单片机数字滤波算法实战：六种经典方法解析

1. 单片机数字滤波算法的重要性与挑战

在工业控制和嵌入式系统开发中，我们经常需要处理各种传感器采集的模拟信号。上周调试一个温控项目时，就遇到了这样的问题：DS18B20温度传感器返回的数据时不时会出现±2℃的跳变，导致PID控制输出剧烈震荡。这种噪声如果不处理，轻则影响控制精度，重则可能引发系统振荡。

数字滤波算法正是解决这类问题的利器。与模拟电路中的RC滤波不同，数字滤波完全通过软件算法实现，具有以下独特优势：

• 无需额外硬件成本，特别适合对成本敏感的消费电子产品
• 参数调整灵活，一个硬件设计可以适应多种应用场景
• 能够实现模拟电路难以达到的特殊滤波特性
• 算法可移植性强，同一套代码稍作修改就能在不同平台复用

但实际应用中，很多开发者常陷入两个极端：要么过度依赖简单粗暴的均值滤波，要么盲目追求复杂的卡尔曼滤波。上周就遇到一个案例：某团队在STM32上实现了七阶IIR滤波器，结果因为计算量过大导致控制周期从10ms延长到50ms，系统性能反而下降。

2. 六种经典数字滤波算法深度解析

2.1 限幅滤波法：应对突发干扰的"安全阀"

限幅滤波（又称程序判断滤波）是我在工控项目中最常用的基础滤波手段。其核心思想是：设定一个最大允许变化量ΔY，当本次采样值Yn与上次有效值Yn-1的差值超过ΔY时，就认为本次数据异常。

#define DELTA 50 // 最大允许变化量 int LimitingFilter(int new_sample, int last_valid) { if(abs(new_sample - last_valid) > DELTA) { return last_valid; // 超出限幅范围，返回上次有效值 } return new_sample; // 正常范围，采用新采样值 }

这个看似简单的算法，在实际应用中却有几个关键技巧：

1. ΔY的取值需要根据信号特性和采样周期动态调整。比如对于1秒采样一次的室温信号，ΔY=5℃比较合适；但对于100Hz采样的电机电流信号，ΔY可能需要设为额定值的20%
2. 连续限幅次数需要监控，当超过阈值时应触发报警，可能是传感器故障
3. 在启动阶段需要特殊处理，建议前10个采样周期禁用限幅

提示：在电机控制等实时性要求高的场景，可以将限幅判断放在ADC中断中执行，这样异常数据根本不会进入主流程。

2.2 中值滤波法：对抗脉冲干扰的"中坚力量"

去年做一个光伏逆变器项目时，电流传感器偶尔会受到PWM开关的干扰产生尖峰。这种情况下，中值滤波表现出色。其原理是连续采样N次（N取奇数），将这N个采样值排序后取中间值作为有效值。

#define N 5 // 采样次数 int MedianFilter(int samples[N]) { // 冒泡排序 for(int i=0; i<N-1; i++) { for(int j=0; j<N-i-1; j++) { if(samples[j] > samples[j+1]) { int temp = samples[j]; samples[j] = samples[j+1]; samples[j+1] = temp; } } } return samples[N/2]; // 返回中值 }

实际应用中有几个优化方向：

1. 对于RAM有限的51单片机，可以使用改进的冒泡排序——当已经找到中值时提前终止排序
2. 采样次数N通常取3-7，过大会引入显著延迟
3. 可以结合限幅滤波先剔除明显异常点，再进行中值计算

2.3 算术平均滤波：平滑随机噪声的"常规武器"

算术平均滤波是入门必学的经典算法，适用于信号本身在某一数值范围附近波动的情况。最近在做一个电子秤设计，就是靠10次平均将噪声从±5g降到了±1g。

#define N 10 // 平均次数 int AverageFilter(int new_sample) { static int sum = 0; static int count = 0; static int buffer[N]; sum -= buffer[count]; // 减去最旧的值 sum += new_sample; // 加上最新的值 buffer[count] = new_sample; count = (count + 1) % N; return sum / N; }

这个实现采用了滑动窗口的方式，相比普通实现具有两个优势：

1. 每次计算只需一次减法和一次加法，计算量恒定
2. 不需要保存全部历史数据，节省内存空间

注意：当信号存在趋势性变化时，普通平均滤波会导致相位滞后。这种情况下可以考虑加权平均，给新数据更高权重。

2.4 递推平均滤波：动态系统的"平衡大师"

在电机转速测量等动态系统中，我更喜欢使用递推平均（又称滑动平均）。它与算术平均的主要区别是：每次采样后只更新队列中最旧的一个数据，而不是整个队列。

#define N 12 // 队列长度 int MovingAverageFilter(int new_sample) { static int buffer[N]; static int index = 0; static int sum = 0; sum -= buffer[index]; // 减去将被替换的值 sum += new_sample; // 加上新采样值 buffer[index] = new_sample; index = (index + 1) % N; return sum / N; }

这种算法特别适合处理两种场景：

1. 周期性干扰：当N取干扰信号周期的整数倍时，抑制效果最佳
2. 缓变信号：通过调整N值可以平衡响应速度和平滑效果

去年调试一个伺服系统时，发现当N取电机机械时间常数的2-3倍时，控制效果最佳。

2.5 一阶滞后滤波：快速与平滑的"折中方案"

在需要快速响应又希望抑制高频噪声的场合，一阶滞后滤波是我的首选。它的原理类似模拟RC滤波，通过加权系数α平衡新旧数据。

#define ALPHA 0.3 // 滤波系数(0~1) float FirstOrderFilter(float new_sample) { static float last_output = 0; float output = ALPHA * new_sample + (1-ALPHA) * last_output; last_output = output; return output; }

这个算法有三个关键点：

1. α越大，响应越快但滤波效果越差
2. 适合处理变化不太剧烈的信号，如温度、湿度等
3. 浮点运算在8位单片机上开销较大，可以用定点数优化

在STM32项目中，我通常先用Matlab仿真确定最佳α值，然后转换为Q格式定点数实现：

#define ALPHA_Q8 77 // 0.3 in Q8 format (0.3*256) int FirstOrderFilter_Q8(int new_sample) { static int last_output = 0; int output = (ALPHA_Q8 * new_sample + (256 - ALPHA_Q8) * last_output) >> 8; last_output = output; return output; }

2.6 加权递推平均滤波：智能化的"数据裁判"

在需要区分不同时刻数据重要性的场景，加权递推平均展现了独特优势。去年做的一个电池SOC估算项目，就是靠这种算法将精度提高了15%。

#define N 5 const static int weight[N] = {1, 2, 3, 2, 1}; // 对称权重 int WeightedMovingAverage(int new_sample) { static int buffer[N]; static int index = 0; buffer[index] = new_sample; index = (index + 1) % N; int sum = 0; int weight_sum = 0; for(int i=0; i<N; i++) { int j = (index + i) % N; sum += buffer[j] * weight[i]; weight_sum += weight[i]; } return sum / weight_sum; }

这种算法有几个设计要点：

1. 权重分布通常呈对称结构（如高斯分布）
2. 权重系数和最好为2的幂次，可以用移位代替除法
3. 可以根据信号特性动态调整权重，比如在冲击检测中给最新数据更高权重

3. 算法选型与参数调优实战

3.1 根据信号特性选择滤波算法

去年参与评审的23个嵌入式项目中，有17个存在滤波算法选择不当的问题。这张对比表总结了各算法的适用场景：

3.2 参数调优的经验法则

通过上百个项目的实践，我总结出这些参数设置经验：

1. 采样频率：应至少是信号带宽的5-10倍，同时考虑单片机处理能力
2. 窗口大小：
   • 平均滤波：通常4-16点，可通过实验观察噪声抑制效果
   • 中值滤波：3-7点，过大影响实时性
3. 限幅阈值：
   • 静态信号：取正常波动范围的2-3倍
   • 动态信号：根据最大变化率×采样周期计算
4. 滤波系数α：
   • 快速响应：0.5-0.8
   • 强滤波：0.1-0.3
   • 可通过阶跃响应测试调整

3.3 混合滤波策略设计

在实际复杂场景中，我经常采用多级滤波架构。比如在无人机高度测量系统中：

1. 第一级：限幅滤波（ΔZ=0.5m/s）
   • 消除传感器偶发的跳变
2. 第二级：中值滤波（N=5）
   • 抑制气压计的高频噪声
3. 第三级：一阶滞后（α=0.6）
   • 平滑数据同时保持响应速度

这种组合将高度测量的标准差从1.2m降到了0.3m，而处理延迟仅增加8ms。

4. 特殊场景下的滤波技巧

4.1 动态调整滤波参数

在电机启动等动态过程中，固定参数的滤波器往往难以兼顾响应速度和平滑度。我的解决方案是：

// 根据转速变化率动态调整α float DynamicAlpha(float speed_rpm) { static float last_speed = 0; float delta = fabs(speed_rpm - last_speed); last_speed = speed_rpm; if(delta > 500) return 0.8f; // 快速变化阶段 else if(delta > 100) return 0.5f; else return 0.2f; // 稳态阶段 }

4.2 非均匀采样处理

在低速AD转换或多传感器轮询时，采样间隔可能不均匀。这时需要改进算法：

// 考虑时间间隔的一阶滞后滤波 float TimeAwareFilter(float new_sample, float delta_t) { static float last_output = 0; static uint32_t last_time = 0; float alpha = 1 - exp(-delta_t / TIME_CONSTANT); float output = alpha * new_sample + (1-alpha) * last_output; last_output = output; return output; }

4.3 资源受限系统的优化

在51单片机等资源受限平台，我有这些优化经验：

1. 用查表法代替浮点运算
2. 使用移位代替乘除法
3. 适当降低采样频率
4. 采用位域操作压缩存储数据

比如将加权平均改为：

// 使用移位操作的简化加权平均 int SimpleWeightedAvg(int new_sample) { static int buf[4]; buf[0] = buf[1]; buf[1] = buf[2]; buf[2] = buf[3]; buf[3] = new_sample; // 权重分布：1:2:2:1 return (buf[0] + (buf[1]<<1) + (buf[2]<<1) + buf[3]) >> 2; }

5. 滤波效果评估与验证

5.1 时域评估方法

我习惯使用三种时域指标评估滤波效果：

1. 标准差：反映噪声抑制效果

   float CalculateStdDev(int samples[], int n) { float sum = 0, mean, std = 0; for(int i=0; i<n; i++) sum += samples[i]; mean = sum / n; for(int i=0; i<n; i++) std += pow(samples[i]-mean, 2); return sqrt(std/n); }

2. 最大偏差：检测异常值处理能力
3. 阶跃响应时间：评估动态性能

5.2 频域分析技巧

对于复杂信号，我通常：

1. 用Matlab或Python做FFT分析
2. 观察滤波前后的频谱变化
3. 特别注意截止频率附近的相位特性

5.3 实际项目测试案例

在最近的工业温控器项目中，测试数据对比：

改进方案采用了动态加权策略，在保证精度的同时减少了资源消耗。