第二节：传感器误差分析——系统误差、随机误差、粗大误差的识别与处理方法
做温室传感器数据融合，第一关不是算法，而是搞清楚你的数据到底靠不靠谱。我见过太多人上来就搞卡尔曼滤波，结果数据本身就有问题，再好的算法也白搭。今天咱们就聊聊传感器误差的三大类：系统误差、随机误差、粗大误差。说白了，就是搞清楚你的传感器到底在「骗你」还是「闹情绪」。
一、系统误差：那个一直偏高的家伙
系统误差，我习惯叫它「固执的偏差」。它有个特点：每次测量都往同一个方向偏，要么一直偏高，要么一直偏低。比如你用一个温度传感器测25℃的恒温水浴，它每次都显示25.8℃，这就是系统误差。
怎么识别？
- 标准比对法：拿一个校准过的标准传感器，跟你的传感器同时测同一个点。差值就是系统误差。
- 理论计算法：比如你测温室里的CO₂浓度，理论上通风后应该接近大气值（约400ppm），如果一直显示450ppm，那50ppm就是系统误差。
怎么处理？
我个人习惯用「偏移校正」来处理。举个例子：
// 系统误差校正示例
float raw_temp = read_temperature(); // 原始读数 25.8℃
float offset = 0.8; // 标定得到的偏移量
float corrected_temp = raw_temp - offset; // 校正后 25.0℃
我的经验：系统误差不是一成不变的。我记得有一次在温室里做长期监测，发现温度传感器白天和晚上的偏移量不一样——白天太阳晒着，传感器外壳受热膨胀，偏移量会变。所以建议你至少做「三温标定」：低温、常温、高温各测一次偏移量，然后做线性插值。
二、随机误差：那个忽高忽低的捣蛋鬼
随机误差，说白了就是「没规律的抖动」。你测同一个点100次，每次读数都不一样，但围绕一个平均值上下波动。比如测温室湿度，这次62.3%，下次62.1%，再下次62.5%。
怎么识别？
- 多次测量法：同一个条件下测至少30次，看数据分布。如果符合正态分布（中间多、两边少），那就是随机误差。
- 标准差计算：标准差越大，随机误差越严重。我一般用这个公式：
// 计算标准差
float data[] = {62.3, 62.1, 62.5, 62.2, 62.4};
int n = 5;
float mean = 0, std = 0;
for(int i=0; i<n; i++) mean += data[i];
mean /= n;
for(int i=0; i<n; i++) std += pow(data[i] - mean, 2);
std = sqrt(std / (n-1)); // 样本标准差
怎么处理？
随机误差没法完全消除，但可以「平滑」掉。我常用的方法：
- 滑动平均滤波：取最近N个数据的平均值。N越大越平滑，但响应变慢。
- 中值滤波：取N个数据的中间值。对尖峰干扰特别有效。
避坑指南：我曾经在温室CO₂传感器上吃过亏。当时用了滑动平均滤波，窗口设了20个点，结果数据是平滑了，但CO₂浓度变化时响应慢了将近2分钟。后来我改成「加权滑动平均」——越新的数据权重越大，这样既平滑又灵敏。
三、粗大误差：那个离谱的异常值
粗大误差，就是「明显不对劲」的数据。比如温度传感器突然跳出一个85℃（温室里怎么可能？），或者湿度显示-5%。这种数据必须剔除，不然会严重污染你的融合结果。
怎么识别？
- 3σ准则（拉依达准则）：数据超出均值±3倍标准差的，视为粗大误差。
- 格拉布斯准则：小样本时更靠谱，查表判断。
- 物理限值法：直接设定合理范围。比如温室温度不可能低于-10℃或高于60℃。
// 3σ准则剔除粗大误差
float check_outlier(float value, float mean, float std) {
if(fabs(value - mean) > 3 * std) {
return NAN; // 标记为无效数据
}
return value;
}
怎么处理？
- 直接剔除：最简单，但会丢失数据点。
- 插值替换：用前后数据的平均值或中值替换。我比较推荐这个，因为温室数据通常是连续的。
注意：粗大误差不一定是传感器坏了。有一次我排查了半天，发现是温室里的喷灌系统启动时，水雾溅到了传感器上，导致温度骤降。所以遇到异常值，先别急着剔除，看看是不是环境因素导致的「假异常」。
四、三种误差的对比与实战策略
| 误差类型 | 特点 | 识别方法 | 处理方法 |
|---|---|---|---|
| 系统误差 | 固定方向、固定大小 | 标准比对、理论计算 | 偏移校正、线性插值 |
| 随机误差 | 无规律、正态分布 | 多次测量、标准差 | 滑动平均、中值滤波 |
| 粗大误差 | 明显异常、偏离大 | 3σ准则、物理限值 | 剔除、插值替换 |
你想想看，这三种误差在温室里其实是同时存在的。比如一个温度传感器：系统误差让它一直偏高0.5℃，随机误差让它±0.2℃波动，偶尔还蹦出一个粗大误差。所以实际处理时，我的流程是：
- 先剔除粗大误差——把明显离谱的数据干掉。
- 再平滑随机误差——用滤波让数据稳定下来。
- 最后校正系统误差——把偏移量减掉。
我的习惯：每次部署新传感器，我都会先做24小时的「静置测试」——把传感器放在恒温恒湿的环境里，记录数据。这样能快速摸清它的系统误差和随机误差水平。嗯，这一步千万别省，不然后面数据融合时你会很痛苦。
好了，传感器误差分析就聊到这儿。下一节咱们会讲「多传感器时间同步」，这可是数据融合的另一个大坑。到时候我再分享几个实战中踩过的坑。