1. 传感器数据滤波概述：为什么需要滤波、噪声来源分析、滤波效果评估指标
大家好，我是老张。做嵌入式这些年，我最大的感触就是——传感器数据从来不会干干净净地送到你面前。你想想看，一个温度传感器，明明室温没变，读数却在上下跳；一个加速度计，静止放着，输出却像在跳舞。这就是我们今天要聊的滤波问题。
说实话，滤波这件事，看着简单，但坑特别多。我见过不少新手，上来就套一个滑动平均，结果信号延迟大到系统直接崩溃。也见过老手，为了滤掉一个50Hz工频干扰，折腾了三天才发现是电源纹波的问题。嗯，咱们今天就把这些事掰扯清楚。
1.1 为什么需要滤波？
说白了，滤波就是为了从一堆乱七八糟的数据里，把真实信号给“捞”出来。我个人的习惯是，只要传感器数据参与控制或决策，滤波就是必须的。原因有三：
- 消除噪声干扰：传感器本身、电源、环境都会引入噪声。不滤波，数据就没法用。
- 防止误触发：比如一个接近传感器，因为噪声突然跳变，导致机器急停——我在产线上遇到过这种事，后果很严重。
- 提高控制稳定性：PID控制器对输入噪声特别敏感。滤波后的数据，能让系统更平稳。
核心观点：滤波不是“美化数据”，而是“还原真实”。如果滤波后的数据跟真实物理量对不上，那这个滤波就是失败的。
1.2 噪声来源分析
噪声从哪来？我把它分成三类。你在实际项目中，可以按这个思路去排查。
| 噪声类型 | 典型来源 | 频率特征 | 我踩过的坑 |
|---|---|---|---|
| 热噪声 | 电阻、半导体结 | 白噪声，全频段 | 高精度ADC前级没加低通，读数跳得没法看 |
| 工频干扰 | 50Hz/60Hz电源 | 固定频率 | 屏蔽没做好，示波器一看全是50Hz正弦波 |
| 量化噪声 | ADC量化过程 | 高频为主 | 12位ADC采0-3.3V，LSB=0.8mV，小信号直接淹没了 |
| 机械振动 | 电机、风扇 | 低频（几Hz到几百Hz） | IMU装在振动平台上，角速度数据全是假的 |
| 射频干扰 | 无线模块、开关电源 | 高频（MHz级） | WiFi天线靠近传感器线缆，数据偶尔跳一个大值 |
为什么会这样？其实每种噪声都有它的“脾气”。热噪声你躲不掉，只能靠硬件滤波或多次采样平均。工频干扰呢，用陷波器或者同步采样就能搞定。量化噪声嘛，提高分辨率或者加一点抖动（dithering）就能改善。
实战技巧：我建议你在设计初期，先拿示波器看看传感器输出端的噪声频谱。知道噪声在哪个频段，滤波器的设计就有的放矢了。别一上来就套滤波算法，先搞清楚敌人是谁。
1.3 滤波效果评估指标
滤波好不好，不能光靠眼睛看。我一般用下面这几个指标来量化评估。你想想看，如果连评估标准都没有，你怎么知道你的滤波算法是进步了还是退步了？
1.3.1 信噪比（SNR）
这是最直接的指标。滤波前后的SNR提升，就是你的滤波效果。
SNR = 10 * log10( P_signal / P_noise ) 单位：dB我个人的经验是，对于一般传感器，滤波后SNR提升10dB以上就算不错了。如果提升不到3dB，那基本等于没滤。
1.3.2 均方根误差（RMSE）
如果你有参考真值（比如用高精度仪器同时测量），RMSE是最公平的评估方式。
RMSE = sqrt( (1/N) * Σ (x_filtered - x_true)^2 )注意：这里的x_true必须是真实物理量，不是原始测量值。我曾经犯过这个错——拿原始数据当真值去算RMSE，结果滤波效果越好RMSE反而越大，闹了笑话。
1.3.3 延迟（Latency）
滤波一定会引入延迟。这个指标在实时系统中特别重要。
- 滑动平均：延迟 = 窗口长度的一半 × 采样周期
- 一阶低通：延迟 ≈ 时间常数τ
- 卡尔曼滤波：延迟取决于模型复杂度，一般1-3个采样周期
注意：延迟和滤波效果是一对矛盾。滤得越干净，延迟越大。你需要根据系统要求做权衡。比如电机转速控制，延迟超过10ms就可能振荡；而温度监测，延迟几秒钟完全没问题。
1.3.4 平滑度（Smoothness）
这个指标有点主观，但很实用。我常用的是“相邻点变化率”的标准差。
Smoothness = std( diff(x_filtered) )数值越小，说明数据越平滑。但要注意，过度平滑会丢失真实变化。比如一个阶跃信号，滤波后如果变得太缓，那系统响应就跟不上了。
1.4 小结
好了，这一章的内容就这些。总结一下：
- 滤波是为了从噪声中还原真实信号，不是美化数据
- 噪声来源要具体分析，对症下药
- 评估滤波效果要用量化指标，别光靠感觉
下一章，我会带大家深入几种最常用的滤波算法，从滑动平均到卡尔曼滤波，每个我都会给出实际代码和调试经验。咱们下章见。