3. 温度数据采集与滤波：ADC采样原理与分辨率选择

各位工程师朋友，咱们今天聊聊温度采集。这活儿看着简单，其实坑不少。我刚开始做工业控制那会儿，就吃过亏——采集的温度数据跳得像心电图，PID根本稳不住。后来才明白，问题出在ADC选型和滤波策略上。

3.1 ADC采样原理与分辨率选择

ADC采样，说白了就是把模拟电压转成数字量。温度传感器（比如PT100、热电偶）输出的是电压信号，ADC负责把它变成单片机认识的二进制数。

分辨率怎么选？ 这得看你的温度精度要求。举个例子：

• 12位ADC：0~5V对应0~4095，每LSB约1.22mV
• 16位ADC：0~5V对应0~65535，每LSB约0.076mV

如果温度传感器灵敏度是10mV/℃，那12位ADC的理论温度分辨率是0.122℃，16位是0.0076℃。嗯，这里要注意——理论值不等于实际值，噪声会吃掉低几位。

采样率呢？温度变化慢，一般1~10Hz就够了。但如果你做快速温控（比如激光焊接），可能需要100Hz以上。

3.2 滑动平均滤波

这是最常用的滤波方法。原理简单：取N个采样值的平均值。

// 滑动平均滤波示例
#define FILTER_N 10
static uint16_t buffer[FILTER_N];
static uint8_t index = 0;
static uint32_t sum = 0;

uint16_t moving_average(uint16_t new_sample) {
    sum -= buffer[index];
    buffer[index] = new_sample;
    sum += new_sample;
    index = (index + 1) % FILTER_N;
    return sum / FILTER_N;
}

N值越大，滤波效果越好，但响应越慢。我一般取5~20之间。曾经有个项目，温度波动大，我取了N=50，结果系统响应慢得像蜗牛，后来改成N=10加中值滤波才搞定。

3.3 中值滤波

中值滤波对付脉冲干扰特别有效。原理：取N个采样值，排序后取中间值。

// 中值滤波示例
#define MEDIAN_N 5
uint16_t median_filter(uint16_t *samples) {
    uint16_t temp[MEDIAN_N];
    memcpy(temp, samples, MEDIAN_N * sizeof(uint16_t));
    
    // 冒泡排序
    for(int i = 0; i < MEDIAN_N - 1; i++) {
        for(int j = 0; j < MEDIAN_N - 1 - i; j++) {
            if(temp[j] > temp[j+1]) {
                uint16_t t = temp[j];
                temp[j] = temp[j+1];
                temp[j+1] = t;
            }
        }
    }
    return temp[MEDIAN_N / 2];
}

N一般取奇数，3、5、7都行。N越大，抗干扰越强，但计算量也大。我习惯用N=5，效果不错，计算量也小。

3.4 卡尔曼滤波在温度数据上的应用

卡尔曼滤波，听着高大上，其实原理不复杂。它根据上一时刻的状态和当前观测值，估算出最优值。说白了，就是「预测+修正」的过程。

温度变化慢，用一维卡尔曼滤波就够了。状态量就是温度值，观测量也是温度值。

// 一维卡尔曼滤波示例
typedef struct {
    float Q;  // 过程噪声协方差
    float R;  // 测量噪声协方差
    float P;  // 估计误差协方差
    float K;  // 卡尔曼增益
    float X;  // 状态估计值
} Kalman_1D;

void Kalman_Init(Kalman_1D *kf, float init_temp) {
    kf->Q = 0.01;   // 温度变化慢，Q设小
    kf->R = 0.1;    // 测量噪声，根据ADC精度调整
    kf->P = 1.0;    // 初始估计误差
    kf->X = init_temp;
}

float Kalman_Update(Kalman_1D *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;
}

Q和R这两个参数怎么调？Q代表你对模型的信任程度，R代表你对传感器的信任程度。Q越小，滤波越平滑；R越小，响应越快。我一般先设Q=0.01，R=0.1，然后根据实际效果微调。

3.5 采样率与精度权衡

采样率越高，数据越丰富，但噪声也越多。采样率越低，数据平滑，但可能丢失细节。

采样率	优点	缺点	适用场景
1~10 Hz	噪声小，数据稳定	响应慢	恒温控制、环境监测
10~100 Hz	响应适中	需要滤波	一般工业控温
100 Hz以上	响应快	噪声大，需复杂滤波	快速温控、激光焊接

怎么权衡？我有个原则：采样率取系统带宽的5~10倍。比如你的温度变化周期是1秒，那采样率5~10Hz就够了。再高就是浪费资源。

3.6 三种滤波方法对比

做个总结，方便你选型：

滤波方法	优点	缺点	适用场景
滑动平均	实现简单，抑制高频噪声	对脉冲干扰无效，有延迟	一般温度采集
中值滤波	抗脉冲干扰强	计算量大，丢失细节	传感器受干扰场景
卡尔曼滤波	效果好，自适应	参数调校复杂	高精度控温

我个人习惯：先用滑动平均，效果不行就加中值滤波，还不行就上卡尔曼。别一上来就搞复杂的，简单方法往往够用。

这张图把整个流程串起来了。从传感器到ADC，再到三种滤波方法，最后输出稳定的温度值。你想想看，是不是很清晰？

好了，温度采集与滤波就聊到这儿。记住，没有万能的滤波方法，只有最适合你项目的方案。多试几次，找到那个平衡点。