信号基础：采样定理、量化与编码、时域与频域的基本概念
各位同学，咱们今天聊点硬核的。信号处理，说白了就是跟数据打交道。你想想看，胎压传感器里出来的那些电压、电流，都是模拟信号。但咱们的MCU只认0和1。怎么把连续的物理量变成离散的数字？这里头学问大了。
我个人习惯，讲信号基础一定从采样定理开始。为什么？因为这是模拟世界和数字世界之间的那座桥。桥没搭好，后面全白搭。
1. 采样定理：别让你的信号“说谎”
采样定理，也叫奈奎斯特-香农定理。名字挺唬人，其实道理很简单：采样频率必须大于信号最高频率的两倍。
为什么会这样？我举个例子。你拿手机拍车轮转动的视频，如果快门速度太慢，拍出来的轮子看起来是倒着转的。这就是典型的“混叠”现象。在信号处理里，这叫频谱混叠。
核心公式：
fs ≥ 2 × fmax
其中 fs 是采样频率，fmax 是信号最高频率。
我在项目中遇到过一件事。有次做胎压监测模块，传感器输出的信号里混着发动机的电磁干扰。我没注意，直接用10Hz采样。结果呢？干扰信号被“折叠”进了有效频带，数据全乱了。后来加了抗混叠滤波器，才把问题解决。
避坑指南：
我曾经吃过亏，现在养成了习惯：采样前先做低通滤波。把高于 fs/2 的频率成分统统滤掉。这叫抗混叠滤波，是信号处理的第一道防线。
2. 量化与编码：从连续到离散的“翻译”
采样把时间轴离散化了，但幅度还是连续的。量化，就是把连续的幅度值，映射到有限个离散的层级上。
你想想看，一个12位的ADC，能表示212 = 4096个不同的值。每个值代表一个电压区间。这个区间的大小，就是量化步长。
| ADC位数 | 量化层级 | 量化步长（5V参考） |
|---|---|---|
| 8位 | 256 | 19.53 mV |
| 10位 | 1024 | 4.88 mV |
| 12位 | 4096 | 1.22 mV |
| 16位 | 65536 | 76.29 μV |
量化必然带来误差。这个误差叫量化噪声。我刚开始做嵌入式时，总觉得位数越高越好。后来发现，12位ADC配上一个好的参考电压源，比16位ADC配个烂电源强得多。嗯，这里要注意：量化噪声是不可避免的，但可以控制。
编码就更直接了。就是把量化后的数值，用二进制表示出来。比如量化结果是1023，12位ADC编码就是 0011 1111 1111。就这么简单。
重要提醒：
编码方式不止一种。除了自然二进制，还有补码、格雷码等。在胎压数据中，我建议用自然二进制，因为解析起来最直观。格雷码适合用在旋转编码器上，咱们这里用不上。
3. 时域与频域：同一枚硬币的两面
时域，就是信号随时间变化的曲线。你打开示波器，看到的那条波形，就是时域表示。频域呢？是把信号分解成不同频率成分的集合。
说白了，时域告诉你“信号什么时候变了”，频域告诉你“信号以什么频率在变”。
我举个例子。胎压传感器输出的信号，在时域上看，是一条缓慢变化的曲线。但如果你做FFT变换到频域，你会发现：
- 直流分量：代表静态胎压值
- 低频成分：代表轮胎滚动时的压力波动
- 高频成分：代表路面颠簸或传感器噪声
你看，频域分析能帮你把不同来源的信号分开。这在故障诊断中特别有用。
实用技巧：
我个人习惯，做胎压数据分析时，先看时域波形，确认数据有没有明显异常。然后做FFT，看频谱里有没有不该出现的频率成分。比如，如果出现了50Hz的工频干扰，那肯定是布线或者屏蔽出了问题。
4. 代码实战：用Python看时域和频域
光说不练假把式。咱们写段代码，看看实际效果。
import numpy as np
import matplotlib.pyplot as plt
# 生成一个模拟的胎压信号
fs = 100 # 采样频率 100Hz
t = np.arange(0, 10, 1/fs) # 10秒数据
# 真实胎压：220 kPa，加上一些波动
pressure = 220 + 5 * np.sin(2 * np.pi * 0.5 * t) # 0.5Hz的波动
noise = 0.5 * np.random.randn(len(t)) # 加一点噪声
signal = pressure + noise
# 时域图
plt.figure(figsize=(12, 4))
plt.subplot(1, 2, 1)
plt.plot(t, signal)
plt.xlabel('时间 (秒)')
plt.ylabel('胎压 (kPa)')
plt.title('时域波形')
plt.grid(True)
# 频域图
from scipy.fft import fft, fftfreq
N = len(signal)
yf = fft(signal)
xf = fftfreq(N, 1/fs)[:N//2]
plt.subplot(1, 2, 2)
plt.plot(xf, 2.0/N * np.abs(yf[0:N//2]))
plt.xlabel('频率 (Hz)')
plt.ylabel('幅值')
plt.title('频谱分析')
plt.grid(True)
plt.tight_layout()
plt.show()
这段代码做了三件事：生成模拟信号、画时域图、画频域图。你运行一下就能看到，时域里那条弯弯曲曲的线，在频域里变成了几个清晰的尖峰。
避坑指南：
我曾经在FFT分析时忘了加窗函数，结果频谱泄露得一塌糊涂。后来养成了习惯：做FFT之前，先对数据加汉宁窗或海明窗。这能有效减少频谱泄露，让分析结果更准确。
5. 总结：这些概念怎么用在胎压数据上？
好了，咱们把今天的内容串起来。在胎压监测系统里：
- 采样定理：决定了你的ADC采样率。胎压信号变化很慢，一般10-100Hz就够了。但要注意，别让高频干扰混进来。
- 量化与编码：决定了你的数据精度。12位ADC足够用，但要注意参考电压的稳定性。
- 时域与频域：时域看趋势，频域找问题。两者结合，才能全面掌握信号特征。
我个人觉得，这些基础概念就像盖房子的地基。地基打不牢，后面做再复杂的算法也是空中楼阁。你想想看，如果连采样定理都没搞明白，那后面做滤波、做特征提取，不都是瞎忙活吗？
下一章，咱们聊聊具体的滤波算法。到时候我会分享一些我在项目中踩过的坑，保证让你少走弯路。