基于STM32F4与FFT的高精度正弦波幅值、频率、相位差测量实战

简介：本资源是一套基于STM32F4系列MCU实现正弦波信号高精度参数测量的完整嵌入式工程，面向嵌入式开发工程师、电子类专业学生及信号处理初学者，解决工业传感、电力监测、音频分析等场景中对幅值、频率与相位差的实时FFT测量需求。压缩包含109个文件（50个.h头文件定义外设与算法接口，49个.c源文件涵盖ADC采样、TIM定时触发、RCC时钟配置、LCD显示及核心FFT计算模块），辅以Keil MDK工程文件（uvprojx/uvoptx）、批处理脚本（keilkilll.bat）和HEX固件，总大小574KB，结构清晰、模块解耦，便于理解信号采集→频域转换→参数提取全流程。已有741人学习下载，提供可直接编译运行的实战代码，包含抗混叠采样配置、2048点FFT优化实现、频谱校准与相位差查表补偿等关键细节，显著降低FFT在资源受限MCU上的落地门槛。

1. 项目概述与核心价值

在嵌入式信号处理领域，尤其是工业控制、电力监测、音频分析和振动检测等场景中，我们常常需要从传感器采集到的模拟信号里，精准地提取出几个核心参数：信号的幅值、频率以及不同信号之间的相位差。比如，你想知道一个振动传感器的输出频率是多少赫兹，或者想分析电网电压和电流之间的相位差来计算功率因数。对于像STM32F4这类搭载了Cortex-M4内核、带有硬件浮点单元和DSP指令集的微控制器来说，实现这些功能不再是遥不可及的任务，它完全有能力在片上实时完成复杂的数字信号处理。

这个项目的核心，就是利用STM32F4的ADC采集正弦波信号，然后通过FFT（快速傅里叶变换）算法，在微控制器内部计算出信号的幅值、频率和相位差。听起来像是大学数字信号处理课程里的实验？没错，原理是相通的，但我们要做的是把它工程化、实用化，解决在实际嵌入式环境中会遇到的各种“坑”。网上能找到的很多例程，要么只演示了FFT计算，对精度避而不谈；要么忽略了相位计算，或者没有考虑频谱泄露和栅栏效应带来的误差。我们这次要做的，就是把这些细节掰开揉碎，实现一个真正能用于实际测量、精度可靠的解决方案。

2. 系统整体设计与思路拆解

2.1 为什么选择FFT而不是其他方法？

测量正弦波参数，除了FFT，还有很多其他方法。比如过零检测法测频率，峰值检测法测幅值，相关法测相位差。这些方法在MCU资源极其有限或者对实时性要求极高（但精度要求一般）的场合可能更合适。然而，FFT方法有几个不可替代的优势：

1. 抗噪声能力强：FFT本质上是对信号进行频谱分析，能够有效区分信号频率成分和噪声频率成分。如果信号中混有高频噪声或工频干扰，通过选择合适的采样率和分析频带，可以在一定程度上抑制噪声的影响，这是时域过零检测法难以做到的。
2. 能同时获取所有参数：一次FFT计算，可以得到信号在所有频率点上的幅值和相位信息。这意味着我们不仅能得到基波的幅值、频率、相位，还能同时分析信号的谐波成分（总谐波失真THD分析），这是其他单一功能方法无法比拟的。
3. 适用于非平稳信号分析（短时）：虽然标准的FFT假设信号是周期平稳的，但通过加窗和分段处理，我们可以分析频率成分缓慢变化的信号。

对于STM32F4来说，其拥有的单精度浮点单元（FPU）和DSP库，为进行浮点或定点FFT计算提供了强大的硬件加速支持，使得在数百毫秒内完成1024点甚至2048点的FFT成为可能，完全满足许多中低速实时处理的需求。

2.2 硬件平台与信号链考量

项目的硬件核心是STM32F4系列MCU，例如STM32F407或F429。关键的外设和硬件设计要点如下：

• ADC配置：这是精度之源。必须使用STM32F4的16位ADC（如ADC1），并配置在独立模式、12位分辨率下工作。为了提高信噪比和有效位数（ENOB），建议启用过采样功能。采样率Fs的设定是第一个关键决策，它必须严格遵守奈奎斯特采样定理，即Fs > 2 * Fsignal_max。例如，要测量最高1kHz的信号，采样率至少需要大于2kHz。在实际中，为了获得更好的频谱分辨率并减少频谱泄露，我们通常会让采样率是信号频率的整数倍再乘以一个较大的数（如128倍以上）。
• 定时器触发：ADC的采样必须由定时器（如TIM2）以精确、等间隔的方式触发。绝对不能使用软件延时或中断内开启ADC这种非均匀采样方式，否则会引入严重的频谱分析误差。配置定时器产生一个固定频率的更新事件来触发ADC的扫描转换。
• 信号调理电路：STM32F4的ADC输入范围通常是0-3.3V。如果待测信号是双极性的（如-1V到+1V的正弦波），则需要一个前端调理电路，通常包括一个运算放大器构成的电平抬升和缩放电路，将信号偏移并缩放到ADC的最佳输入范围内（例如0.1V至3.2V，避免饱和与非线性区）。
• 基准电压：使用一个稳定、低噪声的基准电压源（如MCU内部的VREFINT或外部的精密基准源）作为ADC的参考电压，这是保证幅值测量绝对精度的基础。
• 内存规划：FFT运算需要一块连续的存储区来存放时域样本和频域结果。对于1024点的浮点FFT，输入和输出数组各需要1024 * sizeof(float) * 2 = 8KB的空间（因为ARM DSP库的FFT函数通常需要复数输入，虚部置零）。这需要仔细规划内存，确保数组定义在RAM中连续且对齐的地址上（通常需要32字节对齐以发挥DSP库最大性能）。

2.3 软件架构与流程设计

整个软件的运行流程是一个典型的数据采集-处理-输出管道：

1. 初始化：配置系统时钟、GPIO、定时器、ADC、DMA。DMA配置为循环模式，将ADC转换结果自动搬运到指定的内存数组（adc_buffer）中。
2. 数据采集：定时器启动，以固定频率Fs触发ADC。ADC通过DMA持续填充adc_buffer。当采集够一个FFT所需的点数N（如1024）时，产生一个半满或全满中断，通知主程序数据块准备就绪。
3. 预处理：将DMA缓冲区中的原始ADC值（12位整数）转换为电压值浮点数。然后进行直流分量移除（减去平均值），这是关键一步，否则直流分量会在频谱的0Hz处产生一个很大的峰值，可能影响对基波幅值的判断。接着，对时域数据进行加窗处理（如汉宁窗），以减少频谱泄露。
4. FFT计算：调用ARM CMSIS-DSP库中的arm_cfft_f32函数对预处理后的浮点数组进行FFT运算。该函数是高度优化的，利用了M4的FPU和SIMD指令。
5. 频谱分析：计算FFT输出复数结果的模值（幅值谱）和相位。寻找幅值谱中基波频率对应的峰值点k_peak。
6. 参数计算：
   • 频率：F = k_peak * Fs / N。这是最基本的公式，但直接这样计算精度受限于频谱分辨率Fs/N。我们需要通过频谱细化技术（如比值法）来提高频率估计精度。
   • 幅值：对于加窗后的信号，峰值处的模值需要除以一个窗函数的相干增益系数进行校正，才能得到真实的幅值。例如，汉宁窗的相干增益是0.5。
   • 相位差：计算两个同频信号在k_peak处的相位角（通过atan2(imag, real)计算），然后求差。注意相位角的范围是-π到+π，做差后可能需要规范化到-π到+π或0到2π。
7. 输出与后续：将计算出的频率、幅值、相位差通过串口发送到上位机，或者显示在LCD上，亦或用于后续的控制算法。

注意：整个过程中，ADC采样时间的稳定性、时基的精度、以及FFT点数N的选择，共同决定了最终测量结果的精度上限。软件算法只能尽可能逼近这个上限，而无法超越硬件引入的误差。

3. 核心细节解析与实操要点

3.1 ADC采样与抗混叠滤波

这是整个系统最前端的部分，也是最容易引入误差的环节。

• 采样率Fs的选择：Fs必须大于信号最高频率的两倍，这是底线。但为了在频域获得更好的分辨率，Fs不宜过高。因为对于固定的FFT点数N，频率分辨率Δf = Fs / N。Fs越高，Δf越大，频率分辨能力反而下降。通常，我们让Fs大约是信号预期频率的20~100倍，这样既能采集到足够多的信号周期，又能保证一定的频率分辨率。例如，测量50Hz工频信号，Fs可以设置为50 * 64 = 3200 Hz。
• 抗混叠滤波器：这是硬件上必须的。如果信号中包含了高于Fs/2的频率成分，它们会以“混叠”的形式折叠到0~Fs/2的频带内，造成无法消除的干扰。必须在ADC输入端加入一个低通滤波器（无源RC或有源运放滤波器），其截止频率略低于Fs/2，以衰减高频噪声和可能的干扰信号。
• ADC采样时间：STM32F4的ADC采样时间需要足够长，让采样保持电容上的电压能够跟随输入信号的变化。对于有一定源阻抗的信号，需要增加采样周期。可以通过测量一个已知的方波信号，观察ADC转换结果的上升沿是否陡峭，来调整和确定最佳的采样时间。

3.2 窗函数的选择与应用

由于我们截取的是无限长信号中的一段（N个点），这相当于给原始信号乘上了一个矩形窗。矩形窗在频域的旁瓣很高，会导致严重的频谱泄露，即一个频率点的能量会“泄露”到其他频点，使得幅值测量不准，频率识别模糊。

加窗就是为了抑制频谱泄露。常用的窗函数有：

• 汉宁窗：最通用，能很好地平衡主瓣宽度（频率分辨率）和旁瓣抑制。在音频和通用频谱分析中广泛应用。
• 汉明窗：与汉宁窗类似，但第一个旁瓣抑制得更好，主瓣稍宽。
• 平顶窗：主瓣很宽，频率分辨率差，但幅值精度极高。适用于需要精确测量幅值，而对频率定位要求不高的场合。

在代码中，加窗就是在FFT前，对时域数组的每个点x[i]乘以窗函数系数w[i]：

for (int i = 0; i < FFT_LENGTH; i++) { time_data[i] = adc_voltage[i] * hann_window[i]; // hann_window 需预先计算好 }

加窗后，FFT计算出的幅值需要除以窗函数的相干增益进行修正。对于汉宁窗，这个系数是0.5。ARM DSP库也提供了窗函数生成函数arm_hann_f32。

3.3 利用CMSIS-DSP库进行高效FFT

STM32CubeIDE或Keil MDK中集成了ARM的CMSIS-DSP软件库，它包含了高度优化的FFT函数。

1. 初始化FFT实例：对于固定点数的FFT，我们需要先初始化一个FFT实例结构体，这个结构体包含了旋转因子等预计算好的数据，能显著加速后续的FFT计算。

   #include “arm_math.h” #define FFT_LENGTH 1024 arm_cfft_instance_f32 S; arm_status status; status = arm_cfft_init_f32(&S, FFT_LENGTH); if (status != ARM_MATH_SUCCESS) { // 初始化失败处理 }

2. 准备数据：库函数要求输入输出是交错排列的复数数组float32_t pSrc[2*FFT_LENGTH]，其中pSrc[2*i]是实部，pSrc[2*i+1]是虚部。对于实信号，我们将ADC转换后的电压值放入实部，虚部全部置零。

   float32_t fft_input_buf[2 * FFT_LENGTH]; for (int i = 0; i < FFT_LENGTH; i++) { fft_input_buf[2*i] = time_data[i]; // 实部 = 加窗后的电压值 fft_input_buf[2*i+1] = 0.0f; // 虚部 = 0 }

3. 执行FFT：

   arm_cfft_f32(&S, fft_input_buf, 0, 1);

   参数0表示正向FFT（时域到频域），1表示按位反转输出（库函数要求）。

4. 计算幅值谱和相位谱：FFT输出fft_input_buf现在变成了复数频谱。我们需要计算每个频点k的模值（幅值）和相位。

   float32_t mag[FFT_LENGTH/2]; // 只取前N/2点，因为实信号频谱是对称的 float32_t phase[FFT_LENGTH/2]; for (int k = 0; k < FFT_LENGTH/2; k++) { float32_t real = fft_input_buf[2*k]; float32_t imag = fft_input_buf[2*k+1]; mag[k] = sqrtf(real*real + imag*imag); // 模值 phase[k] = atan2f(imag, real); // 相位，单位弧度 }

   注意，mag[k]需要经过窗函数修正和FFT缩放（通常库函数FFT没有进行1/N的缩放，需要我们自己处理）才能代表真实的幅值。

4. 高精度参数计算算法实现

4.1 频率估算：超越栅栏效应

直接通过最大幅值对应的索引k_peak计算频率(k_peak * Fs / N)，其精度受限于频率分辨率Fs/N。这就是“栅栏效应”，我们只能看到离散频点上的值，真实峰值可能落在两个频点之间。

为了提高频率估计精度，可以采用插值算法，最常用的是比值法（也称为“幅度比值法”或“频域插值法”）。

假设我们在索引k处找到幅值最大值|X(k)|，其左右两个频点的幅值分别为|X(k-1)|和|X(k+1)|。定义比值α：α = |X(k+1)| / |X(k)|（假设|X(k+1)| > |X(k-1)|，否则用|X(k-1)|并调整符号）。

对于汉宁窗，频率偏移量δ可以通过以下公式估算：δ ≈ (2α - 1) / (1 + α)

那么，更精确的频率f为：f = (k + δ) * Fs / N

这个简单的插值算法，可以将频率估计的精度提高一到两个数量级，远优于Fs/N的分辨率限制。

4.2 幅值计算与窗函数修正

FFT计算出的复数结果X(k)的模值|X(k)|，并不直接等于原始信号中该频率成分的幅值A。它们之间的关系受到两个因素影响：

1. FFT缩放因子：常见的FFT实现（包括ARM CMSIS-DSP库的arm_cfft_f32）没有进行1/N的缩放。因此，|X(k)|是放大了N倍的结果。对于单频信号，其理论幅值关系为：|X(k_peak)| ≈ (N * A) / 2。
2. 窗函数的影响：加窗会导致信号能量分散。需要使用窗函数的相干增益G_coherent进行补偿。对于汉宁窗，G_coherent = 0.5。

因此，对于加汉宁窗的信号，真实的幅值A计算公式为：A = (2 * |X(k_peak)|) / (N * G_coherent) = (2 * |X(k_peak)|) / (N * 0.5) = (4 * |X(k_peak)|) / N

如果使用了其他窗函数，需要查找其对应的相干增益值。此外，如果采用了上述的频率插值，幅值也需要进行相应的插值修正，公式会更复杂一些，但对于精度要求不是极端高的场合，直接用峰值点的修正公式已经足够。

4.3 相位差计算与解缠绕

相位计算相对直接，通过atan2(imag, real)可以得到-π到+π范围内的相位角φ。

计算单个信号相位：φ_signal = atan2f(X_imag[k_peak], X_real[k_peak])

计算两个信号间的相位差： 假设信号A和信号B的FFT结果在基波峰值处的复数分别为X_A和X_B。

1. 计算各自的相位：φ_A = atan2f(imag_A, real_A),φ_B = atan2f(imag_B, real_B)。
2. 相位差：Δφ = φ_B - φ_A。
3. 相位解缠绕：由于atan2的结果范围是-π到+π，当真实相位差超过这个范围时，计算出的Δφ会发生2π的跳变。例如，真实相位差是270° (3π/2)，但φ_B - φ_A可能得到-90° (-π/2)。因此需要进行规范化：

   while (Δφ > PI) Δφ -= 2*PI; while (Δφ < -PI) Δφ += 2*PI;

   最终得到的Δφ就是规范化到(-π, π]或[0, 2π)范围内的相位差。

实操心得：相位测量对噪声非常敏感，尤其是在信号幅值较小时。为了提高相位测量精度，可以多次测量取平均，或者在对信噪比要求极高的场合，使用数字锁相环等更复杂的方法。另外，确保两个信号由同一个ADC或同步采样的ADC进行采集，以消除通道间的时间偏移误差。

5. 工程实现与代码框架

5.1 基于HAL库与CubeMX的配置

1. 时钟树配置：确保系统时钟（HCLK）足够高，以满足ADC和定时器的时序要求。APB2总线时钟是ADC的时钟源，不要超频。
2. ADC配置：
   • 模式：独立模式。
   • 分辨率：12位。
   • 数据对齐：右对齐。
   • 扫描模式：禁用（单通道）或启用（多通道）。
   • 连续转换模式：禁用（由定时器触发）。
   • 非连续模式：禁用。
   • 外部触发：选择由定时器TRGO事件触发。
   • 采样时间：根据信号源阻抗设置一个足够长的值，例如84或112个周期。
   • 启用DMA：模式为循环模式，数据宽度为半字（对应12位ADC结果）。
3. 定时器配置：配置一个基本定时器（如TIM2）用于产生ADC采样时钟。
   • 预分频器（PSC）和自动重载值（ARR）：根据系统时钟和期望的采样率Fs计算。Update_Frequency = System_CLK / ((PSC+1)*(ARR+1))。这个更新频率就是Fs。
   • 触发输出（TRGO）选择：使能主模式，将UG（更新事件）连接到TRGO。
4. DMA配置：将ADC的数据寄存器地址作为源地址，一个全局数组adc_raw_buffer[FFT_LENGTH]作为目标地址。数据宽度为半字，模式为循环模式，内存地址自增。

5.2 主程序与中断处理流程

// 全局变量 #define FFT_LEN 1024 volatile uint16_t adc_raw_buf[FFT_LEN]; volatile uint8_t dma_complete_flag = 0; float32_t voltage_buf[FFT_LEN]; float32_t fft_input_buf[2 * FFT_LEN]; float32_t hann_window[FFT_LEN]; arm_cfft_instance_f32 fft_instance; int main(void) { HAL_Init(); SystemClock_Config(); MX_GPIO_Init(); MX_DMA_Init(); MX_ADC1_Init(); MX_TIM2_Init(); // 定时器用于触发ADC // 1. 初始化FFT和窗函数 arm_cfft_init_f32(&fft_instance, FFT_LEN); arm_hann_f32(hann_window, FFT_LEN); // 2. 启动DMA和ADC HAL_ADC_Start_DMA(&hadc1, (uint32_t*)adc_raw_buf, FFT_LEN); // 3. 启动定时器，开始触发ADC采样 HAL_TIM_Base_Start(&htim2); while (1) { // 4. 等待DMA采集完成一个完整缓冲区 if (dma_complete_flag) { dma_complete_flag = 0; // 5. 数据处理 Process_ADC_Data(); } // 其他任务... } } // DMA传输完成中断回调函数 void HAL_ADC_ConvCpltCallback(ADC_HandleTypeDef* hadc) { dma_complete_flag = 1; } void Process_ADC_Data(void) { // 1. ADC值转电压，并移除直流偏置 float32_t sum = 0.0f; for (int i = 0; i < FFT_LEN; i++) { voltage_buf[i] = (float32_t)adc_raw_buf[i] * 3.3f / 4095.0f; // 假设Vref=3.3V sum += voltage_buf[i]; } float32_t mean = sum / FFT_LEN; // 2. 去直流和加窗 for (int i = 0; i < FFT_LEN; i++) { fft_input_buf[2*i] = (voltage_buf[i] - mean) * hann_window[i]; fft_input_buf[2*i+1] = 0.0f; } // 3. 执行FFT arm_cfft_f32(&fft_instance, fft_input_buf, 0, 1); // 4. 计算幅值谱 (仅前N/2点) float32_t mag[FFT_LEN/2]; for (int k = 0; k < FFT_LEN/2; k++) { float32_t real = fft_input_buf[2*k]; float32_t imag = fft_input_buf[2*k+1]; mag[k] = sqrtf(real*real + imag*imag); } // 5. 寻找基波峰值位置 k_peak uint32_t k_peak_index; arm_max_f32(mag, FFT_LEN/2, &max_mag, &k_peak_index); // 6. 使用插值法计算精确频率、幅值、相位 Calc_Precise_Parameters(fft_input_buf, k_peak_index, mag, &frequency, &amplitude, &phase); // 7. 输出结果 printf(“Freq: %.2f Hz, Amp: %.3f V, Phase: %.2f deg\r\n”, frequency, amplitude, phase * 57.2958f); }

5.3 双通道同步采样与相位差测量

要测量两个信号间的相位差，必须保证采样是同步的，即两个通道的样本是在同一时刻采样的。

1. ADC配置：使用STM32F4支持的多通道扫描模式，并配置为“同时”或“交替”采样模式（取决于具体型号和ADC模式）。在扫描序列中依次加入通道1和通道2。
2. DMA配置：DMA的目标地址应设置为一个二维数组或一个长度加倍的一维数组，用于交错存放两个通道的数据，例如adc_raw_buf[2][FFT_LEN]或adc_raw_buf[2*FFT_LEN]。
3. 数据处理：在Process_ADC_Data函数中，需要将交错的数据分离成两个独立的数组voltage_buf_ch1和voltage_buf_ch2，然后分别进行去直流、加窗、FFT。
4. 相位差计算：分别找到两个信号频谱中基波峰值的位置（理论上k_peak应该相同），然后计算该频点处的相位角φ1和φ2，最后做差并解缠绕。

6. 精度提升技巧与误差分析

6.1 影响精度的主要因素及对策

6.2 过采样技术提升有效位数

STM32F4的ADC支持硬件过采样。其原理是通过对同一个点进行多次采样并累加平均，来降低随机噪声，提高有效位数（ENOB）。例如，设置16倍过采样，可以将12位ADC的有效分辨率提升到接近14位。

在CubeMX中配置ADC过采样：

• Oversampling：Enable。
• Ratio：选择过采样倍数，如16x。
• Right Bit Shift：选择4（因为log2(16)=4）。这样，硬件会自动将16次累加的结果右移4位，输出一个分辨率更高的结果。

过采样会降低等效采样率。例如，ADC时钟为21MHz，采样时间为84周期，单次转换需要84+12=96个周期。无过采样时，最大采样率约为21MHz / 96 ≈ 218 kHz。启用16倍过采样后，等效采样率降为218kHz / 16 ≈ 13.6 kHz。需要根据信号频率和所需精度权衡。

6.3 同步采样与整周期截断

这是实现最高精度的理想方法。如果采样长度N恰好包含整数个信号周期M，那么信号的频谱将完美地落在离散的频点k = M上，没有频谱泄露，无需加窗，幅值修正公式也最简单（A = 2 * |X(M)| / N）。

实现方法：让采样率Fs和信号频率F满足严格的整数倍关系，即Fs / F = N / M，其中N是采样点数，M是整数周期数。这通常需要一个锁相环来动态调整采样率Fs以跟踪信号频率F，实现起来比较复杂。在固定频率的场合（如测量工频50Hz），可以精心计算Fs和N来近似实现。

7. 常见问题排查与调试心得

7.1 频谱异常问题排查表

7.2 调试技巧与心得

1. 先用已知信号验证：使用信号发生器产生一个纯净、幅值、频率已知的正弦波，输入到系统。首先验证ADC采集的原始波形是否正确（通过串口发送原始数据到PC用Python/Matlab绘图）。这是隔离硬件问题和软件问题的关键。
2. 分步验证算法：在MCU上实现算法后，可以将ADC采集到的一组真实数据保存下来，然后在PC上用Matlab或Python实现同样的处理流程（包括去直流、加窗、FFT、参数计算）。对比PC和MCU的结果，可以快速定位是算法实现错误还是数值精度问题。
3. 关注内存与性能：使用arm_cfft_f32时，确保输入数组是32字节对齐的，可以使用__attribute__((aligned(32)))来定义数组，以获得最佳性能。监控堆栈使用情况，FFT的临时数组可能很大。
4. 优化实时性：如果FFT计算耗时过长影响实时性，可以考虑：
   • 使用定点FFT（arm_cfft_q31）代替浮点FFT，速度更快，但需要处理Q格式数据。
   • 减少FFT点数N，牺牲频率分辨率换取速度。
   • 将FFT计算放在低优先级任务或空闲循环中，确保高优先级任务（如电机控制）不被阻塞。
5. 噪声环境下的处理：如果现场噪声大，可以在FFT前对时域信号进行数字滤波（如移动平均、IIR低通滤波），或者在频域进行滤波（将非峰值频点的幅值置零再进行逆FFT）。对于相位差测量，在信噪比低时，多次测量取平均是提升精度的有效手段。

通过以上从理论到实践，从硬件到软件的详细拆解，你应该能够在STM32F4平台上搭建起一个高精度的正弦波参数测量系统。记住，信号处理是理论和实践紧密结合的领域，多动手测试，多观察数据，才能真正理解每一个参数和步骤背后的意义，并最终驯服这些隐藏在数据中的信息。

本文还有配套的精品资源，点击获取