IIR滤波提升传感器采样稳定性

你有没有遇到过这种情况：温度传感器明明应该缓慢上升，结果读数像心电图一样上下乱跳？😅 或者你的平衡小车因为加速度计的噪声突然“发疯”，PID 控制器一顿猛调，差点原地起飞？🤯

别急——这并不是硬件出了问题，而是典型的 信号噪声干扰 。在嵌入式开发的世界里，我们每天都在和这些“毛刺”斗智斗勇。而今天要聊的这位“降噪高手”，就是—— IIR滤波器 。

它不像 FIR 那样规整线性，也不追求完美的相位响应，但它胜在 快、省、稳 ，特别适合跑在资源紧张的 MCU 上，比如 Cortex-M0/M3 这类连浮点单元都奢侈的小家伙们 💪。

---

咱们先来打个比方：
想象你在看一场慢动作回放的雾中行车视频，画面抖得厉害。你想看清前方路况，但每一帧都有雪花点。这时候，你大脑会怎么做？是不是下意识地“平均一下视觉记忆”？把当前看到的画面和之前几秒的印象融合起来判断？

IIR 滤波器干的就是这个事 —— 用一点“记忆”平滑现实的波动 。

它的核心思想非常朴素：

今天的输出 = 一部分新数据 + 一部分昨天的结果

听起来像不像你在做决策？“我听听新意见，但也参考下之前的结论”😎。没错，这种 递归反馈机制 正是 IIR 的灵魂所在。

数学上表达出来长这样：

$$
y[n] = \alpha \cdot x[n] + (1 - \alpha) \cdot y[n-1]
$$

别被公式吓到，它其实就是说：
- 输出 $ y[n] $ 是当前输入 $ x[n] $ 和上一次输出 $ y[n-1] $ 的加权组合
- 系数 $ \alpha \in (0,1] $ 决定了“你有多相信新数据”

举个例子：
- 如果 $ \alpha = 0.1 $：你很保守，只信10%的新采样，90%靠“经验”——滤波强，反应慢；
- 如果 $ \alpha = 0.8 $：你很激进，几乎全听新的——响应快，但容易被噪声带偏。

🎯 所以，调好这个 $ \alpha $，就是在 去噪能力 和 响应速度 之间找平衡。

那这个神奇的 $ \alpha $ 怎么算呢？我们可以从物理世界借个概念： RC低通滤波电路的时间常数 ！

假设我们希望截止频率是 $ f_c = 0.5\,\text{Hz} $（适合温度这类慢变信号），采样率是 $ f_s = 100\,\text{Hz} $（每10ms采一次）：

float RC = 1.0f / (2.0f * PI * cutoff_freq);    // 时间常数
float dt = 1.0f / sample_rate;                  // 采样周期
filter->alpha = dt / (RC + dt);                 // 自动计算权重

👉 这样一来，你就不是凭感觉调参了，而是 让系统自动匹配目标频响特性 ，专业感立马拉满 ✨。

下面这段代码已经在无数个项目中验证过，轻量又可靠：

#include <stdint.h>

typedef struct {
    float alpha;
    float prev_output;
} IIR_Lowpass_Filter;

void IIR_Filter_Init(IIR_Lowpass_Filter* filter, float cutoff_freq, float sample_rate) {
    const float PI = 3.14159265f;
    float RC = 1.0f / (2.0f * PI * cutoff_freq);
    float dt = 1.0f / sample_rate;
    filter->alpha = dt / (RC + dt);
    filter->prev_output = 0.0f;  // 可优化为首次采样值
}

float IIR_Filter_Update(IIR_Lowpass_Filter* filter, float input) {
    float output = filter->alpha * input + (1.0f - filter->alpha) * filter->prev_output;
    filter->prev_output = output;
    return output;
}

💡 小贴士：
- 在初始化时，可以把 prev_output 设为第一次 ADC 采样的原始值，避免启动瞬间出现大跃变；
- 如果你的芯片没有 FPU（浮点单元），建议改用定点运算（如 Q15/Q31），性能提升显著 ⚡；
- 多通道传感器记得为每个通道独立维护状态结构体，别混用！

---

再来看看实际应用场景。一个典型的采集链路通常是这样的：

[物理传感器] 
     ↓ (模拟信号)
[ADC转换] → [原始数字采样]
               ↓
         [IIR滤波处理]
               ↓
      [稳定数据供MCU使用]
               ↓
   [显示/通信/PID控制等]

比如你做一个智能温控器，NTC 探头接在 STM32 的 ADC 引脚上。没加滤波前，LCD 显示的温度总是在 25.3°C 和 27.1°C 之间反复横跳，用户以为设备坏了 😵‍💫。

加上一阶 IIR 后，温度变化变得丝般顺滑，就像加了“防抖镜头”一样 🎥。而且整个过程只多了两次乘法一次加法，CPU 负载几乎没增加。

更妙的是，在 PID 控制系统中，反馈量一旦带噪声，积分项就容易“积重难返”，导致超调甚至震荡。而 IIR 提供了一个干净稳定的输入，相当于给控制器吃了颗定心丸 ❤️。

---

当然，IIR 并非万能。它的几个“性格特点”你也得了解清楚：

特性	表现	应对策略
非线性相位	信号不同频率成分延迟不一致	对仅关注幅值的应用无影响（如温度、电压）
潜在不稳定	极点出圈会导致输出发散	保证极点在Z平面单位圆内；高阶推荐使用 Biquad 级联结构
对参数敏感	系数量化误差可能破坏稳定性	使用双精度或定点设计时注意舍入误差

尤其是当你想搞二阶以上的 IIR（比如巴特沃斯、切比雪夫），强烈建议借助工具辅助设计：

• Python: scipy.signal.iirfilter()
• MATLAB: butter(2, 0.1, 'low')
• 在线工具： TFilter 👈 直接生成 C 代码！

它们能帮你生成可靠的系数，并确保系统稳定。别自己手推 z 变换，除非你想重温考研数学 😅。

---

说到这里，你可能会问：“既然 FIR 更稳定、还能做到线性相位，为啥不用它？”

好问题！👏

确实，FIR 很优雅，但它像个“重度依赖内存”的学霸：为了实现一个陡峭的滚降，动不动就要几十阶，每次都要把所有历史数据翻一遍做卷积……这对 RAM 和算力都是考验。

而 IIR 呢？更像是个“聪明的实用主义者”。它用一个简单的反馈循环，就能达到接近 FIR 高阶才能实现的频率选择性。比如一个二阶 IIR，往往就能媲美十几阶的 FIR，效率高出一大截。

所以一句话总结：

✅ 实时性强、资源紧、允许轻微失真？选 IIR！
✅ 要求严格线性相位、不怕多花资源？选 FIR！

---

最后分享几个我在项目中踩过的坑和经验法则 🔧：

🛠 实战技巧合集

1. 启动突变问题
   - ❌ 错误做法：初始 prev_output = 0
   - ✅ 正确做法：首次采样后设为 input ，或连续取几次平均后再开启滤波

2. 动态调节滤波强度
   ```c
   // 快速模式：响应优先
   IIR_Filter_Init(&filter, 5.0f, 100.0f); // α ≈ 0.3

// 睡眠模式：安静优先
IIR_Filter_Init(&filter, 0.1f, 100.0f); // α ≈ 0.006
```
根据设备工作模式切换参数，灵活应对不同场景。

3. 抗饱和保护
   c #define MAX_TEMP 150.0f #define MIN_TEMP -40.0f if (output > MAX_TEMP) output = MAX_TEMP; if (output < MIN_TEMP) output = MIN_TEMP;
   加个限幅，防止异常输入导致状态失控。

4. 多级滤波慎用
   - 不建议串联多个一阶 IIR 来“加强效果”
   - 改用单个设计良好的二阶 IIR 更可控、更稳定

5. 可视化调试很重要
   - 把原始数据和滤波后数据通过串口吐出来，用 PlotJuggler 或串口助手画波形图
   - 眼见为实，调参才有依据 👀

---

回到开头的问题：如何让传感器数据不再“抽风”？

答案已经很明显了： 用 IIR 滤波给信号加上一层“智能缓冲” 。

它不复杂，不耗资源，却能在关键时刻拯救系统的稳定性。无论是工业 PLC 中的压力监测，还是手环里的心率检测，甚至是无人机的姿态解算，都能看到它的身影。

更重要的是，它教会我们一个工程哲学：

🎯 真正的强大，不在于堆多少资源，而在于用最少的代价解决最核心的问题。

下次当你面对一堆跳动的数据时，不妨试试这个小巧却强大的工具。也许只改几行代码，整个系统就会变得不一样 🌟。

毕竟， 最好的控制系统，从来都不是反应最快的，而是最稳的 。