企业官网建设流程全解析

简介：基于STM32F103ZET6的频谱分析与波形识别系统完整工程包，适合电子竞赛备赛、嵌入式初学者及信号处理爱好者参考。系统通过ADC采样信号，调用DSP库FFT函数进行频谱变换，并将结果实时显示于TFTLCD屏，同时给出波形参数与类型识别结果。资源包含195个文件，压缩包4.76MB，核心源码以C文件（40个）与H头文件（42个）为主，附带编译生成的hex、axf、map等构建文件，以及uvprojx/uvoptx工程配置，便于直接打开Keil工程查看和重新编译。此外还包括LCD、ADC、定时器等底层驱动代码，以及部分调试辅助文件，整体结构清晰。已有4717人学习下载，适合需要快速上手STM32+FFT实战项目的读者，可从中获取硬件连接思路、软件设计框架和完整可参考的工程实现。

1. 项目概述与核心需求拆解

先说个背景。早先我做振动监测和音频信号处理相关的项目，一直是靠PC端的上位机软件搬离线数据来做频谱分析和波形观察。确实是能出结果，但每次都得等人把设备拿回实验室、连上串口、导完数据再分析，折腾不说，现场根本没法实时判断设备状态。后来转念一想——能不能直接在设备端就把频谱算出来、把波形认出来？

这篇文章要聊的，就是我基于STM32做的一套频谱分析和波形识别系统。硬件核心是一块STM32F103C8T6（也就是大家常说的"最小系统板"），外接一个模拟信号源，用ADC去采集信号，在片内完成FFT运算，再把频谱和波形识别的结果通过OLED屏显示出来。整个项目从ADC采集、FFT算法到特征分类全部在MCU端跑完，不依赖上位机。

这个项目解决的核心痛点有两个：一是把"采集—分析—展示"这条链路压缩到嵌入式端，做到现场实时反馈；二是给只有单一频点特征的设备提供一个廉价的故障预判手段——比如电机振动异常、电源纹波超标这类场景，识别出波形类型和主频分布基本就能定位问题。

如果你是正在做嵌入式或者电子设计相关项目、手头有STM32基础板的同学，这篇文章会很有参考价值。我不仅会把关键模块的设计思路讲透，还会放出核心代码片段，并把我实际调试中踩过的坑一并交代清楚。老实说，这套东西做完以后让我对"MCU能做多少事"有了新的认识——用一颗几十块钱的芯片跑出实时频谱，这件事本身的性价比就足够高了。

2. 整体设计方案与选型思路

2.1 为什么选STM32而不是更高性能的处理器

这是最早需要想清楚的问题。做频谱分析，很多人的第一反应是上树莓派或者直接用DSP，性能完全够，开发也省心。但我的诉求很明确：低功耗、低成本、小体积，并且要能跑在电池供电的场景里。STM32F103C8T6主频72MHz，带12位ADC、多路DMA和定时器，完全可以满足入门级频谱分析的算力需求。

有人会问，72MHz跑FFT会不会吃力？以256点FFT为例，Cortex-M3内核做一次完整的基-2 FFT大概需要1~3ms，如果采样率是10kHz，那每256个采样点也就25.6ms的窗口周期，算力占用不到10%，剩下的时间还能做特征提取和控制逻辑。即便是1024点FFT，也就十几毫秒的事，对"秒级刷新"的显示需求来说完全够用。

2.2 硬件方案组成

整个系统的硬件链路是这样的：

• STM32F103C8T6最小系统板：主控，负责ADC采集、FFT运算和显示驱动。
• 信号调理电路：一个简单的运放跟随器加上分压保护电路，把输入信号的幅值钳位在0~3.3V，保护ADC引脚。
• OLED显示模块：0.96寸IIC接口OLED，128x64分辨率，用来显示频谱柱状图和波形识别结果。
• 供电部分：AMS1117-3.3稳压，支持5V或锂电池输入。

信号调理这块我多说一句。很多初学者直接拿信号怼到PA0引脚上，如果信号有负半轴或者电压超过3.3V，轻则采样数据截断失真，重则烧引脚。我用的方案是先用运放做一级电压跟随，再用两个电阻分压把信号抬到1.65V中心电平附近，确保整个波形落在ADC量程中央。

2.3 软件架构规划

软件部分分三个模块：数据采集层、算法处理层、显示交互层。

数据采集层用定时器触发ADC，DMA搬运数据到内存缓冲区，做到采样不占CPU。算法处理层拿DMA缓冲区的数据做定点FFT，然后提取频谱特征、识别波形类型。显示交互层负责把频谱数据映射成柱状图，同时显示识别结果。

这里有个关键设计选择：FFT库我选的是ST官方的DSP库（libarm_cortexM3l_math.a），里面的arm_cfft_f32和arm_cmplx_mag_f32两个函数组合使用，比自己手写FFT效率高很多，而且代码经过了严格优化，数值稳定性也有保证。如果不想用ST的库，也有纯C的FFT实现可以替代，但处理速度会明显慢一些。

3. 核心算法解析：从ADC采样到FFT频谱

3.1 采样参数选型：采样率、采样点数与窗函数

频谱分析有个最基本的约束叫奈奎斯特定理——采样率至少要是信号最高频率的两倍，否则会发生频谱混叠。我在这个项目里设置ADC采样率为10kHz，有效分析带宽是5kHz，对常见的音频信号和机械振动信号来说已经够用。

采样点数选了256，这带来的频率分辨率（频率分辨率 = 采样率 / 采样点数）就是 10000 / 256 = 39.06Hz。意味着在频谱上，两个频率间隔小于39Hz的峰值是无法区分开的。如果你的应用场景需要分辨更接近的频率分量，就需要增大采样点数或者降低采样率，两者本质上是同一个公式在权衡。

窗函数这一点很容易被忽略，但对频谱分析的准确性影响极大。直接对截断后的有限长信号做FFT，频谱会出现严重的泄漏效应——一个纯净的正弦波可能变成一片"裙边"。标准做法是先对时域数据乘一个窗函数再送进FFT。我这边用的是汉宁窗（Hann），它的主瓣稍宽，但旁瓣衰减好，对大多数频谱分析场景是最稳的选择。

加窗之后有个代价：幅度会被衰减大约一半，所以做幅值校准时需要乘一个补偿系数。汉宁窗的恢复系数是2，也就是说算出来的幅值乘以2才是真实幅值。这个细节不处理的话，频谱图上的幅值会系统性偏低6dB左右。

3.2 FFT计算流程在STM32上的落地

整个FFT计算的流程可以拆成下面几步：

第一步，从DMA缓冲区取256个采样点，逐点减去直流分量。直流分量是所有采样值的算术平均值，如果不剔除，它会变成频谱上0Hz处巨大的峰值，把其他频段的信息全部压扁。

第二步，对时域数据乘汉宁窗系数。这里可以用查表法，预先算好256个窗系数存在Flash里，运行时逐个乘进去，避免实时计算三角函数的开销。

第三步，调用arm_cfft_f32做复数FFT。注意这个函数输入是交错排列的复数数组，也就是实部虚部交替存，需要先把实序列包装成复数数组格式。ST库的FFT输入输出都是原地操作，节省内存。

第四步，用arm_cmplx_mag_f32取模值，得到每个频率点的幅值。幅值需要除以（采样点数/2）才是真实的幅度值。

第五步，把0到128点（对应0到5kHz）的数据做峰值检测，找出幅度最大的几个频点，作为后续波形识别和显示的特征输入。

3.3 波形识别：不只靠FFT，还要看时域特征

波形识别单靠FFT是不够的。举例来说，一个理想的方波和一个理想的正弦波，如果基频相同，它们在频谱上的差异主要体现在谐波分量上——方波含有丰富的高次奇次谐波，但正弦波几乎只有基波。不过实际采集到的信号往往含有噪声，谐波占比可能会有波动，单靠"谐波数量"判断容易误判。

我的方案是时域特征+频域特征联合判断，具体用到了三个维度：

• 过零率：单位时间内信号穿越零电平的次数。正弦波大约2次/周期，方波也是2次/周期，但三角波也是2次/周期，所以过零率只能区分频率，不能区分波形。
• 峰值因数：信号峰值与有效值（RMS）之比。正弦波峰值因数是1.414，方波是1，三角波是1.73，这个参数识别波形非常有效。
• 谐波能量占比：计算频谱上2次及更高次谐波的能量占总能量的比例。方波的理论谐波占比很高，正弦波几乎为零，三角波介于中间。

三者综合，再加一个简单的决策树分类器，就能较好地识别出正弦波、方波、三角波和噪声这四种基本类型。识别周期设为1秒更新一次，每次取最近时间内统计的特征做判断，避免单帧数据上的偶发误判。

我用了一个比较简单的方法来算峰值因数：在时域里记录256个采样点的最大值和RMS值，直接相除。实测下来，即便信号有一定底噪，这几种波形的峰值因数区分度依然足够。

4. 实操过程与关键代码实现

4.1 硬件搭建与接线说明

接线这部分比较直接。

OLED用IIC模式，跳线电阻焊在IIC侧。信号输入端和PA0之间串一个1kΩ电阻做限流保护，同时并联一个0.1uF电容做简单的抗混叠滤波。这个RC低通滤波的截止频率是1/(2πRC)，算下来是1.59kHz，如果只分析1.5kHz以内的信号就够用。要分析更高频率的话，电容值要相应减小。

4.2 STM32CubeMX配置要点

我习惯用STM32CubeMX生成初始化代码，然后在这个基底上改逻辑。关键配置项有这么几个：

• ADC1: 开启IN0通道，采样时间设为最大（239.5周期），提高采样精度。开启连续转换模式，开启DMA请求。
• 定时器2: 设置为PWM生成模式，产生10kHz的触发信号，接到ADC的触发引脚上，实现定时触发采样。
• DMA: 配置为循环模式，数据宽度半字（16位），方向外设到内存。256个采样点的缓冲数组。
• 系统时钟: 外部8MHz晶振，PLL倍频到72MHz。

这里有个容易踩的坑：DMA必须配置成循环模式，否则采满256个点后DMA会自动停止，后续数据就断了。循环模式下DMA会持续搬运新数据覆盖旧数据，CPU在任意时刻都可以拿"最近一帧"数据去做FFT，这是一种典型的双缓冲思想的简化版。

4.3 核心代码实战：ADC采样与FFT

代码我拆成三段讲，方便你直接抄作业。

第一段是ADC+DMA的初始化，CubeMX生成的基础代码之外，我自己补了启动DMA传输的代码：

// 启动ADC DMA采集，buffer为uint16_t数组，长度256 HAL_ADC_Start_DMA(&hadc1, (uint32_t*)adc_buffer, FFT_SIZE); // 同时启动定时器，开始产生触发脉冲 HAL_TIM_PWM_Start(&htim2, TIM_CHANNEL_3);

有了这两行，ADC就会按照10kHz的节奏持续往缓冲区里灌数据，主循环里只需要去读这个缓冲区就行。

第二段是FFT处理的封装函数：

void process_fft(uint16_t *adc_data, float *mag_output) { static float fft_input[FFT_SIZE * 2]; static float window_coeff[FFT_SIZE]; float mean = 0.0f; // 1. 计算直流分量并构建复数输入 for (int i = 0; i < FFT_SIZE; i++) { mean += adc_data[i]; } mean /= FFT_SIZE; for (int i = 0; i < FFT_SIZE; i++) { fft_input[2*i] = (adc_data[i] - mean) * window_coeff[i]; fft_input[2*i+1] = 0.0f; } // 2. 执行FFT变换 arm_cfft_f32(&arm_cfft_sR_f32_len256, fft_input, 0, 1); // 3. 计算幅值谱 arm_cmplx_mag_f32(fft_input, mag_output, FFT_SIZE); // 4. 幅值校准：除以(N/2)并乘窗恢复系数2 for (int i = 0; i < FFT_SIZE/2; i++) { mag_output[i] = mag_output[i] / (FFT_SIZE / 2) * 2.0f; } }

第三段是峰值检测和主频提取，这里有一个小技巧：找峰值时不能只做全局最大值搜索，要做"局部极大值检测"——逐个点比较相邻三点，如果中间点比两边都高，就记为一个候选峰。这样做能同时识别出基波和多次谐波，为后续的波形识别提供特征数据。

4.4 波形识别算法的实现细节

峰值因数计算这一步其实很便宜——在ADC数据不断更新的同时，可以在一个统计周期内维护最大值和平方累加和，周期结束时直接算RMS，再和最大值相除。

波形识别的决策逻辑我用了一段简洁的C代码实现，核心判断顺序是先看峰值因数，再看谐波占比：

typedef enum { WAVE_SINE, WAVE_SQUARE, WAVE_TRIANGLE, WAVE_NOISE } WaveType; WaveType classify_waveform(float peak_factor, float harmonic_ratio) { // 噪声通常峰值因数大于2.2且谐波结构混乱 if (peak_factor > 2.2f) { return WAVE_NOISE; } // 正弦波峰值因数接近1.414，谐波占比极低 if (peak_factor < 1.6f && harmonic_ratio < 0.1f) { return WAVE_SINE; } // 方波峰值因数接近1.0，谐波占比很高 if (peak_factor < 1.3f && harmonic_ratio > 0.3f) { return WAVE_SQUARE; } // 三角波介于中间 if (peak_factor > 1.5f && peak_factor < 2.0f) { return WAVE_TRIANGLE; } return WAVE_NOISE; }

实测这套逻辑在输入信号比较干净的实验室环境下识别准确率很高，但如果环境噪声偏大，建议在分类前先对时域信号做一次简单的滑动平均滤波，削掉高频毛刺，识别的稳定性会提升一个档次。

显示部分就比较简单了——把FFT幅值谱做对数压缩映射成柱状图，按从低到高画到OLED上，同时在右上角显示识别到的波形类型。OLED刷新我控制到5帧/秒，太小看不到频谱动态，太大会有明显的闪烁感。

5. 常见问题与排查技巧实录

5.1 STM32点不亮、连接不上

调试过程中我碰到最多的一个问题就是报错error: no stm32 target found! if your product embeds debug authentication。这不是STM32坏了，而是调试接口状态异常。

优先检查这几处：BOOT0引脚是否被拉高（BOOT0=1会进入串口下载模式，SWD调试会被断开）；供电是否稳定，很多最小系统板用USB供电时电流不够，OLED一亮起来电压就掉到3V以下；SWDIO和SWCLK接线是否接反，这两根线接反是新手最容易犯的错误。

另外我要特别提醒一点，在Keil里如果之前烧录过程序且开启了读保护，后面就无法直接连接调试目标，需要用ST-Link Utility先解除读保护再重新烧录。

5.2 delay函数卡死问题的排查

写这套代码时我用了一个HAL_Delay，结果发现在FFT运算的循环里调用会直接卡死。排查之后发现是优先级冲突：FFT运算是在主循环里的，但SysTick中断的优先级低于ADC的DMA中断，DMA一直抢占CPU导致SysTick无法及时响应，HAL_Delay就无限等待了。

这个问题其实有个更简单的解法：尽量避免在中断服务函数里面做耗时的HAL调用，DMA传输完成回调里只置一个标志位，主循环轮询到这个标志位再做FFT和显示。这样既不会卡死，也给系统留出了足够的刷新余量。

5.3 虚拟串口识别异常

在串口调试阶段，我碰上过STM32的Virtual COM Port在设备管理器里显示黄色感叹号的情况。这是因为ST的USB虚拟串口驱动和系统自带的CDC驱动冲突导致的。解决办法是去ST官网下载最新的STM32 Virtual COM Port驱动，手动更新设备驱动指定到下载目录，不要用系统的自动搜索。

5.4 FFT结果直流分量过大

做FFT后频谱图上0Hz处巨高无比，其他频点几乎看不见。这个问题几乎可以肯定是没做直流分量消除。有些信号源本身可能带直流偏置，ADC采集到的原始值一定不是以零为中心的，所以必须在进FFT之前先减去平均值。我在前面的代码里专门加了一步均值计算，就是为了解决这个问题。

5.5 波形识别频繁误判

如果你的信号源不稳定，波形识别结果会来回跳。我做过两个改进：一是把识别周期拉长到1秒，短时间内的抖动被平滑掉；二是加入滞回比较——比如当前判断是正弦波，只有连续多帧都显示方波特征才切换类型，防止在边界处反复跳变。

6. 实测效果与进一步扩展思路

整套系统跑起来之后，我用信号发生器做了几组验证。1kHz正弦波输入时，频谱图上基频位置只有一个干净的单峰，波形识别显示"SINE"，峰值因数稳定在1.41左右。切到1kHz方波后，频谱图在3kHz和5kHz处出现了明显的奇次谐波谱线，波形识别切到"SQUARE"。三角波的谐波衰减更快，识别器也能正确区分。

这套系统的上限并不止于此。如果再加上点功夫，有几个方向完全值得试一下：

第一，在F103上把采样点数升到1024，频率分辨率会降到9.7Hz，能分辨更细的频率分布，代价是单次FFT时间变长，但实时性依然可以接受。第二，加一个简单的阈值报警功能——当某个频段的幅值超过预设值，就在OLED上显示警告，直接当成小型设备故障预判器用。第三，把FFT结果通过串口或蓝牙发到手机APP上显示，变成一个完整的移动端频谱仪。

我在做这套系统的过程中最大的感受是：算法本身不算难，难的是把算法放进一个资源受限的MCU里还能稳定运行。你需要在精度、速度和资源占用之间做各种取舍，而这些取舍的经验，光看书是学不来的，只有真刀真枪地调一遍才能体会。

本文还有配套的精品资源，点击获取