4、信号预处理：去直流、滤波（低通/带通）、去噪、归一化、滑动窗口分割、数据增强方法

电机振动信号在进入STM32端侧模型之前，必须经过系统化的预处理链路。原始振动数据由加速度传感器（如ADXL345、MPU6050或IIS3DWB）采集，通常包含传感器偏置、工频干扰、机械噪声以及环境随机扰动。若将这些原始信号直接送入神经网络或阈值判断器，模型极易被直流分量和高频毛刺误导，导致误报率显著上升。本章围绕端侧部署的算力与存储约束，系统讲解去直流、滤波、去噪、归一化、滑动窗口分割与数据增强六大环节，并给出适用于STM32F4/H7系列的工程化实现路径。

STM32端侧振动信号预处理链路 加速度传感器 IIS3DWB / ADXL345 去直流 高通滤波 / 均值减除 滤波 低通 / 带通 FIR 去噪 小波 / 中值 / 移动平均 归一化 Min-Max / Z-score 滑动窗口分割 256点 / 50%重叠 数据增强 加噪 / 缩放 / 时移 特征提取 / 模型推理 时域 / 频域 / 轻量级CNN 预处理顺序：传感器 → 去直流 → 滤波 → 去噪 → 归一化 → 窗口分割 → 增强 → 推理

上图展示了端侧振动信号预处理的完整链路。在实际工程中，每个环节的参数选择都直接影响后续模型的识别精度与实时性。下面逐一展开各步骤的核心原理、实现方法与STM32适配策略。

4.1 去直流：消除传感器偏置与重力分量

核心原理：加速度传感器输出的原始信号通常包含一个接近常数的直流偏置，该偏置来源于传感器自身的零g偏移（Zero-g Offset）以及安装姿态引入的重力分量。对于旋转电机而言，重力在传感器各轴上的投影是缓慢变化的，但相对于高频振动信号而言可视为直流。若不去除直流，后续的FFT频谱分析中0Hz处会出现巨大能量峰，掩盖低频故障特征（如转频、边频带）。

判断方法与操作流程：在STM32上实现去直流有两种常用方式：

  • 均值减除法：对一段静态数据（如256点）求平均值，然后从每个采样点中减去该均值。适用于信号平稳、电机转速恒定的场景。
  • 一阶高通滤波器：采用IIR结构，传递函数为 y[n] = α(y[n-1] + x[n] - x[n-1])，其中α = 1/(1+2πfc/fs)，fc为截止频率（通常取5~10Hz），fs为采样率。该法实时性更好，适合连续数据流。
// STM32 一阶高通滤波实现（fc=5Hz, fs=2000Hz）
#define ALPHA 0.9844f  // α = 1/(1+2π*5/2000)
float highpass_filter(float x, float *y_prev, float *x_prev) {
    float y = ALPHA * (*y_prev + x - *x_prev);
    *y_prev = y;
    *x_prev = x;
    return y;
}
经验提示：对于电池供电的无线传感器节点，去直流环节还能有效降低信号幅值范围，使得ADC采样精度利用率更高。建议在去直流后再进行增益调整，避免信号削顶。

4.2 滤波：低通与带通设计

核心原理：电机振动信号的有效频带通常集中在10Hz~5kHz之间。低于10Hz的分量多为转速波动或安装松动引起的低频漂移；高于5kHz的分量多为齿轮啮合高频噪声或传感器谐振。因此，根据故障类型选择合适的滤波器至关重要：

故障类型 特征频带 推荐滤波器 STM32实现方式
轴承外圈/内圈故障 1kHz~4kHz 带通（1k~4k） FIR 64阶，系数离线生成
转子不平衡/不对中 10Hz~500Hz 低通（截止500Hz） IIR Butterworth 4阶
齿轮断齿/磨损 2kHz~6kHz 带通（2k~6k） FIR 128阶，需DMA传输

案例拆解：某工业风机轴承故障诊断项目中，原始采样率设为20kHz，但STM32F407的CPU主频仅168MHz。若直接使用128阶FIR滤波器，每个采样点需128次乘加运算，20kHz采样率下需2.56M MAC/s，CPU占用率约15%，尚可接受。但若同时运行FFT和神经网络推理，则需将采样率降至8kHz，并采用64阶FIR，将CPU占用率控制在8%以内。

风险提示：IIR滤波器虽然计算量小，但存在相位非线性问题，可能扭曲故障特征波形。对于需要保持波形形状的时域特征提取（如峰值、峭度），建议使用FIR滤波器或采用零相位滤波（离线处理时）。

4.3 去噪：小波变换与中值滤波

核心原理：振动信号中的噪声主要来自电磁干扰、机械摩擦和传感器热噪声。传统低通滤波在去除噪声的同时也会削弱故障特征的高频成分。小波变换通过多分辨率分析，能在保留信号突变特征的同时抑制噪声。但在STM32上实现完整的小波包分解计算量过大，实际工程中常采用以下折中方案：

  1. 中值滤波：对滑动窗口内的数据排序取中值，能有效去除脉冲噪声（如电磁干扰尖峰），窗口长度取3~7点。
  2. 移动平均平滑：对信号进行N点滑动平均，等效于低通滤波，但计算简单，适合实时处理。
  3. 小波阈值去噪（离线）：在PC端使用Python PyWavelets对采集的数据进行离线去噪，生成干净的数据集用于模型训练；端侧推理时不再做小波去噪，以节省算力。
// STM32 中值滤波（窗口=5）
uint16_t median_filter5(uint16_t *buf) {
    // 冒泡排序取中值，实际工程可用插入排序优化
    for (int i=0; i<4; i++)
        for (int j=0; j<4-i; j++)
            if (buf[j] > buf[j+1]) {
                uint16_t tmp = buf[j]; buf[j] = buf[j+1]; buf[j+1] = tmp;
            }
    return buf[2];
}
实战要点：在端侧部署时，建议将去噪环节分为两级：前端硬件RC低通（截止频率10kHz）滤除高频干扰，软件中值滤波（窗口3）去除脉冲噪声。这种组合方式在STM32上仅消耗约2%的CPU资源，却能显著提升信噪比。

4.4 归一化：让特征尺度统一

核心原理：不同电机、不同安装位置、不同负载下，振动信号的幅值差异可能达到10倍以上。若直接使用原始幅值训练模型，大振幅样本会主导损失函数，导致模型对小振幅故障不敏感。归一化将所有样本映射到统一尺度，常用方法包括：

  • Min-Max归一化：将数据线性映射到[0,1]区间，公式为 x' = (x - x_min) / (x_max - x_min)。需预先统计全局最小/最大值，适合离线训练。
  • Z-score标准化：使数据均值为0、标准差为1，公式为 x' = (x - μ) / σ。对异常值鲁棒性更好，适合在线推理。
  • 值最大归一化：将数据除以最大值，映射到[-1,1]，适合振动信号这种正负对称的波形。

STM32实现策略：由于端侧无法预知全局最大最小值，推荐使用Z-score标准化。在系统初始化时，采集一段静态数据（如1秒）计算均值μ和标准差σ，之后实时计算标准化值。若电机工况变化较大，可每隔10分钟动态更新μ和σ。

// STM32 Z-score 归一化（浮点运算）
float zscore_normalize(float x, float mean, float std) {
    return (x - mean) / std;
}
// 注意：std需加极小值防止除零，如 std + 1e-6f
经验提示：对于STM32F4系列，浮点运算单元（FPU）已支持硬件浮点，但建议将μ和σ预先转换为定点数（Q15格式）以提升速度。例如将σ缩放为2的幂次，用移位代替除法。

4.5 滑动窗口分割：构造时间序列样本

核心原理：振动信号是连续时间序列，而模型训练需要固定长度的输入样本。滑动窗口分割将长序列切分为多个重叠或非重叠的短片段，每个片段作为一个独立样本。窗口长度和重叠率直接影响样本数量与时间分辨率：

参数 推荐值 说明
窗口长度 256点（0.128s@2kHz） 包含至少10个旋转周期（电机转速1500rpm时）
重叠率 50% 增加样本数量，缓解数据不足
步长 128点 窗口长度×(1-重叠率)

操作流程：在STM32上实现滑动窗口时，采用环形缓冲区（Circular Buffer）管理数据流。DMA持续将ADC数据写入缓冲区，当缓冲区中新增128个新数据时，取出最近256个点作为一个窗口样本，送入特征提取模块。这种机制保证了实时性，且内存占用仅需256×2字节（16位ADC）。

// 环形缓冲区实现（简化版）
#define BUF_SIZE 256
int16_t ring_buf[BUF_SIZE];
uint16_t write_idx = 0;

void add_sample(int16_t val) {
    ring_buf[write_idx] = val;
    write_idx = (write_idx + 1) % BUF_SIZE;
}

// 当write_idx每增加128时，触发一次窗口处理
void process_window(void) {
    int16_t window[256];
    uint16_t start = (write_idx + BUF_SIZE - 256) % BUF_SIZE;
    for (int i=0; i<256; i++) {
        window[i] = ring_buf[(start + i) % BUF_SIZE];
    }
    // 送入特征提取或模型推理
}
常见误区：窗口长度过短（如64点）会导致频率分辨率不足（Δf = fs/N = 2000/64 = 31.25Hz），无法区分相邻的故障特征频率；窗口过长（如1024点）则增加推理延迟，且样本数量减少。需根据电机转速和故障特征频率综合确定。

4.6 数据增强：扩充样本多样性

核心原理：工业场景中，故障样本往往稀缺（如轴承磨损初期数据难以采集）。数据增强通过对原始样本施加微小变换，生成语义不变的新样本，提升模型泛化能力。针对振动信号，常用增强方法包括：

  • 加性高斯白噪声：向信号添加SNR=20~30dB的噪声，模拟不同噪声环境。
  • 时间缩放：将信号在时间轴上拉伸或压缩5%~10%，模拟转速波动。
  • 幅值缩放：随机乘以0.8~1.2的系数，模拟负载变化。
  • 时间平移：将窗口在原始序列上随机偏移，增加样本多样性。
  • 频谱扰动：在频域对特定频带进行小幅增益调整，模拟不同共振特性。

案例拆解：在某电机轴承故障诊断项目中，原始采集数据为正常样本2000个、外圈故障样本150个、内圈故障样本120个。通过以下增强策略将故障样本扩充至每类1000个：

  1. 对每个故障样本添加SNR=25dB的高斯噪声，生成3个变体；
  2. 对每个变体进行时间缩放（0.95倍和1.05倍），生成2个变体；
  3. 对每个结果进行幅值缩放（0.9倍和1.1倍），生成2个变体。

最终每类故障样本数 = 150 × 3 × 2 × 2 = 1800个（外圈），120 × 3 × 2 × 2 = 1440个（内圈）。训练后的模型在真实测试集上准确率从82.3%提升至94.7%，且过拟合现象显著减少。

工程注意：数据增强应在PC端离线完成，增强后的数据集用于训练模型。STM32端侧推理时不做增强，仅执行去直流、滤波、归一化和窗口分割。增强参数（如噪声SNR、缩放范围）需根据实际工况调整，避免过度增强导致样本失真。

4.7 预处理链路整体调优与验证

核心原理：预处理各环节并非独立，参数之间存在耦合。例如，滤波截止频率会影响去噪效果，归一化参数会影响窗口分割后的数据分布。因此，需要建立一套完整的验证流程：

验证步骤 方法 通过标准
1. 静态测试 采集电机停机时的数据，检查去直流后均值是否接近0 均值值 < 0.01g
2. 频谱验证 对滤波后的信号做FFT，检查特征频率是否清晰 故障特征频率幅值 > 噪声底3倍
3. 实时性测试 用定时器测量预处理耗时 总耗时 < 采样周期的一半
4. 模型对比 分别用原始信号和预处理后信号训练模型 预处理后准确率提升 > 5%

总结复盘：在STM32端侧实现振动信号预处理，核心原则是“在算力与效果之间取平衡”。去直流和滤波是基础，必须保证；去噪和归一化根据场景选择；滑动窗口分割是连接信号与模型的桥梁；数据增强在离线阶段完成。建议在项目初期先搭建PC端Python预处理流水线，验证各环节参数的有效性，再移植到STM32上。移植时优先使用定点数运算和查表法优化耗时函数，确保系统实时性。

最终建议：将预处理模块封装为独立函数库，输入为ADC原始数据指针，输出为归一化后的窗口样本。这样便于单元测试和后续复用。同时，在STM32上保留调试接口（如串口打印预处理后的波形数据），便于现场调参和故障排查。
← 上一章 📖 返回目录 下一章 →