4. 数据采集与预处理：信号调理、A/D转换、滤波算法
大家好，我是老张。在风电场上摸爬滚打了十几年，今天咱们聊聊风速风向仪的数据采集与预处理。说实话，很多现场故障其实不是传感器坏了，而是数据在采集和传输过程中“失真”了。你想想看，一个错误的采样值，能让整个机组的控制策略跑偏，严重的甚至引发停机事故。
我个人习惯把数据采集比作“做饭”——原材料再好，清洗、切配、调味这些预处理环节没做好，最后端上桌的菜肯定不对味。风速风向仪的信号也一样，从传感器出来的原始信号，必须经过信号调理、A/D转换、滤波这三道工序，才能变成可用的数字量。
核心逻辑：原始模拟信号 → 信号调理（放大/隔离/整形） → A/D转换（量化/编码） → 数字滤波（去噪/平滑） → 可用数据
4.1 信号调理：别让噪声毁了你的数据
信号调理，说白了就是把传感器输出的微弱信号“伺候”好，让它能顺利进入A/D转换器。风速风向仪常用的输出信号有4-20mA电流环、0-10V电压、或者脉冲信号。嗯，这里要注意，不同信号类型需要不同的调理方式。
我遇到过最典型的问题：某风场连续三个月风速数据异常偏低，排查了所有传感器都没问题。最后发现是信号调理板上的一个滤波电容老化，导致高频分量被过度衰减。你想想看，一个电容坏了，整个风场的发电量评估都跟着跑偏。
信号调理主要做三件事：
- 放大：把微弱的mV级信号放大到A/D转换器的最佳输入范围（通常是0-5V或0-10V）。我个人习惯留10%-20%的余量，防止信号超限。
- 隔离：用光耦或隔离放大器切断地环路。风电场环境复杂，地电位差能烧毁整个采集板。
- 整形：对脉冲信号做施密特触发整形，消除边沿抖动。风向标输出的脉冲信号尤其需要这一步。
实战技巧：信号调理电路设计时，优先选用仪表放大器（如AD620、INA128），共模抑制比高，抗干扰能力强。别为了省钱用普通运放，后期维护成本更高。
4.2 A/D转换：从模拟到数字的“翻译”
A/D转换就是把连续变化的模拟电压，变成一串离散的数字码。这个过程有两个关键参数：分辨率和采样率。
分辨率决定了你能“看”多细。12位ADC能把满量程分成4096份，16位能分65536份。对于风速测量，12位基本够用，但如果你要做高精度风向分析，我建议上16位。
采样率决定了你能“看”多快。根据奈奎斯特定理，采样率至少是信号最高频率的两倍。风速变化通常比较缓慢，100Hz采样率绰绰有余。但要注意，采样率太高反而会引入更多噪声。
| 参数 | 推荐值 | 说明 |
|---|---|---|
| 分辨率 | 12-16 bit | 12bit用于常规风速，16bit用于高精度风向 |
| 采样率 | 50-200 Hz | 过高会引入噪声，过低会丢失细节 |
| 输入范围 | 0-5V 或 0-10V | 与信号调理输出匹配 |
| 参考电压 | 外部精密参考 | 内部参考温漂大，长期稳定性差 |
避坑指南：我曾经遇到过一批ADC芯片，刚上电时数据正常，运行半小时后开始跳变。查了三天才发现是参考电压芯片散热不良，温度升高后电压漂移了。所以，A/D转换的参考电压一定要用外部精密参考，并且做好散热。
4.3 滤波算法：中值滤波与卡尔曼滤波
数据进了数字域，接下来就是滤波。风电场环境恶劣，电磁干扰、机械振动、雷击感应，各种噪声都会叠加到信号上。滤波算法就是要把这些噪声“筛”出去，留下真实的风速风向信息。
4.3.1 中值滤波：简单粗暴但有效
中值滤波的原理很简单：取连续N个采样值，排序后取中间值作为输出。它能有效去除脉冲噪声和毛刺。比如风向标偶尔被鸟撞一下，产生一个异常大的跳变，中值滤波就能把它滤掉。
我一般取5-7个点做中值滤波。窗口太小效果不明显，窗口太大又会平滑掉真实的风速变化。你想想看，如果窗口取到15个点，一个阵风过来，数据反应就慢了半拍。
// 中值滤波示例（C语言）
#define WINDOW_SIZE 5
float median_filter(float new_sample) {
static float buffer[WINDOW_SIZE];
static int index = 0;
float temp[WINDOW_SIZE];
float median;
// 更新环形缓冲区
buffer[index] = new_sample;
index = (index + 1) % WINDOW_SIZE;
// 复制并排序
for (int i = 0; i < WINDOW_SIZE; i++) {
temp[i] = buffer[i];
}
// 冒泡排序（简单实现）
for (int i = 0; i < WINDOW_SIZE - 1; i++) {
for (int j = 0; j < WINDOW_SIZE - 1 - i; j++) {
if (temp[j] > temp[j + 1]) {
float t = temp[j];
temp[j] = temp[j + 1];
temp[j + 1] = t;
}
}
}
// 取中值
median = temp[WINDOW_SIZE / 2];
return median;
}实战经验：中值滤波的窗口大小要根据风速变化率动态调整。风速平稳时用大窗口（7-9点），风速剧烈变化时用小窗口（3-5点）。我在一个项目中用自适应窗口，数据平滑度提升了30%。
4.3.2 卡尔曼滤波：更“聪明”的滤波方式
卡尔曼滤波就高级多了。它不光是滤波，还能根据系统模型预测下一时刻的值，然后用实际测量值来修正预测值。说白了，它知道风速大概会怎么变化，所以能更准确地估计真实值。
卡尔曼滤波的核心是五个公式，但实际用起来没那么复杂。对于风速风向这种一维系统，我们可以简化实现：
// 一维卡尔曼滤波简化实现
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
} KalmanFilter;
void kalman_init(KalmanFilter *kf, float init_value) {
kf->Q = 0.01; // 风速变化较慢，过程噪声小
kf->R = 0.1; // 测量噪声，根据传感器精度设定
kf->P = 1.0; // 初始估计误差
kf->X = init_value;
}
float kalman_update(KalmanFilter *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;
}为什么卡尔曼滤波更适合风向？风向信号有周期性（0-360度），而且变化相对平滑。卡尔曼滤波能利用这个特性，在噪声中提取出真实的趋势。我记得有一次处理一个风向标故障，传感器输出在270度和280度之间剧烈抖动，中值滤波完全无效，换成卡尔曼滤波后，数据立刻稳定下来。
两种滤波对比：
- 中值滤波：适合去除脉冲噪声，计算量小，实时性好。但会丢失细节，对连续噪声效果差。
- 卡尔曼滤波：适合平滑连续噪声，能跟踪趋势变化。但需要调参，计算量稍大。
我个人建议：先用中值滤波做粗滤，再用卡尔曼滤波做精滤。两级串联，效果最好。
4.4 实战中的坑与对策
讲了这么多理论，最后分享几个我在现场踩过的坑：
- 采样不同步：风速和风向的采样时刻必须严格对齐。我曾经发现风速和风向数据差了0.5秒，导致计算出的风向标误差偏大。解决办法是用硬件触发同步采样。
- 滤波延时：卡尔曼滤波有相位滞后，在风速剧烈变化时尤其明显。可以适当增大过程噪声Q值，让滤波器响应更快。
- 数据溢出：A/D转换结果用16位有符号整数存储时，注意处理负值和超限情况。我习惯在滤波前做一次限幅处理。
重要提醒：滤波算法不是万能的。如果传感器本身已经损坏，再好的滤波也救不回来。所以，在做数据预处理之前，一定要先做传感器自诊断，确认硬件工作正常。这个我们在下一章会详细讲。
好了，关于数据采集与预处理，今天就聊到这儿。信号调理、A/D转换、滤波算法，这三步环环相扣，哪一步出问题都会影响最终的数据质量。希望我的这些经验能帮你在现场少走弯路。