📚 课程目录第2章嵌入式信号处理基础

嵌入式信号处理基础：采样定理、离散信号、时域与频域概念、嵌入式环境下的资源约束

在进入CMSIS-DSP的RMS能量特征提取与异常检测之前，我们必须先夯实信号处理的地基。嵌入式信号处理与桌面端或云端处理最大的区别在于：我们面对的是有限资源下的实时数据流，而非离线批量数据。本章将围绕四个核心主题展开：采样定理如何决定信号采集的边界，离散信号如何从连续物理世界映射而来，时域与频域如何互为镜像地描述同一信号，以及嵌入式环境下的资源约束如何反向塑造算法设计。理解这些基础，才能正确选择RMS窗口长度、合理设置采样率、预判FFT或滤波器的计算开销，从而避免在后续章节中出现“算法正确但系统跑不动”或“采集数据失真导致误判”的工程陷阱。

上图勾勒了本章的知识框架：物理信号经过采样定理的约束转换为离散信号，离散信号既可以在时域直接分析，也可以通过变换进入频域分析，而所有处理都必须嵌入在资源约束的边界内。下面我们逐一深入。

2.1 采样定理：从连续到离散的桥梁

核心原理

采样定理（Nyquist-Shannon定理）是模拟世界与数字世界之间的“海关规则”。它指出：为了能从采样后的离散信号无失真地重建原始连续信号，采样频率 \( f_s \) 必须大于信号中最高频率分量 \( f_{max} \) 的两倍，即 \( f_s > 2f_{max} \)。这里的 \( 2f_{max} \) 被称为奈奎斯特频率。在实际工程中，我们通常取 \( f_s = 2.5 \sim 10 \) 倍的 \( f_{max} \)，以留出抗混叠滤波器的过渡带余量。

为什么是“大于”而非“大于等于”？因为当 \( f_s = 2f_{max} \) 时，采样点恰好落在正弦波的过零点与峰值点，相位稍有偏移就会导致幅度信息丢失。工程上从不使用临界值。

判断方法与操作流程

确定采样率的标准流程如下：

明确信号带宽：通过传感器手册或预实验确定被测信号的最高有效频率。例如，电机轴承故障特征频率通常在2kHz以内，但冲击脉冲可能达到20kHz。
选择抗混叠滤波器：在ADC之前放置低通滤波器，截止频率设为 \( f_{cut} \)，确保 \( f_{cut} \leq f_s/2 \)。滤波器阶数越高，过渡带越窄，但相位延迟越大。
计算采样率：\( f_s = k \cdot f_{cut} \)，k通常取2.5~4。若使用CMSIS-DSP的FIR滤波器做抗混叠，还需考虑滤波器计算开销。
验证：采集已知频率的标准信号，检查频谱中是否存在镜像频率。

风险提示：混叠是采样中最隐蔽的敌人。若信号中存在高于 \( f_s/2 \) 的频率成分，它们会“折叠”回低频区，形成虚假的频率分量。例如，采样率1kHz时，一个600Hz的信号会被误认为400Hz。这会导致RMS能量计算出现严重偏差，进而引发异常检测的误报或漏报。

案例拆解：振动监测的采样率选择

假设我们要监测一台离心泵的振动信号，用于轴承磨损检测。已知轴承外圈故障特征频率约为180Hz，但齿轮啮合频率为1.2kHz，且存在轻微的2kHz高频噪声。

初始方案：工程师A直接选择 \( f_s = 2kHz \)，认为180Hz远低于1kHz奈奎斯特频率。
问题：1.2kHz的齿轮啮合频率高于1kHz奈奎斯特频率，发生混叠，在频谱中产生200Hz的虚假分量，恰好与故障特征频率180Hz接近，导致误判。
修正方案：将采样率提升至5kHz，并在ADC前加入截止频率为2kHz的二阶巴特沃斯低通滤波器。此时奈奎斯特频率为2.5kHz，1.2kHz信号被保留，2kHz噪声被衰减40dB。
结果：频谱清晰，180Hz故障特征明显，RMS能量基线稳定。
代价：采样率提高导致每秒数据量从2k样本增至5k样本，CPU负载增加约15%，但仍在STM32F4系列（Cortex-M4F）的承受范围内。

复盘经验：采样率不是越高越好，而是“够用且留有余量”。过高的采样率会浪费存储和计算资源，过低则导致信息丢失。务必先做频谱预扫，再定采样率。

2.2 离散信号：ADC量化与时间离散化

核心原理

离散信号 \( x[n] \) 是连续信号 \( x(t) \) 在等间隔时间点上的采样值，即 \( x[n] = x(n \cdot T_s) \)，其中 \( T_s = 1/f_s \) 为采样周期。除了时间上的离散化，幅度上也必须量化——ADC将连续的电压值映射为有限位数的二进制数。量化步长 \( \Delta = V_{ref}/2^N \)，其中N为ADC位数，\( V_{ref} \) 为参考电压。

量化过程会引入量化噪声，其理论信噪比（SNR）为 \( SNR = 6.02N + 1.76 \) dB。例如，12位ADC的理论SNR为74dB，16位ADC为98dB。在嵌入式环境中，我们常用12位或16位ADC，需根据信号动态范围选择。

操作流程：配置ADC与DMA

// 以STM32 HAL库为例，配置ADC1通道0，12位分辨率，DMA循环模式
ADC_HandleTypeDef hadc1;
hadc1.Instance = ADC1;
hadc1.Init.ClockPrescaler = ADC_CLOCK_SYNC_PCLK_DIV4;
hadc1.Init.Resolution = ADC_RESOLUTION_12B;
hadc1.Init.ScanConvMode = DISABLE;
hadc1.Init.ContinuousConvMode = ENABLE;
hadc1.Init.DMAContinuousRequests = ENABLE;
HAL_ADC_Init(&hadc1);

// 启动DMA传输，数据存入uint16_t buffer[1024]
HAL_ADC_Start_DMA(&hadc1, (uint32_t*)buffer, 1024);

注意：DMA缓冲区大小决定了每次可处理的数据块长度。对于RMS计算，通常需要至少一个完整周期的数据，建议缓冲区长度覆盖10~20个信号周期。

常见误区

忽略参考电压精度：Vref的温漂会直接影响测量精度，应使用外部精密基准源。
未处理直流偏置：若信号含有直流分量，RMS计算会包含DC能量，导致异常检测阈值偏移。应在软件中先做去直流处理（减去均值）。
DMA半满中断使用不当：建议使用双缓冲（乒乓缓冲），在DMA半满和全满中断中交替处理数据，避免数据覆盖。

2.3 时域与频域：同一信号的两种视角

核心原理

时域描述信号幅度随时间的变化，直观但难以分离多个频率成分。频域通过傅里叶变换将信号分解为不同频率的正弦波叠加，揭示频率构成。两者通过傅里叶变换对相互转换：\( X(f) = \int_{-\infty}^{\infty} x(t)e^{-j2\pi ft}dt \)。在嵌入式系统中，我们使用离散傅里叶变换（DFT）及其快速算法FFT。

RMS能量在时域定义为 \( x_{RMS} = \sqrt{\frac{1}{N}\sum_{n=0}^{N-1}x^2[n]} \)，在频域则与功率谱的平方根相关。Parseval定理保证了时域能量等于频域能量，这为我们在两个域之间切换提供了理论依据。

对比分析

维度	时域分析	频域分析
计算量	低（O(N)）	高（FFT为O(N log N)）
实时性	逐点计算，延迟低	需攒够一帧数据，延迟高
信息量	幅度、能量、峰值	频率成分、谐波、边带
适用场景	RMS能量、峭度、峰值因子	轴承故障特征频率、齿轮啮合频率
内存占用	仅需当前样本	需存储整帧数据（如1024点）

案例拆解：电机电流信号的RMS与FFT联合诊断

某工厂的异步电机出现间歇性过载，工程师采集三相电流信号。初始仅计算RMS值，发现RMS在2.3A~2.8A之间波动，但无法判断原因。

时域分析：RMS值波动范围约20%，初步判断存在异常，但无法定位。
频域分析：对电流信号做1024点FFT，发现50Hz基频附近出现边带，边带间隔为8Hz。查表得知，8Hz对应转子断条故障特征频率。
联合判断：RMS波动正是由于转子断条导致的转矩脉动引起。
处理：更换转子后，RMS稳定在2.4A±0.1A，边带消失。

复盘：RMS适合做快速粗筛，FFT适合做精确诊断。在嵌入式系统中，建议先用低成本的时域RMS做持续监测，当RMS超过阈值时再触发FFT做深入分析，以节省CPU资源。

2.4 嵌入式环境下的资源约束与算法权衡

核心原理

嵌入式处理器（如Cortex-M系列）的资源约束包括：CPU主频（通常16~400MHz）、RAM（几KB到几MB）、Flash（几十KB到几MB）、功耗预算（mW级）以及实时性要求（响应时间ms级）。CMSIS-DSP库针对这些约束做了优化，例如使用Q15或Q31定点格式替代浮点，利用SIMD指令加速。

资源约束直接影响算法选择：

RMS计算：仅需乘加运算，适合定点实现，计算量O(N)，内存占用极小。
FFT：需要旋转因子表（如1024点FFT需4KB），且要求数据对齐，内存占用较大。
FIR滤波器：每个输出样本需要M次乘加（M为滤波器阶数），阶数越高，阻带衰减越好，但计算量线性增长。

操作流程：资源预算评估

确定采样率和数据块长度：例如 \( f_s=4kHz \)，每帧1024点，则每帧时间256ms。
计算CPU负载：CMSIS-DSP的arm_rms_f32处理1024点约需 \( 1024 \times 4 \) 周期（Cortex-M4F带FPU），若主频168MHz，则耗时约 \( 4096/168M \approx 24\mu s \)，占每帧时间的0.01%，可忽略。
评估FFT开销：1024点FFT（arm_cfft_f32）约需 \( 1024 \times 10 \) 周期，耗时约 \( 10240/168M \approx 61\mu s \)，同样可接受。
内存预算：1024点float32缓冲区需4KB，FFT需额外4KB，加上其他变量，总RAM约10KB，对于STM32F4（192KB RAM）绰绰有余。

经验法则：在Cortex-M4F上，CMSIS-DSP的浮点运算效率接近硬件FPU极限。若使用Cortex-M0+（无FPU），则需改用Q15定点格式，计算速度提升2~4倍，但动态范围受限，需注意溢出。

常见误区与总结

误区1：盲目使用浮点：在无FPU的MCU上，浮点运算由软件模拟，速度慢10~20倍。应优先使用arm_rms_q15或arm_rms_q31。
误区2：忽略中断延迟：DMA中断处理若耗时过长，会阻塞主循环。建议在中断中只做数据搬运，计算放在主循环。
误区3：未考虑功耗：高频采样和持续FFT会显著增加功耗。对于电池供电设备，可降低采样率或采用“事件触发”模式——平时低功耗待机，RMS超阈值时唤醒做FFT。