2. 工业传感器基础
在 TinyML 工业应用中，传感器是整个智能系统的“感官入口”。模型再轻量、算法再先进，如果前端采集到的信号失真、量程不匹配或采样时序混乱，后续推理结果就毫无意义。本节从工程视角梳理常见工业传感器类型、模拟与数字信号特征、数据采集链路，以及工业现场总线的定位，为后续在 MCU 上做特征提取和模型部署打下基础。
一、常见工业传感器类型与适用场景
工业现场传感器种类繁多，按被测量物理量可大致分为温度、压力、振动、位置、流量、气体与电流等类别。TinyML 项目中最常见的是振动、温度、压力和电流四类，因为它们既能反映设备健康状态，又适合以较低采样率或较短窗口完成边缘推理。
- 温度传感器：热电偶、RTD（Pt100/Pt1000）、热敏电阻、数字温度芯片（如 DS18B20、LM75）。热电偶适合高温但需冷端补偿，RTD 线性好、精度高，数字芯片直接输出数字量，接线简单。
- 振动传感器：MEMS 加速度计（如 ADXL345、LIS3DH）、IEPE 压电加速度计。MEMS 成本低、易集成，适合 0～几 kHz 的轴承故障监测；IEPE 动态范围大，适合高频齿轮箱诊断。
- 压力传感器：压阻式、电容式、压电式。输出多为 mV/V 差分信号或 4～20 mA 电流环，需配合仪表放大器或 ADC 前端。
- 电流传感器：霍尔式、电流互感器、分流电阻。用于电机负载监测和能耗分析，常输出 0～5 V 或 4～20 mA。
- 位置/接近传感器：电感式接近开关、光电开关、磁编码器，多输出开关量或增量脉冲。
二、信号特征：模拟量、数字量与开关量
从数据采集角度看，传感器输出可分为三类：模拟量、数字量和开关量。理解它们的电气特征和噪声特性，是设计采集电路和选择采样率的前提。
| 信号类型 | 典型输出 | 采集方式 | 主要干扰源 | TinyML 关注点 |
|---|---|---|---|---|
| 模拟电压 | 0～3.3 V、±10 V | MCU 内置 ADC / 外置 ADC | 电源纹波、地弹、长线耦合 | 采样率、量化位数、抗混叠 |
| 模拟电流 | 4～20 mA | 精密电阻转电压后 ADC | 回路阻抗、共模电压 | 线性化、断线检测 |
| 数字总线 | I²C、SPI、UART | MCU 外设直接读取 | 时钟抖动、地址冲突 | 读取时序、数据对齐 |
| 开关量 | 干接点、NPN/PNP | GPIO 中断或轮询 | 抖动、浪涌 | 去抖、边沿计数 |
模拟信号的核心问题是噪声与带宽。工业现场电机、变频器、继电器会产生强电磁干扰，若信号线未屏蔽或未做差分传输，ADC 读数会出现随机跳变。数字信号虽然抗干扰强，但要注意总线时序和电平匹配，例如 5 V 传感器直连 3.3 V MCU 可能损坏 IO。
三、数据采集链路与关键参数
一条完整的采集链路通常包括：传感器 → 信号调理 → 抗混叠滤波 → ADC → 数字滤波/特征提取 → TinyML 推理。每个环节都会影响最终模型输入的质量。
传感器输出 → 放大/偏置 → RC 低通 → ADC 采样 → 滑动窗口 → 特征(均值/RMS/FFT) → 模型推理
↑
参考电压/激励源关键参数包括：
- 采样率：根据奈奎斯特准则，至少为信号最高频率的 2 倍。振动监测常用 1～10 kHz，温度可低至 1 Hz。
- 分辨率：12 位 ADC 在 3.3 V 量程下最小分辨约 0.8 mV；若信号微弱，需前置放大。
- 窗口长度：TinyML 常用 128、256、512 点窗口，兼顾特征稳定性和内存占用。
- 同步性：多传感器融合时，时间戳对齐比单路精度更重要。
四、工业现场总线简介与选型思路
工业现场总线解决的是设备间可靠通信和远距离传输问题。TinyML 节点通常位于边缘，需要通过总线或工业以太网把特征、告警或原始数据送到网关或 PLC。常见总线包括：
- RS-485 / Modbus RTU：成本低、抗干扰强，适合低速传感器网络，传输距离可达 1200 m。
- CAN / CANopen：多主结构、报文优先级，适合运动控制和车载/工程机械。
- PROFIBUS / PROFINET：西门子生态主流，PROFINET 基于工业以太网，实时性好。
- EtherCAT：高速、高同步，适合多轴伺服和精密运动控制。
- IO-Link：点对点数字传感器接口，可同时传输过程数据和参数，适合智能传感器。
选型时先看数据量、实时性和布线条件。若 TinyML 节点只上传推理结果和少量特征，Modbus RTU 或 IO-Link 已足够；若需要上传原始波形做云端再训练，则要考虑以太网或更高带宽的现场总线。
五、典型场景与常见误区
以电机轴承故障监测为例：MEMS 加速度计以 5 kHz 采样三轴振动，MCU 每 256 点计算 RMS、峰值因子和频带能量，再送入 TinyML 模型判断“正常/早期磨损/严重故障”。采集链路中若忽略抗混叠滤波，高频噪声会折叠到低频，导致特征失真；若地线处理不当，50 Hz 工频干扰会淹没微弱故障信号。
1. 只看传感器量程，忽略输出阻抗和驱动能力，导致 ADC 采样保持电容充电不足。
2. 把 4～20 mA 信号直接接 MCU，未加精密电阻和隔离，烧毁引脚。
3. 采样率随意设置，未考虑机械振动特征频率，模型学到的只是噪声。
4. 多路传感器各自独立采样，未做时间同步，融合特征失去物理意义。
复盘时建议用示波器观察调理后的模拟波形，用逻辑分析仪抓取数字总线时序，并记录实际采样间隔的抖动。只有采集链路可靠，TinyML 模型才有机会在工业现场稳定工作。
掌握传感器类型、信号特征、采集链路和现场总线的基本关系后，下一步就可以在具体 MCU 平台上搭建采集程序，把物理世界的连续变化转化为 TinyML 模型可以处理的数字特征。