1. 项目背景与核心价值
去年在做一个工业振动监测项目时，第一次接触到Air780EPM这款国产嵌入式平台。当时客户要求在现场设备上直接完成振动信号的频谱分析，而传统方案都是把数据传回服务器处理。这个需求让我踏上了在资源受限的嵌入式环境实现FFT（快速傅里叶变换）的探索之路。
Air780EPM作为一款主打边缘计算的国产芯片，其最大特点是在低功耗条件下仍能保持可观的运算性能。但即便这样，要在上面跑通实时FFT仍然面临三大挑战：内存资源紧张（仅256KB SRAM）、缺少硬件浮点单元、以及实时性要求（采样率1kHz时需在50ms内完成512点FFT）。经过两个月的反复优化，最终实现的方案比初始版本快了近8倍，内存占用减少60%，这篇文章就把其中的关键技术点拆解给大家。
2. 硬件平台特性与选型考量
2.1 Air780EPM关键参数解析
- CPU核心：RISC-V架构，主频160MHz
- 存储资源：256KB SRAM + 4MB Flash
- 数学运算：无硬件浮点单元（FPU），仅有整数运算加速器
- 外设接口：支持SPI/I2C/UART等标准接口，内置12位ADC
实测发现：当启用整数运算加速器时，32位整数乘法仅需2个时钟周期，而软件模拟浮点乘法需要近200个周期，这成为后续优化的重要突破口。
2.2 为什么选择FFT而不是DFT？
在早期原型阶段，我们测试过直接实现离散傅里叶变换（DFT）。当N=512时，DFT的复数乘法次数高达262144次，而采用基2-FFT算法仅需2304次——运算量相差两个数量级。下表对比了两种算法的理论复杂度：
| 算法类型 | 乘法次数 | 加法次数 | 内存访问次数 |
|---|---|---|---|
| DFT | N² | N² | 2N² |
| FFT | (N/2)log₂N | Nlog₂N | 3Nlog₂N |
但在嵌入式实现时，FFT也存在两个显著痛点：
- 递归调用导致的栈空间消耗
- 位反转操作带来的不规则内存访问
3. 定点数优化实践
3.1 Q格式定点数设计
由于缺乏FPU，我们采用Q15格式定点数（1位符号+15位小数）表示复数。具体实现时：
c复制typedef struct {
int16_t real; // Q15格式
int16_t imag; // Q15格式
} Complex_Q15;
关键运算的定点化处理：
- 乘法优化：
c复制Complex_Q15 multiply_Q15(Complex_Q15 a, Complex_Q15 b) {
Complex_Q15 res;
int32_t temp = (int32_t)a.real * b.real - (int32_t)a.imag * b.imag;
res.real = (int16_t)(temp >> 15);
temp = (int32_t)a.real * b.imag + (int32_t)a.imag * b.real;
res.imag = (int16_t)(temp >> 15);
return res;
}
- 旋转因子预处理：
将所有旋转因子W_N^k预先计算并存储在Flash中，采用查表法替代实时计算。针对512点FFT，我们实测发现：
- 动态计算旋转因子：耗时约8.7ms
- 查表法：仅需0.3ms
3.2 动态精度调节方案
在振动信号分析中，不同频段对精度要求不同。我们创新性地实现了动态精度调节：
- 0-100Hz频段：保持全精度Q15运算
- 100-500Hz频段：降级到Q10格式
- 高频噪声区：进一步降至Q8格式
通过这种分级处理，整体运算量减少40%，而对关键低频段的频率分辨率影响小于0.1Hz。
4. 内存优化技巧
4.1 原位运算实现
传统FFT实现需要额外的缓冲区存储中间结果。我们通过精心设计蝶形运算顺序，实现了完全的原位计算：
c复制void butterfly_operation(Complex_Q15* data, int N) {
for (int stage = 1; stage <= log2(N); stage++) {
int span = 1 << stage;
int half_span = span >> 1;
// 此处省略具体运算代码...
}
}
4.2 内存池管理
针对多次内存分配/释放导致的碎片问题，我们建立了静态内存池：
-
初始化时一次性分配三大块内存：
- 输入采样缓冲区（512点）
- 临时运算缓冲区（256点）
- 频谱输出缓冲区（257点）
-
通过union实现内存复用：
c复制union MemoryPool {
Complex_Q15 fft_input[512];
int16_t raw_samples[1024];
uint8_t byte_pool[2048];
};
5. 性能实测与优化成果
5.1 不同优化阶段的性能对比
| 优化阶段 | 执行时间(ms) | 内存占用(KB) | 信噪比(dB) |
|---|---|---|---|
| 初始浮点版本 | 98.2 | 48.7 | 72.3 |
| 基础定点化 | 53.6 | 32.1 | 68.5 |
| 查表法优化 | 41.2 | 28.9 | 67.8 |
| 动态精度+内存池 | 12.3 | 19.4 | 65.2* |
*注：动态精度方案在关键频段（0-100Hz）仍保持72dB以上信噪比
5.2 实际工业场景测试
在某风机监测项目中，系统需要同时处理4路振动信号。优化后的FFT实现使得：
- 整体功耗降低至63mA（原方案为142mA）
- 响应延迟从210ms降至55ms
- 电池续航从3天延长至7天
6. 关键问题排查记录
6.1 频谱泄漏问题
初期测试发现频谱出现明显泄漏，通过以下措施解决：
- 加窗函数选择：对比了汉宁窗、汉明窗和矩形窗后，最终选择计算量适中的汉宁窗：
c复制void apply_hann_window(Complex_Q15* data, int N) {
for (int i = 0; i < N; i++) {
int32_t window = 32768 - 32768 * cos(2 * PI * i / N) / 32768;
data[i].real = (data[i].real * window) >> 15;
data[i].imag = (data[i].imag * window) >> 15;
}
}
- 采样同步优化：通过硬件触发确保采样间隔严格均等，将时基抖动控制在±0.1μs以内。
6.2 整数溢出问题
在定点数乘法中频繁出现溢出，解决方案：
- 增加饱和运算处理：
c复制int16_t saturate(int32_t value) {
if (value > 32767) return 32767;
if (value < -32768) return -32768;
return (int16_t)value;
}
- 动态缩放策略：当检测到数据幅值超过0.9倍最大值时，自动进行1/2缩放。
7. 扩展应用场景
7.1 多传感器数据融合
在现有FFT基础上，我们进一步实现了：
- 振动+温度联合分析：当特定频段能量突增且温度上升时触发预警
- 三轴加速度矢量合成：通过FFT幅值相位计算合成振动方向
7.2 自适应采样率控制
根据信号特征动态调整采样率：
- 初始阶段：1kHz采样率进行全频段扫描
- 锁定特征频率后：降至200Hz专注监测关键频段
- 异常发生时：瞬时提升至2kHz捕捉瞬态特征
这套方案使得在连续监测模式下，整体功耗再降低30%。