传感器与检测技术 / 系统课时

比较过采样和数字平均的效果

比较过采样和数字平均的效果

同一个稳定电压连续采集多次,读数仍会不断跳动。过采样和数字平均都能减小输出波动,但它们改善精度的条件、降低噪声的能力以及引入的响应延迟并不相同。本课通过一组实际采样数据,计算平均值、噪声标准差和有效更新速度,并给出 DAQ 参数的选择方法。

学习目标

  • 区分过采样、批量平均和滑动平均,理解各自对采样速率及响应时间的影响。
  • 使用实际数据计算平均值、标准差和理论噪声改善幅度。
  • 判断噪声相关性、ADC 分辨率和信号带宽对过采样效果的限制。

先区分采样与平均

假设使用 16 位 DAQ 测量 0~10 V 电压信号,传感器输出稳定在 5 V 附近,但采集值会受到 ADC 输入噪声、电源干扰和传感器自身噪声影响。

这里需要区分三个概念:

  • 过采样:以高于目标输出更新率所需的速率采集更多原始样本。是否改善输出,取决于后续数字滤波、平均或抽取处理。
  • 批量平均:每采集 N 个原始样本,计算一次平均值,再输出一个结果;相邻窗口不重叠。
  • 滑动平均:每收到一个新样本,就更新最近 N 个样本的平均值,通常保持原始采样速率的输出节奏。

例如原始采样率为 1000 S/s,平均窗口 N=10,各方式的区别如下。

方式 输出更新率 每次计算使用的数据 主要影响
原始采样 1000 次/秒 当前 1 点 波动较明显
10 点批量平均 100 次/秒 10 个不重叠样本 降低随机噪声,减少更新次数
10 点滑动平均 1000 次/秒 最近 10 个样本 降低随机噪声,但连续结果高度相关

过采样本身不等于提高 ADC 的实际分辨率。只有配合适当的低通处理或平均、满足噪声条件,并控制混叠,才可能获得更稳定的测量结果。

用实际数据计算平均效果

某 DAQ 以 1000 S/s 采集稳定的 5 V 信号,连续得到以下 8 个样本,单位为 V:

序号 电压
1 4.996
2 5.004
3 4.998
4 5.002
5 4.994
6 5.006
7 5.000
8 5.000

计算平均值:

xˉ=1N∑i=1Nxi\bar{x}=\frac{1}{N}\sum_{i=1}^{N}x_i

这 8 个值之和为 40.000 V,因此平均值为 5.000 V。单个样本相对 5 V 的最大偏差为 6 mV,而平均结果恰好抵消了正负波动。

再用样本标准差描述原始数据的离散程度:

s=∑i=1N(xi−xˉ)2N−1s=\sqrt{\frac{\sum_{i=1}^{N}(x_i-\bar{x})^2}{N-1}}

代入数据得到约 4.14 mV。这里计算的是原始样本标准差,不能把这组数据的平均值恰好等于 5 V 当成测量系统已经没有误差。

对于独立、零均值且方差相同的随机噪声,N 点平均后的理论标准差为:

σavg=σN\sigma_{\mathrm{avg}}=\frac{\sigma}{\sqrt{N}}

如果原始噪声标准差为 4 mV,平均效果可估算为:

平均点数 N 理论输出噪声标准差 相对原始噪声
1 4.00 mV 100%
4 2.00 mV 50%
16 1.00 mV 25%
64 0.50 mV 12.5%

想让随机噪声标准差降低到原来的四分之一,理论上需要 16 个独立样本,而不是 4 个。该公式只预测重复测量的随机波动,不保证真实值更准确,也不能消除固定零点偏移。

用程序比较三种输出

下面使用 Python 3 和 NumPy 构造一个 1000 S/s 的采集实验。输入先保持 5 V,再于 0.100 s 跳变到 6 V;为使结果可重复,使用确定性的交替噪声演示。代码分别计算原始采样、10 点批量平均和 10 点滑动平均,并打印窗口内跳变后的输出。

安装依赖:

bash
python -m pip install numpy

预期结果:命令执行成功后,当前 Python 环境可以导入 numpy;安装日志及版本号由实际环境决定。

保存以下完整程序为 compare_average.py:

python
import numpy as np

fs = 1000
n = 10
t = np.arange(200) / fs

# 在第 100 个采样点产生 1 V 阶跃,模拟传感器状态变化
signal = np.where(t < 0.100, 5.0, 6.0)
noise = 0.004 * np.where(np.arange(200) % 2 == 0, 1, -1)
samples = signal + noise

# 不重叠分组,每 10 个采样点输出一次
batch = samples.reshape(-1, n).mean(axis=1)

# 滑动平均的第一个完整窗口对应原始采样点 9
moving = np.convolve(samples, np.ones(n) / n, mode="valid")

print(f"原始样本数: {len(samples)}")
print(f"批量输出数: {len(batch)}")
print(f"滑动有效输出数: {len(moving)}")
print(f"批量平均跳变后首值: {batch[10]:.3f} V")
print(f"滑动平均在 100 ms: {moving[100 - n + 1]:.3f} V")
print(f"滑动平均在 109 ms: {moving[109 - n + 1]:.3f} V")

运行命令:

bash
python compare_average.py

预期输出:

text
原始样本数: 200
批量输出数: 20
滑动有效输出数: 191
批量平均跳变后首值: 6.000 V
滑动平均在 100 ms: 5.100 V
滑动平均在 109 ms: 6.000 V

滑动平均在 100 ms 时包含 9 个旧值与 1 个新值,因此只上升到 5.1 V;直到 109 ms,窗口才全部包含跳变后的样本。批量平均的首个跳变后窗口覆盖 100~109 ms,必须收齐 10 点才能形成完整输出。

这个实验中的交替噪声并不独立,它被偶数长度窗口恰好抵消,因此不能用该演示的零噪声结果证明真实随机噪声一定完全消失。实际评价应使用传感器稳定期间的多组采集记录。

平均窗口怎样影响响应延迟

长度为 N 的等权移动平均属于有限冲激响应低通滤波器。窗口越大,通常越能抑制高频随机波动,但变化中的真实信号也会被平滑。

移动平均窗口对阶跃信号的响应对比

窗口长度对应的观测跨度约为:

Tspan=N−1fsT_{\mathrm{span}}=\frac{N-1}{f_s}

对于 N=10、采样率 1000 S/s,首末样本相隔 9 ms,完整采集 10 个样本需要 10 个采样周期的时间预算。对于等权平均,其低频信号的群延迟为:

τg=N−12fs=4.5 ms\tau_g=\frac{N-1}{2f_s}=4.5\ \mathrm{ms}

这里的 4.5 ms 是线性相位滤波器的群延迟,不等于每次输出结果所需的全部处理时间。批量平均的更新间隔为 10 ms;实际 DAQ 还可能存在 ADC 转换、通信缓冲与软件处理延迟。

需要测量快速机械冲击或捕捉 2 ms 脉冲时,10 ms 平均窗口可能明显压低脉冲峰值,不宜直接套用。对于温度、液位等变化较慢的过程量,适当增大窗口通常更有实际价值。

噪声相关性决定收益上限

理论上的平方根改善规律要求噪声样本之间近似不相关。实际工业环境中的 50 Hz 工频干扰、接地电位差、传感器漂移和模拟前端低频噪声往往具有相关性。

噪声类型 连续平均的典型表现 更合适的处理
独立宽带随机噪声 标准差通常随窗口增加而下降 过采样结合平均与低通
固定零点偏移 平均后偏移仍存在 校零、标定和补偿
50 Hz 周期干扰 特定窗口可能抵消,其他窗口效果不稳定 接线整改、差分采集及针对性滤波
缓慢温漂 短窗口内各点近似同向变化 温度补偿、稳定环境与周期校准

例如 1000 S/s 采样时,50 Hz 干扰每周期恰有 20 个采样点。对稳定、频率严格为 50 Hz 的完整正弦干扰,20 点或整数周期的平均可以抵消其周期分量;但电网频率偏移、干扰波形畸变或采样时钟变化都会影响实际抑制效果。

还要区分分辨率与准确度。对于量程 0~10 V 的理想 16 位 ADC,一个最低有效位约为:

LSB=1065536 V≈0.153 mV\mathrm{LSB}=\frac{10}{65536}\ \mathrm{V}\approx0.153\ \mathrm{mV}

在量化误差足够随机化、输入具有合适噪声或抖动、硬件噪声和系统误差没有成为瓶颈时,过采样配合滤波可改善有效分辨率。理想情况下,每增加约 1 位有效分辨率需要 4 倍过采样率;这不是无条件增加 ADC 的标称位数,也不能替代厂商给出的 ENOB、噪声和精度规格。

在实际 DAQ 上选择参数并验证

假设测量一个变化时间尺度在数百毫秒以上的压力传感器,目标为每秒输出 100 个测量结果,同时希望降低随机波动。

可以采用以下初始配置:

  1. 将实际硬件采样率设置为 1000 S/s,先确认设备支持该通道数下的持续吞吐量。
  2. 使用 10 点批量平均或等效的数字低通与 10 倍抽取,得到 100 S/s 的结果流。
  3. 对稳定压力保持 30 s,分别记录未经平均与平均后的数据;若只有一路输入,保留原始采样用于离线对照。
  4. 在已知安全范围内进行一次压力阶跃测试,记录真实输入变化时间、输出达到 50% 与 90% 阶跃幅值的时间。
  5. 若响应过慢,将窗口从 10 点减为 5 点;若随机波动仍过大,检查干扰来源后再考虑增加窗口。

验证数据可按以下示例记录。表内数值是预设的验收样例,不代表所有 DAQ 都能达到相同结果。

验收指标 原始采样 10 点平均目标
输出更新率 1000 S/s 100 S/s
稳态噪声标准差 4.0 mV 不高于 1.5 mV
稳态平均值偏移 需要实测 不应因平均新增显著偏移
阶跃响应 记录基线 记录延迟并符合控制要求

将稳定段的数据分成多个独立且长度相同的统计区间,比较平均值和标准差;评估滑动平均时,不要把相邻窗口输出当作独立样本。对于 4.0 mV 的独立随机噪声,10 点平均理论值约为 1.26 mV,设置 1.5 mV 的初始验收目标留有一定余量,但最终仍须结合实际噪声频谱和测量要求确定。

实际项目中,应同时保留原始采样率、平均窗口、输出更新率、稳态噪声标准差及阶跃响应记录。只有输出波动确实下降、动态信号仍可识别、控制时延仍在允许范围内,才能认定这次过采样与平均配置有效。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

比较过采样和数字平均的效果

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通