4. 采样定理与奈奎斯特频率

在TinyML振动检测系统中，传感器输出的模拟振动信号必须经过模数转换器（ADC）采样才能进入微控制器进行推理。采样频率的选择直接决定了信号中频率信息的保真度，而窗口长度则决定了频率分辨率。本章从采样定理的数学本质出发，剖析混叠现象的成因，并给出工程实践中确定采样频率的完整方法。理解这些基础概念，是后续设计振动特征提取与模型部署的前提。

4.1 采样定理的数学基础

采样定理（Nyquist-Shannon Sampling Theorem）是数字信号处理的理论基石。其核心表述为：如果一个连续时间信号 x(t) 的最高频率分量为 f_max，那么当采样频率 f_s 满足 f_s ≥ 2f_max 时，可以从采样序列 x[n] = x(nT_s) 中无失真地重建原始信号。这里的 T_s = 1/f_s 为采样间隔，f_N = f_s/2 称为奈奎斯特频率。

从频域角度看，采样过程本质上是原始信号频谱 X(f) 以采样频率 f_s 为周期进行周期延拓。当 f_s ≥ 2f_max 时，延拓后的频谱副本之间互不重叠，通过低通滤波器即可完整提取原始频谱。反之，若 f_s < 2f_max，频谱副本发生重叠，高频分量会折叠到低频区域，产生不可逆的混叠失真。

参数	符号	定义	单位
采样频率	f_s	每秒采集的样本数	Hz（或 SPS）
奈奎斯特频率	f_N	f_s / 2，可无混叠表示的最高频率	Hz
信号最高频率	f_max	信号中包含的最高有效频率分量	Hz
采样间隔	T_s	相邻采样点的时间差 = 1/f_s	秒（s）

4.2 混叠现象的机理与危害

混叠（Aliasing）是采样过程中最危险的信号失真形式。当采样频率不满足奈奎斯特条件时，高于 f_N 的频率分量会“折叠”回 [0, f_N] 区间，形成虚假的低频信号。这个虚假频率 f_alias 的计算公式为：

f_alias = |f - k·f_s|   （k 为整数，使 f_alias 落在 [0, f_N] 内）

例如，若 f_s = 1000 Hz，信号中含有 800 Hz 的分量，则 f_alias = |800 - 1000| = 200 Hz。这个 200 Hz 的假信号会与真实存在的 200 Hz 分量叠加，导致频谱完全失真。在振动检测中，混叠可能将高频的轴承故障特征（如 3 kHz 的滚珠通过频率）伪装成低频的转子不平衡信号，造成灾难性的误判。

4.3 确定采样频率的工程方法

在实际TinyML振动检测项目中，确定采样频率需要综合考虑信号特性、硬件能力和功耗预算。以下是标准化的操作流程：

1. 确定信号最高频率 f_max：通过机械结构分析、轴承故障频率计算（BPFO、BPFI、BSF、FTF）或查阅设备技术手册，确定需要监测的最高频率分量。对于电机振动，通常关注到 10 倍转频或齿轮啮合频率的 3 倍谐波。
2. 计算理论最小采样频率：f_s_min = 2 × f_max。这是理论下限，实际工程中不可直接使用。
3. 应用工程余量系数：推荐 f_s = (5~10) × f_max。例如，若 f_max = 1 kHz，则 f_s 取 5 kHz 至 10 kHz。余量系数用于补偿抗混叠滤波器的非理想过渡带和后续数字滤波的过渡带需求。
4. 匹配硬件能力：检查MCU内置ADC的最大采样率、DMA传输带宽、存储空间。对于TinyML场景，还需考虑推理时延与功耗——采样率越高，单窗口数据量越大，MCU负载越重。
5. 验证与调整：使用信号发生器注入已知频率信号，检查FFT频谱中是否出现预期频率之外的峰值。若存在混叠，逐步提高 f_s 或加强抗混叠滤波。

应用场景	典型 f_max	推荐 f_s	窗口长度（点数）	频率分辨率 Δf
低速旋转机械（<300 RPM）	100 Hz	1 kHz	1024	0.98 Hz
电机轴承（1500 RPM）	1 kHz	5 kHz	2048	2.44 Hz
齿轮箱（高速轴 3000 RPM）	5 kHz	25 kHz	4096	6.10 Hz
超声波/高频冲击	20 kHz	100 kHz	8192	12.2 Hz

4.4 案例拆解：电机轴承振动检测的采样参数设计

背景与约束：某工厂一台 4 极异步电机，额定转速 1470 RPM（转频 f_r = 24.5 Hz），驱动离心泵。需要监测电机驱动端轴承（型号 6308）的早期故障。已知轴承参数：滚珠数 Z = 8，滚珠直径 d = 14.3 mm，节圆直径 D = 65 mm，接触角 α = 0°。TinyML设备采用 STM32L4 系列 MCU，内置 12 位 ADC，最高采样率 5 Msps，但受限于功耗（目标平均电流 < 5 mA），实际可用采样率受限。

关键输入数据：轴承故障特征频率计算公式：

BPFO（外圈故障）= (Z/2) × f_r × (1 - d/D × cosα) = 4 × 24.5 × (1 - 14.3/65) ≈ 76.4 Hz
BPFI（内圈故障）= (Z/2) × f_r × (1 + d/D × cosα) = 4 × 24.5 × (1 + 14.3/65) ≈ 119.6 Hz
BSF（滚珠故障）= (D/d) × f_r × (1 - (d/D)² × cos²α) ≈ 48.9 Hz
FTF（保持架故障）= 0.5 × f_r × (1 - d/D × cosα) ≈ 9.55 Hz

考虑到早期故障会产生高频冲击振动，其共振频率通常在 2~5 kHz 范围。因此，信号最高频率 f_max 取 5 kHz（覆盖轴承共振频带）。

分析判断过程：理论最小采样频率 f_s_min = 2 × 5 kHz = 10 kHz。但工程上需留余量，取 f_s = 25 kHz（5 倍余量）。此时奈奎斯特频率 f_N = 12.5 kHz，抗混叠滤波器截止频率设为 10 kHz，过渡带 10~12.5 kHz。然而，25 kHz 采样率下，若窗口长度取 2048 点，时间窗口为 2048/25000 = 81.92 ms，频率分辨率 Δf = 25000/2048 ≈ 12.2 Hz。这个分辨率足以区分 BPFO（76.4 Hz）与 BPFI（119.6 Hz）的差异（相差 43.2 Hz），但无法区分转频的 0.5 倍频（12.25 Hz）与 1 倍频（24.5 Hz）之间的细微变化。

实际操作步骤：

1. 将 ADC 采样率配置为 25 kHz，启用 DMA 循环采集，每次采集 2048 个样本。
2. 在 ADC 前端加入二阶有源低通滤波器，截止频率 10 kHz，衰减斜率 -40 dB/dec，确保 12.5 kHz 以上信号衰减超过 60 dB。
3. 采集 10 组窗口数据，每组间隔 100 ms（满足实时性要求），对每组数据加汉宁窗后进行 2048 点 FFT。
4. 提取 0~10 kHz 频谱中的峰值频率，与理论 BPFO/BPFI/BSF 对比，偏差超过 ±1% 时报警。

结果对比：在实验室用故障轴承（外圈人为电火花加工 0.5 mm 凹坑）测试，系统成功在 76.8 Hz 处检测到明显峰值（理论 76.4 Hz，误差 0.5%），信噪比达 18 dB。若将采样率降至 10 kHz（临界值），则 5 kHz 的共振频率混叠到 0 Hz 附近，频谱中出现大量虚假低频分量，完全掩盖了故障特征。

风险与代价：25 kHz 采样率下，MCU 每秒需处理 25000 个样本，2048 点 FFT 耗时约 3.2 ms（Cortex-M4 @ 80 MHz），CPU 占用率约 32%。功耗实测 4.2 mA（3.3 V 供电），满足 5 mA 预算。若进一步降低采样率至 12.5 kHz，功耗可降至 2.8 mA，但会牺牲高频共振检测能力。

复盘经验：采样频率的选择不是越高越好，而是要在信号保真度、功耗、实时性之间取得平衡。对于轴承故障检测，建议优先保证共振频带的完整采样，再考虑频率分辨率需求。若频率分辨率不足，可通过增加窗口长度（如 4096 点）解决，但需评估存储和计算开销。

4.5 常见误区与总结复盘

误区一：采样频率恰好等于 2 倍最高频率即可。这是理论极限，实际中抗混叠滤波器无法做到理想陡降，且信号本身可能含有超出预期的噪声分量。工程上至少取 2.5~5 倍余量。

误区二：忽略抗混叠滤波器。许多初学者直接使用 ADC 采样，认为提高采样率就能避免混叠。实际上，只要信号中存在高于 f_N 的分量（包括噪声），混叠就会发生。抗混叠滤波器是必需的硬件环节。

误区三：混淆采样频率与窗口长度。采样频率决定可测频率范围，窗口长度决定频率分辨率。两者独立影响频谱质量，需分别设计。窗口长度 N 与频率分辨率的关系为 Δf = f_s / N。

误区四：对所有设备使用统一采样参数。不同机械设备的振动特征频率差异巨大，必须根据具体设备的转速、轴承参数、结构共振特性定制采样方案。

检查项	验证方法	通过标准
抗混叠滤波器	注入高于 f_N 的正弦信号，检查输出	输出幅度衰减 ≥ 40 dB
采样率准确性	注入已知频率信号，FFT 峰值比对	频率误差 ≤ 0.5%
动态范围	采集静止状态数据，计算底噪	底噪 ≤ -60 dBFS
重复性	同一工况采集 10 次，比较频谱	峰值频率波动 ≤ 1%

总结本章核心：采样定理是振动检测的物理边界，奈奎斯特频率决定了系统的可测频率上限。工程实践中，应遵循“先确定 f_max → 计算理论下限 → 施加工程余量 → 匹配硬件 → 实测验证”的流程。混叠是必须从硬件层面杜绝的致命错误，而采样频率与窗口长度的配合则决定了频谱分析的质量。在TinyML约束下，采样参数的选择直接影响模型输入特征的质量，进而影响故障诊断的准确率。建议在项目初期就完成采样链路的验证，避免后期返工。