STM32 ADC数据采集：滑动平均与卡尔曼滤波实战对比

1. 项目背景与核心价值

在嵌入式系统开发中，ADC（模数转换器）数据采集的稳定性直接影响整个系统的可靠性。STM32作为工业级MCU的典型代表，其内置的12位ADC模块被广泛应用于各类传感器数据采集场景。但实际工程中我们会遇到两个典型问题：一是ADC采样值存在随机波动（白噪声），二是受电磁环境干扰会出现偶发跳变（脉冲干扰）。

这个项目要解决的核心问题就是：如何从硬件噪声和软件算法两个层面，提升STM32采集数据的稳定性。我们选择了两种最常用的数据处理方案进行对比测试——滑动平均滤波和卡尔曼滤波。这两种方法各有特点：

• 滑动平均：计算简单、资源占用低，适合实时性要求高的场景
• 卡尔曼滤波：理论最优，但计算复杂度高，需要调参经验

通过CubeMX+HAL库的工程实践，我将展示两种算法的具体实现、参数调优过程，以及在不同噪声环境下的实测效果对比。这个案例对需要处理传感器数据的嵌入式开发者特别有价值，比如：

• 工业现场的温度/压力监测
• 无人机飞控的姿态传感器处理
• 智能家居的环境参数采集

2. 硬件设计与ADC配置要点

2.1 STM32的ADC模块特性

以STM32F407为例，其ADC主要参数如下：

实际使用中需要注意几个关键点：

1. 阻抗匹配：信号源输出阻抗应小于10kΩ，否则要加电压跟随器
2. 采样时间：对于高阻抗信号源，需要增加采样周期（如设置SAMPLETIME_480CYCLES）
3. 参考电压：建议使用独立的基准电压芯片（如REF3030），避免电源波动影响

2.2 CubeMX配置示例

在CubeMX中配置ADC的典型步骤：

1. 选择ADC模块（如ADC1）
2. 设置Continuous Conversion Mode为Enabled
3. 配置Regular Conversion Mode为单通道或多通道扫描
4. 设置采样时间（根据信号特性选择56/480 cycles）
5. 开启DMA传输（推荐）或中断模式

关键提示：对于需要精确计时的应用，建议使用定时器触发ADC采样（Timer Trigger），而不是连续采样模式。这样可以避免采样间隔不均匀带来的频谱泄漏问题。

3. 滑动平均滤波实现与优化

3.1 基础滑动平均算法

滑动平均是最直观的滤波方式，其C语言实现如下：

c复制#define SAMPLE_SIZE 10
uint16_t adc_buffer[SAMPLE_SIZE];
uint32_t adc_index = 0;

uint16_t moving_average(uint16_t new_sample) {
    adc_buffer[adc_index++] = new_sample;
    if(adc_index >= SAMPLE_SIZE) adc_index = 0;
    
    uint32_t sum = 0;
    for(int i=0; i<SAMPLE_SIZE; i++) {
        sum += adc_buffer[i];
    }
    return (uint16_t)(sum / SAMPLE_SIZE);
}

3.2 优化技巧与参数选择

通过实测发现几个重要经验：

1. 窗口大小选择：一般取4-16点，过大导致响应延迟，过小滤波效果差
   • 对于缓慢变化的温度信号：建议8-16点
   • 对于快速变化的振动信号：建议4-8点
2. 内存优化：对于RAM紧张的型号（如STM32F103），可以使用环形缓冲区+递推计算：

c复制sum = sum - adc_buffer[adc_index] + new_sample; // 减少重复累加

3. 异常值处理：增加阈值判断，当|new_sample - current_avg| > threshold时视为干扰脉冲，可选择丢弃或加权处理

实测数据对比（采样100次）：

4. 卡尔曼滤波的嵌入式实现

4.1 卡尔曼原理简析

卡尔曼滤波包含两个核心方程：

1. 预测方程：
   • 状态预测：x_k = A·x_{k-1} + B·u_k
   • 协方差预测：P_k = A·P_{k-1}·A^T + Q
2. 更新方程：
   • 卡尔曼增益：K = P_k·H^T / (H·P_k·H^T + R)
   • 状态更新：x_k = x_k + K·(z_k - H·x_k)
   • 协方差更新：P_k = (I - K·H)·P_k

对于ADC采样这种一维数据，可以大幅简化模型：

• 令A=1, H=1, B=0（无控制量）
• 只需调整Q（过程噪声）和R（观测噪声）两个参数

4.2 STM32上的代码实现

优化后的嵌入式版本（避免浮点运算）：

c复制typedef struct {
    int32_t x;  // 状态值（用32位提高计算精度）
    int32_t P;  // 协方差（Q15格式）
    int32_t Q;  // 过程噪声（固定）
    int32_t R;  // 观测噪声（固定）
} KalmanFilter;

int32_t kalman_update(KalmanFilter* kf, int32_t z) {
    // 预测阶段
    int32_t x_pred = kf->x;
    int32_t P_pred = kf->P + kf->Q;
    
    // 更新阶段
    int32_t K = (P_pred << 15) / ((P_pred + kf->R) >> 0); // Q15格式计算
    kf->x = x_pred + ((K * (z - x_pred)) >> 15);
    kf->P = ((1 << 15) - K) * P_pred >> 15;
    
    return kf->x;
}

4.3 参数调试经验

通过大量实测总结出参数选择规律：

1. Q/R比值决定滤波特性：
   • Q/R较大时：更信任新测量值，响应快但噪声大
   • Q/R较小时：更信任预测值，平滑但响应慢
2. 典型初始值（对于12位ADC）：
   • Q = 1 << 8 （过程噪声）
   • R = 1 << 10 （测量噪声）
3. 动态调参技巧：可以根据数值变化率自动调整Q值，实现自适应滤波

实测效果对比（相同测试条件）：

5. 两种算法的对比与选型建议

5.1 性能指标对比

通过信号发生器+示波器捕获的对比测试：

5.2 工程选型指南

根据应用场景推荐：

1. 优先选择滑动平均的情况：

   • 8/16位MCU（资源有限）
   • 多通道高速采样（如6轴IMU处理）
   • 新手快速实现

2. 优先选择卡尔曼滤波的情况：

   • 需要预测趋势（如电池电量估算）
   • 存在系统模型（如运动状态估计）
   • 对实时性要求不高的精密测量

特殊技巧：可以组合使用两种算法，先用滑动平均做预处理，再用卡尔曼滤波做精细处理。这种方案在四轴飞行器的姿态解算中很常见。

6. 常见问题与调试技巧

6.1 异常数据处理

当遇到以下现象时：

• 偶尔出现0x000或0xFFF的极端值
• 相邻采样值跳变超过300LSB

建议采取的措施：

1. 硬件层面：
   • 检查PCB布局（模拟走线要远离数字信号）
   • 增加RC低通滤波（如1kΩ+100nF）
2. 软件层面：
   • 增加采样值有效性检查
   • 采用中值滤波预处理

6.2 卡尔曼滤波发散问题

表现为输出值逐渐偏离真实值，可能原因：

1. 过程噪声Q设置过小
   • 解决方法：逐步增大Q值，直到能跟踪实际变化
2. 数值溢出
   • 解决方法：改用64位中间变量或降低Q/R值
3. 非高斯噪声
   • 解决方法：增加异常值检测机制

6.3 低功耗模式下的处理

在STOP模式下ADC无法工作，此时建议：

1. 预测未来值：用最后N个值做线性预测
2. 唤醒后补偿：记录休眠时间，用卡尔曼滤波修正预测误差
3. 动态调整Q值：休眠时间越长，适当增大Q值

我在多个工业项目中验证过，这套方法可以使温度采集系统的波动从±2℃降低到±0.5℃。最关键的是要理解每种算法的适用边界，没有绝对的好坏，只有适合与否。实际项目中往往需要根据具体传感器特性做针对性优化，这也是嵌入式开发的魅力所在。