4. 数据采集与标定：标定流程设计、多温度点数据采集、数据预处理与滤波
好，咱们进入正题。压力传感器的温度补偿，说白了就是跟温度这个「捣蛋鬼」斗智斗勇。你想想看，传感器本身是个好同志，但温度一变化，它就「心浮气躁」——零位漂移、灵敏度变化，输出数据就没谱了。
怎么治它？靠标定。
标定不是拍脑袋的事。我做了十几年传感器，见过太多人上来就测数据，测完发现没法用。为什么？流程没设计好。今天我就把压箱底的经验掏出来，跟你聊聊标定流程怎么搭、数据怎么采、预处理怎么做。
4.1 标定流程设计：先搭骨架再填肉
我个人习惯，标定流程分三步走：
- 确定温度点：覆盖全温区，不能有盲区
- 确定压力点：量程范围内均匀分布
- 确定采集顺序：先升温还是先降温？有讲究
先说说温度点。假设你的传感器工作范围是 -40°C 到 85°C，你不能只测 -40、0、25、85 这四个点。为什么？因为传感器的非线性在极端温度下更明显。我建议至少取 7 个点：-40、-20、0、25、50、70、85。如果预算允许，加到 11 个点更好。
压力点呢？一般取 5 个点就够了：0%、25%、50%、75%、100% 满量程。但注意，0% 点（零压力）和 100% 点（满量程）必须测，这是校准的基准。
核心原则：标定数据要能覆盖传感器实际工作的所有工况。少一个点，补偿模型就可能「跑偏」。
采集顺序这块，我踩过坑。有一次我图省事，从低温直接跳到高温，结果数据全废了。为什么？传感器有热惯性，温度没稳定就采数据，误差大得吓人。
正确的做法是：每个温度点至少保温 30 分钟，等传感器温度稳定了再采。升温时从低温往高温走，降温时反过来。每个温度点采完一组压力数据，再切到下一个温度点。
4.2 多温度点数据采集：别让噪声毁了你的数据
数据采集听起来简单——接上传感器，读 ADC 值，完事。但实际做起来，坑多着呢。
我见过一个项目，工程师用万用表直接读传感器输出，结果数据跳得像心电图。为什么？没做滤波。传感器输出本身就有噪声，加上电源纹波、电磁干扰，原始数据根本没法用。
我的做法是：
- 每个压力点采 100 次，取平均值作为该点的原始值
- 采样间隔 10ms，太快了数据相关性强，太慢了浪费时间
- 同时记录温度值，用高精度温度传感器（比如 PT100）监测环境温度
这里有个细节：压力传感器本身也会发热，尤其是桥式传感器，激励电流会产生自热效应。我建议每次采集前先让传感器空载运行 5 分钟，等热平衡了再开始。
小技巧：采集数据时，把传感器放在恒温箱里，用程控压力源加压。这样温度和压力都能精确控制，数据一致性高。
数据记录格式也很重要。我习惯用 CSV 文件，每行记录一个数据点：
温度(°C), 压力(kPa), ADC原始值, 时间戳
-40.0, 0.0, 12345, 2024-01-15 10:00:00
-40.0, 25.0, 13456, 2024-01-15 10:01:00
-40.0, 50.0, 14567, 2024-01-15 10:02:00
...为什么要加时间戳？因为你可以用它检查数据是否稳定。如果某个点的数据波动大，时间戳能帮你定位问题。
4.3 数据预处理与滤波：把脏数据洗干净
原始数据采回来了，但别急着用。先做预处理，把「脏东西」滤掉。
预处理分三步：
- 异常值剔除：用 3σ 准则，把偏离均值超过 3 倍标准差的数据扔掉
- 平滑滤波：用滑动平均或中值滤波，去掉高频噪声
- 归一化：把 ADC 值映射到 0~1 范围，方便后续建模
异常值剔除这块，我吃过亏。有一次数据里有个点明显偏大，我没在意，结果拟合出来的模型在低温段误差很大。后来一查，是电源瞬间波动导致的。从那以后，我每次必做异常值检测。
代码实现很简单，Python 几行搞定：
import numpy as np
def remove_outliers(data, threshold=3):
mean = np.mean(data)
std = np.std(data)
return [x for x in data if abs(x - mean) < threshold * std]平滑滤波我推荐中值滤波。为什么？因为滑动平均对脉冲噪声敏感，一个坏点就能把平均值拉偏。中值滤波不一样，它取窗口内的中位数，对异常值有天然的抵抗力。
窗口大小选多少？我一般选 5。窗口太小滤波效果差，太大又会把真实信号抹平。5 是个折中值，够用。
注意：滤波会引入延迟。如果你的系统对实时性要求高（比如汽车发动机控制），滤波窗口不能太大，否则响应跟不上。
归一化这一步很多人忽略，但我觉得很重要。ADC 原始值可能是 0~65535，压力值可能是 0~100kPa，量纲不同，直接建模容易出问题。归一化到 0~1 后，模型训练更稳定，收敛也快。
归一化公式：
normalized_value = (raw_value - min_value) / (max_value - min_value)其中 min_value 和 max_value 是传感器在全温区、全量程下的最小和最大 ADC 值。注意，这两个值要从标定数据里取，不能拍脑袋定。
4.4 标定数据可视化：一眼看出问题
数据预处理完了，别急着建模。先画个图看看。
我习惯画两张图：
- 温度-零位漂移曲线：看零压力下，ADC 值随温度的变化
- 温度-灵敏度曲线：看满量程压力下，ADC 值随温度的变化
如果曲线平滑，说明传感器质量好，标定数据可靠。如果曲线有突变或毛刺，那就要回头检查数据采集过程了。
我曾经遇到一个案例，零位漂移曲线在 50°C 处有个「台阶」，怎么都解释不通。后来发现是恒温箱的温度控制器坏了，50°C 时实际温度波动了 ±5°C。你说这数据能信吗？
所以，可视化不只是为了好看，更是为了发现隐藏的问题。
4.5 本章小结
标定这事，看着简单，做起来全是细节。流程设计要周全，数据采集要稳当，预处理要细致。每一步都马虎不得。
嗯，我啰嗦了不少。但这些都是真金白银换来的经验。你按我说的做，至少能少走一半弯路。
下一章咱们聊补偿模型怎么建。不过那是后话了，先把标定数据搞扎实再说。
公众号:蓝海资料掘金营，微信deep3321