基于Linux系统的智能装备高频信号无线监测系统设计

于洋 张磊 姚龙旭 王辉

摘要：针对智能装备对于高性能、低消耗的信号监测系统的迫切需求，设计一种用于50-150 kHz高频信号的工业无线数据高速采集与处理系统。系统整体架构由上位机和下位机两部分组成。下位机以STM32（ ARM Cortex-M3）为控制核心采集数据，并通过无线协议传输至上位机;上位机使用了基于Linux系统的平台接收数据，实现数据的实时采集、存储、处理分析和图形化可视化。为了提高系统传输速度，下位机数据以DMA方式在各个模块间传输，并通过IEEE 802.11b标准协议发往上位机;上位机采用时域特征和频域特征双图像显示，并使用基于蝶形算法的快速傅里叶变换（ FFT）处理信号，提高了信号频域特征的处理速度。通过采集信号发生器发出的50-150 kHz随机和矩形波信号，验证了整个系统的可行性和性能。该系统体积小、成本低、灵活度高、功耗低、效率高。

关键词：高频信号;无线监测系统;智能装备;数据采集;无线传输;性能验证

中图分类号：TN931+.3-34;TP301.6

文献标识码：A

文章编号：1004-373X（2019）24-0005-06

数据采集系统（Data Acquisition Syslem，DAS）作为对数据源进行收集、识别和读取的系统，在智能装备中发挥着越来越重要的作用[1-3]。许多学者的研究表明，由于无法准确掌握传统装备的加工状态，其实际生产效率和生产质量[4-6]不足理论值的1/2。因此十分需要一个可以准确高效的掌握加工状态的智能装备信号采集与处理系统。

传统的智能装备数据采集系统大多采用有线传输的方式，传输距离短、传输速度慢、传输效率低、不能快速准确的掌握加工状态。而无线传输不仅传输速度快、距离远、效率高，同时可以实现多设备同时通信，在智能装备信号监测系统中有着广阔的应用空间。目前关于无线传输在智能装备上的研究取得了一定的进展。文献[7-9]采用ZigBee技术组建无线网络进行数据传输，低成本低功耗的同时取得了不错的效果，但不适用于大数据量的高速传输;文献[10-12]采用无线蓝牙技术发送采集数据，传输速率较高，误差小，但有着覆盖范围较小的局限性[13]。为了解决以上问题，本文采用以IEEE 802.llb协议标准组建局域网的方式实现大数据量多设备间的高速传输。

在制造加工过程中，会产生多种类信号，这些信号中包含着丰富、密集和加工状态密切相关的信息[14-15]，同时也夹杂很多干扰和噪声。文献[16-17]通过收集切削加工过程中的切削力信号来分析工件和刀具的加工状态，研究结果表明，切削力信号和刀具磨损状态、工件表面加工质量具有十分密切的联系。文献[18-19]通过监测加工过程中产生的声发射（ Acoustic Emission，AE）信号和设备的颤振信号并做小波分解，并提取其时域特征，比较准确地预测了加工装备的磨损程度。为了有效地降低干扰和噪声，本文提出了以高频信号（50 kHz以上）为主要监测信号，避开大量低频干扰的监测方案来提高信号的真实性和准确性。

1 系统的整体结构

整个系统的构成框图如图1所示。整个系统以能够实时并持续处理和分析数据为原则，在进行数据分析处理的同时进行下一轮的數据采集和传输的工作。该系统主要构成模块如图2所示。

系统将采集到的数据以DMA方式在各个设备间传输数据。同时为了保证可以直观准确地观察并分析数据，嵌入式上位机平台中实现了时域分析图像实时显示、基于蝶形算法的FFT频域特性分析并图形化、对原始数据和分析数据的保存、抓取、分析等功能。

2 数据采集传输系统的实现

2.1 原始数据的采集与数据完整性检测

为了满足对高频信号采集点数多，采集数据量大的特点，下位机系统采用DMA（ Direct Memory Access）方式收发数据，其主要流程如图3所示。

一般的数据采集系统数据采集后直接发往上位机，可能出现数据的丢失和误差，对后续的研究和分析造成影响，因此本系统采集数据后，将其传输到模块中预留的内存空间（缓冲池）中进行预储存。其作用是保证数据的完整性并在内存空间中检测传输数据量的大小，以判断是否出现数据丢失。如果数据出现丢失或错误，下位机系统会向上位机系统发出错误信号，同时上位机出现错误提示，系统工作停止;当预储存中的数据完整性检测通过后，再发送到无线传输模块进行下一步的处理。STM32控制模块中SPI总线的DMA传输的最大数据量为65 535 B，完全满足在高速采集情况下对数据的收集和预储存。与此同时相比于普通传输方式，DMA传输过程中不需要CPU的干预，省去了CPU取指令、取数、送数等操作，大大降低了整个系统的功耗和传输时间，让本监测系统灵敏度更高。

2.2 系统控制和数据无线传输

为了保证信号监测系统实时、准确地反映加工过程中信号的幅值和频率的变化，整个系统的采样时钟和数据收发均由STM32系列控制模块控制。系统控制流程如图4所示。

原始数据通过ESP8266无线传输模块发往上位机，当整个系统上电后，ESP8266和上位机自动以AP-STA的模式组建基础网，上位机为无线接人点（AP），底层的信号采集系统均为站点（STA），用于接收上位机的控制命令和原始数据的上传分析。

2.3 数据的分析、处理和图形化

传统的数据分析处理所用的上位机在性能和体积之间的结合和优化还不够完善。为了能让研究人员方便、快速、准确地掌握智能装备的加工状态，本系统采用基于ARM Cortex-A53内核的Raspberry Pi 3B+高性能上位机，可以作为WiFi基础网的无线接入点（AP）组建网络，也可以将原始数据和处理数据进一步上传至云端保存。上位机系统数据处理框图如图5所示。

当原始采样数据数量积累到刷新采样点数Ⅳ的预定值（本系统可设置为1 024，2 048，4 096三种预定值）时，通过蝶形算法实现的快速傅里叶变换（ Fast FourierTransform，FFT）进行处理，生成信号幅频曲线，每完成一次FFT变换，幅频特性图像就刷新一次，研究者可以准确快速地掌握加工过程中产生信号的频率变化;此外，在加工完成后，本系统可对加工过程中采集到的所有数据进行FFT处理并生成幅频特性曲线，便于研究者更好地发现加工过程出现的问题。上位机系统界面如图6所示。

快速傅里叶变换（ FFT）是离散傅里叶变换（Dis-crete Fourier Transform，DFT）的快速算法，相比DFT对Ⅳ组数据的计算量为N2，FFT的计算量仅为Nlog2Ⅳ，点数越多，节约的运算量就越大，整个系统的优化效果就越好。系统对FFT处理在软件实现上采用了迭代的思想，即用变量的原值推算新值，大大提高了系统的稳定性和效率。

总的来说，整个系统用较小的计算量和能耗实现了采集数据的同时对信号连续FFT处理和图像化，给研究者提供了极大的便利。

3 系统性能验证与分析

为了验证整个系统的性能，本文使用信号发生器发出高频信号并用本系统进行采集分析以验证采集后数字信号图像的真实性。下面将主要从信号的时域特性和不同频率信号下的频域特性对本系统进行验证和分析，同时分析系统的传输时间、传输性能和误差率。

3.1 时域特征和传输性能的验证

如图7所示，当发送频率为100 kHz的矩形波形信号时，根据采样定理：

Fs≥2Fn

（1）式中：Fs为采样频率;Fn为信号频率。

采样频率应大于200 kHz，取采样频率为300 kHz。为了满足采集过程中频域特性曲线的最小分辨率小于200 Hz的要求，那么刷新采样点数Ⅳ根据公式：

N≥Fs/Fv

（2）式中：Fs为采样频率;Fv为信号最小分辨率。

刷新的采样点数Ⅳ设置为2 048个刚好可以满足要求。刷新采样点数选取为2 048个时，上位机实时显示的时域特性曲线如图8所示。

由图7、图8可以看出，采集信号的幅值为3.3 V，波形为矩形;而系統的时域特性曲线幅值也为3.3 V，波形为矩形。实验证明在100 kHz信号下，整个系统有着良好的采集和传输的能力，同时上位机对信号的处理和图形化真实准确，可以有效地反映出加工过程中产生信号的基本属性，监测效果良好。

系统的总体传输时间，如表1所示主要分为以下几个阶段：

1）单次数据采集时间Ti;

2）数据通过USART的DMA传输至无线传输模块的时间T2;

3）数据通过IEEE 802.llb标准协议传输至上位机的时间T3。

第一阶段的采集时间为0.14 s。第二阶段串口波特率设置为115 200 b/s，那么原始数据传输至无线传输模块的时间为：

T2=16M2/Ub式中：M2为第二阶段特征值;Ub为波特率。

第三阶段由于无线传输的速度很快，传输时间可以忽略不计，取T3≤0.1 s。经实验验证系统整体传输时间约为1.8 s，和理论时间基本相同，本系统可以快速准确地采集、传输和处理加工过程中的产生的数据。

3.2 频域特征性能的验证

如图9所示，当发送频率为67 kHz的随机波形信号时，根据式（1）和式（2），采样频率设置为150 kHz，刷新采样点数N设置为1 024，上位机实时显示的频域特性曲线如图10所示。

由图9、图10可以看出，在67 kHz信号下，整个系统有着良好的采集和传输的能力，同时上位机对信号的处理和图形化真实准确，可以有效地反映出加工过程中产生信号的基本属性，监测效果良好。

当发送频率为100 kHz的方波信号，且刷新采样点数为2 048个时，上位机实时显示的频域特性曲线如图11所示。

由图11可以看出，在100 kHz信号下，整个系统采集和传输水平良好，上位机也能良好地反映信号的时域特征和频域特征。同时由于刷新采样点数Ⅳ的增加，整个频域特性曲线准确性更高，系统性能更好。

如图12所示，当发送频率为150 kHz的随机信号，刷新采样点数Ⅳ设置为2 048个时，上位机实时显示的频域特性曲线如图13所示。

由图12、图13可以看出，在150 kHz信号下，整个信号监测系统的频域特性曲线效果优良，可以准确反映出信号的频率特性，然而时域特性曲线有一定的迟滞，经分析原因是由于信号频率偏高，采样时间变长，整个系统的数据采集传输时间也相应增加，因此信号在上位机上的图形化显示出现了一定的滞后。同时由于信号频率较高，频域特性曲线图相比100 kHz时质量有所降低，但仍能准确反映信号的频率特性。

通过以上实验分析可以得出，该监测系统在对50-150 kHz的高频信号的采集处理分析的能力优秀，可以快速准确地反映出加工过程中产生的信号的基本特性，满足对加工状态实时监测和准确掌握的要求。

4 结论

本文提出一个针对高频信号的智能装备信号无线采集与处理系统，其包括数模转换（ADC）模块、STM32控制模块、无线传输模块和基于Linux系统的上位机模块。总的流程是ADC完成自校准后采集高频信号，并将数据通过SPI总线的DMA方式传输到控制模块中指定的内存区域（缓冲池）进行预储存;待缓冲池填满后，通过USART的DMA方式将数据传输到无线传输模块，并通过TCP协议发往上位机;当上位机接收到数据后，将原始数据进行储存并显示实时的信号时域曲线;然后上位机将原始信号进行FFT处理，储存处理后的数据并显示信号的频域特性曲线。

参考文献

[1] JAEKYU Lee. SANGYUB Lee. HYUNJOONC Cho， et al.Su-pervisory control and data acquisition for standalone hybridpower generation systems [J]. Sustainable computing： informat-ics and systems， 2017（6）： 210-214.

[2] CAO Ronggang， XU Xiangcai.A small-sized and battery-sup-plied data acquisition system for the electromagnetic launcherto measure pulsed magnetic fields [J]. Applied mechanics andmaterials， 2017. 870： 85-92.

[3] RAJASEKARAN C，JEYABHARATH R，VEENA P.FPGASoC based multichannel data acquisition system with networkcontrol module [J]. Circuits and systems， 2017， 8（2）： 53-75.

[4] AMBROZ Miha. Raspberry Pi as a low-cost data acquisitionsvstem for human powered vehicles [J]. Measurement， 2017，100：7-18.

[5] ZHOU Zude， LIU Quan， AI Qingsong， et al.Intelligent moni-toring and diagnosis for modern mechanical equipment basedon the integration of embedded technology and FBGS technolo-gy [J]. Measurement. 2011， 44（9）： 1499-1511.

[6] NAZMUL HUDA A S，TAIB S.Application of infrared ther-mography for predictive/preventive maintenance of thermal de-fect in electrical equipment [J]. Applied thermal engineering，2013， 61（2）：220-227.

[7] LIAN K Y，HSIAO SUNG J，SUNG W T.Intelligent multi-sen-sor control system based on innovative technology integrationvia ZigBee and WiFi networks [J]. Journal of network and com-puter applications， 2013， 36（2）：756-767.

[8] MITSUGU Terada. Application of ZigBee sensor network to da-to acquisition and monitoring [J]. Measurement science review，

由图12、图13可以看出，在150 kHz信号下，整个信号监测系统的频域特性曲线效果优良，可以准确反映出信号的频率特性，然而时域特性曲线有一定的迟滞，经分析原因是由于信号频率偏高，采样时间变长，整个系统的数据采集传输时间也相应增加，因此信号在上位机上的图形化显示出现了一定的滞后。同时由于信号频率较高，频域特性曲线图相比100 kHz时质量有所降低，但仍能准确反映信号的频率特性。

通过以上实验分析可以得出，该监测系统在对50-150 kHz的高频信号的采集处理分析的能力优秀，可以快速准确地反映出加工过程中产生的信号的基本特性，满足对加工状态实时监测和准确掌握的要求。

4 结论

本文提出一个针对高频信号的智能装备信号无线采集与处理系统，其包括数模转换（ADC）模块、STM32控制模块、无线传输模块和基于Linux系统的上位机模块。总的流程是ADC完成自校準后采集高频信号，并将数据通过SPI总线的DMA方式传输到控制模块中指定的内存区域（缓冲池）进行预储存;待缓冲池填满后，通过USART的DMA方式将数据传输到无线传输模块，并通过TCP协议发往上位机;当上位机接收到数据后，将原始数据进行储存并显示实时的信号时域曲线;然后上位机将原始信号进行FFT处理，储存处理后的数据并显示信号的频域特性曲线。

为了测试系统的性能，对该信号监测系统在不同频率的信号下的采集传输性能做了许多实验。实验结果表明整个系统对50-150 kHz的高频信号的采集处理分析的能力优秀，图形化显示清晰准确;与此同时，整个系统的底层模块体积小于50 mmx20 mmx30 mm，上位机模块体积仅有信用卡大小，具有灵活性高、便携性高、价格低廉的优点;此外整个系统的功耗不超过40 W，可以广泛应用于如切削、异形制造等多种智能装备加工应用的数字化、可视化中，具有很强的实用性。

参考文献

[1] JAEKYU Lee. SANGYUB Lee. HYUNJOONC Cho， et al.Su-pervisory control and data acquisition for standalone hybridpower generation systems [J]. Sustainable computing： informat-ics and systems， 2017（6）： 210-214.

[2] CAO Ronggang， XU Xiangcai.A small-sized and battery-sup-plied data acquisition system for the electromagnetic launcherto measure pulsed magnetic fields [J]. Applied mechanics andmaterials， 2017. 870： 85-92.

[3] RAJASEKARAN C，JEYABHARATH R，VEENA P.FPGASoC based multichannel data acquisition system with networkcontrol module [J]. Circuits and systems， 2017， 8（2）： 53-75.

[4] AMBROZ Miha. Raspberry Pi as a low-cost data acquisitionsvstem for human powered vehicles [J]. Measurement， 2017，100：7-18.

[5] ZHOU Zude， LIU Quan， AI Qingsong， et al.Intelligent moni-toring and diagnosis for modern mechanical equipment basedon the integration of embedded technology and FBGS technolo-gy [J]. Measurement. 2011， 44（9）： 1499-1511.

[6] NAZMUL HUDA A S，TAIB S.Application of infrared ther-mography for predictive/preventive maintenance of thermal de-fect in electrical equipment [J]. Applied thermal engineering，2013， 61（2）：220-227.

[7] LIAN K Y，HSIAO SUNG J，SUNG W T.Intelligent multi-sen-sor control system based on innovative technology integrationvia ZigBee and WiFi networks [J]. Journal of network and com-puter applications， 2013， 36（2）：756-767.

[8] MITSUGU Terada. Application of ZigBee sensor network to da-to acquisition and monitoring [J]. Measurement science review，

由图12、图13可以看出，在150 kHz信号下，整个信号监测系统的频域特性曲线效果优良，可以准确反映出信号的频率特性，然而时域特性曲线有一定的迟滞，经分析原因是由于信号频率偏高，采样时间变长，整个系统的数据采集传输时间也相应增加，因此信号在上位机上的图形化显示出现了一定的滞后。同时由于信号频率较高，频域特性曲线图相比100 kHz时质量有所降低，但仍能准确反映信号的频率特性。

通过以上实验分析可以得出，该监测系统在对50-150 kHz的高频信号的采集处理分析的能力优秀，可以快速准确地反映出加工过程中产生的信号的基本特性，满足对加工状态实时监测和准确掌握的要求。

4 结论

本文提出一个针对高频信号的智能装备信号无线采集与处理系统，其包括数模转换（ADC）模块、STM32控制模块、无线传输模块和基于Linux系统的上位机模块。总的流程是ADC完成自校准后采集高频信号，并将数据通过SPI总线的DMA方式传输到控制模块中指定的内存区域（缓冲池）进行预储存;待缓冲池填满后，通过USART的DMA方式将数据传输到无线传输模块，并通过TCP协议发往上位机;当上位机接收到数据后，将原始数据进行储存并显示实时的信号时域曲线;然后上位机将原始信号进行FFT处理，储存处理后的数据并显示信号的频域特性曲线。

为了测试系统的性能，对该信号监测系统在不同频率的信号下的采集传输性能做了许多实验。實验结果表明整个系统对50-150 kHz的高频信号的采集处理分析的能力优秀，图形化显示清晰准确;与此同时，整个系统的底层模块体积小于50 mmx20 mmx30 mm，上位机模块体积仅有信用卡大小，具有灵活性高、便携性高、价格低廉的优点;此外整个系统的功耗不超过40 W，可以广泛应用于如切削、异形制造等多种智能装备加工应用的数字化、可视化中，具有很强的实用性。

参考文献

[1] JAEKYU Lee. SANGYUB Lee. HYUNJOONC Cho， et al.Su-pervisory control and data acquisition for standalone hybridpower generation systems [J]. Sustainable computing： informat-ics and systems， 2017（6）： 210-214.

[2] CAO Ronggang， XU Xiangcai.A small-sized and battery-sup-plied data acquisition system for the electromagnetic launcherto measure pulsed magnetic fields [J]. Applied mechanics andmaterials， 2017. 870： 85-92.

[3] RAJASEKARAN C，JEYABHARATH R，VEENA P.FPGASoC based multichannel data acquisition system with networkcontrol module [J]. Circuits and systems， 2017， 8（2）： 53-75.

[4] AMBROZ Miha. Raspberry Pi as a low-cost data acquisitionsvstem for human powered vehicles [J]. Measurement， 2017，100：7-18.

[5] ZHOU Zude， LIU Quan， AI Qingsong， et al.Intelligent moni-toring and diagnosis for modern mechanical equipment basedon the integration of embedded technology and FBGS technolo-gy [J]. Measurement. 2011， 44（9）： 1499-1511.

[6] NAZMUL HUDA A S，TAIB S.Application of infrared ther-mography for predictive/preventive maintenance of thermal de-fect in electrical equipment [J]. Applied thermal engineering，2013， 61（2）：220-227.

[7] LIAN K Y，HSIAO SUNG J，SUNG W T.Intelligent multi-sen-sor control system based on innovative technology integrationvia ZigBee and WiFi networks [J]. Journal of network and com-puter applications， 2013， 36（2）：756-767.

[8] MITSUGU Terada. Application of ZigBee sensor network to da-to acquisition and monitoring [J]. Measurement science review，2009， 9（6） ： 183-186.

[9] VAIRAMANI K. VENKATESH K， MATHIVANAN N. Designand development of ZigBee based instantaneous flat-plate col-lector efficiency measurement system [J]. Measurement sciencereview， 2011， 11（2） ： 57-60.

[10] WANG Mingwei， LI Qinjun， LI Qianghua， et al. Design ofthe wireless data acquisition system for experimental rabbit rectal temperature based on bluetooth and ARM technologies[J]. Advanced materials research， 2014， 3227 （945） ： 1744- 1747.

[11] SUSHABHAN C， PIYUSH K. RAJESH S， et al. ZigBee andBluetooth network based sensory data acquisition system [J].Procedia computer science， 2015. 48： 367-372.

[12] BRANKO Babusiak. STEFAN Borik. Bluetooth communica-tion for battery powered medical devices [J]. Journal of electri-cal engineering， 2016. 67（ I ） ： 65-68.

[13] HANGKI Joh， INTAE Ryoo. A hybrid WiFi P2P with Blue-tooth low energy for optimizing smart device ' s communicationproperty [J]. Peer-to-peer networking and applications， 2015 ，8（4） ： 567-577.

[14] VAIRAMANI K， VENKATESH K， MATHIVANAN N. De-sign and development of ZigBee hased instantaneous flat-platecollector efficiency measurement system [J]. Measurement sci-ence review. 2011 ， 11（ 2） ： 57-60.

[15] WICIAK M， TWARDOWSKI P. WOJCIECHOWSKI S. Com-parison of various tool wear prediction methods during endmilling of metal matrix composite [J]. Archives of mechanicaltechnology and materials . 2018 . 38（ I ） ： 1-7.

[16] SHAFIEE M， FEGHHI S A H. RAHIGHI J. Experimentalperformance evaluation of ILSF BPM data acquisition system[J]. Measurement . 2017 ， 100 ： 205-212.

[17] ZHONG P. SHI Y. CHEN X， et al. Research on digital intel-ligent recognition method of the weave pattern of fabric hasedon the redundant information [J]. Fibers and polymers， 2013，14 （ 11） ：

1919-1926.

[18] ANDREAS B. LAIT A S. DIETMAR S， et al. High speeddigital interfacing for a neural data acquisition system [J]. Cur- rent directions in biomedical engineering， 2016， 2（1） ： 186-194.

[19] XU X， NEE A Y C. Advanced design and manufacturingbased on STEP [M]. London： Springer， 2009.

作者簡介：于洋（1994-），男，硕士，主要研究方向为嵌入式系统开发与应用。

张磊（1978-），男，博士，副教授，主要研究方向为无线智能传感器。

姚龙旭（1994-），男，硕士，主要研究方向为脆性材料特种加工。

王辉（1994-），男，硕士，主要研究方向为信号数据分析与系统控制。