第2章信号采集端的噪声抑制

做运动控制这些年，我踩过最大的坑，就是信号采集端的噪声问题。你想想看，一个好好的伺服系统，电机转起来抖得像筛子，PID调了无数遍都没用——最后发现，是编码器信号线上串进了高频干扰。说白了，源头没掐住，后面再怎么优化算法都是白搭。

这一章，我们就来聊聊传感器噪声的来源，以及怎么从硬件和软件两个层面把它压下去。我个人习惯是：先硬件滤波，再软件滤波。硬件能干掉80%的噪声，剩下的交给软件兜底。

2.1 传感器噪声来源分析

噪声从哪来？我把它分成三类：

电磁干扰（EMI）：电机驱动器、变频器、开关电源这些大功率设备，工作时会产生强烈的电磁场。传感器信号线如果离得近，就像天线一样把干扰收进来。我在一个机器人项目里遇到过，编码器信号在电机加速时直接跳变，后来发现是动力线和信号线走在了同一个线槽里。
电源纹波：传感器供电如果不干净，输出信号自然也不干净。尤其是低成本开关电源，纹波能到几十毫伏，对模拟输出的传感器影响很大。
机械振动与接触不良：连接器松动、焊点虚焊、线缆磨损，这些都会产生间歇性的信号毛刺。嗯，这种噪声最难排查，因为它不是一直有，而是随机出现。

我的经验法则：先检查物理连接，再查电源质量，最后才怀疑外部电磁干扰。顺序搞反了，容易白费功夫。

2.2 硬件滤波：RC低通滤波设计

硬件滤波是噪声抑制的第一道防线。RC低通滤波，说白了就是一个电阻加一个电容，把高频噪声对地旁路掉。结构简单，但参数选不对，效果天差地别。

2.2.1 基本原理

RC低通滤波的截止频率公式：

f_c = 1 / (2π × R × C)

高于这个频率的信号会被衰减。比如你的编码器输出信号频率是100kHz，那截止频率至少要设到200kHz以上，否则有用信号也会被削掉。

2.2.2 参数选型实战

我一般按这个步骤来：

确定信号最高频率：比如编码器最高转速下的脉冲频率。
选择截止频率：取信号最高频率的2~5倍。别取太高，否则滤波效果差；也别取太低，否则信号变形。
选电阻值：1kΩ~10kΩ之间比较常用。电阻太小，前级驱动电流大；电阻太大，信号压降明显。
算电容值：根据公式反推。常用的是nF级别。

信号类型	信号频率	推荐R	推荐C	截止频率
编码器差分信号	1MHz	1kΩ	100pF	1.59MHz
模拟电压信号	1kHz	10kΩ	100nF	159Hz
霍尔传感器	10kHz	4.7kΩ	3.3nF	10.3kHz

小技巧：如果信号线上已经有长距离走线，可以在传感器端和接收端各加一级RC滤波。我在一个远距离编码器项目里试过，效果比单级好很多。

2.2.3 避坑指南

我曾经在一个项目里直接用示波器看信号，觉得RC滤波后的波形挺干净，结果一上电机就出问题。后来发现，RC滤波会引入相位延迟，对高速闭环控制影响很大。所以，如果你做的是高带宽伺服控制，RC滤波的截止频率一定要留够余量，或者改用有源滤波器。

2.3 软件滤波实战

硬件滤波搞定了大部分高频噪声，但低频噪声和随机毛刺，还得靠软件来收尾。下面三种方法，是我项目里最常用的。

2.3.1 均值滤波

均值滤波，就是把最近N次采样值加起来除以N。简单、高效，对周期性噪声抑制效果不错。

// 均值滤波示例
#define FILTER_N 10
int filter_buf[FILTER_N];
int filter_index = 0;
long filter_sum = 0;

int mean_filter(int new_value) {
    filter_sum -= filter_buf[filter_index];
    filter_buf[filter_index] = new_value;
    filter_sum += filter_buf[filter_index];
    filter_index = (filter_index + 1) % FILTER_N;
    return filter_sum / FILTER_N;
}

但要注意，N值越大，平滑效果越好，响应也越慢。我一般取4~16之间，具体看系统对实时性的要求。

2.3.2 中值滤波

中值滤波对付毛刺噪声特别管用。它的原理很简单：取连续N次采样的中间值。比如采样值[10, 12, 255, 11, 13]，排序后取中间值12，那个255的毛刺就被干掉了。

// 中值滤波示例
#define MEDIAN_N 5

int median_filter(int new_value) {
    static int buf[MEDIAN_N];
    static int index = 0;
    int temp[MEDIAN_N];
    int i, j;
    
    buf[index] = new_value;
    index = (index + 1) % MEDIAN_N;
    
    // 复制并排序
    for(i = 0; i < MEDIAN_N; i++) temp[i] = buf[i];
    for(i = 0; i < MEDIAN_N - 1; i++) {
        for(j = i + 1; j < MEDIAN_N; j++) {
            if(temp[i] > temp[j]) {
                int t = temp[i];
                temp[i] = temp[j];
                temp[j] = t;
            }
        }
    }
    return temp[MEDIAN_N / 2];
}

我的习惯：均值滤波和中值滤波搭配使用。先用中值滤波去掉毛刺，再用均值滤波平滑波形。我在一个力传感器项目里这么干过，效果比单独用一种好得多。

2.3.3 卡尔曼滤波

卡尔曼滤波，听起来高大上，其实核心思想就一句话：用模型预测+测量修正，不断逼近真实值。它特别适合处理有随机噪声的连续信号，比如编码器速度、加速度计算。

一维卡尔曼滤波的五个核心公式：

// 一维卡尔曼滤波实现
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
} kalman_1d_t;

float kalman_filter(kalman_1d_t *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;
}

// 使用示例
kalman_1d_t kf = {.Q = 0.01, .R = 0.1, .x = 0, .P = 1};
float filtered = kalman_filter(&kf, raw_value);

参数调优是关键。Q值越大，滤波器越相信测量值，响应快但噪声多；R值越大，滤波器越相信预测值，平滑但滞后。我一般先设Q=0.01、R=0.1，然后根据实际波形微调。

实战建议：卡尔曼滤波不适合所有场景。如果系统是非线性的，或者计算资源有限，用扩展卡尔曼或者干脆用互补滤波。我在一个低成本MCU项目里试过，卡尔曼滤波跑一次要几百微秒，后来换成互补滤波，效果差不多，时间省了一半。

2.4 三种软件滤波对比

滤波方法	适用场景	优点	缺点	计算量
均值滤波	周期性噪声、平稳信号	简单、高效	对毛刺不敏感、有滞后	低
中值滤波	随机毛刺、脉冲噪声	抗毛刺能力强	平滑效果一般	中
卡尔曼滤波	动态系统、连续信号	自适应、精度高	参数调优复杂、计算量大	高

2.5 本章知识体系

下面这张图，把噪声抑制的整体思路串起来了。从源头分析，到硬件滤波，再到软件滤波，每一步都有明确的定位。

噪声抑制这件事，说白了就是一层一层地过滤。硬件RC滤波挡掉高频干扰，软件均值滤波平滑周期性波动，中值滤波掐掉随机毛刺，卡尔曼滤波在动态系统中做最优估计。没有万能的方法，只有最合适的组合。

我在实际项目中，通常先用示波器看原始信号的噪声特征——是高频振荡还是随机毛刺？频率范围是多少？然后根据这些信息，决定用哪种滤波方案。记住一句话：先诊断，再开药方。

📚 课程目录

第2章 信号采集端的噪声抑制

2.1 传感器噪声来源分析

2.2 硬件滤波：RC低通滤波设计

2.2.1 基本原理

2.2.2 参数选型实战

2.2.3 避坑指南

2.3 软件滤波实战

2.3.1 均值滤波

2.3.2 中值滤波

2.3.3 卡尔曼滤波

2.4 三种软件滤波对比

2.5 本章知识体系

第2章信号采集端的噪声抑制