信号处理 / 系统课时
完成传感器去噪处理链路
完成传感器去噪处理链路
面对一段含噪传感器数据,不能直接挑一个滤波器就结束。本节把采样条件检查、频谱定位、滤波器设计、代码实现和效果验收串成完整链路,并用可运行示例验证每一步是否真的改善了信号。
学习目标
- 检查采样率与目标频带是否满足基本采样条件,并识别数字滤波无法补救的采集问题。
- 根据频谱中的目标成分和干扰成分选择截止频率与滤波器结构。
- 用时域误差和频域能量指标验证去噪效果,而不是只凭波形看起来更平滑。
先确认采样条件和去噪目标
去噪的第一步不是设计滤波器,而是回答两个问题:需要保留哪些频率,采样过程是否已经破坏这些信息。假设传感器的有效变化主要位于 0~10 Hz,采样率为 200 Hz,则奈奎斯特频率为 100 Hz,目标频带拥有充足的采样裕量。
但数字数据满足奈奎斯特条件,不代表采集链路一定正确。模拟输入中高于奈奎斯特频率的成分如果在 ADC 前没有经过抗混叠滤波,可能已经折叠到低频区;这种混叠发生后,仅靠数字低通滤波器通常无法恢复原信号。因此真实项目还应检查传感器带宽、ADC 采样率和模拟抗混叠滤波器。
完整处理链路中,每一步都应产生下一步需要的证据,而不是凭经验跳过分析。

用频谱决定滤波策略
时域波形只能告诉你“信号很乱”,却很难判断噪声落在哪个频段。对有限长度的传感器数据,可以使用 Welch 功率谱密度估计,把数据切成重叠片段后平均频谱,从而降低单次 FFT 的随机波动,更容易识别稳定周期干扰。
本例把 5 Hz 正弦成分视为需要保留的传感器信号,同时加入 20 Hz 周期干扰和宽带随机噪声。频谱分析会显示 5 Hz 与 20 Hz 附近存在明显能量,因此可以把截止频率设在 10 Hz:它位于目标信号和 20 Hz 干扰之间,为两者留下过渡带。
这里选用四阶 Butterworth 低通滤波器,因为它的通带响应平滑,适合不希望在有效频带中引入明显幅度起伏的传感器数据。工程中不能只看“几阶滤波器”这个参数,还要同时检查通带、阻带、允许衰减以及实时性要求。
实现完整去噪链路
下面的 Python 程序从生成含噪输入开始,依次执行采样条件检查、Welch 频谱估计、Butterworth 滤波以及前后指标比较。需要 Python 3、NumPy 和 SciPy。示例固定随机种子,因此验证结果可重复。
import numpy as np
from scipy.signal import butter, sosfiltfilt, welch
fs = 200.0
duration = 10.0
sample_count = int(fs * duration)
t = np.arange(sample_count) / fs
# 构造可验证的传感器输入:5 Hz 为目标,20 Hz 为周期干扰。
rng = np.random.default_rng(42)
clean = 0.8 * np.sin(2 * np.pi * 5 * t)
interference = 0.3 * np.sin(2 * np.pi * 20 * t)
noise = rng.normal(0.0, 0.35, size=sample_count)
x = clean + interference + noise
target_band_max = 10.0
nyquist = fs / 2.0
sampling_ok = fs > 2 * target_band_max
# Welch PSD 用于判断目标频率、周期干扰和高频噪声的能量。
freq, psd_before = welch(x, fs=fs, nperseg=512)
cutoff = 10.0
sos = butter(4, cutoff, btype='lowpass', fs=fs, output='sos')
# filtfilt 类处理适合离线分析,可避免普通因果 IIR 的相位延迟。
y = sosfiltfilt(sos, x)
_, psd_after = welch(y, fs=fs, nperseg=512)
index_20hz = np.argmin(np.abs(freq - 20.0))
interference_ok = psd_after[index_20hz] < psd_before[index_20hz] * 0.05
high_freq = freq >= 15.0
df = freq[1] - freq[0]
hf_before = np.sum(psd_before[high_freq]) * df
hf_after = np.sum(psd_after[high_freq]) * df
high_freq_ok = hf_after < hf_before * 0.20
# 仿真拥有干净参考信号,因此可以直接比较 RMSE。
rmse_before = np.sqrt(np.mean((x - clean) ** 2))
rmse_after = np.sqrt(np.mean((y - clean) ** 2))
rmse_ok = rmse_after < rmse_before
print(f'样本数: {sample_count}')
print(f'目标频带采样条件: {"PASS" if sampling_ok else "FAIL"}')
print(f'奈奎斯特频率: {nyquist:.1f} Hz')
print(f'20 Hz 干扰抑制: {"PASS" if interference_ok else "FAIL"}')
print(f'15 Hz 以上能量下降: {"PASS" if high_freq_ok else "FAIL"}')
print(f'RMSE 改善: {"PASS" if rmse_ok else "FAIL"}')预期输出:
样本数: 2000
目标频带采样条件: PASS
奈奎斯特频率: 100.0 Hz
20 Hz 干扰抑制: PASS
15 Hz 以上能量下降: PASS
RMSE 改善: PASS这里没有把“滤波后更平滑”作为成功标准,而是同时检查周期干扰、高频总能量和时域误差。这样可以避免一种常见错误:滤波器虽然把噪声压低了,却也把真正需要的快速变化一起削弱。
按指标验收结果
完整验收至少应覆盖采样、频域和时域三个层面。采样层确认目标频带位于奈奎斯特频率以内,并确认采集端存在合理的抗混叠措施;频域层检查需要抑制的干扰峰和噪声频带是否明显下降;时域层则确认滤波后没有产生不可接受的延迟、振铃或有效峰值损失。
仿真示例拥有 clean 参考信号,所以可以直接用 RMSE 比较前后误差。真实传感器通常没有“绝对干净”的参考值,此时应换成可观测指标,例如静止阶段的标准差、已知周期干扰的谱峰功率、重复测量的一致性,或者与校准设备之间的误差。
迁移到真实传感器时的边界
示例使用 sosfiltfilt 做零相位离线滤波,它会同时利用一个采样点前后的数据,因此适合日志分析、实验数据清洗等已经完整取得数据的场景。如果系统需要逐点实时输出,就不能依赖未来样本,应改用因果滤波实现,并持续保存滤波器状态,同时把相位延迟纳入系统验收指标。
替换真实数据时,应保留同一条工作流:先确定有效频带和采样约束,再用频谱寻找噪声证据,根据目标频带设计滤波器,最后通过独立指标比较处理前后结果。这样得到的不是一次性的“滤波代码”,而是一条可以解释、验证和迭代的 DSP 去噪链路。