3、传感器模型基础：传感器数学模型、噪声模型、物理特性建模、传感器参数标定
做仿真这么多年，我越来越觉得传感器模型是整个仿真环境的基石。你想想看，模型建得不准，后面跑出来的数据全是垃圾。今天咱们就聊聊传感器建模这件事，我把自己踩过的坑和积累的经验都倒出来。
3.1 传感器数学模型
传感器的数学模型，说白了就是描述「输入-输出」关系的数学表达式。我习惯把它分成静态模型和动态模型两大类。
3.1.1 静态数学模型
静态模型不考虑时间因素，只关心稳态下的输入输出关系。最常见的表达式是：
y = f(x) + ε其中 y 是输出，x 是输入，f 是传递函数，ε 是误差项。
实际项目中，我遇到过不少传感器，它们的静态特性可以用多项式来拟合：
y = a₀ + a₁x + a₂x² + a₃x³ + ...这里 a₀ 是零偏，a₁ 是灵敏度（增益），高阶项代表非线性误差。嗯，这里要注意：阶数不是越高越好，过拟合会让你在标定时看起来很漂亮，一上现场就露馅。
关键参数速查表：
| 参数 | 含义 | 典型单位 |
|---|---|---|
| 量程 | 传感器可测量的输入范围 | 取决于物理量 |
| 灵敏度 | 输出变化量与输入变化量之比 | mV/Pa, mV/g 等 |
| 分辨率 | 传感器能检测到的最小输入变化 | 取决于位数 |
| 线性度 | 实际曲线与理想直线的偏差 | %FS |
| 迟滞 | 正行程与反行程输出之差 | %FS |
3.1.2 动态数学模型
动态模型描述传感器对变化输入的响应。我常用传递函数或状态空间方程来表示。
举个例子，一个一阶温度传感器的动态响应可以写成：
τ · dy/dt + y = K · x其中 τ 是时间常数，K 是静态增益。解这个微分方程，得到阶跃响应：
y(t) = K · (1 - e^(-t/τ))我曾经在一个热流传感器项目中，发现仿真和实测总是对不上。查了半天，原来是时间常数 τ 随温度变化了。所以啊，动态参数不是一成不变的，建模时一定要考虑环境因素。
3.2 噪声模型
噪声是传感器绕不开的话题。我常说，没有噪声的传感器只存在于教科书中。真实世界里，噪声无处不在。
3.2.1 噪声类型
常见的传感器噪声包括：
- 热噪声（约翰逊噪声）：由电阻中电子的热运动引起，与温度成正比
- 散粒噪声：由载流子通过势垒时的随机性引起
- 闪烁噪声（1/f 噪声）：低频段占主导，频率越低噪声越大
- 量化噪声：ADC 转换过程中产生的误差
我的经验：在仿真中，我通常用高斯白噪声来近似热噪声和散粒噪声。但对于 MEMS 加速度计这类传感器，1/f 噪声绝对不能忽略，否则低频性能会严重偏离实际。
3.2.2 噪声建模方法
在仿真中，我习惯这样建模：
import numpy as np
def add_sensor_noise(signal, noise_density=1e-6, bandwidth=100):
"""
给传感器信号添加噪声
noise_density: 噪声密度 (V/√Hz)
bandwidth: 系统带宽 (Hz)
"""
std = noise_density * np.sqrt(bandwidth)
noise = np.random.normal(0, std, len(signal))
return signal + noise你可能会问：「为什么噪声密度要乘以根号带宽？」其实很简单，噪声功率是密度在带宽上的积分，所以 RMS 值就是密度乘以根号带宽。这个细节我当年也是吃了亏才记住的。
3.3 物理特性建模
物理特性建模，就是把传感器的真实物理行为映射到仿真模型中。这部分最考验功力，因为物理世界远比数学公式复杂。
3.3.1 温度效应
温度对传感器的影响是全方位的。我见过一个压力传感器，25°C 时精度 0.1%，到了 85°C 直接漂到 1%。
温度模型通常包括：
- 零点温漂：零输入时输出随温度的变化
- 灵敏度温漂：增益随温度的变化
- 迟滞温漂：迟滞特性随温度的变化
一个实用的温度补偿模型：
y_comp = (y_raw - z(T)) / S(T)
其中：
z(T) = z₀ + α₁(T - T₀) + α₂(T - T₀)²
S(T) = S₀ · [1 + β₁(T - T₀) + β₂(T - T₀)²]3.3.2 非线性与交叉灵敏度
很多传感器不仅对目标物理量敏感，还会受到其他物理量的影响。比如加速度计对温度敏感，压力传感器对振动敏感。
我做过一个六轴 IMU 的项目，发现加速度计的输出里混入了角速度信息。这就是交叉灵敏度，建模时必须考虑：
a_x_meas = a_x_true + c_xy · ω_y + c_xz · ω_z + n_x其中 c_xy 和 c_xz 就是交叉耦合系数。
注意：交叉灵敏度往往是传感器封装和工艺导致的，不同批次的产品可能差异很大。我建议在建模时保留这些系数作为可调参数，方便后续标定。
3.4 传感器参数标定
标定，就是把模型参数和真实传感器对上号。这一步做不好，前面建的模型全是空中楼阁。
3.4.1 标定流程
我一般按这个流程走：
- 数据采集：在已知输入下记录传感器输出
- 预处理：去噪、剔除异常值
- 模型拟合：用最小二乘法或更鲁棒的方法拟合参数
- 验证：用独立数据集检验标定效果
- 迭代：如果验证结果不理想，回到第一步
3.4.2 最小二乘标定
对于线性模型 y = a₀ + a₁x，标定就是求 a₀ 和 a₁：
import numpy as np
def calibrate_linear(x_meas, x_true):
"""
线性标定
x_meas: 传感器测量值
x_true: 真实值（参考标准）
"""
A = np.vstack([np.ones_like(x_meas), x_meas]).T
a0, a1 = np.linalg.lstsq(A, x_true, rcond=None)[0]
return a0, a1避坑指南：我曾经用最小二乘法标定一个压力传感器，结果在量程两端误差很大。后来改用加权最小二乘，给两端数据更高的权重，效果就好多了。所以标定方法要因地制宜，别死板套公式。
3.4.3 多参数标定
对于包含温度补偿的模型，标定就复杂多了。需要在不同温度点下采集数据，然后联合求解所有参数。
我常用的方法是分步标定：
- 第一步：在恒温条件下标定静态参数（零偏、灵敏度、非线性系数）
- 第二步：改变温度，标定温漂系数
- 第三步：验证交叉灵敏度，必要时增加交叉耦合项
这样做的好处是每一步的物理意义明确，出了问题容易定位。
3.5 知识体系总览
下面这张图是我自己整理的传感器模型知识框架，你可以对照着梳理思路：
这张图把传感器模型拆成了四个模块。你仔细看，它们之间是相互关联的。标定结果会反过来修正数学模型和物理特性参数，形成一个闭环。我在实际项目中就是按这个框架来搭建仿真环境的，效果还不错。
好了，传感器模型基础就聊到这儿。记住一句话：模型是仿真的灵魂，参数是模型的血肉。把这两样搞扎实了，后面的仿真工作才能站得住脚。
本章要点回顾：
- 数学模型分静态和动态，静态关注输入输出关系，动态关注时间响应
- 噪声模型要区分热噪声、1/f 噪声和量化噪声，不同场景侧重点不同
- 物理特性建模要考虑温度效应、非线性和交叉灵敏度
- 参数标定是连接模型和现实的桥梁，分步标定更实用
可可精品资料库