1. 一阶低通滤波算法基础原理第一次接触一阶低通滤波是在做温控项目时当时传感器数据波动得像心电图。这种算法本质上是个懒人算法——新采样值只贡献一部分历史数据占大头。具体公式是Y(n) αX(n) (1-α)Y(n-1)这里α就是滤波系数0α1相当于新旧数据的权重调节旋钮。我更喜欢把它比作调咖啡α是新鲜咖啡的比例(1-α)就是剩咖啡的比例。α越大口感越新鲜灵敏度高但可能喝到渣子噪声α小则口感稳定平滑性好但可能不够味响应慢。在STM32上实现时我常用这个结构体来管理滤波状态typedef struct { float alpha; // 滤波系数 float prev_out; // 上次输出 } FirstOrderFilter;2. 单片机ADC采样的特殊挑战去年调试电机电流采样时发现三个关键问题ADC量化噪声12位ADC在3.3V量程下1LSB≈0.8mV电源纹波开关电源引入的100kHz高频干扰传感器噪声PT100自身的热噪声一阶低通滤波对第2类干扰特别有效。实测发现当采样率设为1kHz时取α0.05能抑制300Hz以上的噪声而信号带宽通常不到50Hz。这里有个经验公式截止频率 ≈ α × 采样频率 / (2π)3. 滤波系数的工程整定方法3.1 理论计算方法根据目标截止频率fc和采样周期Tα 1 - e^(-2πfcT)比如要滤除100Hz以上噪声采样率1kHz时import math fc 100 # 目标截止频率 T 0.001 # 采样周期 alpha 1 - math.exp(-2 * math.pi * fc * T) # 约0.473.2 实测调参法我在电机控制项目中总结出三步法初始设定用理论值作为起点阶跃测试给突变量观察响应正弦扫描输入不同频率信号看衰减测试数据示例α值上升时间(ms)噪声峰峰值(mV)0.145120.315350.58604. 不同场景下的参数优化4.1 温度采集慢变信号用NTC测环境温度时我发现α0.01~0.05最合适。曾有个坑加热器PWM导致10Hz干扰这时需要// 采样周期100ms目标截止0.5Hz float alpha 0.03; // 配合中值滤波效果更好4.2 电流采样快变信号三相电流检测要求更高实时性我的配置是#define ALPHA_CURRENT 0.2f // 20kHz采样时截止约600Hz4.3 动态调整策略在电池电压检测中我实现了自适应αfloat dynamic_alpha(float error) { float base 0.1f; float factor fabs(error) / 50.0f; // 50mV为阈值 return base * (1 factor); }5. 进阶优化技巧5.1 定点数优化在MSP430这类没有FPU的MCU上我用Q格式处理#define ALPHA_Q15 3276 // 0.1 in Q15 int16_t filter_q15(int16_t input) { static int16_t prev 0; prev (ALPHA_Q15 * input (32767 - ALPHA_Q15) * prev) 15; return prev; }5.2 抗脉冲干扰加入限幅判断float safe_filter(float input, float prev) { float delta fabs(input - prev); float alpha delta 50.0f ? 0.8f : 0.1f; // 突变时提高响应 return alpha * input (1-alpha) * prev; }6. 实际项目中的对比测试在工业称重项目中对比了三种方案方案稳态误差(g)响应时间(s)RAM占用无滤波±1500一阶滤波(α0.1)±51.24字节卡尔曼滤波±30.850字节最终选择了一阶滤波因为在该场景下5g误差可接受而RAM资源紧张。7. 常见问题解决方案问题1滤波后响应迟钝检查采样周期是否过长尝试α0.3~0.5的中间值加入微分项补偿问题2滤波后仍有高频噪声确认ADC电源质量在前级加入硬件RC滤波如1kΩ100nF降低采样率或增大α问题3数据出现阶梯状检查变量类型是否溢出改用32位浮点运算对输出做平滑处理8. 与其他滤波算法的组合应用在四轴飞行器项目中我采用级联方案硬件RC滤波截止1kHzADC采样一阶数字滤波α0.2滑动平均窗口5float pipeline_filter(float adc_val) { static float buf[5]; static uint8_t idx 0; // 一阶滤波 static float filtered 0; filtered 0.2f * adc_val 0.8f * filtered; // 滑动平均 buf[idx] filtered; if(idx 5) idx 0; float sum 0; for(uint8_t i0; i5; i) { sum buf[i]; } return sum / 5; }这个方案在STM32F103上仅消耗5us处理时间72MHz主频完美满足实时性要求。 单片机ADC采样算法----一阶低通滤波的工程实践与参数整定
1. 一阶低通滤波算法基础原理第一次接触一阶低通滤波是在做温控项目时当时传感器数据波动得像心电图。这种算法本质上是个懒人算法——新采样值只贡献一部分历史数据占大头。具体公式是Y(n) αX(n) (1-α)Y(n-1)这里α就是滤波系数0α1相当于新旧数据的权重调节旋钮。我更喜欢把它比作调咖啡α是新鲜咖啡的比例(1-α)就是剩咖啡的比例。α越大口感越新鲜灵敏度高但可能喝到渣子噪声α小则口感稳定平滑性好但可能不够味响应慢。在STM32上实现时我常用这个结构体来管理滤波状态typedef struct { float alpha; // 滤波系数 float prev_out; // 上次输出 } FirstOrderFilter;2. 单片机ADC采样的特殊挑战去年调试电机电流采样时发现三个关键问题ADC量化噪声12位ADC在3.3V量程下1LSB≈0.8mV电源纹波开关电源引入的100kHz高频干扰传感器噪声PT100自身的热噪声一阶低通滤波对第2类干扰特别有效。实测发现当采样率设为1kHz时取α0.05能抑制300Hz以上的噪声而信号带宽通常不到50Hz。这里有个经验公式截止频率 ≈ α × 采样频率 / (2π)3. 滤波系数的工程整定方法3.1 理论计算方法根据目标截止频率fc和采样周期Tα 1 - e^(-2πfcT)比如要滤除100Hz以上噪声采样率1kHz时import math fc 100 # 目标截止频率 T 0.001 # 采样周期 alpha 1 - math.exp(-2 * math.pi * fc * T) # 约0.473.2 实测调参法我在电机控制项目中总结出三步法初始设定用理论值作为起点阶跃测试给突变量观察响应正弦扫描输入不同频率信号看衰减测试数据示例α值上升时间(ms)噪声峰峰值(mV)0.145120.315350.58604. 不同场景下的参数优化4.1 温度采集慢变信号用NTC测环境温度时我发现α0.01~0.05最合适。曾有个坑加热器PWM导致10Hz干扰这时需要// 采样周期100ms目标截止0.5Hz float alpha 0.03; // 配合中值滤波效果更好4.2 电流采样快变信号三相电流检测要求更高实时性我的配置是#define ALPHA_CURRENT 0.2f // 20kHz采样时截止约600Hz4.3 动态调整策略在电池电压检测中我实现了自适应αfloat dynamic_alpha(float error) { float base 0.1f; float factor fabs(error) / 50.0f; // 50mV为阈值 return base * (1 factor); }5. 进阶优化技巧5.1 定点数优化在MSP430这类没有FPU的MCU上我用Q格式处理#define ALPHA_Q15 3276 // 0.1 in Q15 int16_t filter_q15(int16_t input) { static int16_t prev 0; prev (ALPHA_Q15 * input (32767 - ALPHA_Q15) * prev) 15; return prev; }5.2 抗脉冲干扰加入限幅判断float safe_filter(float input, float prev) { float delta fabs(input - prev); float alpha delta 50.0f ? 0.8f : 0.1f; // 突变时提高响应 return alpha * input (1-alpha) * prev; }6. 实际项目中的对比测试在工业称重项目中对比了三种方案方案稳态误差(g)响应时间(s)RAM占用无滤波±1500一阶滤波(α0.1)±51.24字节卡尔曼滤波±30.850字节最终选择了一阶滤波因为在该场景下5g误差可接受而RAM资源紧张。7. 常见问题解决方案问题1滤波后响应迟钝检查采样周期是否过长尝试α0.3~0.5的中间值加入微分项补偿问题2滤波后仍有高频噪声确认ADC电源质量在前级加入硬件RC滤波如1kΩ100nF降低采样率或增大α问题3数据出现阶梯状检查变量类型是否溢出改用32位浮点运算对输出做平滑处理8. 与其他滤波算法的组合应用在四轴飞行器项目中我采用级联方案硬件RC滤波截止1kHzADC采样一阶数字滤波α0.2滑动平均窗口5float pipeline_filter(float adc_val) { static float buf[5]; static uint8_t idx 0; // 一阶滤波 static float filtered 0; filtered 0.2f * adc_val 0.8f * filtered; // 滑动平均 buf[idx] filtered; if(idx 5) idx 0; float sum 0; for(uint8_t i0; i5; i) { sum buf[i]; } return sum / 5; }这个方案在STM32F103上仅消耗5us处理时间72MHz主频完美满足实时性要求。