4. 数据采集与信号处理：从模拟到数字的必修课

数据采集这活儿，说白了就是跟信号打交道。你传感器再好，信号调理再到位，到了ADC这一步如果没处理好，前面全白搭。我做了十几年嵌入式，见过太多人栽在采样率设置和滤波上——不是采出来的数据没法用，就是CPU被滤波算法拖死。

这一章咱们就聊聊数据采集里最核心的几个概念：采样定理、抗混叠滤波、数字滤波，还有数据校准。嗯，都是实战里绕不开的硬骨头。

4.1 采样定理（Nyquist）：别让你的信号“说谎”

先问个问题：一个1kHz的正弦波，你用多快的速度去采，才能把它还原出来？

答案是至少2kHz。这就是奈奎斯特采样定理的核心——采样频率必须大于信号最高频率的两倍。低于这个值，就会出现一个很要命的现象：混叠（Aliasing）。

核心公式：

fs > 2 × fmax

其中 fs 是采样频率，fmax 是信号中的最高频率分量。

混叠是什么感觉？我举个例子。你拿手机拍风扇，有时候会看到扇叶好像倒着转，甚至不转。这就是时间域上的混叠——采样率（帧率）跟不上风扇转速，视觉系统就被骗了。

在数据采集里，混叠更危险。一个100Hz的噪声信号，你用150Hz去采，采出来会变成一个50Hz的假信号。你以为是真实数据，其实是噪声伪装成的。我曾经在一个振动监测项目里遇到过这问题，折腾了两天才发现是采样率设低了。

避坑指南：

我曾经在工业现场吃过亏——传感器输出有高频噪声，我按信号基频的2倍设采样率，结果数据全是乱的。后来才明白：采样率要按信号中最高频率分量来算，不是按你关心的频率算。

实际工程中，我一般取3~5倍，留足余量。

4.2 抗混叠滤波：采样前的最后一道防线

光提高采样率够吗？不够。因为真实世界里，信号里总有你意想不到的高频成分——电源噪声、电机干扰、射频耦合……这些频率你根本不知道，也没法提前避开。

所以，ADC之前必须加一个低通滤波器，把高于 fs/2 的成分干掉。这就是抗混叠滤波器。

滤波器类型 特点 适用场景
一阶RC低通 简单、便宜、-20dB/dec 对阻带要求不高的低速信号
二阶有源低通 -40dB/dec，截止特性好 大多数工业采集场景
高阶椭圆滤波器 过渡带极陡，但有通带纹波 高精度、窄过渡带需求

我个人习惯：低速信号（几百Hz以内）用二阶巴特沃斯有源滤波器，通带平坦，相位失真小。高速信号（几十kHz以上）直接用集成抗混叠滤波器芯片，省心。

实战技巧：

抗混叠滤波器的截止频率一般设在 fs/2 的 80%~90%。比如采样率 1kHz，截止频率设在 400~450Hz。留点余量，别卡在边界上。

4.3 数字滤波：软件层面的信号净化

模拟滤波做完了，数据进到MCU里，是不是就干净了？不一定。传感器本身的噪声、量化噪声、环境干扰，还会混进来。这时候就需要数字滤波上场了。

数字滤波的好处是灵活——改个参数就行，不用动硬件。我常用的有三种：移动平均、中值滤波、卡尔曼滤波。各有各的脾气。

4.3.1 移动平均滤波

最简单，也最常用。把最近N个采样值加起来求平均，输出一个平滑值。

// 移动平均滤波 - 循环队列实现
#define WINDOW_SIZE 10

float moving_average(float new_sample) {
    static float buffer[WINDOW_SIZE] = {0};
    static int index = 0;
    static float sum = 0;
    static int count = 0;

    sum -= buffer[index];
    buffer[index] = new_sample;
    sum += new_sample;
    index = (index + 1) % WINDOW_SIZE;

    if (count < WINDOW_SIZE) count++;
    return sum / count;
}

优点：计算量小，平滑效果好。缺点：对突变信号反应慢，而且会引入相位延迟。窗口越大，延迟越大。

我在做温度采集时常用这个——温度变化慢，延迟几秒无所谓，平滑最重要。

4.3.2 中值滤波

对付脉冲噪声（比如静电干扰、开关噪声）特别有效。原理很简单：取N个采样值，排序，取中间那个。

// 中值滤波 - 冒泡排序取中值
#define MEDIAN_WINDOW 5

float median_filter(float new_sample) {
    static float buffer[MEDIAN_WINDOW] = {0};
    static int index = 0;
    float temp[MEDIAN_WINDOW];
    int i, j;

    buffer[index] = new_sample;
    index = (index + 1) % MEDIAN_WINDOW;

    // 拷贝并排序
    for (i = 0; i < MEDIAN_WINDOW; i++) temp[i] = buffer[i];
    for (i = 0; i < MEDIAN_WINDOW - 1; i++) {
        for (j = 0; j < MEDIAN_WINDOW - 1 - i; j++) {
            if (temp[j] > temp[j+1]) {
                float t = temp[j];
                temp[j] = temp[j+1];
                temp[j+1] = t;
            }
        }
    }
    return temp[MEDIAN_WINDOW / 2];
}

你想想看，如果采样值里突然蹦出一个异常大的数，移动平均会被拉偏，但中值滤波完全不受影响。我做过一个压力传感器项目，现场有气动阀开关，每次动作都会产生一个尖峰干扰，中值滤波一把就解决了。

注意：

中值滤波窗口一般取奇数（3、5、7）。窗口太大，计算量上去了，而且会丢失细节。我一般不超过9个点。

4.3.3 卡尔曼滤波

这个稍微复杂点，但效果是真的好。卡尔曼滤波不是简单平滑，它是在估计系统状态——结合测量值和预测值，给出一个最优估计。

一维卡尔曼滤波的五个核心公式：

// 一维卡尔曼滤波
typedef struct {
    float Q;  // 过程噪声协方差
    float R;  // 测量噪声协方差
    float x;  // 估计值
    float P;  // 估计误差协方差
    float K;  // 卡尔曼增益
} Kalman1D;

float kalman_update(Kalman1D *kf, float measurement) {
    // 预测
    kf->P = kf->P + kf->Q;

    // 更新
    kf->K = kf->P / (kf->P + kf->R);
    kf->x = kf->x + kf->K * (measurement - kf->x);
    kf->P = (1 - kf->K) * kf->P;

    return kf->x;
}

卡尔曼滤波的厉害之处在于：它能自适应。信号平稳时，它信任预测值；信号突变时，它信任测量值。我做过一个无人机高度计融合项目，气压计和超声波的数据就是靠卡尔曼滤波融合的，效果比单纯平滑好太多。

参数调优经验：

Q和R的比值决定了滤波器的响应速度。Q/R越大，滤波器越“相信”测量值，响应越快但噪声也多。我一般先设Q=0.01、R=1，然后根据实际波形微调。

4.4 数据校准与归一化：让数据说“真话”

滤波做完了，数据看起来平滑了。但还有一个问题：传感器出来的原始值，跟真实物理量之间往往有偏差。这就是校准要做的事。

4.4.1 校准：消除系统误差

校准分两步：零点和满量程。

  • 零点校准：传感器在无输入时，输出应该是多少？比如压力传感器在通大气时，输出应该是0。但实际可能有个偏移量，记下来，后面减掉。
  • 满量程校准：给一个已知的标准输入，看传感器输出是多少。比如给100kPa压力，输出是2.5V，那增益系数就是 100 / 2.5 = 40 kPa/V。
// 两点校准
float calibrate(float raw_value, float zero_offset, float gain) {
    return (raw_value - zero_offset) * gain;
}

我习惯在系统初始化时做一次自动校准。如果环境温度变化大，还得做温度补偿——这个后面章节会细讲。

4.4.2 归一化：统一量纲

归一化就是把不同量纲、不同范围的数据，映射到同一个区间（通常是0~1或-1~1）。为什么要做？因为很多算法（比如神经网络、PID控制）对输入范围敏感。

最常用的归一化方法：

// 最小-最大归一化
float normalize_minmax(float value, float min_val, float max_val) {
    if (max_val == min_val) return 0.5;
    return (value - min_val) / (max_val - min_val);
}

举个例子：一个温度传感器输出范围是0~3.3V，对应温度-40~85°C。归一化后，电压值变成0~1，方便后续处理。

实战建议：

归一化的min和max最好用实际采集到的范围，而不是理论值。理论值往往偏大，导致归一化后数据集中在0.2~0.8之间，浪费了动态范围。

4.5 本章知识体系总览

说了这么多，咱们用一张图把整个数据采集与信号处理的流程串起来。从传感器原始信号，到最终可用的校准数据，每一步都不能少。

数据采集与信号处理流程 传感器原始信号 模拟量（电压/电流） 抗混叠滤波 低通滤波（硬件） ADC采样 fs > 2fmax 数字滤波 移动平均/中值/卡尔曼 数据校准 零点/满量程补偿 归一化 映射到0~1或-1~1 可用数据 真实、平滑、归一化的物理量 采样率不足 → 混叠 抗混叠滤波是必须的 滤波 ≠ 校准 两步都要做

这张图把咱们这一章的核心流程串起来了。从传感器出来的模拟信号，先过抗混叠滤波器，再进ADC采样，然后做数字滤波、校准、归一化，最后得到可用的数据。每一步都有坑，每一步也都有技巧。

嗯，这一章的内容就到这儿。数据采集这事儿，理论不难，难的是现场的那些“意外”。多留个心眼，多留点余量，数据就不会骗你。

← 上一章 📖 返回目录 下一章 →