第二章：标定理论基础

各位同学好，我是老张。今天咱们聊聊标定的理论基础。说实话，这部分内容看起来有点枯燥，但它是整个产线搭建的基石。我见过太多人上来就调参数，结果越调越乱——说白了，就是基础没打牢。

2.1 传感器模型——你得先知道它长什么样

每个传感器都有自己的"脾气"。做标定之前，你得先搞清楚它的数学模型。我习惯把传感器模型分成两大类：

• 理想模型：输入输出呈完美的线性关系。比如一个理想的压力传感器，压力翻倍，电压输出也翻倍。
• 实际模型：总会有偏差。温度漂移、非线性、迟滞效应……这些都是真实世界里的"捣蛋鬼"。

举个例子，一个典型的温度传感器（比如PT100），它的电阻-温度关系其实是这样的：

R(t) = R0 * (1 + A*t + B*t² + C*(t-100)*t³)

你看，这里就有二次项、三次项。为什么？因为物理世界就是这么不完美。我在做汽车氧传感器标定时就吃过这个亏——一开始只用了线性模型，结果高温段偏差大到离谱。

2.2 线性标定 vs 非线性标定

搞清楚了模型，接下来就是怎么标定。这里分两种情况：

2.2.1 线性标定

如果传感器本身是线性的，或者工作范围很窄可以近似为线性，那就简单了。你只需要两个点：

• 一个低点（比如零点）
• 一个高点（比如满量程）

然后拉一条直线：y = kx + b。搞定。

嗯，这里要注意：线性标定虽然简单，但前提是你的传感器真的"够线性"。我曾经在一个压力传感器项目上偷懒用了两点标定，结果中间段误差达到了5%——后来老老实实做了多点标定。

2.2.2 非线性标定

大多数工业传感器都是非线性的。这时候你需要：

1. 采集多个标定点（通常5-10个）
2. 用多项式或分段线性来拟合
3. 评估残差，决定阶数

你想想看，为什么不用更高阶的多项式？理论上阶数越高拟合越准，但实际中阶数太高会导致过拟合——在标定点之间疯狂振荡。我一般建议：

传感器类型	推荐阶数	标定点数
温度传感器	2-3阶	5-7个
压力传感器	1-2阶	3-5个
流量传感器	3-4阶	7-10个

2.3 最小二乘法原理——标定算法的"心脏"

说到标定算法，最小二乘法是绕不开的。说白了，它的目标就是：找到一组参数，让所有标定点的误差平方和最小。

数学上长这样：

min Σ(y_i - f(x_i, θ))²

其中θ就是我们要找的参数。对于线性模型，有解析解：

θ = (XᵀX)⁻¹Xᵀy

看着有点吓人？其实用Python实现就几行代码：

import numpy as np

# 假设有标定点 (x, y)
x = np.array([1, 2, 3, 4, 5])
y = np.array([2.1, 3.9, 6.2, 7.8, 10.1])

# 构造矩阵 X (加一列1，用于拟合截距)
X = np.vstack([x, np.ones(len(x))]).T

# 最小二乘解
theta = np.linalg.lstsq(X, y, rcond=None)[0]
k, b = theta[0], theta[1]
print(f"斜率: {k:.3f}, 截距: {b:.3f}")

对于非线性模型，比如多项式拟合，原理是一样的——只不过把x换成x的幂次而已。

2.4 标定板设计——别小看这个"铁疙瘩"

标定板，听起来就是个平板，但设计得好不好直接影响标定精度。我见过有人随便拿块铁板打几个孔就当标定板用——结果标出来的数据根本没法用。

设计标定板时，我一般考虑这几个要素：

• 材料选择：热膨胀系数要小。铝合金便宜但热胀冷缩厉害，殷钢最好但贵。看预算选。
• 特征点布局：圆形比方形好——圆心提取精度更高。间距要均匀，但边缘可以密一点。
• 表面处理：哑光处理，避免反光。我吃过这个亏——反光导致视觉系统误识别，标定结果直接偏了0.1mm。
• 基准面：至少三个基准面，用于定位。精度要高于传感器精度的3倍以上。

下面这张图展示了标定板的核心设计逻辑：

2.5 本章小结

好了，这一章的内容就这些。传感器模型是基础，线性/非线性标定是方法，最小二乘法是工具，标定板是载体。四者缺一不可。

我记得刚入行时，总觉得标定就是"调参数"，后来踩了无数坑才明白——标定的本质是用数学模型去逼近物理世界。模型选对了，方法用对了，工具使对了，标定自然就准了。

下一章咱们会深入产线，聊聊怎么把这些理论落地到实际的工装设计和流程中去。到时候我会带大家看一个完整的案例——从标定板设计到算法实现，再到产线调试，一步不落。