第3章数据采集与预处理

第3章：数据采集与预处理

各位工程师朋友，大家好。今天我们来聊聊电池管理系统里最基础、也最容易被忽视的一环——数据采集与预处理。

你可能觉得，不就是测个电压、采个温度吗？有什么难的？

嗯，我当年也是这么想的。直到有一次，我在实验室里盯着一条剧烈抖动的电流曲线，死活找不到原因。后来才发现，是ADC采样时序和滤波参数没配好。那一次，我整整熬了两个通宵。

所以，这一章我会把踩过的坑、积累的经验，都摊开来跟你讲。

3.1 信号调理：让传感器信号“说人话”

传感器输出的信号，往往不是我们直接能用的。比如热电偶输出的是毫伏级电压，电流传感器输出的是4-20mA的电流。这些信号需要先“调理”一下。

信号调理主要做三件事：

放大：把微弱的信号放大到ADC能识别的范围（通常是0-3.3V或0-5V）
滤波：用硬件低通滤波器滤掉高频噪声。我习惯在运放后面加一个RC滤波器，截止频率设在100Hz左右
电平转换：把双极性信号（比如±10V）转换成单极性信号

我的经验： 别小看信号调理。我曾经在一个项目中，因为运放选型不对，导致温漂严重，50℃时测量误差达到了5%。后来换成了仪表放大器，问题才解决。

3.2 ADC采样：精度与速度的博弈

ADC采样，说白了就是把模拟信号变成数字信号。这里有两个关键参数：分辨率和采样率。

参数	说明	我的建议
分辨率	12位、14位、16位等	电池电压检测建议用16位以上
采样率	每秒采样次数（SPS）	温度信号10Hz足够，电流信号需要100Hz以上
参考电压	内部参考或外部参考	我强烈建议用外部精密参考源

为什么会这样？因为电池电压的变化其实很慢，但电流变化很快（尤其是发生短路时）。你想想看，如果采样率太低，短路电流的峰值可能就漏掉了。

避坑指南： 我曾经遇到过ADC采样结果跳变的问题。排查了半天，发现是数字电源的开关噪声耦合到了模拟信号线上。后来把模拟地和数字地分开走线，问题就解决了。

3.3 滤波算法：把噪声“洗”干净

硬件滤波之后，信号里还是会有残留噪声。这时候就需要软件滤波上场了。我常用的有三种方法。

3.3.1 均值滤波

最简单，也最常用。就是把N次采样的值加起来，再除以N。

// 均值滤波示例
#define FILTER_N 10
uint16_t samples[FILTER_N];
uint8_t index = 0;

uint16_t mean_filter(uint16_t new_sample) {
    uint32_t sum = 0;
    samples[index++] = new_sample;
    if (index >= FILTER_N) index = 0;
    
    for (int i = 0; i < FILTER_N; i++) {
        sum += samples[i];
    }
    return (uint16_t)(sum / FILTER_N);
}

嗯，这里要注意：N值越大，滤波效果越好，但响应速度越慢。我个人习惯在温度检测上用N=20，电流检测上用N=5。

3.3.2 中值滤波

对付脉冲噪声特别有效。比如传感器偶尔受到电磁干扰，出现一个离谱的尖峰，均值滤波会被拉偏，但中值滤波完全不受影响。

// 中值滤波示例（冒泡排序法）
uint16_t median_filter(uint16_t *data, uint8_t len) {
    uint8_t i, j;
    uint16_t temp;
    
    // 复制数据
    uint16_t buf[len];
    for (i = 0; i < len; i++) buf[i] = data[i];
    
    // 冒泡排序
    for (i = 0; i < len-1; i++) {
        for (j = 0; j < len-1-i; j++) {
            if (buf[j] > buf[j+1]) {
                temp = buf[j];
                buf[j] = buf[j+1];
                buf[j+1] = temp;
            }
        }
    }
    return buf[len/2];
}

  关键点： 中值滤波的窗口大小一般取奇数，比如3、5、7。窗口越大，对脉冲噪声的抑制效果越好，但计算量也越大。

3.3.3 卡尔曼滤波

这个就有点高级了。卡尔曼滤波能根据系统的动态模型，预测下一个值，然后用测量值来修正预测值。说白了，它是在“猜”真实值是多少。

我一般在SOC估算和电池内阻在线监测中用卡尔曼滤波。效果确实好，但调参是个技术活。

// 一维卡尔曼滤波简化版
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_t;

void Kalman_Init(Kalman_t *kf, float init_val) {
    kf->Q = 0.01;   // 根据经验调整
    kf->R = 0.1;    // 根据传感器精度调整
    kf->P = 1.0;
    kf->X = init_val;
}

float Kalman_Update(Kalman_t *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;
}

避坑指南： 我曾经在卡尔曼滤波的参数调优上栽过跟头。Q值设得太小，滤波器反应迟钝；Q值设得太大，又会有噪声。后来我用了自适应卡尔曼滤波，让Q值根据残差动态调整，效果才满意。

3.4 数据归一化：让数据“站在同一起跑线”

归一化，就是把不同量纲的数据映射到同一个区间，通常是[0,1]或[-1,1]。

为什么要做归一化？你想想看，电压是3-4V，温度是-20到60℃，电流是-200到200A。如果不归一化，神经网络或者机器学习模型会天然地“偏爱”数值大的特征。

常用的归一化方法有两种：

Min-Max归一化：X_norm = (X - X_min) / (X_max - X_min)
Z-score标准化：X_norm = (X - μ) / σ

我个人习惯在热失控预警系统中用Min-Max归一化。因为电池的电压、温度范围是已知的，用Min-Max更直观。

我的经验： 归一化的参数（比如X_min、X_max）要在系统标定阶段就确定下来，并且固化到代码里。不要在运行过程中动态计算，否则模型会不稳定。

3.5 本章知识体系

下面这张图，是我自己梳理的数据采集与预处理流程。你可以把它当作一个检查清单。

好了，这一章的内容就到这里。数据采集与预处理，看似基础，但往往是整个系统成败的关键。希望我的这些经验，能帮你少走一些弯路。

📚 课程目录