1. 项目背景与核心价值
在嵌入式系统开发中，模拟信号采集的稳定性直接决定了整个系统的可靠性。STM32F103C8T6作为经典的Cortex-M3内核微控制器，其内置的12位ADC模块被广泛应用于工业控制、环境监测、医疗设备等领域。但实际工程中，原始ADC采样值往往存在各种干扰：
- 电源纹波导致的周期性波动
- 传感器本身的噪声
- 电磁环境引入的随机干扰
- 量化误差带来的离散跳变
去年我在开发一款智能农业温湿度控制器时，就曾遇到ADC采样值跳变导致继电器频繁误动作的问题。当时通过对比测试发现，未经处理的原始采样数据波动幅度可达±5%，而经过合适的滤波处理后，稳定性提升到±0.8%以内。这个案例让我深刻认识到ADC滤波算法在嵌入式系统中的关键作用。
2. 硬件平台特性分析
2.1 STM32F103C8T6的ADC模块特点
这款MCU的ADC主要技术参数：
- 12位分辨率（理论精度1/4096）
- 1μs转换时间（时钟配置为14MHz时）
- 支持单次/连续/扫描/间断模式
- 16个外部通道+2个内部通道（温度传感器和VREFINT）
实际使用中需要注意三个关键点：
- 当供电电压不稳定时，建议启用VREFINT参考电压校准
- 通道切换时需要等待采样保持电容充电稳定（建议增加1-2个ADC时钟周期的延迟）
- 在72MHz主频下，ADC预分频建议设置为6（ADC时钟=12MHz）
2.2 典型电路设计要点
正确的硬件设计是软件滤波的基础：
c复制// 推荐电路配置
VBAT --| 10uF |-- GND // 电源滤波
VDDA --| 100nF+10uF |-- GND // 模拟电源去耦
VREF+ --| 1uF |-- GND // 参考电压稳定
信号输入 --| 1kΩ+100nF |-- GND // RC低通滤波
重要提示：在PCB布局时，模拟走线要远离数字信号线，特别是PWM输出线路。我曾遇到一个案例，因为ADC走线与TIM1通道平行布线，导致采样值出现规律性毛刺。
3. 基础滤波算法实现
3.1 均值滤波的优化实现
常规的算术平均滤波会带来较大的内存开销和时间延迟。针对STM32的特性，可以采用滑动窗口算法：
c复制#define FILTER_WIN_SIZE 8 // 根据实际噪声特性调整
uint16_t adc_filter_buf[FILTER_WIN_SIZE];
uint8_t filter_index = 0;
uint32_t filter_sum = 0;
uint16_t moving_average_filter(uint16_t new_val) {
filter_sum = filter_sum - adc_filter_buf[filter_index] + new_val;
adc_filter_buf[filter_index] = new_val;
filter_index = (filter_index + 1) % FILTER_WIN_SIZE;
return (uint16_t)(filter_sum / FILTER_WIN_SIZE);
}
这个实现的特点：
- 仅需维护一个累加值和循环索引
- 每次更新只需做一次减法和一次加法
- 窗口大小建议取2的整数幂（便于编译器优化取模运算）
3.2 中值滤波的快速算法
对于脉冲类干扰，中值滤波效果显著。传统排序方法在资源有限的MCU上效率较低，可以采用以下优化方案：
c复制uint16_t quick_median(uint16_t *arr, uint8_t n) {
// 使用部分排序法，只需找到中间值
for(uint8_t i=0; i<(n/2+1); i++) {
uint8_t min_idx = i;
for(uint8_t j=i+1; j<n; j++) {
if(arr[j] < arr[min_idx]) min_idx = j;
}
if(min_idx != i) {
uint16_t tmp = arr[i];
arr[i] = arr[min_idx];
arr[min_idx] = tmp;
}
}
return arr[n/2];
}
实测表明，对于5点中值滤波，这个算法比完全排序快40%左右。当窗口较大时（如>15点），建议改用分组中值法。
4. 高级复合滤波策略
4.1 动态加权递推平均滤波
结合历史数据和新采样值的可信度进行动态加权：
c复制float dynamic_weight_filter(float new_val, float last_val) {
float delta = fabs(new_val - last_val);
float weight = 0.5; // 基础权重
// 根据变化率动态调整权重
if(delta > 100) weight = 0.2; // 剧烈变化时信任新值较少
else if(delta < 10) weight = 0.8; // 稳定时信任新值更多
return weight*new_val + (1-weight)*last_val;
}
这个算法的优势在于：
- 对突变信号响应较快
- 对稳定信号平滑效果好
- 无需额外存储历史数据
4.2 卡尔曼滤波的简化实现
标准的卡尔曼滤波需要矩阵运算，在STM32F103上可以简化为一维形式：
c复制typedef struct {
float q; // 过程噪声协方差
float r; // 观测噪声协方差
float x; // 估计值
float p; // 估计误差协方差
float k; // 卡尔曼增益
} KalmanFilter;
void kalman_init(KalmanFilter* kf, float q, float r) {
kf->q = q;
kf->r = r;
kf->p = 1000.0; // 初始大误差
kf->x = 0;
}
float kalman_update(KalmanFilter* kf, float measurement) {
// 预测更新
kf->p = kf->p + kf->q;
// 测量更新
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;
}
参数调整经验：
- Q/R比值决定滤波器的"敏感度"
- 对于缓慢变化的信号（如温度），建议Q=0.001，R=1
- 对于快速变化的信号（如振动），建议Q=0.1，R=10
5. 工程实践中的优化技巧
5.1 多通道采样时序优化
当需要采集多个通道时，合理的序列配置可以提升效率：
c复制void adc_multi_channel_init(void) {
ADC_RegularChannelConfig(ADC1, ADC_Channel_0, 1, ADC_SampleTime_28Cycles5);
ADC_RegularChannelConfig(ADC1, ADC_Channel_1, 2, ADC_SampleTime_28Cycles5);
// ...其他通道配置
// 启用DMA和连续模式
ADC_DMACmd(ADC1, ENABLE);
ADC_ContinuousModeCmd(ADC1, ENABLE);
}
关键点：
- 将高频采样的通道放在序列前面
- 相似阻抗的通道相邻配置可减少稳定时间
- 使用DMA可以避免CPU频繁中断
5.2 基于硬件特性的校准方法
利用STM32的内部参考电压提高精度：
c复制void adc_calibration(void) {
// 读取内部参考电压（典型值1.2V）
uint16_t vrefint = ADC_Get_VREFINT();
// 计算实际VDDA电压
float vdda = 1.2f * 4096 / vrefint;
// 校准后续测量值
adc_value_calibrated = adc_raw * vdda / 4096;
}
这个方法特别适合电池供电场景，能补偿电源电压波动带来的影响。
6. 性能评估与对比测试
6.1 测试环境搭建
使用信号发生器注入以下测试信号：
- 直流2V + 100mVpp 50Hz工频干扰
- 1Hz正弦波（2V±0.5V）
- 2V阶跃信号（模拟传感器突变）
评估指标：
- 稳态误差（直流信号波动范围）
- 响应时间（阶跃信号达到90%终值的时间）
- 波形保真度（正弦波相位延迟和幅度衰减）
6.2 实测数据对比
| 算法类型 | 稳态误差 | 响应时间 | CPU占用率 |
|---|---|---|---|
| 原始采样 | ±5% | 0ms | 0% |
| 滑动平均(8点) | ±1.2% | 7ms | 2% |
| 中值滤波(5点) | ±2.8% | 3ms | 5% |
| 动态加权 | ±0.8% | 15ms | 3% |
| 简化卡尔曼 | ±0.5% | 25ms | 8% |
从实测数据可以看出，滤波算法的选择需要在精度、速度和资源消耗之间权衡。对于大多数应用场景，我推荐采用动态加权+滑动平均的组合方案。
7. 常见问题解决方案
7.1 采样值异常跳变
可能原因及对策：
- 电源干扰 → 检查退耦电容，增加LC滤波
- 地线噪声 → 改进PCB布局，采用星型接地
- 通道串扰 → 采样间插入1-2个ADC周期的延迟
- 软件错误 → 检查DMA配置和缓冲区溢出
7.2 滤波后响应迟钝
优化方向：
- 减小滑动窗口大小
- 提高动态权重中的基础权重值
- 降低卡尔曼滤波的Q参数
- 采用变采样率策略（稳态时低频采样，变化时高频采样）
7.3 多通道间相互影响
解决方案：
- 为每个通道独立维护滤波上下文
- 高阻抗信号源前增加电压跟随器
- 在通道切换后增加适当的稳定延时
- 采用差分输入方式消除共模干扰
8. 进阶优化方向
对于需要更高性能的场景，可以考虑以下优化：
- 自适应滤波算法：根据信号变化率自动调整滤波参数
c复制if(fabs(current - last) > threshold) {
window_size = 4; // 快速响应模式
} else {
window_size = 16; // 高精度模式
}
- 频域滤波：对于周期性干扰，可以结合FFT进行频域滤波
- 在STM32F103上可以使用官方DSP库实现
- 适合已知干扰频率的场景（如50Hz工频）
- 传感器融合：结合多个传感器的数据进行联合滤波
- 例如温度传感器+湿度传感器的数据相关性校验
- 可以采用互补滤波或更复杂的状态观测器
在实际项目中，我通常会先采用简单的滑动平均滤波快速验证功能，然后根据具体干扰特性逐步引入更合适的算法。记住，没有"最好"的滤波算法，只有"最适合"当前应用场景的方案。