振动传感器 · 数据采集与分析
🚴 30章 完整路径
1
课程导论
共享单车振动传感器的应用场景、课程目标与学习路径、所需硬件与软件清单
2
传感器基础
振动传感器的工作原理（压电式、MEMS式）、关键参数（灵敏度、频率响应）、选型指南
3
硬件搭建
Arduino/ESP32开发板介绍、振动传感器与开发板的接线方法、电源与布线注意事项
4
数据采集入门
使用Arduino IDE读取传感器模拟信号、串口监视器查看原始数据、理解ADC转换
5
数据格式化
将原始电压值转换为物理量（加速度单位g）、数据帧结构设计（时间戳+数值）、CSV格式输出
6
Python环境搭建
Anaconda安装与虚拟环境配置、Jupyter Notebook使用、必备库安装（pandas, matplotlib, numpy）
7
数据读取与清洗
使用pandas读取CSV文件、处理缺失值与异常值、数据重采样与对齐
8
数据可视化基础
使用matplotlib绘制时域波形图、添加标题/标签/网格、多子图对比显示
9
时域特征提取
计算均值、方差、峰值、峰峰值、均方根值（RMS），理解这些特征的物理意义
10
频域分析入门
傅里叶变换（FFT）原理简介、使用numpy进行FFT计算、绘制频谱图
11
频谱特征提取
识别主频、幅值谱与功率谱密度（PSD）、频带能量计算
12
时频分析
短时傅里叶变换（STFT）原理、使用scipy实现STFT、绘制时频谱图（热力图）
13
滤波技术
低通/高通/带通滤波器设计（巴特沃斯）、使用scipy.signal进行滤波、滤除噪声实战
14
数据分段与加窗
滑动窗口分割数据、窗函数（汉宁窗、海明窗）的作用与实现、重叠窗口策略
15
特征工程综合
构建特征矩阵（时域+频域+时频域）、特征标准化与归一化、特征重要性初探
16
机器学习入门
监督学习与无监督学习概念、scikit-learn库简介、训练集/验证集/测试集划分
17
分类模型实战（一）
K近邻（KNN）算法原理、使用振动特征进行路面平整度分类（平整/颠簸）
18
分类模型实战（二）
支持向量机（SVM）原理、核函数选择、模型调参与评估（准确率/召回率）
19
分类模型实战（三）
决策树与随机森林、特征重要性排序、模型可解释性分析
20
聚类分析
K-Means聚类算法、使用振动数据识别不同骑行模式（匀速/加速/减速/颠簸）
21
异常检测
孤立森林（Isolation Forest）算法、检测传感器故障或异常振动事件、可视化异常点
22
回归分析
线性回归与多项式回归、预测骑行速度与振动强度的关系、模型评估（R²/MSE）
23
时间序列预测
ARIMA模型简介、使用历史振动数据预测未来趋势、差分与平稳性检验
24
深度学习入门
PyTorch/TensorFlow环境搭建、全连接神经网络（FCN）结构、训练一个简单的振动分类器
25
卷积神经网络（CNN）
1D-CNN原理、适用于振动信号的网络结构设计、模型训练与验证
26
模型部署
将训练好的模型导出为ONNX格式、在树莓派/边缘设备上部署、实时推理流程
27
数据可视化进阶
使用Plotly绘制交互式图表、动态仪表盘设计（Dash框架）、实时数据流展示
28
综合项目（一）
搭建完整的采集-分析-展示系统、硬件端代码优化、数据上云（MQTT/HTTP）
29
综合项目（二）
云端数据存储（InfluxDB）、后端API开发（Flask/FastAPI）、前端展示页面
30
课程总结与展望
常见问题与解决方案、行业应用案例分享、进阶学习资源推荐