课程导论：为什么传感器数据需要预处理？常见噪声类型与滤波目标概述
大家好，我是你们这门课的主讲。在嵌入式系统里摸爬滚打了十几年，我见过太多因为传感器数据没处理好而翻车的项目了。
你想想看，一个价值几块钱的MEMS加速度计，焊在板子上，周围是开关电源的噪声、电机转动产生的振动、还有温度漂移。它输出的原始数据，说白了就是一堆“脏数据”。你要是直接拿这数据去做姿态解算、做故障诊断，那结果基本没法看。
所以，传感器数据预处理，不是可选项，而是必选项。它是所有后续算法能够正常工作的基石。
为什么原始数据不能直接用？
我刚开始做项目那会儿，也犯过傻。记得有一次调试一个工业机械臂的力传感器，采集回来的数据直接用来做力控。结果机械臂自己在那抖得跟帕金森似的。查了半天，发现是电源纹波耦合进了传感器信号。嗯，从那以后，我再也不敢跳过预处理这一步了。
具体来说，原始数据的问题主要出在三个方面：
- 噪声污染：传感器本身的热噪声、量化噪声，加上外部电磁干扰，信号里混着各种乱七八糟的成分。
- 异常值：通信丢包、传感器瞬间饱和、或者被什么东西撞了一下，数据里会出现离谱的“野点”。
- 尺度不一致：不同传感器的量程、单位、分辨率都不一样。比如一个测温度，一个测压力，数值范围差好几个数量级，直接放一起算肯定不行。
说白了，预处理的目的就一个：把原始信号里那些“不想要”的东西去掉，把“想要”的信息保留下来，并且让数据变得规整、可用。
常见噪声类型：你得知道你的敌人是谁
做滤波之前，先得搞清楚噪声长什么样。我个人习惯把传感器噪声分成这么几类：
| 噪声类型 | 典型来源 | 频率特性 | 我遇到过的坑 |
|---|---|---|---|
| 白噪声 | 热噪声、半导体散粒噪声 | 全频段均匀分布 | ADC采样值在低位来回跳，看着就烦 |
| 低频漂移 | 温度变化、器件老化 | 0.1Hz以下 | 陀螺仪零偏随温度慢慢飘，积分后角度越算越偏 |
| 工频干扰 | 50Hz/60Hz电源线耦合 | 固定频率及其谐波 | 心电信号里那个50Hz的毛刺，怎么滤都滤不干净 |
| 脉冲噪声 | 静电放电、通信误码 | 时域上窄而尖 | 激光雷达偶尔蹦出一个几十米外的点，其实是灰尘反射 |
| 量化噪声 | ADC有限分辨率 | 与采样频率相关 | 12位ADC和16位ADC，做FFT时底噪差一大截 |
为什么会这样？因为不同的噪声，需要用不同的“武器”去对付。比如白噪声适合用滑动平均，工频干扰得用陷波器，脉冲噪声则要用中值滤波。
滤波目标概述：我们到底想达到什么效果？
滤波不是万能的。你不能指望一个低通滤波器既能滤掉高频噪声，又能保留信号的快速变化。这本身就是一对矛盾。
我个人把滤波目标归纳为三个层次：
- 第一层：去噪。把信噪比提上去。这是最基本的要求。比如ADC采样值从±5个LSB的抖动，降到±1个LSB以内。
- 第二层：保真。在去噪的同时，尽量不破坏原始信号的特征。比如边缘不能变模糊，相位延迟不能太大。这一点在实时控制里特别重要。
- 第三层：提取。从复杂的混合信号中，把特定频率或特定形态的分量分离出来。比如从振动信号里提取出轴承故障的特征频率。
核心原则：滤波器的设计，本质上是在“噪声抑制”和“信号保真”之间做权衡。没有最好的滤波器，只有最适合你应用场景的滤波器。
一个简单的例子：看看原始数据有多“脏”
假设我们用12位ADC采集一个缓慢变化的温度信号。理想情况下，温度从25°C升到26°C，ADC值应该平滑上升。但实际采集到的数据可能是这样的：
// 原始ADC采样值（单位：LSB）
int raw_data[] = {2048, 2051, 2047, 2053, 2049, 2060, 2045, 2052, 2048, 2055};
// 注意看第6个点：2060，明显是个异常值（野点）
// 而且相邻点之间跳变达到6个LSB，这比真实温度变化快多了你看，第6个点2060，比前后都高出一截。这可能是电源波动或者瞬间干扰造成的。如果不处理，后续计算平均值时，这个点就会把结果拉偏。
经过一个简单的3点滑动平均滤波后：
// 滤波后数据
int filtered_data[] = {2049, 2050, 2050, 2051, 2051, 2052, 2052, 2052, 2050, ...};
// 野点被平滑掉了，数据变得稳定多了小提示：在实际项目中，我通常会在ADC中断服务函数里直接做一级简单的硬件滤波（比如RC低通），然后再在MCU主循环里做软件滤波。这样硬件先干掉高频噪声，软件再处理低频漂移和异常值，效果最好。
避坑指南：预处理阶段最容易犯的错
我曾经在一个无人机飞控项目里，为了追求数据平滑，把滑动平均的窗口设得特别大。结果呢？数据是平滑了，但飞控的反应延迟也大了。无人机稍微一倾斜，要等好几百毫秒才能反应过来。最后炸机了。
所以，这里有几个坑你得注意：
- 过度滤波：滤波强度太大，信号细节全没了。尤其是边缘检测、峰值检测这类应用，滤波会直接毁掉你的特征。
- 忽略相位延迟：所有因果滤波器都会引入延迟。实时系统里，延迟就是不稳定性的来源。
- 一刀切的参数：不同工况下，噪声特性可能完全不同。比如电机启动和停止时，电磁干扰强度差很多。固定参数的滤波器往往顾此失彼。
警告：千万不要在没搞清楚噪声来源的情况下，盲目套用滤波器。先拿示波器看看信号长什么样，或者做一段FFT分析，搞清楚噪声的频率范围。这叫“先诊断，再开药”。
好了，这一章我们先把“为什么”和“是什么”讲清楚。接下来的章节，我会带着大家一步步实现各种滤波算法，从最简单的滑动平均，到卡尔曼滤波，再到自适应滤波。每一行代码我都会解释清楚它的物理意义。
记住，传感器数据预处理，是嵌入式工程师的基本功。基本功扎实了，后面做控制、做AI，才能站得稳。