当前位置：首页 > news >正文

基于ESP32与VIBERAIL框架的振动监测系统：从信号处理到物联网应用

news 2026/5/14 2:50:25

1. 项目概述与核心价值

最近在折腾一个挺有意思的开源项目，叫VIBERAIL。乍一看这个名字，可能有点摸不着头脑，但如果你对嵌入式开发、物联网设备或者DIY硬件感兴趣，那这个项目绝对值得你花时间研究。简单来说，VIBERAIL是一个为ESP32系列微控制器设计的、功能强大的振动数据采集与分析框架。它的核心目标，是让开发者能够轻松地将物理世界的振动信号——比如机器的异常抖动、结构件的疲劳监测、甚至是你敲击桌面的力度——转化为可量化、可分析的数字数据，并在此基础上构建智能应用。

我之所以对这个项目产生浓厚兴趣，是因为在实际工作中，振动监测一直是个“高门槛”领域。传统的方案要么依赖昂贵的专业传感器和采集卡，要么需要从零开始搭建信号处理链，光是滤波、FFT（快速傅里叶变换）这些基础操作就能劝退不少人。VIBERAIL的出现，相当于提供了一个“开箱即用”的解决方案。它把硬件抽象、数据采集、实时处理、特征提取甚至初步的云端对接都封装好了，你只需要关心你的业务逻辑：比如，什么样的振动特征代表电机轴承磨损了？多大的振幅意味着设备安装松动了？

这个项目非常适合几类人：首先是物联网开发者，想给设备增加预测性维护功能；其次是创客和学生，想低成本地做一些结构健康监测或交互式装置；最后是任何对信号处理、边缘计算在嵌入式平台落地感兴趣的技术爱好者。接下来，我会带你深入拆解VIBERAIL的设计思路、关键技术实现，并分享从环境搭建到实际应用的全流程实操经验，以及那些官方文档里不会写的“坑”。

2. 核心架构与设计哲学解析

2.1 为什么选择ESP32作为硬件基石

VIBERAIL选择ESP32作为核心平台，是一个经过深思熟虑的决策，绝非偶然。首先从性能角度看，ESP32系列芯片（尤其是ESP32-S3）提供了足够的计算能力。振动信号处理，特别是实时FFT运算，对CPU的算力有一定要求。ESP32的主频可达240MHz，且拥有双核处理器，可以将数据采集（通常放在一个核心）和信号处理/网络通信（放在另一个核心）分离开，避免任务阻塞，保证采样时序的精确性，这对于振动分析至关重要，因为采样率的不稳定会直接导致频谱分析失真。

其次，ESP32内置了丰富的外设，特别是高速ADC（模数转换器）和I2S（集成电路内置音频总线）接口。振动传感器（如压电式加速度计）输出的模拟信号，需要高精度的ADC进行数字化。ESP32的ADC在合理配置下，能够达到足够的采样率和分辨率，以满足中低频振动监测的需求（通常工业设备故障特征频率在几千赫兹以内）。而I2S接口本是为音频设计，但其同步串行通信特性非常适合高速、连续的数据流传输，可以用来对接数字输出的MEMS（微机电系统）振动传感器，实现更高性能的数据采集。

最关键的一点是生态与成本。ESP32拥有极其庞大的开发者社区，Arduino框架和ESP-IDF（乐鑫官方开发框架）的支持非常完善，这意味着围绕其开发的驱动、网络库、文件系统等资源唾手可得。同时，ESP32模组成本极低，一片集成了Wi-Fi和蓝牙的模组仅需二三十元人民币，这使得构建分布式、无线化的振动监测节点成为可能，大幅降低了整个系统的部署成本。VIBERAIL构建在这样一个高性价比、高生态成熟度的硬件平台上，是其能够快速推广和应用的底层保障。

2.2 分层架构：从传感器到云端的数据流

VIBERAIL的软件架构采用了清晰的分层设计，这很好地体现了其“框架”而非“单一固件”的定位。理解这个数据流，是灵活使用和二次开发的基础。

最底层是硬件抽象层（HAL）。这一层定义了与物理传感器通信的统一接口。无论是通过ADC读取模拟传感器，还是通过I2S/SPI读取数字传感器，亦或是通过I2C读取内置DSP（数字信号处理器）的智能传感器，在HAL层都被抽象为统一的“数据源”。这样做的好处是，上层应用代码无需关心具体用的是哪款传感器，只需要调用read_vibration_data()这样的通用函数。当你需要更换传感器时，通常只需实现或选用对应的HAL驱动，而不必重写业务逻辑。

往上是数据采集与缓冲层。这一层负责以固定的采样率从HAL读取原始数据，并存入环形缓冲区。这里有一个关键设计：双缓冲机制。一个缓冲区用于接收实时采样数据，当它被填满后，会与另一个缓冲区进行“交换”。被填满的缓冲区会被提交给处理管道，而空的缓冲区则继续接收新数据。这种设计避免了处理过程阻塞数据采集，确保了数据流的连续性。采样率的配置在这里非常重要，它需要根据奈奎斯特采样定理来设定，即采样率至少是目标分析最高频率的两倍。例如，你想分析1000Hz以下的振动成分，采样率至少应设置为2000Hz。

核心部分是信号处理管道。原始振动数据（通常是时域波形）会依次通过一系列处理“滤波器”。这个管道是可配置的，典型的处理链包括：

直流偏移移除：传感器可能有零点漂移，需要减去均值，让信号以零为中心。
数字滤波：通常包括一个高通滤波器（去除极低频的缓慢变化或温度漂移）和一个低通滤波器（抗混叠，去除高于分析频率的无用高频噪声）。
加窗函数：在进行FFT之前，对一段时域数据加窗（如汉宁窗），以减少频谱泄漏。
FFT计算：将时域信号转换为频域信号，得到频谱图，这是故障诊断的核心。
特征提取：从频谱中计算各种特征值，如总振级、特定频段的能量、峰值频率、峭度指标等。这些特征值是后续逻辑判断和云端上传的浓缩信息。

最上层是应用逻辑与输出层。处理后的特征值可以被本地使用，例如触发一个报警GPIO（通用输入输出）口，点亮LED；也可以通过ESP32的Wi-Fi模块，按照MQTT、HTTP等协议将数据打包上传到云端服务器或本地网关，进行更长期的趋势分析和人工智能模型推断。

注意：这个分层架构是逻辑上的，在实际代码中可能以库、任务（FreeRTOS任务）或回调函数的形式组织。理解每一层的职责和层与层之间的数据接口（通常是结构体或队列），是进行深度定制的前提。

3. 硬件选型与传感器接口实战

3.1 传感器类型选择与电路考量

振动监测的精度和可靠性，一半取决于传感器。VIBERAIL框架支持多种传感器，但你需要根据应用场景做出选择。

压电式加速度传感器是最经典的选择。它们灵敏度高、频率响应范围宽（通常可达5kHz甚至更高），非常适合监测中高频振动。但其输出是高阻抗的电荷信号，需要配套电荷放大器才能转换为电压信号供ADC读取。这增加了电路复杂性。不过，市面上也有内置了放大器的IEPE（集成电路压电式）传感器，它需要恒流源供电（通常为2-20mA），输出是低阻抗的电压信号，可以直接接入ESP32的ADC。对于大多数DIY和工业监测场景，IEPE传感器是更省心的选择。

MEMS加速度计是另一个主流方向，特别是数字输出的型号（如通过SPI或I2C通信）。像ADI的ADXL345、ST的LSM6DSOX，它们将传感器和ADC、甚至简单的DSP都集成在了一个芯片里，通过数字接口直接输出已经过数字化和初步校准的加速度值。优点是接口简单、噪声低、功耗可控，且通常支持多种量程（如±2g, ±4g, ±16g）。缺点是高频响应通常不如专业的压电传感器（可能到1kHz左右），但对于很多机械设备的基础状态监测已经足够。

电路连接上的坑我踩过不少。如果你使用模拟传感器接ADC，务必注意参考电压和偏置电压。ESP32的ADC参考电压默认是3.3V，传感器的输出信号范围必须在这个区间内。很多IEPE传感器在零加速度时，输出是一个中间电压（如1.65V或2.5V），这意味着它输出的是“偏置”后的交流信号。你需要确保这个偏置电压在ADC量程内，并且在前端信号调理电路（如分压、跟随器）设计时考虑进去。此外，一定要在ADC输入引脚和地之间并联一个0.1uF的陶瓷电容，以滤除高频噪声，这是提升采样稳定性的廉价而有效的方法。

对于数字MEMS传感器，接线相对简单，但要注意电源去耦。必须在传感器的VCC和GND引脚之间，尽可能靠近芯片引脚的地方，并联一个10uF的钽电容和一个0.1uF的陶瓷电容，以确保电源干净，避免数字噪声影响模拟传感部分。

3.2 ESP32 ADC配置与采样率精确控制

使用ESP32内置ADC采集模拟振动信号，配置不当是结果失真的主要元凶。首先，ESP32的ADC本身有一定非线性，尤其是在量程两端。VIBERAIL框架通常会包含或推荐一个ADC校准过程。这个校准不是简单的软件偏移，而是通过读取内部电压参考，来补偿ADC的非线性特性。在ESP-IDF中，可以调用esp_adc_cal_characterize函数来获取校准特性，然后在每次读取后使用esp_adc_cal_raw_to_voltage进行转换，能得到更精确的电压值。

采样率的精确控制是实现可靠频谱分析的生命线。你不能简单地用一个for循环加delay来采样，因为函数调用和任务调度的不确定性会导致采样间隔抖动。正确的方法是使用硬件定时器中断。在Arduino环境下，可以使用hw_timer_t；在ESP-IDF下，使用通用定时器（GPTIMER）或高分辨率定时器（ESP-Timer）。在定时器中断服务程序（ISR）中，以最简化的代码读取ADC值并存入缓冲区。中断的优先级要设置得足够高，以避免被其他任务打断。

这里有一个关键公式：采样周期 = 定时器周期 = 1 / 采样率。例如，要实现2000Hz的采样率，定时器中断需要每500微秒触发一次。你需要根据ESP32的APB时钟频率（通常是80MHz）和定时器的分频系数，计算出正确的定时器计数比较值。代码配置的微小错误，可能导致实际采样率是1990Hz或2010Hz，这种偏差在长时FFT中会产生严重的频率“漂移”。

实操心得：在开发初期，务必增加一个调试功能：用另一个GPIO口，在每次进入ADC采样中断时翻转一次电平。然后用示波器或逻辑分析仪测量这个GPIO方波的频率，它应该严格等于你设定的采样率。这是验证采样定时是否精确的最直接方法。我曾在项目初期忽略了这一步，结果做出来的频谱总是对不上，排查了很久才发现是定时器分频数计算有误。

4. 信号处理链的深度实现与调优

4.1 实时FFT运算在资源受限MCU上的实现

在ESP32上做实时FFT，是对计算资源和内存管理的考验。VIBERAIL通常集成一个轻量级的FFT库，如arduinoFFT或专门为ESP32优化的esp-dsp库中的FFT函数。选择哪个库，取决于你对速度和精度的权衡。

arduinoFFT纯C++实现，易于集成到Arduino项目中，支持多种窗函数和幅值/相位计算，但速度相对较慢。esp-dsp库是乐鑫官方提供的，包含了大量用汇编优化的数字信号处理函数，其FFT速度远超通用实现，特别是对于固定点数（如256点、512点）的FFT有高度优化。如果你的采样率和处理帧长固定，强烈推荐使用esp-dsp。

FFT点数（N）的选择是一门艺术。点数越多，频率分辨率越高（Δf = 采样率Fs / N），但计算量也呈N*logN增长，且需要更多内存。对于嵌入式设备，常见的折中选择是256点或512点。假设采样率Fs=2000Hz，做256点FFT，那么频率分辨率Δf≈7.8Hz，能分析的频率范围是0-1000Hz（奈奎斯特频率）。这意味着你能区分开两个相差7.8Hz的频率成分，对于许多旋转机械的故障特征（如转频、倍频）识别来说，这个分辨率是足够的。

内存管理至关重要。FFT运算需要复数数组（实部+虚部）。对于256点FFT，你需要一个长度为256的复数数组。在ESP32上，应该使用DMAMEM（如果支持）或heap_caps_malloc从内部高速内存（如SRAM）中分配这些数组，而不是使用普通的堆或全局数组，以确保最快的访问速度。同时，输入数据（时域信号）在送入FFT前，需要从整数（ADC值）转换为浮点数，这个转换过程也可以考虑使用查表法或定点数运算来加速。

4.2 数字滤波器的设计与参数整定

原始振动信号中混杂着各种噪声，有效的滤波是特征提取的前提。VIBERAIL的处理管道中，数字滤波器是关键一环。通常需要两个：一个高通滤波器（HPF）和一个低通滤波器（LPF）。

高通滤波器的作用是去除直流分量和极低频的缓慢漂移（有时称为“趋势项”）。这些成分通常不是我们关心的振动，而是由温度变化、传感器安装倾斜等原因引起的。如果不滤除，它们会在FFT后的频谱上产生一个巨大的0Hz分量（直流），掩盖掉低频段有用的信息。一个截止频率在0.5Hz到5Hz的二阶或四阶巴特沃斯高通滤波器通常就足够了。实现上，可以使用IIR（无限脉冲响应）滤波器，因为它计算效率高。在C语言中，你需要根据滤波器的系数（通过Matlab、Python的scipy或在线工具计算得到），实现一个二阶节（Biquad）的直接II型转置结构，这是数值稳定性最好的实现方式之一。

低通滤波器的核心作用是抗混叠。尽管在ADC前端可能有模拟抗混叠滤波器，但数字低通滤波器作为第二道防线，可以确保在降采样（如果需要）或进一步处理前，高于奈奎斯特频率的信号被充分抑制。其截止频率应略低于你关心的最高分析频率（例如，关心1000Hz，截止频率可设为900Hz）。同样，巴特沃斯或切比雪夫I型滤波器是常用选择。

滤波器系数的计算和实现需要谨慎。我建议在PC上用Python（SciPy库）设计好滤波器，计算出系数，然后将这些系数作为常量数组硬编码到ESP32的代码中。不要在MCU上实时计算滤波器系数，那太耗资源。在实现滤波器函数时，务必保存好状态变量（即上一次的输出和输入值），因为IIR滤波器是有记忆的。

避坑指南：滤波器的相位延迟问题。IIR滤波器在滤除噪声的同时，会对信号的相位产生非线性扭曲。这对于只需要分析振幅谱（如计算总振级）的应用影响不大，但如果你需要精确分析信号中各频率成分的时序关系（如交叉频谱分析），则需要使用具有线性相位特性的FIR（有限脉冲响应）滤波器。不过，FIR滤波器的计算量远大于IIR，在ESP32上实现长抽头的实时FIR滤波会非常吃力，需要根据实际需求权衡。

5. 特征提取与本地智能诊断逻辑

5.1 从频谱中提炼关键特征值

得到频谱图（FFT结果的幅值）后，原始数据量依然很大（256个频率点）。直接上传所有数据到云端既不经济，也无必要。本地提取特征值，是边缘计算的核心价值。VIBERAIL框架通常会提供一系列特征提取函数，以下是最常用、最有工程意义的几种：

总振级（Overall Vibration Level, OVL）：计算频谱中所有频率点幅值的均方根（RMS）。这是一个最宏观的指标，反映了振动的总体能量。设备健康状态恶化时，OVL值通常会呈现上升趋势。计算公式为：OVL = sqrt( sum( amplitude[i]^2 ) / N )，其中amplitude[i]是第i个频率点的幅值。
峰值频率与幅值：找出频谱中幅值最高的前3-5个频率点及其对应的幅值。对于旋转机械，转频及其倍频（2x， 3x…）的幅值异常增长，是失衡、不对中、松动等故障的典型特征。记录这些峰值，可以为故障类型初步判断提供依据。
频带能量：将整个频谱划分为几个关键频带（例如：0.5x转频， 1x转频， 2x转频，高频段），分别计算每个频带内幅值的RMS值。通过监测各频带能量的相对变化，可以更精细地定位故障。例如，高频段能量显著增加，可能预示着轴承或齿轮的早期损伤。
峭度指标（Kurtosis）：这是一个时域统计特征，对冲击性信号非常敏感。计算时域信号x[n]的四阶中心矩与标准差四次方的比值：Kurtosis = sum( (x[n] - mean)^4 ) / (N * std^4)。健康轴承的振动信号近似高斯分布，峭度接近3。当轴承出现点蚀、剥落等局部损伤时，会产生周期性冲击，峭度值会显著增大（远大于3）。峭度指标常用于轴承的早期故障预警。

在ESP32上实现这些计算，要注意浮点运算开销。对于OVL和频带能量，可以使用整数运算或平方根查找表来加速。对于寻找峰值，一个简单的遍历比较算法即可，因为数据量（256点）不大。

5.2 基于阈值的本地报警与状态判断

提取出特征值后，就可以在设备端做出初步判断，实现快速的本地响应。最直接的方法是阈值报警。你需要为关键特征（如总振级OVL、峭度值）设定一个或多个阈值。

预警阈值：当特征值超过此阈值，表示设备状态可能开始劣化，但还未达到危险程度。可以触发一个低级别报警，比如让一个LED慢速闪烁，并通过网络上报一条预警日志。
报警阈值：当特征值超过此阈值，表示设备已处于异常状态，需要尽快检查。此时应触发高级别报警，比如让LED快速闪烁或蜂鸣器鸣叫，并立即上报报警事件。

阈值如何设定？这是最具经验性的部分。理想情况是在设备安装初期、健康状态下，长时间运行并记录特征值，计算其统计分布（均值和标准差），然后将预警阈值设为“均值 + 3倍标准差”，报警阈值设为“均值 + 5倍标准差”。如果没有历史数据，可以参考设备制造商提供的标准，或基于同类设备的经验值进行初步设定，并在运行中持续优化。

更高级一点的逻辑可以是趋势判断。例如，连续监测一段时间（如1小时）内的OVL值，计算其移动平均值。如果移动平均值呈现持续上升的趋势（例如，线性拟合的斜率大于某个正数），即使当前值未超过绝对阈值，也可以发出“趋势预警”，提示设备性能可能在缓慢退化。

这些本地逻辑的判断结果，可以通过ESP32的GPIO口直接控制指示灯、继电器，也可以通过Wi-Fi以MQTT消息的形式发布到指定的主题（Topic），由网络侧的服务器（如Node-RED, Home Assistant）或手机App接收并做出更复杂的联动。

6. 数据上云与远程监控系统搭建

6.1 通信协议选择：MQTT vs. HTTP

将振动数据从边缘的ESP32发送到云端或本地服务器，主要有两种协议选择：MQTT和HTTP。

MQTT（消息队列遥测传输）是物联网领域的明星协议，采用发布/订阅模式，非常轻量，带宽占用低，适合持续、小批量的数据传输。对于VIBERAIL项目，你可以让ESP32作为一个MQTT客户端，将提取的特征值（如OVL、峰值频率）以JSON格式，定期（如每10秒）发布到一个像viberail/device01/vibration这样的主题。服务器端（如部署在云端的Node.js服务、或本地的Home Assistant）订阅该主题即可接收数据。MQTT还支持“遗嘱消息”，可以在设备意外离线时通知服务器，提高了系统的可靠性。对于需要实时监控和快速响应的场景，MQTT是首选。

HTTP/HTTPS的方式更传统、更通用。ESP32可以周期性地向一个预定义的RESTful API端点发起POST请求，携带JSON格式的数据。这种方式更易于与现有的Web服务集成，并且可以利用HTTPS提供传输层安全。缺点是开销比MQTT大（每次通信都要建立TCP连接、发送HTTP头），对于电池供电的设备不友好。它更适合于非实时、数据上报间隔较长（如每分钟或每小时一次）的场景，或者需要与特定云平台（其只提供了HTTP API）对接的情况。

我的选择建议是：对于大多数DIY和工业监测场景，优先使用MQTT。你可以在本地局域网搭建一个Mosquitto MQTT Broker（代理），成本为零。云端也有许多免费的公共Broker（如HiveMQ Cloud的免费套餐）或云服务商提供的MQTT服务（如阿里云物联网平台、AWS IoT Core）。它的实时性和低功耗优势明显。

6.2 云端数据可视化与持久化方案

数据上传只是第一步，在云端对数据进行可视化展示和持久化存储，才能发挥其长期价值。

一个简单而强大的组合是：Node-RED + InfluxDB + Grafana。

Node-RED：一个基于流的低代码编程工具。你可以用它来订阅MQTT主题，接收来自ESP32的数据。然后，在Node-RED中可以对数据进行简单的清洗、转换（例如，将字符串JSON解析为数值），再将其写入时序数据库。
InfluxDB：一个专门为时间序列数据优化的数据库。它非常适合存储带时间戳的传感器读数，查询和聚合速度极快。你可以创建一个名为vibration的measurement，里面包含device_id,overall_level,peak_freq等字段。
Grafana：一个功能强大的数据可视化平台。它可以连接InfluxDB作为数据源，然后让你轻松地创建仪表盘。你可以绘制总振级随时间变化的趋势图，设置报警线；可以绘制实时频谱图（需要上传原始频谱数据）；还可以将多个设备的振动状态在一个面板上进行对比。

整个流程可以部署在一台树莓派、旧电脑上，甚至利用Docker容器在NAS上运行。这构成了一个完整的、私有化的物联网监控系统。

另一种更“云原生”的方案是直接使用物联网云平台，如阿里云物联网平台或AWS IoT。这些平台提供了设备管理、消息路由、规则引擎、数据存储和可视化的一站式服务。你只需要在ESP32上集成平台提供的SDK，按照平台规范上报数据，就可以在平台的控制台上看到数据图表，并配置报警规则。优点是省去了自己搭建和维护后端服务的麻烦，缺点是可能会有一定的费用，并且数据存储在第三方平台。

实操心得：在数据上报的JSON格式设计上，我强烈建议包含以下字段：timestamp（设备端生成的时间戳，ISO 8601格式）、device_id（设备唯一标识）、feature_set（包含所有特征值的对象，如{"ovl": 1.23, "kurtosis": 3.45, "peak_freq_hz": [50.1, 100.2]}）。这样设计，后端在解析和存储时非常清晰。另外，务必考虑网络不稳定的情况，在ESP32端实现一个简单的发送队列和重试机制，避免数据丢失。

7. 项目实战：从零构建一个电机振动监测节点

7.1 硬件清单与电路连接

让我们以一个具体的案例来串联所有知识：监测一台小型交流风扇电机的振动状态。

硬件清单：

ESP32开发板：如ESP32 DevKit C V4，这是最通用的选择。
振动传感器：选用一款常见的IEPE压电加速度传感器，量程±50g，频率响应0.5Hz~10kHz，自带3.5mm插头。配套一个IEPE恒流源调理模块（将恒流源供电转换为单端电压输出）。
电平转换与滤波电路（可选但推荐）：由于IEPE模块输出可能是±5V或±10V，而ESP32 ADC只能接受0-3.3V输入，需要一个电阻分压电路（如用10kΩ和20kΩ电阻分压，将±10V缩放到0-3.3V）。同时，在ADC输入引脚前加入一个RC低通滤波（1kΩ电阻串联，0.1uF电容对地），截止频率约1.6kHz，作为初步的抗混叠滤波。
电源：USB供电或5V直流电源适配器。
连接线：杜邦线、3.5mm音频线（连接传感器与调理模块）。

电路连接步骤：

将IEPE传感器通过音频线连接到调理模块的输入。
调理模块的VCC和GND接5V电源正负极。其OUT信号线接电平转换电路的输入端。
电平转换电路的输出端（即分压后的信号）连接到ESP32的一个ADC引脚，例如GPIO34。同时，在该引脚与ESP32的GND之间，并联一个0.1uF的陶瓷电容。
确保ESP32、调理模块、传感器共地。

7.2 固件开发、配置与部署流程

环境准备：使用PlatformIO IDE（基于VSCode）或Arduino IDE。安装ESP32开发板支持包。从GitHub克隆shamanakin/VIBERAIL项目代码。
项目配置：打开项目，找到主要的配置文件（通常是config.h或viberail_config.h）。你需要修改以下关键参数：
- ADC_PIN: 设置为你的信号输入引脚，如34。
- SAMPLING_RATE: 根据电机转速设定。假设电机转速3000 RPM（50Hz），关心其10倍频以内的振动（500Hz），根据奈奎斯特定理，采样率至少1000Hz。为留有余量，设置为2000。
- FFT_SIZE: 设置为256。这样频率分辨率为2000/256≈7.8Hz。
- HPF_CUTOFF_HZ和LPF_CUTOFF_HZ: 分别设置为5.0和800.0。
- MQTT_BROKER: 设置为你的MQTT Broker地址，如本地192.168.1.100。
- MQTT_TOPIC: 设置为home/vibration/motor_fan。
核心代码理解与修改：浏览主循环loop()或主任务函数。理解数据采集、处理、发布的流程。你可能需要调整特征提取的逻辑，例如，只上报总振级和峭度值。在setup()函数中，确保Wi-Fi连接和MQTT初始化的代码正确，并添加了重连逻辑。
编译与烧录：连接ESP32到电脑，选择正确的串口和开发板类型，编译并上传固件。
测试与验证：打开串口监视器，查看日志输出。你应该能看到Wi-Fi连接成功、MQTT连接成功的信息，以及周期性的振动特征值打印。用手轻轻敲击或晃动传感器，观察打印出的总振级数值是否相应变化。

7.3 系统联调与效果评估

固件运行正常后，进行系统联调：

服务器端部署：在局域网的另一台电脑或树莓派上，启动Mosquitto MQTT Broker。使用Node-RED，拖入一个mqtt in节点，配置连接到Broker，并订阅home/vibration/motor_fan主题。再拖入一个debug节点，连接到mqtt in节点，部署后，你应该能在Node-RED的调试侧边栏看到ESP32发来的JSON数据。
数据存储与可视化：在Node-RED中，添加一个function节点，将JSON消息中的ovl和kurtosis字段提取出来，并添加当前时间戳，构造出InfluxDB的行协议格式字符串。然后使用node-red-contrib-influxdb节点，将数据写入已安装好的InfluxDB。最后，在Grafana中配置InfluxDB数据源，创建一个新的Dashboard，添加一个Graph面板，查询vibrationmeasurement中ovl字段，就能看到电机振动总级随时间变化的曲线了。
效果评估：让风扇电机在正常状态下运行一段时间，记录特征值的基线。然后，人为制造一个“故障”，比如在电机风扇叶片上贴一小块胶带（模拟不平衡），观察ovl值和频谱中1倍转频（50Hz）的幅值是否显著升高。再观察峭度值的变化。通过这个实验，你可以验证整个监测链路是否有效，并为后续设置报警阈值积累经验数据。