传感器与数据采集

做产线自动判定，第一步就得把「传感器」这件事整明白。我以前带过几个项目，大家上来就调算法，结果数据本身就有问题——传感器选错了，采样频率也设得不对。你说这算法再牛，能有什么用？

这一章，咱们重点聊常用传感器类型，以及采样频率和数据质量的关系。我个人习惯把传感器分成四大类：视觉、力觉、温度、振动。每个都有自己的脾气，用不对就等着踩坑。

常用传感器类型

视觉传感器

视觉传感器说白了就是产线的「眼睛」。它通过相机加镜头，拍下被测物的图像，然后交给算法去判断有没有缺陷。我建议你根据检测精度和视野范围来选分辨率：

• 一般外观检测：500万像素够用
• 细微划痕或字符识别：1200万像素起步
• 大尺寸工件整体检查：可能需要多相机拼接

我在项目里遇到过一件事：用200万像素的工业相机看一个30mm×20mm的电路板，焊点只有0.3mm，结果机器总是误报。后来换了1200万像素的相机，加上合适的光源，问题一下就解决了。嗯，这里要注意——光源比相机还重要，方向错了，再高的分辨率也白搭。

力觉传感器

力觉传感器主要监控装配过程中的压力、扭矩、拉力等。比如拧螺丝、压轴承、插端子，这些工序里力的大小直接决定了产品合格与否。

我见过最典型的案例：一台自动锁螺丝机，拧到设定的扭矩值就停。可是螺丝出现了滑牙，力传感器还是报“通过”——因为滑牙时摩擦力减小，扭矩反而上不去。后来我在程序中加了「扭矩随时间变化率」的判断，才把这种漏判抓出来。

温度传感器

温度传感器在产线上常见的有热电偶、热电阻、红外测温等。很多工序对环境温度、工件温度有严格要求，比如焊接、烘干、注塑。

我个人习惯在关键工位放两个温度传感器：一个接触式（测工件本体），一个非接触式（测环境）。你可以对比两个值，如果差值超出范围，说明系统可能有问题，提前报警。

举个例子：某次电池封装产线，我加了红外测温，但没考虑铝壳的发射率偏差，结果温度读数一直偏低30℃。后来用黑胶带贴了一下被测点，才校准过来。所以红外测不准金属表面，这教训我记了好几年。

振动传感器

振动传感器多是加速度计或速度探头，用来监测电机、轴承、泵、风机等旋转设备的运行状态。产线上用它做预测性维护，比Pass/Fail更前一步。

我记得有个项目，客户说电机总在某个转速下异常发热。我们装上振动传感器，采集了加速度频谱，发现是轴系对中偏差导致的2倍频异常。后来调整了一下基座，问题解决。这种问题如果只靠Pass/Fail判定，等电机烧了才能发现。

你想想看：振动信号里藏着大量信息，但前提是采样频率得够。一般要采集到设备最高转速的10倍频以上。比如电机转速3000rpm（50Hz），采样频率至少500Hz；如果是齿轮箱，高频成分更多，采样频率得上到5kHz甚至更高。

采样频率与数据质量

说完了传感器类型，咱们得聊聊一个更底层的问题——采样频率怎么定？定低了，信号细节丢失，判定结果不可靠；定高了，数据量爆炸，系统扛不住。

我一般遵循两条原则：

1. 奈奎斯特定理：采样频率至少是信号最高频率的2倍。但产线上我建议留出3~5倍余量，因为实际信号有噪声和谐波。
2. 根据工序节拍：比如一个动作持续0.5秒，你要分析这段信号的形状，采样频率至少要1000Hz才能有500个点，够分析用了。

为什么会这样？因为数据质量不只是精度和噪声的问题，采样频率决定了你能看到多细的波形。我举个例子：拧螺丝的扭矩曲线，如果只采100Hz，整个0.1秒的扭矩尖峰可能就1~2个点，根本看不出来滑牙。而1000Hz就能看到完整的尖峰和跌落过程，判定准确率从60%升到99%。

这里我列出常见的采样频率选择参考表：

下面这张图总结了传感器选择与数据采集的整体思考路径，你看一眼就能有个框架——

好了，传感器类型和采样频率这些基础打牢了，后面聊到判定算法设计时，你心里就有个底。数据质量好不好，直接在源头就定了一大半。