4、静态标定方法：从原始数据到可靠指标
静态标定，说白了就是给传感器一个稳定的输入，看它输出稳不稳、准不准。我入行那会儿，总觉得动态标定才显技术含量，静态标定不就是测几个点画条线嘛。直到有一次，一个压力传感器的温漂问题死活查不出来，最后回头重做静态标定，才发现是拟合方法选错了。嗯，从那以后我再也不敢小看这一步了。
4.1 静态输入输出特性
传感器的静态特性，描述的是输入不随时间变化（或变化极慢）时，输出与输入之间的关系。理想情况下，我们希望这是一条过零点的直线——输入多少，输出就按比例反映多少。
但现实嘛，你想想看，总会有偏差。静态特性通常用以下几个指标来刻画：
- 量程：输入的最小值到最大值区间。
- 灵敏度：输出变化量与输入变化量的比值，也就是拟合直线的斜率。
- 线性度：实际曲线偏离拟合直线的程度。
- 迟滞：正行程和反行程输出不一致的程度。
- 重复性：同一条件下多次测量结果的一致程度。
我个人习惯，拿到一个新传感器，第一件事就是做一组完整的静态标定实验。把输入从零点加到满量程，再降回来，重复至少3次。这组数据，就是后续所有分析的根基。
4.2 最小二乘法线性拟合
有了数据点，怎么找到那条最能代表传感器特性的直线？最常用的就是最小二乘法。它的核心思想很简单：让所有数据点到拟合直线的垂直距离的平方和最小。
公式长这样：
斜率 k = (n * Σ(xi*yi) - Σxi * Σyi) / (n * Σ(xi²) - (Σxi)²)
截距 b = (Σyi - k * Σxi) / n其中 xi 是输入值，yi 是输出值，n 是数据点个数。
下面是一个简单的Python实现片段：
def least_squares_fit(x, y):
n = len(x)
sum_x = sum(x)
sum_y = sum(y)
sum_xy = sum(xi * yi for xi, yi in zip(x, y))
sum_xx = sum(xi ** 2 for xi in x)
k = (n * sum_xy - sum_x * sum_y) / (n * sum_xx - sum_x ** 2)
b = (sum_y - k * sum_x) / n
return k, b4.3 端点法与最佳直线法
除了最小二乘法，还有两种常见的拟合方式：端点法和最佳直线法。它们各有各的适用场景。
| 方法 | 定义 | 优点 | 缺点 |
|---|---|---|---|
| 端点法 | 连接量程起点和终点的直线 | 计算简单，物理意义明确 | 只用了两个端点，中间点信息浪费 |
| 最佳直线法 | 使正反行程偏差值之和最小的直线 | 对迟滞大的传感器更公平 | 计算复杂，需要迭代 |
| 最小二乘法 | 使所有点偏差平方和最小的直线 | 统计最优，抗随机噪声 | 对异常点敏感 |
端点法我一般在快速验证时用。比如产线上抽检，拿万用表测两个点，画条线，看看偏差在不在容忍范围内。但正式出报告，我肯定用最小二乘法。
4.4 迟滞与重复性计算
这两个指标，是衡量传感器“靠谱不靠谱”的关键。
迟滞
迟滞指的是，同一个输入值，正行程（从低到高）和反行程（从高到低）测得的输出值不一样。为什么会这样？机械结构的摩擦、材料的弹性后效、磁滞效应，都是元凶。
计算方式：
迟滞误差 H = |y_up - y_down| / Y_fs * 100%其中 y_up 是正行程输出，y_down 是反行程输出，Y_fs 是满量程输出值。通常取所有输入点中最大的那个偏差。
重复性
重复性考察的是，在相同条件下，多次测量同一输入值，输出的一致性。它反映的是随机误差的大小。
计算方式：
重复性误差 R = (σ * t) / Y_fs * 100%其中 σ 是多次测量的标准差，t 是置信系数（通常取2或3，对应95%或99.7%置信度）。
4.5 知识结构总览
下面这张图，把静态标定的核心逻辑串起来了。从原始数据出发，经过不同的拟合方法，最终得到几个关键的性能指标。
4.6 小结
静态标定，是传感器数据采集的基石。方法选对了，后面的数据处理才靠谱。我个人建议，不管项目多紧，静态标定这一步别省、别糊弄。你想想看，一个连静态特性都没摸清的传感器，上了动态测试，结果能信吗？