第一章：传感器校准概述

1.1 什么是传感器校准

传感器校准，说白了就是给传感器“做体检”和“调参数”。

我经常跟团队里的新人说：你买回来的传感器，就像一把没调过零的尺子。出厂时厂家给了一个理想模型，但实际用起来，每个传感器都有自己的“小脾气”。校准就是把这些小脾气摸清楚，然后补偿掉。

举个例子：一个温度传感器，理想情况下输出应该是 10mV/°C。但实际测下来，可能是 9.8mV/°C，而且还有零点偏移。校准要做的就是：

• 测出真实的增益（9.8mV/°C）
• 测出零点偏移（比如 0°C 时输出 2mV）
• 建立从“实际输出”到“真实温度”的映射关系

我在项目中遇到过最典型的案例：一批压力传感器，同一批次、同一工艺，但每个传感器的零点偏移能差到 5% 以上。不做校准，这产品根本没法用。

1.2 为什么需要校准

这个问题我问过很多刚入行的工程师。有人回答“为了精度”，有人回答“为了符合规格书”。都对，但不够全面。

我总结三个核心原因：

1. 消除个体差异——同一型号的传感器，每个都不一样。你想想看，一条产线一天生产几万个传感器，每个都完美一致？不可能的事。
2. 补偿环境效应——温度、湿度、老化，这些都会让传感器“跑偏”。我记得有一次做汽车压力传感器项目，常温下精度 0.5%，到了 85°C 直接漂到 3%。不校准高温特性，这产品谁敢用？
3. 满足系统精度要求——系统级精度往往比传感器本身精度高一个数量级。怎么办？只能靠校准来“拔高”。

1.3 校准的数学本质

聊到数学，有些朋友可能头大。但别担心，我用最直白的方式讲清楚。

校准的数学本质，就是建立映射关系。输入是传感器原始读数，输出是真实物理量。

1.3.1 线性映射

最简单的形式：

真实值 = 增益 × 原始读数 + 偏移量

// 实际代码示例
float calibrate_linear(float raw_value, float gain, float offset) {
    return gain * raw_value + offset;
}

这个公式看着简单，但实际用起来门道很多。我习惯把这种校准叫做“两点校准”——用两个标准点（比如 0°C 和 100°C）把直线定下来。

校准点	标准值	传感器输出
低温点	0°C	2.1 mV
高温点	100°C	982.5 mV

算一下：增益 = (982.5 - 2.1) / 100 = 9.804 mV/°C，偏移 = 2.1 mV。搞定。

1.3.2 非线性映射

但现实世界哪有这么完美？

我做过一个红外温度传感器项目，它的输出和温度的关系是：

Vout = a × T^4 + b × T^3 + c × T^2 + d × T + e

四次多项式！线性模型根本搞不定。

这时候就需要非线性校准。常用的方法有：

• 多项式拟合——用高次多项式逼近真实曲线
• 分段线性插值——把曲线切成很多小段，每段用直线近似
• 查找表（LUT）——存一批校准点，中间值靠插值

1.3.3 多维校准

更复杂的情况：传感器输出不仅受目标物理量影响，还受温度、供电电压等干扰。

举个例子：一个 MEMS 加速度计，它的零偏会随温度变化。这时候校准就不是一维问题了，而是：

真实加速度 = f(传感器输出, 温度, 电压)

我做过一个六轴 IMU 的校准项目，光温度补偿就建了 5×5 的二维查找表，每个温度点下还要做三轴对准。那段时间真是...嗯，痛并快乐着。

小结

这一章我们聊了：

• 传感器校准是什么——给传感器“调参数”
• 为什么需要校准——消除差异、补偿环境、满足精度
• 校准的数学本质——从线性到非线性，从一维到多维

下一章我会详细讲校准的流程和标准步骤。到时候拿一个实际的压力传感器案例，手把手带大家走一遍完整的校准流程。

记住一句话：校准不是万能的，但不校准是万万不能的。