传感器是数据采集的起点，选型错误会导致后续所有分析失效。例如，监测电机轴承故障，应选用高频响应的压电式加速度传感器，而非普通温度传感器；在潮湿或腐蚀性环境中，需选择IP67以上防护等级且外壳耐腐蚀的型号。此外，还要考虑量程、灵敏度、输出信号类型（模拟或数字）以及成本。一个实用原则是：先明确要测量的物理量、精度要求和环境条件，再对比不同传感器的技术参数，而不是盲目追求“高精度”。
传感器输出的信号往往很微弱，且夹杂噪声。数据采集卡（DAQ）负责将其放大、滤波，再通过模数转换器（ADC）变成数字信号。这里的关键参数是采样率——根据奈奎斯特采样定理，采样率至少是信号频率的2倍。例如，监测齿轮箱振动，若关注5kHz的频率成分，采样率应不低于10kHz。同时，要合理设置分辨率（如16位或24位），分辨率越高，能分辨的微小变化越精细。
原始数据常包含工频干扰、脉冲噪声和缺失值。预处理通常包括三步：去噪（如用小波变换或滑动平均滤除随机噪声）、归一化（将不同量纲的数据缩放到同一范围，便于比较）和特征提取（如计算均方根、峰值因子等时域指标，或通过傅里叶变换得到频谱）。例如，在风机监测中，对振动信号做包络谱分析，能提前数周发现轴承早期磨损。值得注意的是，预处理不能过度“美化”数据，否则会掩盖真实故障特征。
某汽车厂在冲压机上部署了数十个振动和温度传感器，采集的数据经边缘计算预处理后，上传至云平台训练机器学习模型。结果，非计划停机减少了40%。当前，趋势是“智能传感器”内置预处理功能，以及采用时间敏感网络（TSN）实现微秒级同步采集。但无论技术如何演进，理解物理原理、合理选型和严谨预处理，始终是工业监测可靠性的基石。
