传感器数据滤波入门：从毛刺到有效信号的顺序

传感器数据滤波不是把曲线磨平就完事，正确的顺序是先剔掉不可能出现的异常值，再压平随机抖动，之后才谈多传感器融合。现场八成的读数跳动，用限幅加中值加一阶低通这三板斧就能解决，剩下两成往往得先回去查布线。这篇按实际处理顺序，把每一步的处理对象、参数区间和坑点讲透，配示意图，做采集和信号处理的工程师照着走就行。

一、传感器数据滤波前先分清：毛刺、噪声和漂移是三回事

真实温度纹丝不动停在 25 度，测量值却在 25.1、24.9、25.0、25.2 之间来回抖，还冷不丁蹦出一个 37.5 的尖峰。围着真值抖的那部分叫随机噪声，单个蹦出去的叫毛刺，一整天慢慢往一个方向爬的才叫零点漂移。

三者来源不同，处理手段也不同：毛刺靠限幅和中值，噪声靠低通或平均，漂移只能靠标定、温度补偿或者换器件。分不清对象就上算法，属于白干。

二、采样与频率：看不清频谱，滤波一定选错

采样率 100Hz 就是每 10ms 采一个点，时域里是一串离散点。要判断信号和噪声各占哪段频率，得转到频域看频谱：好比有用信号集中在 0～10Hz、高频噪声在 10Hz 以上，那么一个截止频率 1～5Hz 的低通就能把两者分开。

一条铁律：采样率必须大于信号上限频率的 2 倍，这是奈奎斯特条件。采不够就会出现混叠，高频噪声被「折叠」成低频假信号，这时候软件再怎么滤都救不回来。所以硬件 RC 低通一定要摆在 ADC 前面，顺序不能反。

四类滤波器一句话记住：低通放低频，高通放高频，带通只放中间一段，带阻（陷波）只掐掉一段。搞不清该用哪类，先把这个对应关系背下来。

三、异常值抑制：限幅和中值是把快刀，参数别拍脑袋

限幅的思路很直：新值和上一个有效值一比，差值超过阈值就当异常拒收，输出维持旧值。它专治单点跳变，逻辑短到单片机上一行 if 就写完，不占内存。

中值滤波专治脉冲毛刺：把窗口内的点排序，取中间那个。序列 10、11、12、100、13 排完序是 10、11、12、13、100，取中值 12，那个 100 一点都沾不上。窗口要用奇数个点，偶数取中值还得插值，工程上没必要折腾。

四、平均类滤波的取舍：越平滑，越迟钝

滑动平均是很常用的降噪手段，窗口内 N 个点求平均。工程上的巧思是增量更新：sum 减掉上一个点、加上新点，再除以 N，每来一个新点只做一次加一次减，计算量和窗口大小无关。

窗口 N 是纯取舍：N 越大曲线越平，延迟也越大，延迟大致是 N/2 个采样周期。信号毛刺大就加大窗口，系统响应要求快就减小窗口，两头不能都要。100Hz 采样下窗口 10 点，延迟就是 50ms，对快速定位的轴来说已经不小了。

五、传感器数据滤波里的 EMA：一个变量就能做低通

EMA（指数加权移动平均）的公式就一行：y[n] = α·x[n] + (1−α)·y[n−1]。只保存一个历史值，单片机上几个字节就够，是资源很省的低通实现。

α 就是方向盘：取 0.01 这种小值，输出平滑但反应慢半拍；取 0.8 这种大值，跟得紧但滤波弱。α 不用瞎试，按采样率和目标截止频率有现成公式：α = 1 − e^(−2π·Fc/Fs)。

举个例子：采样率 100Hz、想要 5Hz 截止，代进去 2π×5/100 ≈ 0.314，α ≈ 1 − e^(−0.314) ≈ 0.27。换个采样率 α 就得重算，它不是能到处套的通用常数。

六、FIR 与 IIR：稳定性和算力之间的取舍

FIR 只用输入的历史值，天然稳定，还能做成线性相位——信号通过后波形形状不变，只是整体延迟一截，代价是阶数通常要高、计算量大。对波形有要求、又不差算力的场合，选它省心。

IIR 同时用输入和输出的历史值，低阶就能做出很陡的过渡带，算力省，但因为有反馈项，系数设计不好会发散震荡。前面讲的都能归队：滑动平均属于 FIR，EMA 就是一阶 IIR。

七、按频率特性挑低通，50Hz 工频用陷波

同样是低通，性格不一样：巴特沃斯通带平坦、幅频单调下降，没特别要求就选它；切比雪夫 I 型过渡带更陡，代价是通带有波纹；贝塞尔相位特性好、波形失真小，在意波形形状就选它；椭圆过渡带更陡，但通带阻带都带波纹。

另一种高频登场的干扰是 50Hz 工频。信号线和动力线捆在一个线槽、接地又做得随意时，频谱上 50Hz 处会立起一根尖峰，看着就像信号在抖。这时候上陷波器，在 50Hz 精准挖个坑，其它频率基本不受影响。

八、多传感器融合：互补滤波与卡尔曼

一个传感器撑不住的场景才需要融合。经典组合是陀螺仪加加速度计：陀螺仪短期准、长期会漂移；加速度计低动态时能靠重力方向校正，但短期噪声大。互补滤波一行搞定：Angle = α·(Angle + Gyro·dt) + (1−α)·AccelAngle，高频信陀螺，低频信加计。

再进一步是卡尔曼：预测、更新、状态估计三步走，按两边的噪声统计自动分配权重。举个数字：模型预测 10.2 米，测量给了 10.8 米，融合结果落在 10.4 米，不偏听偏信。Q（过程噪声）和 R（测量噪声）这两个参数，决定折中偏向谁。

九、工程滤波链：先去异常，再平滑

实际项目里滤波从来不单打独斗。举个压力采集的例子：采样率 100Hz，首级做合法性检查拦住离谱值，第二级 5 点中值把 3500 这类毛刺挤出去，末级截止 5Hz 的一阶低通把随机抖动压平，输出就干净了。

顺序有讲究，先处理异常值再平滑随机波动。反过来先做平均，一个毛刺会被摊进整串数据里，把一大段输出全污染，等于把单点错误放大成趋势。这条顺序错了，后面算法再多也补不回来。

十、选型与嵌入式资源账：RAM 和 CPU 都是钱

按场景选方案，查表省事。温湿度这类慢变量用限幅加 EMA；光照、ToF 测距用中值加 EMA；ADC 采电压用滑动平均或 IIR；IMU 姿态用互补或卡尔曼；心电这类强工频场景用带通加陷波。

资源账也得算清：滑动平均窗口 N=100，float 每点 4 字节就要留 400 字节缓存；EMA 只保存一个浮点数，4 字节搞定。128 抽头的 FIR 在 10kHz 采样率下约等于每秒上百万次乘加，主频紧张就上 CMSIS-DSP 这类现成库、用 DMA 搬运、开硬件浮点单元。

传感器数据滤波常见问题

问：传感器数据滤波是不是开了就比不开好？
答：不是。滤波必然带来延迟，控制系统越是要快，越要克制。先判断数据里到底有没有异常值和噪声，没有就别硬滤，直接透传反而更准。

问：限幅和中值，先做哪一个？
答：一般先限幅再中值。限幅先把离谱的挡掉，中值再处理窗口里的脉冲，两级串起来比单用一级干净得多，计算量也没上去多少。

问：一阶低通的 α 能不能直接取 0.1？
答：可以当起点，但要按采样率折算。同样 α=0.1，采样率 10Hz 和 1000Hz 对应的实际截止频率差了 100 倍，效果完全不是一回事。用 α = 1 − e^(−2π·Fc/Fs) 反推。

问：位移传感器接进 PLC 后读数跳，是滤波没做好吗？
答：先查接地和走线，再谈滤波。屏蔽线单点接地、信号线与动力线分槽，这两条做到位，很多跳变自己就没了。硬件耦合改成软件滤，属于治标。

问：卡尔曼滤波是不是比中值加低通高级，就该用？
答：看对象。单传感器、单变量的位置反馈，限幅加中值加一阶低通就够了；只有多传感器需要互相校正、且噪声统计可测时，卡尔曼才划算。算法复杂度和调试成本都要算进去。