STM32 ADC采集与滤波算法实战指南

1. STM32 ADC采集与滤波算法实战解析

在嵌入式开发中，ADC采集的稳定性直接影响整个系统的可靠性。最近在做一个工业传感器项目时，发现STM32F103C8T6采集的原始数据存在明显波动。经过反复测试，最终通过组合滤波算法将采集精度提升了3倍。今天就把这套经过实战验证的方案完整分享出来，包含硬件连接、软件配置和五种滤波算法的对比实测数据。

2. 硬件设计与ADC基础配置

2.1 最小系统搭建要点

使用STM32F103C8T6的ADC1通道0（PA0）作为采集口时，硬件上要注意：

• 在PA0引脚添加0.1μF去耦电容
• 参考电压引脚（VDDA、VSSA）必须连接独立稳压源
• 若信号源阻抗＞10kΩ，建议增加电压跟随器

实测发现，不接去耦电容时采集值会有约5%的跳变，这是很多新手容易忽略的细节。

2.2 ADC初始化关键参数

c复制void ADC1_Init(void)
{
    ADC_InitTypeDef ADC_InitStructure;
    RCC_APB2PeriphClockCmd(RCC_APB2Periph_ADC1, ENABLE);
    
    ADC_InitStructure.ADC_Mode = ADC_Mode_Independent;
    ADC_InitStructure.ADC_ScanConvMode = DISABLE;  // 单通道模式
    ADC_InitStructure.ADC_ContinuousConvMode = ENABLE; // 连续转换
    ADC_InitStructure.ADC_ExternalTrigConv = ADC_ExternalTrigConv_None;
    ADC_InitStructure.ADC_DataAlign = ADC_DataAlign_Right;
    ADC_InitStructure.ADC_NbrOfChannel = 1;
    ADC_Init(ADC1, &ADC_InitStructure);
    
    // 设置采样时间239.5周期（提高精度）
    ADC_RegularChannelConfig(ADC1, ADC_Channel_0, 1, ADC_SampleTime_239Cycles5);
    
    ADC_Cmd(ADC1, ENABLE);
    ADC_ResetCalibration(ADC1);
    while(ADC_GetResetCalibrationStatus(ADC1));
    ADC_StartCalibration(ADC1);
    while(ADC_GetCalibrationStatus(ADC1));
    ADC_SoftwareStartConvCmd(ADC1, ENABLE);
}

关键提示：采样周期设置为239.5时，ADC转换时间约为17.8μs（72MHz主频下），这个参数需要根据信号频率调整。我曾遇到过采样周期过短导致数据失真的情况。

3. 五大滤波算法实现与对比

3.1 移动平均滤波（最简方案）

c复制#define FILTER_LEN 10
uint16_t MovingAverageFilter(uint16_t newVal) {
    static uint16_t buf[FILTER_LEN] = {0};
    static uint8_t index = 0;
    static uint32_t sum = 0;
    
    sum -= buf[index];
    buf[index] = newVal;
    sum += newVal;
    index = (index + 1) % FILTER_LEN;
    
    return sum / FILTER_LEN;
}

实测数据：

• 原始数据波动范围：±25
• 滤波后波动：±8
• 响应延迟：10个采样周期

适合变化缓慢的温度类信号，但对突变的压力信号会产生滞后。

3.2 中位值平均滤波（抗脉冲干扰）

c复制uint16_t MedianAverageFilter(uint16_t newVal) {
    static uint16_t buf[FILTER_LEN];
    static uint8_t index = 0;
    uint16_t temp[FILTER_LEN];
    
    buf[index++] = newVal;
    if(index >= FILTER_LEN) index = 0;
    
    // 拷贝并排序
    memcpy(temp, buf, sizeof(buf));
    BubbleSort(temp, FILTER_LEN);
    
    // 去掉最大最小值后求平均
    uint32_t sum = 0;
    for(uint8_t i=1; i<FILTER_LEN-1; i++) {
        sum += temp[i];
    }
    return sum/(FILTER_LEN-2);
}

在电机干扰环境下测试：

• 原始数据出现＞100的异常脉冲
• 滤波后完全滤除脉冲干扰
• 计算耗时比普通平均滤波多35%

3.3 一阶滞后滤波（动态响应最优）

c复制#define ALPHA 0.3f  // 滤波系数
uint16_t FirstOrderFilter(uint16_t newVal) {
    static uint16_t lastVal = 0;
    lastVal = (uint16_t)(ALPHA * newVal + (1-ALPHA) * lastVal);
    return lastVal;
}

参数调节经验：

• ALPHA=0.1时响应迟缓但稳定
• ALPHA=0.5时跟踪速度与稳定性平衡
• 在振动传感器测试中，0.3是最佳值

3.4 卡尔曼滤波（高级方案）

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;

uint16_t KalmanUpdate(KalmanFilter* kf, uint16_t z) {
    // 预测
    kf->P = kf->P + kf->Q;
    
    // 更新
    kf->K = kf->P / (kf->P + kf->R);
    kf->x = kf->x + kf->K * (z - kf->x);
    kf->P = (1 - kf->K) * kf->P;
    
    return (uint16_t)kf->x;
}

初始化参数建议：

• Q=0.01（过程噪声）
• R=0.1（观测噪声）
• 在无人机姿态传感器中，卡尔曼滤波使数据稳定性提升40%

3.5 滑动加权滤波（自定义特性）

c复制uint16_t WeightedFilter(uint16_t newVal) {
    static uint16_t buf[FILTER_LEN];
    const uint8_t weight[FILTER_LEN] = {1,2,3,5,8,5,3,2,1}; // 高斯分布权重
    static uint8_t index = 0;
    uint32_t sum = 0;
    uint16_t total_weight = 0;
    
    buf[index] = newVal;
    for(uint8_t i=0; i<FILTER_LEN; i++) {
        uint8_t pos = (index + i) % FILTER_LEN;
        sum += buf[pos] * weight[i];
        total_weight += weight[i];
    }
    index = (index + 1) % FILTER_LEN;
    
    return sum / total_weight;
}

这种方案在图像传感器信号处理中表现优异，能兼顾响应速度和稳定性。

4. 多算法融合实战方案

4.1 三级滤波架构设计

在工业级应用中，我推荐采用三级处理：

1. 硬件级：RC低通滤波（f_cutoff=100Hz）
2. 软件初级：中位值平均滤波（抗突发干扰）
3. 软件次级：一阶滞后滤波（平滑处理）

c复制uint16_t GetFilteredValue(void) {
    uint16_t raw = ADC_GetValue();
    uint16_t mid_val = MedianAverageFilter(raw);
    return FirstOrderFilter(mid_val);
}

4.2 性能对比测试数据

4.3 内存优化技巧

对于资源紧张的C8T6（仅20K RAM），可以采用以下优化：

• 使用uint16_t环形缓冲区而非float
• 将滤波长度设为2的幂次方，用位运算替代取模
• 禁用math库，用查表法实现小数运算

c复制// 优化后的移动平均滤波
uint16_t OptimizedFilter(uint16_t newVal) {
    static uint16_t buf[16]; // 16=2^4
    static uint8_t index = 0;
    static uint32_t sum = 0;
    
    sum -= buf[index & 0x0F]; // 替代%16
    buf[index & 0x0F] = newVal;
    sum += newVal;
    index++;
    
    return sum >> 4; // 替代/16
}

5. 常见问题与调试技巧

5.1 ADC采集异常排查流程

1. 检查VDDA电压（需稳定3.3V±1%）
2. 测量输入信号是否超出0-3.3V范围
3. 确认采样周期设置是否合理
4. 检查PCB布局：
   • 模拟与数字地分割
   • 避免平行走线
5. 测试不同滤波算法效果

5.2 滤波参数调优方法

通过串口实时输出原始值和滤波值，建议用Python可视化：

python复制import matplotlib.pyplot as plt
plt.plot(raw_data, label='Raw')
plt.plot(filtered_data, label='Filtered')
plt.legend()
plt.show()

调试中发现，当信号频率＞1/5采样频率时，移动平均滤波会产生明显相位延迟。

5.3 硬件滤波电路设计

对于高频噪声，建议在信号输入端增加二阶有源滤波：

code复制信号源 → 10kΩ → 0.1μF → 10kΩ → 0.1μF → ADC
                |               |
               GND             GND

这个电路在变频器干扰测试中，将噪声幅度从300mV降至30mV。