第三节传感器模型基础

做仿真脚本这么多年，我越来越觉得——传感器模型是整个仿真体系的基石。你想想看，模型建得不对，后面跑出来的数据全是垃圾。今天咱们就聊聊传感器模型的几个核心概念：数学模型、传递函数、噪声模型，还有线性与非线性特性。

一、传感器数学模型

说白了，数学模型就是用数学公式来描述传感器的行为。我习惯把传感器看作一个黑盒子，输入是物理量，输出是电信号。

最基本的传感器数学模型长这样：

y(t) = f(x(t)) + n(t)

其中：

y(t) — 传感器输出信号
x(t) — 被测物理量输入
f(·) — 传感器的转换函数
n(t) — 噪声项

我在项目中遇到过一种情况：温度传感器的输出明明是线性的，但实际采集到的数据却飘得厉害。后来一查，是数学模型里没考虑温度漂移补偿项。嗯，这里要注意——实际建模时，千万别忽略环境因素的影响。

二、传递函数

传递函数是描述传感器动态特性的利器。它反映了传感器对输入信号的响应能力。

对于线性时不变系统，传递函数定义为：

H(s) = Y(s) / X(s)

其中 s = jω 是复频率。

举个例子，一阶低通传感器的传递函数：

H(s) = K / (τs + 1)

这里 K 是静态增益，τ 是时间常数。

我的小技巧： 在仿真脚本里，我习惯用 scipy.signal 库来构建传递函数。比如：

from scipy import signal
num = [K]
den = [tau, 1]
sys = signal.TransferFunction(num, den)

这样后面做时域响应分析就方便多了。

为什么会这样？因为传递函数能帮你预测传感器在不同频率下的表现。低频信号能顺利通过，高频信号会被衰减——这就是传感器的带宽限制。

三、噪声模型

做仿真的人都知道，没有噪声的传感器是不存在的。我刚开始做仿真时，总把传感器当成理想器件，结果仿真数据和实测数据对不上，被领导批了一顿。

常见的传感器噪声模型包括：

噪声类型	特性	仿真模型
白噪声	功率谱密度恒定	`np.random.normal(0, σ)`
1/f 噪声	低频段功率大	粉红噪声生成算法
量化噪声	ADC量化误差	`round(y / Δ) * Δ`
突发噪声	随机脉冲干扰	泊松过程模拟

避坑指南： 我曾经在仿真一个压力传感器时，只加了白噪声，结果实际测试时发现低频漂移特别严重。后来才意识到，真实传感器的1/f噪声才是低频段的主要干扰源。所以，噪声模型一定要根据实际应用场景来选，别偷懒。

四、线性与非线性特性

线性传感器，输入输出关系是一条直线。数学上表示为：

y = Kx + b

但现实世界哪有那么多理想情况？非线性才是常态。

常见的非线性类型：

饱和特性 — 输入超过一定范围后，输出不再变化
死区特性 — 小信号输入时，传感器没反应
迟滞特性 — 上升和下降路径不一致
非线性曲线 — 比如热电偶的平方关系

我个人习惯在仿真脚本里用分段线性函数来近似非线性特性。举个例子：

def sensor_model(x):
    if x < 0.1:
        return 0  # 死区
    elif x > 5.0:
        return 5.0  # 饱和
    else:
        return 0.95 * x + 0.05  # 线性区

你想想看，如果仿真时不考虑这些非线性，那你的控制算法在真实系统上很可能直接崩掉。

  核心要点： 传感器建模时，先确定线性工作区，再在边界处加上非线性修正。这样既保证了仿真精度，又不会让模型过于复杂。

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结构，方便你快速把握本章内容：

这张图把传感器模型分成了五个模块。我个人建议你从数学模型入手，先搞清楚输入输出关系，再逐步加入传递函数和噪声模型，最后处理非线性问题。这样循序渐进，不容易乱。

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，建好模型，后面的路就好走了。