4、数字滤波技术：移动平均滤波、中值滤波、低通滤波（FIR/IIR）、卡尔曼滤波入门

各位工程师朋友，咱们接着聊。上一节讲了硬件层面的抗干扰，但说实话，很多时候干扰已经混进信号里了，靠硬件硬扛成本高、效果也有限。这时候，就该数字滤波上场了。

数字滤波，说白了就是用软件算法把有用的信号从噪声里“捞”出来。我这些年调试力控系统，最深的体会就是：不会用数字滤波，你都不好意思说自己搞过工业控制。今天咱们就把四种最常用的滤波技术掰开揉碎了讲清楚。

4.1 移动平均滤波：最简单，也最容易被低估

移动平均滤波的原理，说白了就是“取最近N个采样值的平均数”。你想想看，噪声通常是随机抖动的，一平均，正负抵消，信号自然就平滑了。

我在项目中遇到过一种情况：一个压力传感器，采样值在4.95MPa到5.05MPa之间来回跳，控制系统跟着频繁调节阀门，搞得执行器寿命大减。我加了个4点移动平均，波形立马稳了，阀门动作频率降了70%。

// 移动平均滤波实现（C语言）
#define WINDOW_SIZE 8
float buffer[WINDOW_SIZE] = {0};
int index = 0;
float sum = 0;

float moving_average(float new_sample) {
    sum -= buffer[index];          // 减去最旧的值
    buffer[index] = new_sample;    // 存入新值
    sum += new_sample;             // 加上新值
    index = (index + 1) % WINDOW_SIZE;
    return sum / WINDOW_SIZE;
}

4.2 中值滤波：对付“野点”的利器

什么叫“野点”？就是采样值突然蹦出一个离谱的数，比如正常5MPa的压力，突然跳成50MPa。这种干扰通常是传感器瞬间受冲击、或者通信丢包造成的。

中值滤波的思路很简单：把最近N个采样值排序，取中间那个。这样一来，不管野点有多大，只要它不占多数，就被直接扔掉了。

我个人习惯把中值滤波和移动平均配合着用。先过一遍中值滤波把野点干掉，再过一遍移动平均把随机噪声平滑掉。嗯，这个组合在力控系统里非常实用。

// 中值滤波实现（C语言，冒泡排序版）
#define MEDIAN_WINDOW 5

float median_filter(float new_sample) {
    static float window[MEDIAN_WINDOW] = {0};
    static int idx = 0;
    float temp[MEDIAN_WINDOW];
    int i, j;
    
    window[idx] = new_sample;
    idx = (idx + 1) % MEDIAN_WINDOW;
    
    // 复制并排序
    for(i = 0; i < MEDIAN_WINDOW; i++) temp[i] = window[i];
    for(i = 0; i < MEDIAN_WINDOW - 1; i++) {
        for(j = 0; j < MEDIAN_WINDOW - 1 - i; j++) {
            if(temp[j] > temp[j+1]) {
                float t = temp[j];
                temp[j] = temp[j+1];
                temp[j+1] = t;
            }
        }
    }
    return temp[MEDIAN_WINDOW / 2];  // 取中间值
}

4.3 低通滤波：FIR与IIR的抉择

低通滤波，就是让低频信号通过，把高频噪声滤掉。在力控系统里，力信号变化通常比较慢（几Hz到几十Hz），而噪声往往是高频的（几百Hz甚至更高），所以低通滤波非常对路。

4.3.1 FIR滤波器：稳定，但计算量大

FIR（有限脉冲响应）滤波器，说白了就是加权移动平均。每个采样值乘以一个系数，然后加起来。它的优点是绝对稳定，不会出现发散的情况。

我记得刚入行时，带我的老师傅说：“FIR滤波器就像个老实人，干活稳当，就是有点慢。” 确实，要获得好的滤波效果，FIR需要很多个抽头（比如64阶、128阶），计算量不小。

4.3.2 IIR滤波器：效率高，但要小心

IIR（无限脉冲响应）滤波器引入了反馈，用更少的计算量就能达到和FIR类似的滤波效果。但代价是——可能不稳定。

最常用的IIR滤波器是巴特沃斯滤波器，它的特点是通带内最平坦，没有纹波。对于力控系统来说，这通常是最合适的选择。

// 一阶IIR低通滤波（最简形式）
float alpha = 0.1;  // 滤波系数，0~1之间，越小滤波越强
float y_prev = 0;

float iir_lowpass(float x) {
    float y = alpha * x + (1 - alpha) * y_prev;
    y_prev = y;
    return y;
}

4.4 卡尔曼滤波入门：力控系统的“预测大师”

前面几种滤波都是“事后诸葛亮”——等数据来了再处理。卡尔曼滤波不一样，它能预测下一时刻的值，然后用实际测量值来修正预测。

你想想看，在力控系统里，力信号的变化是有规律的（比如按某个斜率上升或下降）。卡尔曼滤波正是利用了这种规律，所以效果比普通滤波好得多。

说实话，卡尔曼滤波的数学推导挺复杂的，涉及矩阵运算、协方差矩阵什么的。但在实际工程里，我们不需要从头推导，直接用现成的公式就行。

// 一维卡尔曼滤波（简化版，适用于力控系统）
float Q = 0.01;  // 过程噪声协方差
float R = 0.1;   // 测量噪声协方差
float x_est = 0; // 估计值
float P = 1;     // 估计误差协方差
float K;         // 卡尔曼增益

float kalman_filter(float z) {
    // 预测
    P = P + Q;
    
    // 更新
    K = P / (P + R);
    x_est = x_est + K * (z - x_est);
    P = (1 - K) * P;
    
    return x_est;
}

4.5 四种滤波技术的对比与选择

说了这么多，到底该用哪种？我整理了一个表格，方便你对照选择。

滤波类型	优点	缺点	适用场景
移动平均	简单、计算量小	对周期性干扰无效	随机噪声、信号平滑
中值滤波	抗野点能力强	计算量随窗口增大	传感器冲击、通信错误
FIR低通	绝对稳定、线性相位	计算量大、延迟高	对稳定性要求高的系统
IIR低通	效率高、延迟小	可能不稳定	资源受限的嵌入式系统
卡尔曼滤波	预测能力强、精度高	参数调优复杂	高精度力控、动态跟踪

我个人习惯是：先简单后复杂。先试试移动平均，不行再加中值滤波，还不行上FIR，最后才考虑卡尔曼。别一上来就整卡尔曼，杀鸡用牛刀不说，参数调不好反而坏事。