信号与噪声基础：时域与频域的基本概念

做运动控制这些年，我最大的体会就是——你永远躲不开噪声。不管你的电机多精密，编码器多高级，信号里总有些「不干净」的东西。今天我们就来聊聊，这些噪声到底长什么样，以及怎么从时域和频域两个角度去看它们。

时域：信号在时间轴上的样子

时域，说白了就是「信号随时间怎么变」。你拿示波器看一个波形，横轴是时间，纵轴是幅值，这就是时域视角。

举个例子。一个理想的正弦波，在时域里就是一条光滑的曲线。但实际采集到的电机速度信号呢？

// 模拟一个带噪声的速度信号
float true_speed = 100.0;          // 真实速度 100 RPM
float noisy_speed = true_speed + 2.0 * sin(2 * PI * 50 * t) + 0.5 * randn();

你看，这里叠加了50Hz的高频振动和随机噪声。在时域里，你只能看到一条抖动的曲线，很难分清哪些是真实信号，哪些是噪声。

我在项目中遇到过一件事。有次调试一个伺服系统，速度曲线总是有周期性波动。时域波形看起来乱七八糟，我盯着示波器看了半天也没头绪。后来切换到频域分析，一眼就看出是机械共振频率被激发了。嗯，这就是时域的局限性。

频域：换个角度看问题

频域是什么？它告诉你信号里「有哪些频率成分」，以及「每个频率的强度有多大」。

你想想看，任何复杂的时域信号，都可以分解成一系列不同频率、不同幅值的正弦波叠加。这就是傅里叶变换的核心思想。

我习惯用FFT（快速傅里叶变换）来分析运动控制中的噪声。代码很简单：

// 伪代码：对采集到的位置信号做FFT
float signal[1024];   // 采集1024个点
float freq_spectrum[512]; // 频谱结果

FFT(signal, freq_spectrum, 1024, SAMPLE_RATE);

// 找到幅值最大的频率成分
float max_magnitude = 0;
int max_freq_index = 0;
for (int i = 0; i < 512; i++) {
    if (freq_spectrum[i] > max_magnitude) {
        max_magnitude = freq_spectrum[i];
        max_freq_index = i;
    }
}
float dominant_freq = max_freq_index * SAMPLE_RATE / 1024.0;

这段代码跑完，你就能知道信号里最主要的噪声频率是多少。是50Hz的工频干扰？还是200Hz的机械振动？一目了然。

运动控制中常见的三种噪声

根据我的经验，运动控制系统的噪声大致可以分为三类。我画了一张图，帮你快速理解：

白噪声：无处不在的「背景音」

白噪声在频域里是平坦的——所有频率都有，强度差不多。在时域里，它看起来就是随机跳动，没有规律。

我记得第一次做编码器信号采集时，看到数据在±1个脉冲之间随机跳，还以为是硬件坏了。后来才知道，这就是白噪声，任何电子系统都逃不掉。

低频漂移：慢慢「溜走」的零点

低频漂移，说白了就是信号缓慢地偏离真实值。你想想看，一个温度传感器，早上开机时输出0V，到了中午变成0.1V——这就是漂移。

在运动控制中，低频漂移特别讨厌。它会让位置积分越偏越大，速度估计越来越不准。我做过一个AGV（自动导引车）项目，里程计积分误差越来越大，最后发现是加速度计的低频漂移在作怪。

处理低频漂移，我个人的经验是：用高通滤波器或者带通滤波器，把直流和极低频成分滤掉。但要注意截止频率不能设太高，否则会把真实的运动信号也滤掉。

高频振动：机械系统的「共振」

高频振动，通常是机械系统本身的特性。比如电机换向时产生的纹波，或者某个机械部件的共振频率被激发。

这类噪声在频域里很「干净」——就集中在几个特定的频率点上。时域里看起来就是叠加在信号上的小波纹。

对付高频振动，陷波滤波器（Notch Filter）是首选。它能精准地干掉某个频率，而对其他频率影响很小。

// 一个简单的陷波滤波器实现
typedef struct {
    float b0, b1, b2;
    float a1, a2;
    float x1, x2, y1, y2;
} NotchFilter;

// 初始化陷波滤波器，中心频率50Hz，采样率1000Hz
void NotchFilter_Init(NotchFilter *f, float freq, float Q, float fs) {
    float w0 = 2 * PI * freq / fs;
    float alpha = sin(w0) / (2 * Q);
    
    f->b0 = 1;
    f->b1 = -2 * cos(w0);
    f->b2 = 1;
    f->a1 = -2 * cos(w0);
    f->a2 = 1 - alpha;
    
    float norm = 1 + alpha;
    f->b0 /= norm;
    f->b1 /= norm;
    f->b2 /= norm;
    f->a1 /= norm;
    f->a2 /= norm;
    
    f->x1 = f->x2 = f->y1 = f->y2 = 0;
}

float NotchFilter_Process(NotchFilter *f, float x) {
    float y = f->b0 * x + f->b1 * f->x1 + f->b2 * f->x2
              - f->a1 * f->y1 - f->a2 * f->y2;
    
    f->x2 = f->x1;
    f->x1 = x;
    f->y2 = f->y1;
    f->y1 = y;
    
    return y;
}

时域与频域：两个视角，缺一不可

做运动控制滤波，你不能只看时域，也不能只看频域。两个视角要结合起来。

时域告诉你「信号抖得有多厉害」，频域告诉你「为什么抖」。我习惯的流程是：

1. 采集一段信号，先看时域波形，有个直观印象
2. 做FFT分析，看噪声的频谱分布
3. 根据频谱特征，选择合适的滤波器类型和参数
4. 在时域里验证滤波效果

这个流程我用了很多年，基本没出过大问题。

噪声类型	时域特征	频域特征	推荐滤波器
白噪声	随机跳动，无规律	频谱平坦	低通滤波、均值滤波
低频漂移	缓慢变化，趋势性	集中在低频段	高通滤波、带通滤波
高频振动	快速周期性波动	集中在特定频率	陷波滤波、低通滤波

好了，这一章的内容就到这里。理解时域和频域，是做好滤波的第一步。下一章我们会深入具体的滤波算法实现，到时候见。

---

公众号:蓝海资料掘金营，微信deep3321