第1章：温度采集与滤波——NTC/PTC原理、ADC采样、滑动平均滤波、卡尔曼滤波入门
大家好，我是老张。在BMS这个行当摸爬滚打了十几年，要说最基础也最要命的一环，就是温度采集。你想想看，电池包里的电芯要是温度测不准，热管理策略就是瞎指挥，轻则续航打折，重则热失控。今天咱们就来聊聊温度采集与滤波的那些事儿。
1.1 NTC与PTC：温度传感器的选型逻辑
先说传感器。BMS里用的最多的就是NTC（负温度系数热敏电阻）。说白了，温度越高，电阻值越小。PTC（正温度系数）刚好反过来，温度越高电阻越大。我个人习惯在电池模组里用NTC，因为它在常温段灵敏度高，适合我们关心的-20℃到60℃这个区间。
NTC的关键参数：
- B值（材料常数）： 一般在3000-4500K之间。B值越大，温度变化时电阻变化越剧烈。我建议选B=3950的，这是行业主流，互换性好。
- R25（25℃时的标称电阻）： 常用10kΩ或100kΩ。10kΩ的功耗小，适合电池包这种对自热敏感的场景。
- 精度： 1%还是5%？别省这个钱。我在项目里吃过亏，用了5%的NTC，结果同一温度下不同电芯读数差了2℃多，均衡算法直接乱套。
避坑指南： 我曾经遇到过NTC引线过长导致测量偏差的问题。线阻每增加1Ω，在低温区可能引入0.5℃的误差。所以，要么用四线制接法，要么在软件里做线阻补偿。
1.2 ADC采样：从模拟到数字的桥梁
NTC的电阻变化是模拟信号，MCU只认数字。所以中间需要ADC（模数转换器）。BMS里常用的ADC分辨率是12位或16位。12位能分辨4096个等级，16位是65536个。你想想看，对于0-100℃的范围，12位ADC的理论分辨率是0.024℃，够用了。但实际噪声会把这个精度吃掉不少。
ADC采样的关键点：
- 参考电压： 内部参考还是外部参考？我建议用外部精密参考（比如2.5V或3.3V），内部参考温漂太大，夏天和冬天能差出几十个LSB。
- 采样时间： ADC内部有个采样电容，需要时间充电。采样时间太短，电容没充满，读数偏小。我一般设成10μs以上，具体看MCU手册。
- 过采样： 简单粗暴但有效。比如采64次取平均，等效分辨率能提高3位。代价是采样时间变长，但BMS对实时性要求没那么苛刻。
我的小技巧： 在ADC输入端并联一个0.1μF的电容，能滤掉大部分高频噪声。别小看这个电容，它救过我好几次项目。
1.3 滑动平均滤波：简单实用的降噪利器
ADC采回来的数据，直接拿去用？别急，噪声大得很。最简单的滤波就是滑动平均。维护一个长度为N的队列，每次新数据进来，扔掉最老的，算一下队列平均值。
// 滑动平均滤波示例（C语言伪代码）
#define FILTER_LEN 8
float buffer[FILTER_LEN] = {0};
int index = 0;
float sum = 0;
float sliding_average(float new_sample) {
sum -= buffer[index]; // 减去最老的数据
buffer[index] = new_sample; // 存入新数据
sum += new_sample; // 加上新数据
index = (index + 1) % FILTER_LEN;
return sum / FILTER_LEN;
}N取多少合适？我一般取8或16。N太小，滤波效果差；N太大，响应变慢。比如电池包突然从25℃升到30℃，N=16的滤波可能要等好几秒才能跟上。嗯，这里要注意：滑动平均对周期性噪声（比如50Hz工频干扰）效果很好，但对突发性尖峰脉冲，它只能削弱，不能完全消除。
1.4 卡尔曼滤波入门：从“猜”到“准”
滑动平均虽然简单，但不够聪明。卡尔曼滤波就不一样了，它会根据模型“预测”下一个温度值，然后用实际测量值去修正预测。说白了，就是一边猜一边改，越猜越准。
卡尔曼滤波的核心思想：
- 预测： 根据上一时刻的状态，估计当前时刻的状态。比如温度不会突变，所以预测值≈上一时刻的滤波值。
- 更新： 用当前测量值去修正预测值。修正的力度取决于“卡尔曼增益”——测量越可靠，增益越大；预测越可靠，增益越小。
对于温度这种变化缓慢的量，卡尔曼滤波的模型可以简化：
// 一维卡尔曼滤波（温度场景简化版）
float x_hat = 25.0; // 初始估计值（比如室温）
float P = 1.0; // 估计误差协方差
float Q = 0.01; // 过程噪声（模型不确定性）
float R = 0.1; // 测量噪声（传感器精度）
float kalman_filter(float z) {
// 预测
float x_pred = x_hat; // 温度变化慢，预测值≈上一时刻
float P_pred = P + Q; // 预测误差增大
// 更新
float K = P_pred / (P_pred + R); // 卡尔曼增益
x_hat = x_pred + K * (z - x_pred); // 修正估计
P = (1 - K) * P_pred; // 更新误差
return x_hat;
}你看，代码比滑动平均长不了多少，但效果天差地别。卡尔曼滤波能自适应地调整滤波强度：当测量值噪声大时，它更相信预测；当测量值稳定时，它快速跟踪真实值。
注意： 卡尔曼滤波不是万能的。它假设噪声是高斯分布，如果实际噪声不是这样（比如有突发干扰），效果会打折扣。我建议在卡尔曼滤波之前，先做一次简单的限幅滤波，把明显异常的点剔除掉。
1.5 知识体系总览
为了让你更直观地理解本章的知识结构，我画了一张图：
1.6 实战建议：三种滤波怎么选？
讲了这么多，你可能会问：到底用哪种滤波？我根据经验给你一个参考：
| 场景 | 推荐滤波方式 | 理由 |
|---|---|---|
| 电池包正常工况 | 滑动平均（N=8） | 计算量小，效果够用 |
| 快充/大倍率放电 | 卡尔曼滤波 | 温度变化快，需要快速跟踪 |
| 传感器老化/噪声大 | 卡尔曼滤波 + 限幅 | 自适应性强，能抑制异常值 |
| 资源受限的MCU | 滑动平均 | 不占内存，不耗算力 |
我的经验： 别把滤波搞得太复杂。我见过有人用卡尔曼滤波调了两个月参数，最后发现滑动平均加个中值滤波效果差不多。先跑通，再优化，这是铁律。
好了，温度采集与滤波的基础就聊到这儿。记住：传感器是眼睛，ADC是神经，滤波是大脑。三者配合好了，你的BMS才算有了“感觉”。
公众号：蓝海资料掘金营，微信deep3321