基于快速傅里叶变换与噪声源识别的智能环境监测系统代码实战

1. 项目背景与需求分析

城市环境噪声监测是个挺有意思的话题，我自己住的地方靠近马路，晚上经常被车流声吵得睡不着，所以一直想做个能实时监测噪声的小设备。传统的噪声监测站往往体积大、成本高，而且部署不灵活。现在借助嵌入式设备和信号处理算法，我们完全可以自己搭建一个便携又智能的噪声监测系统。

这个系统的核心功能其实不难理解：通过麦克风采集环境声音，用单片机处理音频数据，再通过Wi-Fi把分析结果发送到服务器。但难点在于如何准确识别噪声来源——是施工噪音、交通噪音，还是人群嘈杂声？这就需要用到信号处理中的快速傅里叶变换（FFT）和噪声分类算法了。

我选择ESP32作为主控芯片，因为它不仅价格便宜（某宝上20多块就能买到），还自带Wi-Fi功能，特别适合这种物联网项目。麦克风模块我用的是MAX4466，灵敏度高，而且自带放大电路，可以直接连接单片机的ADC引脚。

整个项目的代码量不大，但涉及到硬件连接、信号处理和网络通信，对初学者来说是个很好的综合实践项目。下面我会手把手带你完成从硬件搭建到代码实现的全部过程。

2. 硬件准备与环境搭建

2.1 硬件清单

先来看看需要哪些硬件设备。除了ESP32开发板和MAX4466麦克风模块，你还需要一些杜邦线和一块面包板。如果你打算长期使用，建议设计个PCB板，这样更稳定可靠。所有材料在淘宝上都能买到，总成本不超过50元。

ESP32的选型要注意，推荐选择带有GPIO引脚引出的开发板，这样连接外设更方便。麦克风模块有3个引脚：VCC、GND和OUT。VCC接3.3V，GND接地，OUT接ESP32的GPIO34引脚（这个引脚支持ADC功能）。

2.2 软件环境配置

软件开发环境我推荐使用PlatformIO，这是个基于VSCode的嵌入式开发平台，比Arduino IDE更专业，库管理也更方便。安装完VSCode后，在扩展商店搜索PlatformIO安装即可。

创建新项目时，选择ESP32开发板，然后需要安装几个必要的库：

• arduino-FFT：用于快速傅里叶变换
• WiFi：ESP32自带的Wi-Fi库

安装库的方法很简单，在PlatformIO的库管理器中搜索并安装就行。这里有个小技巧：FFT库有很多版本，建议选择维护活跃的版本，我用的版本是1.5.6。

2.3 硬件连接注意事项

连接电路时要注意几个细节。麦克风模块的输出电压范围是0-3.3V，正好匹配ESP32的ADC输入范围。如果使用其他麦克风模块，可能需要额外的电阻分压电路。

供电方面，建议使用USB电源适配器供电，而不是电脑USB口供电，因为音频采集对电源稳定性要求较高。我在实际测试中发现，电脑USB口的噪声会干扰音频采集结果。

3. 音频采集模块实现

3.1 基础采集代码

音频采集的核心代码其实很简单，就是不断读取ADC引脚的值。但要注意采样率设置，根据奈奎斯特采样定理，采样率至少要达到信号最高频率的两倍。人耳能听到的最高频率大约是20kHz，所以采样率至少需要40kHz。

不过ESP32的ADC性能有限，实际采样率达不到这么高。经过测试，稳定采样率在10kHz左右，这对环境噪声监测已经足够了，因为大多数环境噪声的主要能量都集中在低频段。

const int micPin = 34;
const int sampleWindow = 50; // 50ms的采样窗口
unsigned int sample;

void setup() {
  Serial.begin(115200);
  pinMode(micPin, INPUT);
}

void loop() {
  unsigned long startMillis = millis();
  unsigned int peakToPeak = 0;
  
  unsigned int signalMax = 0;
  unsigned int signalMin = 4095;
  
  while (millis() - startMillis < sampleWindow) {
    sample = analogRead(micPin);
    if (sample < 4095) {
      if (sample > signalMax) {
        signalMax = sample;
      } else if (sample < signalMin) {
        signalMin = sample;
      }
    }
  }
  
  peakToPeak = signalMax - signalMin;
  double volts = (peakToPeak * 3.3) / 4095.0;
  
  Serial.print("Noise level: ");
  Serial.print(volts);
  Serial.println("V");
}

这段代码实现了基本的噪声电平检测，通过计算50ms时间窗口内的峰峰值电压来估算噪声强度。在实际测试中，安静环境的噪声电平通常在0.1V以下，而嘈杂环境可能超过1V。

3.2 采样优化技巧

直接使用analogRead()函数采样率不高，因为每次转换都需要时间。ESP32实际上支持ADC DMA采样，可以实现更高的采样率，但代码比较复杂。对于噪声监测应用，简单的analogRead()已经够用。

我建议增加一个软件滤波器，对采样值进行平滑处理。这里提供一个简单的移动平均滤波实现：

#define FILTER_SIZE 5
int filterBuffer[FILTER_SIZE];
int filterIndex = 0;

int smoothFilter(int rawValue) {
  filterBuffer[filterIndex] = rawValue;
  filterIndex = (filterIndex + 1) % FILTER_SIZE;
  
  long sum = 0;
  for (int i = 0; i < FILTER_SIZE; i++) {
    sum += filterBuffer[i];
  }
  return sum / FILTER_SIZE;
}

这个滤波器可以有效地消除突发的干扰信号，使读数更加稳定。在实际部署中，我还建议定期进行ADC校准，因为ESP32的ADC有一定的温漂。

4. 信号处理与FFT实现

4.1 FFT算法原理

快速傅里叶变换是整个系统的核心算法，它能把时域信号转换成频域信号。简单来说，就是告诉你一个声音由哪些频率组成，每个频率的强度是多少。

想象一下，如果给你一段混合的音乐，FFT能帮你分析出里面有多少种乐器在演奏，每种乐器的音量多大。在噪声监测中，FFT可以帮我们识别出噪声的主要频率成分，从而判断噪声来源。

FFT的数学原理比较复杂，但我们可以用库函数来避免复杂的数学计算。arduino-FFT库提供了简单的接口，我们只需要提供采样数据，它就能返回频率分析结果。

4.2 FFT代码实现

下面是FFT分析的具体代码实现。我们需要先采集足够多的样本点（通常是2的整数次幂），然后调用FFT库进行处理。

#include <FFT.h>

#define SAMPLES 512
#define SAMPLING_FREQUENCY 10000

double vReal[SAMPLES];
double vImag[SAMPLES];

void setup() {
  Serial.begin(115200);
  FFT = FFT(SAMPLES, SAMPLING_FREQUENCY);
}

void loop() {
  // 采集音频样本
  for (int i = 0; i < SAMPLES; i++) {
    vReal[i] = analogRead(micPin);
    vImag[i] = 0;
    delayMicroseconds(1000000 / SAMPLING_FREQUENCY);
  }
  
  // 执行FFT
  FFT.windowing(FFT_WIN_TYP_HAMMING, FFT_FORWARD);
  FFT.compute(FFT_FORWARD);
  FFT.complexToMagnitude();
  
  // 分析结果
  analyzeFrequency();
}

void analyzeFrequency() {
  double majorPeak = FFT.majorPeak();
  Serial.print("Major frequency: ");
  Serial.print(majorPeak);
  Serial.println(" Hz");
  
  // 检测特定频率的噪声
  for (int i = 2; i < (SAMPLES/2); i++) {
    if (vReal[i] > 1000) {  // 阈值根据实际情况调整
      Serial.print("Peak at ");
      Serial.print(i * (SAMPLING_FREQUENCY / SAMPLES));
      Serial.print(" Hz, magnitude: ");
      Serial.println(vReal[i]);
    }
  }
}

这段代码首先采集512个样本点，然后进行FFT分析。majorPeak()函数可以找到最主要的频率成分，我们再遍历所有频率点，找出幅度超过阈值的重要频率。

4.3 频率分析技巧

在实际应用中，直接使用幅度阈值可能不够准确。我建议使用相对阈值，即根据整体噪声水平动态调整阈值。例如，可以将阈值设置为平均幅度的3倍：

double calculateThreshold() {
  double sum = 0;
  for (int i = 2; i < (SAMPLES/2); i++) {
    sum += vReal[i];
  }
  double average = sum / (SAMPLES/2 - 2);
  return average * 3;
}

另一种有用的技巧是关注特定频段。例如，交通噪声主要集中在低频（500Hz以下），而机械噪声可能出现在特定频率。我们可以为不同频段设置不同的阈值，提高识别准确率。

5. 噪声源识别算法

5.1 基于特征频率的识别

不同的噪声源有其特征频率。例如：

• 交通噪声：主要集中在200Hz以下的低频段
• 施工机械：可能有特定的谐波频率
• 人声嘈杂：分布在300Hz-3kHz的中频段

我们可以通过检测这些特征频率来识别噪声类型。下面是一个简单的分类器实现：

String classifyNoise(double* frequencies, double* magnitudes, int count) {
  double lowFreqEnergy = 0;    // 低频能量
  double midFreqEnergy = 0;    // 中频能量
  double highFreqEnergy = 0;   // 高频能量
  
  for (int i = 0; i < count; i++) {
    if (frequencies[i] < 300) {
      lowFreqEnergy += magnitudes[i];
    } else if (frequencies[i] < 2000) {
      midFreqEnergy += magnitudes[i];
    } else {
      highFreqEnergy += magnitudes[i];
    }
  }
  
  double totalEnergy = lowFreqEnergy + midFreqEnergy + highFreqEnergy;
  if (totalEnergy < 1000) {
    return "Quiet";
  }
  
  double lowRatio = lowFreqEnergy / totalEnergy;
  double midRatio = midFreqEnergy / totalEnergy;
  
  if (lowRatio > 0.6) {
    return "Traffic noise";
  } else if (midRatio > 0.5) {
    return "Human activity";
  } else {
    return "Mechanical noise";
  }
}

这个分类器虽然简单，但在实际测试中准确率还不错。你可以根据自己所在环境的特点，调整频率分段和阈值。

5.2 机器学习方法进阶

如果想要更准确的分类，可以考虑使用机器学习方法。由于ESP32的计算能力有限，我们可以先在PC上训练模型，然后在嵌入式端部署推理。

一个简单的方法是使用KNN算法，提取频谱特征作为输入向量。虽然ESP32的内存有限，但处理几十个特征点的KNN分类还是可行的。

// 简单的KNN实现示例
struct TrainingData {
  double features[10];
  String label;
};

TrainingData dataset[50];  // 训练数据集
int dataCount = 0;

String knnClassify(double* features) {
  double minDistance = 1e9;
  String bestLabel = "Unknown";
  
  for (int i = 0; i < dataCount; i++) {
    double distance = 0;
    for (int j = 0; j < 10; j++) {
      double diff = features[j] - dataset[i].features[j];
      distance += diff * diff;
    }
    
    if (distance < minDistance) {
      minDistance = distance;
      bestLabel = dataset[i].label;
    }
  }
  
  return bestLabel;
}

在实际应用中，你需要先收集各种噪声环境的样本数据，提取特征并标注，建立训练数据集。这个方法虽然需要前期准备工作，但分类效果要好很多。

6. 数据通信与云端传输

6.1 Wi-Fi连接管理

稳定的网络连接是数据传输的基础。ESP32的Wi-Fi连接有时候会不稳定，需要实现重连机制。下面是我常用的Wi-Fi管理代码：

#include <WiFi.h>

const char* ssid = "your_wifi_ssid";
const char* password = "your_wifi_password";

void connectWiFi() {
  WiFi.begin(ssid, password);
  Serial.print("Connecting to WiFi");
  
  int attempts = 0;
  while (WiFi.status() != WL_CONNECTED && attempts < 20) {
    delay(500);
    Serial.print(".");
    attempts++;
  }
  
  if (WiFi.status() == WL_CONNECTED) {
    Serial.println("\nConnected! IP address: ");
    Serial.println(WiFi.localIP());
  } else {
    Serial.println("\nFailed to connect");
  }
}

void checkWiFi() {
  if (WiFi.status() != WL_CONNECTED) {
    Serial.println("WiFi disconnected, reconnecting...");
    connectWiFi();
  }
}

我建议在loop()函数中定期调用checkWiFi()，确保网络连接正常。同时添加重试次数限制，避免无限重连卡死系统。

6.2 数据上传实现

数据上传到云端有多种方式，最简单的是HTTP POST请求。如果你使用云平台如阿里云或AWS，它们通常提供物联网专用的SDK，使用起来更简单。

这里以HTTP POST为例：

#include <HTTPClient.h>

void uploadData(String noiseType, float noiseLevel) {
  if (WiFi.status() != WL_CONNECTED) {
    connectWiFi();
    if (WiFi.status() != WL_CONNECTED) {
      return;  // 仍然连接失败
    }
  }
  
  HTTPClient http;
  String url = "http://yourserver.com/api/noise";
  
  String payload = "type=" + noiseType + "&level=" + String(noiseLevel);
  
  http.begin(url);
  http.addHeader("Content-Type", "application/x-www-form-urlencoded");
  
  int httpCode = http.POST(payload);
  if (httpCode > 0) {
    Serial.printf("Upload successful, code: %d\n", httpCode);
  } else {
    Serial.printf("Upload failed, error: %s\n", http.errorToString(httpCode).c_str());
  }
  
  http.end();
}

为了节省电量