3. 采样率概念

TinyML 传感器部署中，采样率（Sampling Rate）是最基础却最容易被忽视的配置参数。它直接决定了数据采集系统能从物理世界中捕获多少频率信息，也决定了后续特征提取、模型推理的输入质量。在传感器排错场景中，采样率不一致导致的信号畸变、特征错位、频谱混叠（Aliasing）等问题，往往比算法本身更难排查。本节将系统梳理采样率的定义、单位、典型值，并深入解析奈奎斯特定理对采样率选择的约束，帮助你在部署排错时快速定位与采样相关的根因。

采样率与奈奎斯特定理 — 信号采集链路 物理信号 f_max = 100 Hz 振动/声音/温度 ADC 采样 fs = 200 Hz 周期 Δt = 5 ms 数字序列 x[n], n=0,1,2... 长度 N = fs × T 特征/推理 FFT/统计特征 TinyML 模型 奈奎斯特定理：fs ≥ 2 × f_max ✓ fs = 200 Hz ≥ 2×100 Hz → 无混叠 ✗ fs = 150 Hz < 2×100 Hz → 混叠失真 采样率选择策略 过采样 (Oversampling) fs = 5~10 × f_max，提高信噪比 临界采样 fs = 2 × f_max，理论最小值 欠采样 (Undersampling) fs < 2 × f_max，产生混叠

3.1 采样率的定义与单位

采样率（Sampling Rate，又称采样频率）是指模数转换器（ADC）在单位时间内对连续模拟信号进行采样的次数。每一次采样得到一个离散的数值点，这些离散点按时间顺序排列即构成数字信号序列 x[n]。采样率的物理意义在于：它决定了数字系统对连续时间信号的“时间分辨率”——采样率越高，相邻采样点之间的时间间隔越短，对原始信号的还原能力越强。

采样率的国际单位是赫兹（Hz），表示每秒采样的次数。在实际工程中，常用的表达方式还包括：

  • Hz（次/秒）：基础单位，例如 100 Hz 表示每秒采集 100 个样本点。
  • kHz（千赫兹）：1 kHz = 1000 Hz，常用于音频和振动信号采集。
  • 样本/秒（SPS, Samples Per Second）：与 Hz 等价，但在 ADC 数据手册中更常见。
  • 周期/秒（cps）：早期文献中的用法，现已较少使用。

与采样率密切相关的另一个参数是采样周期（Sampling Period），记作 Ts，它是采样率的倒数：Ts = 1 / fs。例如，采样率为 200 Hz 时，采样周期为 5 ms。在 TinyML 传感器驱动代码中，采样周期通常通过定时器中断或延时函数来控制，例如在 Arduino 平台上使用 delay(5) 实现 5 ms 的采样间隔。

采样率 采样周期 典型应用场景 TinyML 示例
1 Hz 1000 ms 温度、湿度等慢变环境量 环境监测节点
50 ~ 100 Hz 10 ~ 20 ms 人体活动识别（加速度计） 可穿戴步数检测
200 ~ 500 Hz 2 ~ 5 ms 工业振动监测、电机状态 预测性维护
1 ~ 4 kHz 0.25 ~ 1 ms 音频特征提取、声学事件 关键词唤醒
≥ 10 kHz ≤ 0.1 ms 超声波、高带宽振动 结构健康监测
经验提示：在 TinyML 部署中，采样率并非越高越好。过高的采样率会带来三方面代价：① 内存占用增大（N = fs × T，采样点数随采样率线性增长）；② 功耗上升（ADC 转换次数增加）；③ 数据吞吐量增大，可能超出 MCU 的处理能力。因此，采样率的选择需要在信号保真度与资源约束之间取得平衡。

3.2 奈奎斯特定理：采样率与信号频率的约束关系

奈奎斯特定理（Nyquist Theorem）是采样理论的核心基石，它给出了无失真重建模拟信号所需的最低采样率条件。该定理由哈里·奈奎斯特（Harry Nyquist）于 1928 年提出，后经克劳德·香农（Claude Shannon）在信息论框架下进一步完善。其核心内容可表述为：

奈奎斯特定理：为了能从采样后的离散信号中无失真地重建原始连续信号，采样率 fs 必须大于或等于信号中最高频率分量 fmax 的两倍，即：

fs ≥ 2 × fmax

其中，fmax 是信号中包含的最高频率成分。2 × fmax 被称为奈奎斯特率（Nyquist Rate），而 fs / 2 被称为奈奎斯特频率（Nyquist Frequency），它是数字信号能正确表示的最高频率上限。

理解奈奎斯特定理的关键在于混叠（Aliasing）现象。当采样率不满足 fs ≥ 2fmax 时，高于奈奎斯特频率的信号成分会被“折叠”回低频区域，与真实低频信号叠加，产生无法通过后续数字滤波去除的失真。这种失真在时域上表现为采样点无法还原原始波形的起伏，在频域上表现为高频分量在低频处出现虚假的“镜像”峰值。

在 TinyML 传感器部署中，奈奎斯特定理的影响体现在多个层面：

  1. 传感器选型：不同传感器（如加速度计、麦克风、IMU）的带宽不同，需要根据目标信号的最高频率选择匹配的采样率。
  2. ADC 配置：MCU 内置 ADC 的采样率通常可通过寄存器配置，需要确保配置值满足奈奎斯特条件。
  3. 抗混叠滤波：在采样前使用低通滤波器（抗混叠滤波器）衰减高于 fs/2 的频率成分，是工程上常用的补充手段。
  4. 特征提取：FFT 等频域特征的有效频率范围上限为 fs/2，超出该范围的频段数据不可信。

3.3 采样率不一致的典型故障场景与判断方法

在 TinyML 传感器部署中，采样率不一致是最常见的排错难点之一。所谓“不一致”，通常指实际采样率与预期采样率存在偏差，或系统中多个传感器的采样率不匹配。以下是几种典型场景及判断方法：

3.3.1 实际采样率低于配置值

现象：采集到的信号波形明显失真，高频细节丢失，FFT 频谱中出现异常的峰值或能量泄漏。

常见原因：

  • 定时器中断被更高优先级的中断抢占，导致采样周期被拉长。
  • ADC 转换时间过长（例如使用了过高的分辨率或过慢的采样保持时间），导致实际采样率达不到配置值。
  • 传感器读取操作（如 I²C/SPI 通信）耗时超过预期，阻塞了采样循环。
  • 使用了 delay() 函数，但系统时钟频率不准确或存在漂移。

判断方法：在代码中记录每次采样的时间戳（使用微秒级定时器），计算实际采样间隔的均值和标准差。如果标准差超过平均间隔的 10%，说明采样时序不稳定；如果平均间隔明显大于理论值，说明采样率偏低。

3.3.2 多传感器采样率不匹配

现象：融合多个传感器数据时，特征向量中的各维度在时间轴上错位，导致模型推理结果异常。

常见原因：不同传感器使用独立的采样循环，且循环周期不一致；或者虽然配置了相同的采样率，但各传感器的启动时间不同步。

判断方法：在数据采集时，为每个样本添加统一的全局时间戳。离线分析时，检查各传感器数据流的时间戳对齐情况。如果错位超过一个采样周期，就需要引入同步机制（如使用同一定时器触发所有传感器的采样）。

风险警示：采样率不一致导致的特征错位，在时域特征（如均值、方差）中可能不明显，但在频域特征（如 FFT 峰值频率）和时序特征（如过零率）中会显著恶化模型性能。更隐蔽的是，这种错位在训练数据中如果不存在，而在部署时出现，会导致训练与推理分布不一致（Train-Serving Skew），使模型精度骤降。

3.4 案例拆解：工业振动监测中的采样率配置排错

下面通过一个完整的工业案例，展示采样率问题从发现到解决的闭环过程。

背景与约束：某工厂部署了一套基于 TinyML 的电机轴承振动监测系统，使用 ADXL345 加速度计（量程 ±16g，带宽 3200 Hz），MCU 为 STM32L4 系列，目标是通过 FFT 频谱分析识别轴承故障特征频率（通常在 50~500 Hz 范围内）。系统设计采样率为 1 kHz，每次采集 1024 个样本，进行 1024 点 FFT。

初始现象：系统在实验室测试时表现正常，但部署到现场后，频谱图中在 200 Hz 附近出现了一个持续存在的异常峰值，且该峰值不随电机转速变化而移动。工程师最初怀疑是轴承故障，但更换新轴承后峰值依然存在。

关键数据与日志：通过串口打印每次采样的时间戳，发现实际采样间隔在 0.8 ms ~ 1.3 ms 之间波动，平均值为 1.05 ms（对应实际采样率约 952 Hz），而非预期的 1.0 ms（1 kHz）。进一步检查发现，现场环境的电磁干扰导致 I²C 通信偶尔需要重试，增加了采样循环的执行时间。

分析判断过程：

  1. 实际采样率 952 Hz，奈奎斯特频率为 476 Hz。理论上仍高于轴承故障特征频率 500 Hz 的上限，但已非常接近。
  2. 异常峰值出现在 200 Hz，而 200 Hz 恰好是 952 Hz 采样率下，某个高频干扰（如 1152 Hz）混叠后的镜像频率（1152 - 952 = 200 Hz）。
  3. 该高频干扰源来自现场变频器的 PWM 开关噪声，通过电源线耦合到传感器。

实际操作步骤：

  1. 将采样率从 1 kHz 提升至 2 kHz，确保奈奎斯特频率达到 1 kHz，为高频干扰提供更大的频率余量。
  2. 在 ADC 采样前增加一个简单的 RC 低通滤波器（截止频率约 800 Hz），衰减高于 1 kHz 的干扰成分。
  3. 优化 I²C 通信代码，启用 DMA 传输并增加错误重试上限，将采样间隔波动控制在 ±2% 以内。
  4. 在数据采集循环中，使用硬件定时器（TIM2）触发 ADC 采样，替代软件延时方式，保证采样时序的确定性。

结果对比：调整后，实际采样率稳定在 1998 Hz ± 15 Hz（波动 < 1%），200 Hz 处的异常峰值消失，频谱中仅保留真实的轴承特征频率及其谐波。模型在后续 3 个月的运行中成功预警了 2 次早期轴承磨损。

风险与代价：采样率提升至 2 kHz 后，每秒数据量从 1k 样本增至 2k 样本，MCU 的 FFT 计算负载增加约 30%，但 STM32L4 的 Cortex-M4F 内核（带 FPU）仍有余量。内存占用从 1024 × 2 字节（int16）增至 2048 × 2 字节，仍在 32 KB RAM 预算内。

复盘经验：

  • 采样率配置不能只看理论值，必须实测验证实际采样时序的稳定性。
  • 在工业环境中，抗混叠滤波不是可选项，而是必需品。
  • 当 FFT 中出现无法解释的固定频率峰值时，应首先怀疑混叠而非机械故障。

3.5 常见误区与总结复盘

在 TinyML 传感器部署中，围绕采样率存在以下常见误区，需要特别注意：

误区 错误认知 正确理解
采样率越高越好 采样率越高，信号还原越精确，因此应尽量设置高采样率 采样率受限于 MCU 处理能力、内存和功耗；过采样会增加噪声和资源消耗
奈奎斯特频率是安全边界 只要 fs = 2fmax 就能完美重建信号 实际工程中建议 fs ≥ 5~10 fmax，以留出抗混叠滤波过渡带和裕量
软件延时足够精确 使用 delay() 或 millis() 控制采样间隔即可 软件延时受中断、编译器优化影响，误差可达 10% 以上；应使用硬件定时器
所有传感器可独立采样 多传感器各自按自己的节奏采样，后续再对齐 多传感器必须统一采样时钟或使用时间戳同步，否则特征错位不可避免
混叠只影响高频信号 只要目标信号频率低于 fs/2 就安全 高于 fs/2 的噪声/干扰会混叠到低频，污染目标频段

总结复盘要点：

  1. 采样率是系统级参数，它连接了物理世界、ADC 硬件、软件时序和特征提取算法，任何一环的偏差都会在最终结果中放大。
  2. 奈奎斯特定理是下限而非推荐值，工程实践中应留出至少 2~5 倍的裕量，并配合抗混叠滤波器使用。
  3. 采样率一致性需要主动验证，通过时间戳统计、示波器测量或逻辑分析仪抓取，确认实际采样时序符合预期。
  4. 排错时优先检查采样链路，当模型在实验室正常但现场失效时，采样率不一致和混叠是首要怀疑对象。
部署检查清单：① 确认传感器带宽与目标信号频率范围；② 计算理论最小采样率并乘以安全系数；③ 使用硬件定时器驱动 ADC 采样；④ 在采样前加入抗混叠滤波（硬件或软件）；⑤ 为每个样本打时间戳，离线验证采样间隔一致性；⑥ 多传感器系统统一采样时钟或使用同步机制。
← 上一章 📖 返回目录 下一章 →