STM32高精度频率计设计

基于STM32F103的高精度频率计设计：ADC采样、DMA传输与FFT处理的协同实现

在音频分析、电机控制或传感器信号监测中，我们常常需要知道一个周期性信号的频率。传统做法是用定时器捕获上升沿，通过测量周期来换算频率——这种方法简单直接，但对于非方波、含噪声的正弦信号却显得力不从心：边沿抖动、占空比变化都会导致测量误差，甚至完全失效。

有没有一种方法能“看穿”复杂波形，直接找出其中隐藏的主频？答案是肯定的：借助 ADC连续采样 + DMA自动搬运 + FFT频谱分析 ，我们可以在一片STM32F103上构建出媲美示波器功能的软件频率计。它不仅能识别任意周期信号（正弦、三角、锯齿），还能在混有噪声的情况下锁定目标频率，分辨率可达亚Hz级别。

这听起来像是高端设备才有的能力，但实际上，只要合理利用MCU内部资源，就能以极低成本实现。本文将带你一步步拆解这个系统的底层逻辑，从硬件配置到算法优化，揭示如何让一颗“普通”的Cortex-M3芯片胜任频谱分析任务。

为什么选择STM32F103？

尽管现在有性能更强的H7或F4系列，但F103依然是许多工程师心中的经典。原因很简单：成本低、资料全、生态成熟。更重要的是，它的外设组合恰好满足实时信号处理的基本需求：

• 12位ADC ：足以应对大多数模拟输入场景；
• DMA控制器 ：支持多通道数据自动搬运；
• 72MHz主频 ：可运行轻量级FFT算法；
• 丰富的定时器资源 ：可用于精确触发采样。

这套组合拳让我们无需额外添加FPGA或DSP芯片，仅靠片上模块即可完成从模拟输入到数字输出的闭环。

精确采样的关键：ADC与定时器联动

要进行频域分析，第一步就是高质量的时域采样。这里的“高质量”不是指分辨率越高越好，而是强调 等时间间隔采样 。如果采样间隔不均匀，哪怕只差几个微秒，也会造成严重的频谱泄漏，使得FFT结果失真。

STM32F103的ADC本身不具备独立时钟驱动能力，必须依赖外部触发源。常见做法是使用软件启动（ HAL_ADC_Start() ），但这会导致中断延迟引入抖动。更优的选择是 由定时器触发 。

以TIM2为例，将其配置为PWM模式，但并不输出任何波形，而是启用“更新事件触发输出”（TRGO）。当计数器溢出时，产生一个脉冲信号连接到ADC的外部触发输入端。这样，每过固定时间（比如100μs），ADC就自动开始一次转换。

// 配置TIM2作为ADC触发源
htim2.Instance = TIM2;
htim2.Init.Prescaler = 72 - 1;           // 72MHz / 72 = 1MHz
htim2.Init.CounterMode = TIM_COUNTERMODE_UP;
htim2.Init.Period = 100 - 1;             // 1MHz / 100 = 10kHz 采样率
htim2.Init.ClockDivision = TIM_CLOCKDIVISION_DIV1;

// 启用主模式：更新事件触发
TIM_MasterConfigTypeDef sMasterConfig = {0};
sMasterConfig.MasterOutputTrigger = TIM_TRGO_UPDATE;
sMasterConfig.MasterSlaveMode = TIM_MASTERSLAVEMODE_DISABLE;
HAL_TIMEx_MasterConfigSynchronization(&htim2, &sMasterConfig);

HAL_TIM_Base_Start(&htim2);

此时ADC配置为：
- 单通道、连续转换模式；
- 外部触发源设为 ADC_EXTERNALTRIGCONV_T2_TRGO ；
- 开启DMA请求。

这样一来，整个采样过程完全脱离CPU干预，实现了真正意义上的同步和稳定。

数据搬运的“隐形助手”：DMA的作用远不止省CPU

很多人知道DMA可以减轻CPU负担，但在实际工程中，它的价值远不止于此。尤其是在高速采集场景下， DMA决定了系统能否可靠运行 。

设想一下：若采用中断方式读取ADC值，每次EOC（转换结束）都进入中断服务程序，保存数据。即使中断响应很快，当中断频繁发生（如10kHz采样率），频繁进出中断会极大增加上下文切换开销，还可能因优先级冲突导致漏采。

而DMA的工作机制完全不同。每当ADC完成一次转换，硬件自动将 ADC_DR 寄存器的内容转移到内存缓冲区，整个过程无需软件参与。你只需要提前告诉DMA三件事：
- 源地址： &ADC1->DR
- 目标地址： adc_buffer[N]
- 传输数量：N

然后启动DMA，剩下的交给硬件。

#define SAMPLES_NUM 1024
uint16_t adc_buffer[SAMPLES_NUM];

// 启动ADC-DMA链式操作
HAL_ADC_Start_DMA(&hadc1, (uint32_t*)adc_buffer, SAMPLES_NUM);

这里有个重要细节： 建议使用普通模式而非循环模式 。虽然循环模式可以让DMA不断覆盖缓冲区，看似适合持续采集，但它无法明确通知“一帧数据已满”。相比之下，普通模式在传完1024个点后会产生“传输完成中断”（TC），这是我们启动FFT处理的最佳时机。

如果你担心采样与处理之间出现间隙，也可以考虑双缓冲机制（通过DMA的双缓冲模式或两个独立通道交替工作），确保当前正在处理的数据与新采集的数据物理隔离，避免竞争。

从时域到频域：FFT不是魔法，但很接近

有了干净的采样数据，下一步就是解析频率成分。这时候轮到FFT登场了。

很多人以为FFT是个黑箱函数，调用一下就能出结果。实际上，要想得到准确的频率估计，必须理解其背后的限制和优化手段。

实数FFT vs 复数FFT

由于ADC采集的是实数序列（只有幅度，没有虚部），我们可以使用专门针对实信号优化的RFFT（Real FFT），计算量约为标准FFT的一半。ARM CMSIS-DSP库提供了 arm_rfft_fast_f32() 函数，非常适合嵌入式环境。

#include "arm_math.h"

float32_t fft_input[1024];   // 归一化后的ADC数据
float32_t fft_output[1024];  // 输出为交错复数格式：[re0, im0, re1, im1, ...]
arm_rfft_fast_instance_f32 fft_inst;

// 初始化FFT实例（只需一次）
arm_rfft_fast_init_f32(&fft_inst, 1024);

// 执行变换
arm_rfft_fast_f32(&fft_inst, fft_input, fft_output, 0);

注意： fft_output 虽然是 float32_t 数组，但存储的是复数对。第k个频率点的实部和虚部分别为 fft_output[2*k] 和 fft_output[2*k+1] 。

幅度计算与峰值检测

FFT的结果是一个复数数组，我们需要从中提取幅值信息：

$$
|X[k]| = \sqrt{Re^2 + Im^2}
$$

遍历前半段（0 ~ N/2），因为实数信号的频谱是对称的，后半部分无新信息。

float max_mag = 0;
uint32_t peak_k = 0;
for (int k = 1; k < 512; k++) {  // 跳过DC分量(k=0)
    float re = fft_output[2*k];
    float im = fft_output[2*k+1];
    float mag = sqrtf(re*re + im*im);
    if (mag > max_mag) {
        max_mag = mag;
        peak_k = k;
    }
}

最终频率为：

$$
f = k_{\text{peak}} \times \frac{f_s}{N}
$$

例如，采样率10kHz、1024点FFT，则分辨率约为9.77Hz。这意味着你能分辨出100Hz和110Hz的信号，但难以区分100Hz和105Hz。

⚠️ 提示：不要迷信“找到最大值就是真实频率”。由于栅栏效应（frequency binning），真实频率可能落在两个bin之间，造成±Δf/2的误差。可通过插值法（如三点辛克插值）进一步提升精度。

如何让FFT结果更靠谱？几个实用技巧

1. 去除直流偏置

绝大多数传感器信号都有一定直流分量（比如麦克风静音时输出1.65V）。如果不处理，会在频谱中形成巨大的0Hz尖峰，掩盖其他低频信号。

解决办法很简单：在FFT前减去均值。

float sum = 0;
for (int i = 0; i < 1024; i++) {
    sum += adc_buffer[i];
}
float mean = sum / 1024;
for (int i = 0; i < 1024; i++) {
    fft_input[i] = (float)(adc_buffer[i]) - mean;
}

当然，也可以直接减去理论中值（如2048对应3.3V参考电压下的中间值），前提是系统偏置稳定。

2. 加窗抑制频谱泄漏

理想情况下，信号在采样窗口内刚好包含整数个周期。但现实中几乎不可能做到，导致信号突变，产生虚假高频成分——这就是所谓的“频谱泄漏”。

解决方案是加窗函数，平滑地衰减窗口边缘的样本。常用的有汉宁窗（Hanning）、汉明窗（Hamming）等。

for (int i = 0; i < 1024; i++) {
    float window = 0.5f * (1.0f - cosf(2*M_PI*i/1023));
    fft_input[i] = ((float)adc_buffer[i] - 2048.0f) * window;
}

加窗虽好，但会降低频率分辨率（主瓣展宽），需根据应用场景权衡。

3. 抗混叠滤波不可少

根据奈奎斯特采样定理，最高可测频率不能超过采样率的一半。如果输入信号中含有更高频率的成分（如开关电源噪声），它们会被“折叠”回低频区，造成误判。

因此，在ADC前端应加入RC低通滤波器，截止频率设置为略低于 fs/2 。例如采样率为10kHz，则滤波器截止频率建议设为4~4.5kHz。

系统整合与性能考量

完整的流程如下：

1. 初始化GPIO、ADC、TIM2、DMA、UART/LCD；
2. 启动TIM2和ADC-DMA；
3. 等待DMA传输完成中断（或轮询标志位）；
4. 触发FFT运算；
5. 解析主频并输出；
6. 重置状态，准备下一帧。

在这个过程中有几个关键点需要注意：

• 内存占用 ：1024点float数组约需8KB RAM，对于F103这类小容量型号（如CBT6仅有20KB SRAM）来说压力不小。必要时可改用Q15定点格式，节省一半空间。
• FFT耗时 ：在72MHz主频下，1024点RFFT大约耗时3~5ms。若要求每秒刷新10次频谱，是完全可以接受的。
• 动态范围管理 ：确保输入信号幅度适中。太小则信噪比差；太大则ADC饱和失真。可在前端加入可调增益放大器（PGA）或使用带PGA的ADC（如STM32G系列）。

写在最后：不只是频率计

这套“ADC+DMA+FFT”架构的意义，远不止做一个频率显示器。它是嵌入式信号处理的通用范式，可轻松扩展至更多高级应用：

• 谐波分析 ：检测电网中的3次、5次谐波含量；
• 振动故障诊断 ：识别电机轴承缺陷对应的特征频率；
• 音频可视化 ：实现迷你版音乐频谱灯；
• LC振荡频率测试仪 ：用于调试无线充电线圈匹配。

更重要的是，它教会我们如何在资源受限的环境中，通过软硬件协同设计，挖掘MCU的最大潜力。STM32F103或许已经不算“先进”，但只要掌握正确的工程思维，老平台也能焕发新生。

下次当你面对一个看似复杂的信号处理需求时，不妨想想：是否真的需要更贵的芯片？也许，只是缺了一个好的架构设计。