
|---|---|---|---|
| 高通 | 1Hz~10Hz | 去除重力分量、低频漂移 | 截止频率过高会滤除低速轴转频 |
| 低通 | 0.5×fs~0.8×fs | 去除高频噪声、抗混叠 | 阶数过高会增加相位延迟 |
| 带通 | f_low~f_high | 聚焦特定故障频段 | 需先通过频谱分析确定频带 |
| 中值滤波 | 窗口3~7点 | 去除脉冲尖峰、毛刺 | 窗口过大会平滑真实冲击特征 |
判断方法
首先对原始信号做FFT频谱分析，识别噪声频段和信号频段。若噪声为宽频白噪声，采用移动平均或FIR低通滤波；若存在50Hz工频干扰，使用陷波滤波器；若存在随机脉冲干扰，使用中值滤波。滤波参数的选择需结合信号特征：例如，轴承故障信号具有高频冲击特征，低通截止频率应设置在5kHz~10kHz，同时保留冲击的陡峭上升沿，因此滤波器阶数不宜过高（建议4~8阶）。
3.4 滑动窗口分割
核心原理
滑动窗口将连续振动信号切分为固定长度的片段，每个片段作为TinyML模型的一个输入样本。窗口长度决定了频率分辨率（窗口越长，频率分辨率越高）和特征稳定性（窗口越长，特征越平滑）。步长决定了相邻窗口的重叠率，影响推理频率和计算负载。窗口分割的核心矛盾是：窗口过长导致实时性差、特征被平均化；窗口过短导致频率分辨率不足、特征波动大。
操作流程
- 确定窗口长度L：L ≥ 5×振动周期，例如转速3000RPM（50Hz）时，窗口至少100ms（5个周期），推荐200ms。
- 确定步长S：S = L×(1-重叠率)，重叠率通常设为50%~75%。
- 验证窗口效果：计算窗口内信号的均方根值（RMS）和峰值，若波动超过20%，需增大窗口或增加重叠率。
- 考虑实时性：若MCU推理时间大于窗口时长，需降低重叠率或使用流式处理。
// 滑动窗口参数示例
#define WINDOW_LEN 256 // 256个采样点 @16kHz = 16ms
#define STEP_LEN 64 // 步长64点，重叠率75%
#define OVERLAP_RATIO 0.75
// 每秒推理次数 = SAMPLE_RATE / STEP_LEN = 16000/64 = 250次案例拆解：旋转机械实时监测的窗口优化
某风机制造商需要在边缘设备上实时监测齿轮箱振动，MCU为Cortex-M4（168MHz），TinyML模型推理时间为8ms。初始方案采用窗口长度512点（@4kHz采样率，128ms），步长128点（重叠率75%），每秒推理31次。实测发现，当风机转速波动时，窗口内振动周期数不稳定，导致特征方差增大。分析后，将窗口长度改为动态调整：根据转速传感器信号计算当前转频，窗口长度设为5个转频周期（例如转频20Hz时窗口250ms）。同时，将步长固定为窗口长度的25%，保证重叠率恒定。优化后，模型在转速变化±10%范围内准确率保持稳定，且推理频率仍满足实时性要求（每秒约10次）。
3.5 常见误区与总结复盘
- 误区一：采样率越高越好。高采样率导致数据量爆炸，MCU存储和处理压力增大，且高频噪声可能掩盖低频故障特征。正确做法是根据故障特征频率设置采样率，并配合抗混叠滤波。
- 误区二：滤波越干净越好。过度滤波会滤除真实故障特征，尤其是冲击信号的高频成分。建议先做频谱分析，再针对性设计滤波器。
- 误区三：窗口长度固定不变。对于转速变化的设备，固定窗口会导致窗口内周期数不稳定，特征波动大。应采用转速同步窗口或自适应窗口。
- 误区四：忽略传感器安装位置。传感器安装位置对信号幅值和频率响应影响显著。应靠近振动源，使用刚性安装（螺栓或胶粘），避免使用磁吸座（会衰减高频成分）。