第三章 传感器与信号采集：常见传感器类型与数据预处理

大家好，我是老张。今天咱们聊聊传感器和信号采集。说实话，自动化产线出故障，十有八九是传感器先“报警”。但报警归报警，你能不能读懂它的“语言”，才是关键。

我个人习惯把传感器比作产线的“五官”。温度传感器是皮肤，压力传感器是触觉，振动传感器是听觉，电流传感器是脉搏。五官失灵，大脑再聪明也没用。所以，这一章咱们就扎扎实实地把这几类传感器搞明白。

3.1 常见传感器类型与实战选型

先别急着看参数。你想想看，选传感器最怕什么？怕选错型。我在项目中遇到过好几次，现场振动大，结果选了非接触式的电涡流传感器，信号直接被干扰成“心电图”。所以，先搞清楚每种传感器的脾气。

3.1.1 温度传感器

产线上最常用的就三种：热电偶、热电阻（PT100）、红外测温。

• 热电偶：便宜、耐高温（最高能到2000℃），但精度一般。适合炉膛、排烟管道。我建议选K型或S型，通用性好。
• 热电阻（PT100）：精度高、稳定性好，但测温范围窄（-200~600℃）。适合液体、气体介质。嗯，这里要注意：PT100接线必须是三线制或四线制，否则导线电阻会引入误差。
• 红外测温：非接触，适合运动物体或高温危险区域。但发射率设置不对，读数能差几十度。我曾经在退火炉上吃过这个亏，后来加了黑体校准才搞定。

3.1.2 压力传感器

压力传感器分两大类：压阻式和电容式。压阻式便宜，但温漂大；电容式精度高，但贵。选型时主要看量程和介质兼容性。

• 量程选择：工作压力最好在量程的30%~70%之间。选太大，分辨率不够；选太小，容易过载损坏。
• 介质兼容性：测腐蚀性液体，必须用隔膜式或陶瓷传感器。我见过有人用不锈钢膜片测盐酸，结果膜片被腐蚀，压力直接漏光。

3.1.3 振动传感器

振动传感器是旋转设备的“听诊器”。常见的有加速度传感器和速度传感器。

• 加速度传感器：频响宽（0.5Hz~10kHz），适合测高频振动。比如轴承故障、齿轮啮合。
• 速度传感器：低频响应好，适合测不平衡、不对中。比如风机、泵的基频振动。

我个人习惯：测轴承用加速度，测机座用速度。但注意，安装方式很重要。磁吸式方便但高频衰减大，螺纹安装最可靠。我曾经用磁吸式测一个高速电机，结果高频成分全丢了，换了螺纹安装才抓到故障特征。

3.1.4 电流传感器

电流传感器是电机和电源的“心电图”。主要分霍尔式和罗氏线圈。

• 霍尔式：测直流和交流，精度高，但带宽有限（一般<100kHz）。适合变频器输出、直流母线。
• 罗氏线圈：带宽极宽（可达MHz级），但只能测交流。适合高频电流、雷击波形。

嗯，这里要注意：电流传感器安装时，一定要让导线居中穿过。偏了，误差能到5%以上。我在项目中遇到过，工人图省事把线绑在一边，结果电流读数一直偏低，差点误判电机过载。

3.2 信号采集与预处理

传感器选好了，信号怎么采？说白了，就是把模拟量变成数字量。这里涉及采样率、分辨率、抗混叠滤波三个核心问题。

3.2.1 采样率与分辨率

采样率决定了你能看到多快的信号。根据奈奎斯特定理，采样率至少是信号最高频率的2倍。但实战中，我建议至少5~10倍。为什么？因为实际信号不是纯正弦波，有谐波和噪声。比如测50Hz工频电流，采样率至少500Hz，才能看到5次谐波。

分辨率决定了你能看到多小的信号。12位ADC能分辨4096级，16位能分辨65536级。对于温度、压力这种慢变信号，12位够用；但对于振动、电流这种动态信号，我建议至少16位。

3.2.2 抗混叠滤波

采样前必须加低通滤波器，滤掉高于采样率一半的频率成分。否则，高频信号会“折叠”到低频段，产生假信号。这叫混叠。

我见过一个案例：现场用100Hz采样率测50Hz信号，结果有个80Hz的干扰信号被混叠成20Hz，被误判为设备故障。后来加了截止频率45Hz的模拟滤波器，问题解决。

3.3 数据清洗方法

信号采回来了，但数据是“脏”的。有噪声、有野点、有缺失。不洗一洗，后面的分析全是扯淡。我总结了三步走：去噪、去野、补缺。

3.3.1 去噪：移动平均与中值滤波

移动平均适合平滑慢变信号，比如温度、压力。但注意，窗口大小要合适。窗口太大，信号延迟；窗口太小，噪声滤不干净。我一般取5~15个点。

# 移动平均示例（Python）
import numpy as np
def moving_average(data, window=5):
    return np.convolve(data, np.ones(window)/window, mode='same')

中值滤波适合去除脉冲噪声，比如振动信号的尖峰。它不会模糊边缘，比移动平均更适合动态信号。

3.3.2 去野：3σ准则与箱线图

野点就是明显偏离正常范围的数据点。最常用的方法是3σ准则：数据点超出均值±3倍标准差，就认为是野点。

# 3σ去野示例
def remove_outliers(data, threshold=3):
    mean = np.mean(data)
    std = np.std(data)
    return [x for x in data if abs(x - mean) < threshold * std]

但注意，3σ准则假设数据是正态分布。如果数据有趋势或周期性，要先做差分或去趋势。我曾经在一条连续产线上，直接用3σ去野，结果把正常的启停过程数据全删了。后来加了滑动窗口，才保住有效数据。

3.3.3 补缺：线性插值与前向填充

数据缺失是常事。通信丢包、传感器掉线，都会造成空缺。补缺方法很简单：

• 线性插值：适合慢变信号，比如温度、液位。用前后两个有效点连线，填补中间空缺。
• 前向填充：适合开关量或阶跃信号，比如阀门状态。用上一个有效值填充。

但注意，不要对振动信号做插值。振动是高频动态信号，插值会引入虚假频率成分。我建议直接丢弃缺失段，或者用模型预测填补。

3.4 知识体系框架图

下面这张图，是我自己总结的传感器与信号采集的知识体系。你把它存下来，以后选型、调试、排故时，拿出来对照着看。

3.5 本章小结

传感器和信号采集，是自动化产线故障诊断的“地基”。地基不牢，地动山摇。记住：选型看工况，采样看频率，清洗看数据特征。别偷懒，别想当然。

我个人习惯，每次调试新产线，第一件事就是检查传感器的安装和接线。第二件事，就是跑一段数据，看看有没有野点和噪声。这两步走完，后面的事就顺了。

---

公众号:蓝海资料掘金营，微信deep3321