STM32F103C8T6 + HX711 压力传感器实战：CubeMX配置与卡尔曼滤波降噪全流程
STM32F103C8T6 + HX711 压力传感器实战：CubeMX配置与卡尔曼滤波降噪全流程
当你在电子秤或压力检测项目中遇到数据跳变严重的问题时，是否曾怀疑过是硬件连接不稳定？实际上，90%的传感器噪声问题都源于软件处理不当。本文将带你深入STM32F103C8T6与HX711的实战应用，重点解决三个核心痛点：CubeMX的精准配置、原始数据的噪声分析，以及卡尔曼滤波的参数调优。不同于基础教程，我们会直接切入工业级应用的信号处理方案。
1. 硬件架构设计与CubeMX关键配置
1.1 硬件连接拓扑优化
HX711与STM32的典型连接只需4根线，但细节决定稳定性：
- 电源去耦：在HX711的VCC与GND之间并联100nF陶瓷电容+10μF电解电容
- 信号保护：DOUT和SCK线路串联100Ω电阻可抑制振铃现象
- 接地策略：采用星型接地，避免数字地与模拟地形成环路
硬件连接参考表：
| 引脚功能 | STM32F103C8T6引脚 | HX711引脚 | 备注 |
|---|---|---|---|
| 数据输出 | PA0 | DOUT | 配置为上拉输入模式 |
| 时钟控制 | PA1 | SCK | 推挽输出，初始低电平 |
| 电源正极 | 3.3V | VCC | 不超过5V |
| 电源负极 | GND | GND | 靠近芯片放置去耦电容 |
1.2 CubeMX配置的隐藏技巧
在Clock Configuration中，将HCLK设置为72MHz可获得最佳时序精度。针对HX711的特殊需求：
// GPIO初始化代码片段（自动生成） GPIO_InitTypeDef GPIO_InitStruct = {0}; GPIO_InitStruct.Pin = GPIO_PIN_0; GPIO_InitStruct.Mode = GPIO_MODE_INPUT; GPIO_InitStruct.Pull = GPIO_PULLUP; // 必须启用上拉！ HAL_GPIO_Init(GPIOA, &GPIO_InitStruct); GPIO_InitStruct.Pin = GPIO_PIN_1; GPIO_InitStruct.Mode = GPIO_MODE_OUTPUT_PP; GPIO_InitStruct.Speed = GPIO_SPEED_FREQ_HIGH; HAL_GPIO_Init(GPIOA, &GPIO_InitStruct);注意：HX711对时序极其敏感，建议将SCK引脚的速度等级设置为High
2. HX711底层驱动开发与噪声诊断
2.1 精准时序控制实现
HX711的24位ADC读取需要严格遵循时序图。实测发现，时钟高电平持续时间不得少于0.2μs：
uint32_t HX711_Read() { uint32_t count = 0; HAL_GPIO_WritePin(CLK_GPIO_Port, CLK_Pin, GPIO_PIN_RESET); if(HAL_GPIO_ReadPin(DAT_GPIO_Port, DAT_Pin) == 0) { for(uint8_t i=0; i<24; i++) { HAL_GPIO_WritePin(CLK_GPIO_Port, CLK_Pin, GPIO_PIN_SET); DWT_Delay(0.3); // 使用DWT实现微秒级延时 count <<= 1; HAL_GPIO_WritePin(CLK_GPIO_Port, CLK_Pin, GPIO_PIN_RESET); DWT_Delay(0.3); if(HAL_GPIO_ReadPin(DAT_GPIO_Port, DAT_Pin)) count++; } // 第25个脉冲选择通道和增益 HAL_GPIO_WritePin(CLK_GPIO_Port, CLK_Pin, GPIO_PIN_SET); DWT_Delay(0.3); HAL_GPIO_WritePin(CLK_GPIO_Port, CLK_Pin, GPIO_PIN_RESET); } return count ^ 0x800000; }2.2 噪声源分析与量化
通过串口输出原始AD值，可以观察到三种典型噪声：
- 白噪声：表现为±5个LSB的随机波动
- 电源噪声：50Hz工频干扰导致的周期性波动
- 机械振动噪声：突发性大幅跳变
使用示波器捕获的电源噪声频谱：
- 低频段（<10Hz）：幅度约3mV
- 50Hz谐波：幅度达10mV
3. 卡尔曼滤波的工程化实现
3.1 滤波器参数物理意义
typedef struct { float q; // 过程噪声协方差 float r; // 观测噪声协方差 float p; // 估计误差协方差 float k; // 卡尔曼增益 float x; // 最优估计值 } KalmanFilter; float Kalman_Update(KalmanFilter* kf, float measurement) { kf->p = kf->p + kf->q; kf->k = kf->p / (kf->p + kf->r); kf->x = kf->x + kf->k * (measurement - kf->x); kf->p = (1 - kf->k) * kf->p; return kf->x; }参数调试经验值：
- 快速响应模式：q=0.01, r=1 （适合动态称重）
- 高稳定模式：q=0.001, r=0.1 （适合静态测量）
3.2 自适应参数调整策略
根据信号变化率自动调节q值：
float dynamic_q_adaptation(float prev, float current) { float delta = fabs(current - prev); if(delta > 100) return 0.1; // 大波动 else if(delta > 10) return 0.01; else return 0.001; // 稳定状态 } // 在滤波调用前更新q值 kf.q = dynamic_q_adaptation(last_weight, raw_data); filtered_data = Kalman_Update(&kf, raw_data);4. 工业级抗干扰综合方案
4.1 硬件滤波组合拳
前端模拟滤波：
- 二阶低通滤波器（截止频率10Hz）
- 共模扼流圈抑制射频干扰
电源处理：
- 使用LDO稳压器（如TPS7A4700）
- 增加π型滤波网络
4.2 软件处理增强
移动平均+卡尔曼的二级滤波架构：
#define WINDOW_SIZE 5 float moving_avg_filter(float new_val) { static float buffer[WINDOW_SIZE]; static uint8_t index = 0; static float sum = 0; sum -= buffer[index]; buffer[index] = new_val; sum += buffer[index]; index = (index + 1) % WINDOW_SIZE; return sum / WINDOW_SIZE; } // 使用示例 float first_stage = moving_avg_filter(raw_data); float final_output = Kalman_Update(&kf, first_stage);4.3 温度补偿方案
建立温度-漂移补偿表：
| 温度(℃) | 补偿系数 | 零点漂移 |
|---|---|---|
| 10 | 1.02 | +5 |
| 25 | 1.00 | 0 |
| 40 | 0.98 | -8 |
实现代码：
float temp_compensation(float raw, float temp) { float comp_factor = 1.0 + (25.0 - temp) * 0.001; return raw * comp_factor + get_offset(temp); }在完成整套优化方案后，某工业称重项目的测试数据显示：
- 短期稳定性：±0.02% FS
- 长期漂移：<0.1% FS/4h
- 动态响应时间：200ms达到90%最终值