你有没有遇到过这种让人抓狂的场景：电机转速明明设定好了，但表盘上的指针就像喝醉了一样乱颤；或者PLC程序跑得好好的，突然因为一个输入信号的毛刺导致整个流水线紧急停机。这时候，老工程师通常会眯起眼睛，指着那个嘈杂的信号线说：“又是噪声在作祟。”
别急着换硬件，也别盲目加大滤波器系数。今天咱们不聊枯燥的教科书定义，而是聊聊在真实的工业现场，如何像侦探一样揪出噪声的元凶，并用信号滤波技术给电机和PLC系统做一场彻底的“排毒手术”。我会用最直白的大白话，配合具体的代码和参数整定技巧，带你把这些乱窜的信号彻底管住。
一、 为什么噪声是工业控制的“隐形杀手”？
首先，我们要搞清楚，噪声到底是什么。在工业环境中，它不是那种让你耳朵嗡嗡响的声音，而是叠加在真实信号上的随机波动。对于电机调速系统来说，编码器反馈的速度值如果混入了高频噪声，PID控制器就会以为电机在剧烈抖动，从而疯狂调整输出，结果就是电机发出“滋滋”的电流声，甚至过热。对于PLC来说，模拟量输入（比如4-20mA的压力信号）如果噪声太大，会导致控制阀门频繁开关，缩短设备寿命。
噪声的来源五花八门：变频器产生的电磁干扰（EMI）、长距离传输线缆的天线效应、接地不良形成的地环路，甚至是电机本身换向时的火花。这些噪声频率各异，有的高达几十千赫兹，有的则是低频漂移。如果我们直接用软件去滤，就像是用筛子捞鱼——要么鱼跑了（信号失真），要么沙子没拦住（噪声残留）。所以，理解噪声的特性，是滤波的第一步。
二、 硬件是第一道防线：软件救不了所有的硬件烂事
在讨论复杂的算法之前，我必须强调一点：最好的滤波，是不需要滤波。 很多现场问题，其实是安装和布线的问题。
- 接地是灵魂：确保传感器外壳、屏蔽层单点接地。如果屏蔽层两端都接地，地电位差会形成环流，直接注入信号线。记住，模拟信号线的屏蔽层只能在PLC或控制器端接地，另一端悬空并绝缘包裹。
- 双绞线不能省：对于差分信号或长距离传输，使用屏蔽双绞线可以有效抵消共模干扰。
- 物理隔离：信号线与动力电缆至少保持30cm以上的间距，如果必须交叉，也要成90度角垂直交叉，避免平行走线形成耦合电容。
如果你已经做好了这些硬件措施，信号依然噪杂，那才轮到软件滤波登场。
三、 基础武器库：三种最常用的软件滤波算法
在嵌入式开发或PLC程序中，我们最常遇到的三种滤波算法是：滑动平均滤波、中位值平均滤波和一阶低通滤波。它们各有优劣，适用于不同的场景。
1. 滑动平均滤波（Moving Average Filter）
这是最简单也最直观的方法。它的核心思想是：取最近N个采样值的平均值作为当前输出。
适用场景：数据波动较小，且对实时性要求不高的场合，如温度测量、液位监测。 缺点：相位滞后严重，N越大，平滑效果越好，但响应越慢。
Python/伪代码示例：
class MovingAverageFilter:
def __init__(self, window_size=10):
self.window_size = window_size
self.buffer = []
def update(self, new_value):
# 添加新值到缓冲区
self.buffer.append(new_value)
# 如果缓冲区满了，移除最旧的值
if len(self.buffer) > self.window_size:
self.buffer.pop(0)
# 返回平均值
return sum(self.buffer) / len(self.buffer)
# 使用示例
filter_ma = MovingAverageFilter(window_size=20)
raw_signal = [100, 102, 98, 105, 101, 99, 103, 100, 97, 104] # 模拟带噪声数据
smoothed_signals = [filter_ma.update(val) for val in raw_signal]
print(smoothed_signals)
2. 中位值平均滤波（Median-Average Filter）
这个算法结合了中位值滤波和算术平均滤波的优点。先去掉最大和最小值，再求平均。
适用场景：存在偶然脉冲干扰（如电机启动瞬间的尖峰）的场合。它能有效剔除异常值。 优点：对突发噪声有很好的抑制作用，同时保留了大部分信号特征。
Python/伪代码示例：
def median_average_filter(data_list, n=5):
"""
中位值平均滤波
:param data_list: 包含n个采样值的列表
:return: 滤波后的值
"""
if len(data_list) < n:
return sum(data_list) / len(data_list)
# 排序
sorted_data = sorted(data_list)
# 去掉最大值和最小值
trimmed_data = sorted_data[1:-1]
# 求平均
return sum(trimmed_data) / len(trimmed_data)
# 使用示例
sample_buffer = [100, 102, 98, 200, 101, 99, 103, 100, 97, 104] # 200是噪声尖峰
filtered_val = median_average_filter(sample_buffer, n=10)
print(f"滤波后数值: {filtered_val}") # 结果会比简单平均更接近真实值
3. 一阶低通滤波（First-Order Low-Pass Filter）
这是电机控制和闭环系统中用得最多的算法。它基于物理系统的惯性原理，当前输出值等于上一时刻输出值与当前采样值的加权平均。
公式：\(Y_n = \alpha \cdot X_n + (1 - \alpha) \cdot Y_{n-1}\)
其中，\(X_n\) 是当前采样值，\(Y_{n-1}\) 是上一次滤波后的值，\(\alpha\) 是滤波系数（0 < \(\alpha\) < 1）。
适用场景：电机速度环、电流环等动态系统。它对高频噪声有极好的抑制作用，且计算量极小，适合单片机或PLC高速循环执行。 关键参数 \(\alpha\) 的含义：
- \(\alpha\) 越大，越信任当前采样值，响应越快，但滤波效果越差。
- \(\alpha\) 越小，越信任历史值，滤波越平滑，但滞后越大。
Python/伪代码示例：
class FirstOrderLowPassFilter:
def __init__(self, alpha=0.1, initial_value=0.0):
self.alpha = alpha
self.y_prev = initial_value
def update(self, x_current):
# Yn = alpha * Xn + (1 - alpha) * Y(n-1)
y_current = self.alpha * x_current + (1 - self.alpha) * self.y_prev
self.y_prev = y_current
return y_current
# 使用示例：模拟电机转速信号
filter_lpf = FirstOrderLowPassFilter(alpha=0.05) # 较小的alpha，强滤波
noise_signal = [1000, 1005, 998, 1002, 1010, 995, 1001, 999, 1003, 1000]
smoothed_speed = [filter_lpf.update(speed) for speed in noise_signal]
print(smoothed_speed)
四、 进阶实战：电机调速中的参数整定技巧
现在，我们进入最核心的部分：如何在电机调速系统中，利用滤波技术解决“噪声导致控制失灵”的问题？
假设你在使用西门子S7-1200⁄1500 PLC或STM32控制一台伺服电机。编码器反馈的速度信号含有高频噪声，导致PID积分项发散，电机出现低频振荡。
步骤1：诊断噪声频率
你需要知道噪声的主要频率成分。如果无法使用频谱分析仪，可以通过改变滤波系数来观察现象：
- 如果增大滤波强度后，电机响应明显变慢，跟不上指令变化，说明噪声频率可能接近信号带宽。
- 如果电机依然振荡，说明滤波不够。
步骤2：选择正确的滤波位置
千万不要在所有地方都加滤波！
- 位置反馈（编码器）：建议加一阶低通滤波。因为位置是积分得到速度的，微分会放大噪声，所以通常在速度环之前对速度信号进行滤波，或者在位置环使用更保守的参数。
- 电流反馈：电流环带宽极高，通常硬件滤波为主，软件滤波仅做轻微平滑，否则会影响转矩响应。
- 速度反馈：这是噪声影响最大的地方。推荐使用一阶低通滤波，并结合死区补偿。
步骤3：参数整定“三步走”
以一阶低通滤波为例，参数 \(\alpha\) 的整定至关重要。
初始设置：根据采样周期 \(T_s\) 和期望截止频率 \(f_c\)，计算 \(\alpha\)。 $\( \alpha = \frac{T_s}{T_s + \frac{1}{2\pi f_c}} \)\( 例如，采样周期1ms (0.001s)，期望截止频率10Hz： \)\( \alpha = \frac{0.001}{0.001 + \frac{1}{2\pi \times 10}} \approx \frac{0.001}{0.001 + 0.0159} \approx 0.059 \)\( 你可以从 \)\alpha = 0.05$ 开始尝试。
观察响应：
- 运行电机，观察速度曲线。如果曲线平滑但电机加速迟缓，减小 \(\alpha\)（即增大滤波时间常数）。
- 如果曲线仍有毛刺，继续减小 \(\alpha\)。
- 如果电机出现周期性振荡，说明滤波引入了过大的相位滞后，导致系统不稳定。此时应增大 \(\alpha\)，或者改用卡尔曼滤波（如果算力允许）。
结合PID调整： 滤波会增加系统的相位滞后，相当于降低了系统的相位裕度。因此，加入滤波后，通常需要降低PID的比例增益（P）和积分时间（Ti）的积分作用，以防止振荡。
PLC结构化文本（ST）代码示例：
FUNCTION_BLOCK FB_Filter_Speed
VAR_INPUT
RawSpeed : REAL; // 原始速度反馈
Alpha : REAL := 0.05; // 滤波系数，可在HMI上在线调整
END_VAR
VAR_OUTPUT
FilteredSpeed : REAL; // 滤波后速度
END_VAR
VAR
PrevFilteredSpeed : REAL := 0.0;
END_VAR
// 一阶低通滤波算法
FilteredSpeed := Alpha * RawSpeed + (1.0 - Alpha) * PrevFilteredSpeed;
PrevFilteredSpeed := FilteredSpeed;
五、 当简单滤波失效时：自适应与智能滤波
有些时候，噪声不是静态的。比如电机在低速时噪声小，高速时噪声大；或者负载突变时，噪声特性改变。这时候，固定的 \(\alpha\) 就不够用了。
1. 自适应滤波
思路是根据信号的变化率动态调整 \(\alpha\)。当信号变化剧烈（可能是真实阶跃响应）时，减小滤波强度（增大 \(\alpha\)）以快速跟踪；当信号平稳但有微小抖动（噪声）时，增加滤波强度（减小 \(\alpha\)）以平滑数据。
逻辑伪代码：
if abs(current_raw - prev_raw) > threshold_dynamic:
# 信号变化大，认为是真实变化，减少滤波
alpha = 0.2
else:
# 信号变化小，认为是噪声，加强滤波
alpha = 0.05
2. 卡尔曼滤波（Kalman Filter）
如果你使用的是高性能PLC（如Beckhoff TwinCAT、Siemens S7-1500）或嵌入式DSP，卡尔曼滤波是终极解决方案。它将系统动力学模型与测量噪声结合起来，给出最优估计。
核心优势：它不仅能滤除噪声，还能预测下一时刻的状态，具有极小的相位滞后。 实施难度：高。需要建立准确的系统状态空间模型，并整定过程噪声协方差矩阵 \(Q\) 和测量噪声协方差矩阵 \(R\)。
对于大多数工业应用，我建议先从一阶低通滤波和中位值平均滤波入手，只有当性能瓶颈确实由噪声引起且其他方法无效时，再考虑卡尔曼滤波。
六、 给小朋友也能听懂的比喻
为了让你更深刻地理解这些概念，我们可以打个比方：
想象你在嘈杂的舞厅里听朋友说话（这是原始信号）。
- 滑动平均滤波：就像是你让朋友把一句话重复10遍，然后你取这10句话的平均意思。这样你能听清，但反应很慢，朋友说完一句，你要等很久才能反应过来。
- 中位值平均滤波：就像是你听了10句话，去掉最高音和最低音（可能是别人插嘴或音乐声），取中间8句的平均。这样既去掉了极端干扰，又保留了大部分信息。
- 一阶低通滤波：就像是你只相信朋友刚才说的话，但稍微加上一点点之前的记忆。如果朋友突然大声喊“快跑！”（信号突变），你会立刻跟上；如果只是小声嘀咕（噪声），你会自动忽略，继续按之前的节奏走。
在电机控制中，我们追求的是“一阶低通滤波”的效果：既要能快速响应真正的速度指令，又要过滤掉那些无意义的抖动。
七、 总结与建议
面对工业传感器噪声导致的控制失灵，请记住以下原则：
- 先硬件，后软件：检查接地、屏蔽、布线。很多噪声问题在硬件层面就能解决80%。
- 对症下药：
- 温度、液位等慢变量：用滑动平均或中位值平均。
- 电机速度、压力等快变量：用一阶低通滤波。
- 参数整定是关键：不要迷信默认值。通过观察响应曲线，动态调整滤波系数。记住，滤波会带来滞后，需要在PID参数上做出补偿。
- 循序渐进：从简单的算法开始，只有在必要时才引入复杂的自适应或卡尔曼滤波。
希望这篇实战指南能帮你解决眼前的噪声难题。工业控制是一门艺术，也是一门科学，多动手调试，多观察波形，你一定能找到最适合你系统的“黄金参数”。如果有具体的代码实现问题或参数整定困惑，欢迎随时交流！