企业官网建设流程全解析

空调温控读数和传感器信号里的毛刺，很多人第一反应是上卡尔曼滤波或者什么高级算法。其实大部分场景根本用不上那么重的手段，一个一阶RC低通滤波器，几行C代码就能解决掉绝大多数噪声问题，而且效果非常直观。

这个标题把空调温控和信号降噪放一起，我觉得挺妙的。这两个场景我恰好都做过实际项目，一个是用Arduino读取DS18B20温度时数据跳得厉害，另一个是STM32采集电流互感器信号时叠加了高频干扰，最后都是靠一阶RC低通滤波搞定的。如果你正在为ADC数据抖动、传感器读数不稳定、PWM解调之后的纹波发愁，这篇内容应该能帮你把问题看清。

我把从原理推导到C语言实现、再到两个平台上调参踩坑的过程完整梳理一遍。内容不涉及复杂的数学推导，重点放在“怎么快速用起来”和“出了问题怎么排查”，适合刚接触嵌入式滤波的开发者，也适合已经写过滤波代码但想搞懂参数含义的朋友。

1. 一阶RC低通滤波器的本质：它为什么能把尖刺磨平

先看一个最简单的物理模型。一个电阻串联一个电容，输入端接在电阻前面，输出端从电容两端取，这就是教科书里的一阶RC低通滤波器。电容对高频信号的阻抗很低，高频成分被旁路到地；低频成分阻抗高，能顺利传到输出端。这个电路的截止频率是1/(2πRC)，高于这个频率的信号，幅度会以每倍频程6dB的速度衰减。

数字域里做的低通滤波，本质上是把这个模拟电路的微分方程离散化。用C语言写出来的代码虽然看不见电阻电容，但行为上跟硬件RC电路一模一样。你给滤波器丢进去一个剧烈跳变的信号，它吐出来一个平滑缓变的轨迹，这个过程就是所谓的“磨平”。

为什么空调温控会需要这个？温度传感器读取到的数据，通常包含了环境温度的真实变化，也包含了传感器自身的量化噪声、 ADC采样误差、甚至室内风机的气流扰动。温度本身变化很慢，比如一秒变化0.1度，但噪声可能几百毫秒就跳一次。如果你直接把原始读数拿去控制压缩机，你会发现压缩机频繁启停，继电器咔哒咔哒响个不停。这就是因为噪声被当成了真实的温度变化。

这里有一个关键概念叫时间常数τ，数值上等于RC的乘积。它决定了滤波器对输入变化的响应速度：τ越大，滤波越平滑，但反应也越迟钝；τ越小，输出越贴近原始信号，但滤噪能力弱。数字实现里对应一个叫α的系数，这个系数跟采样周期和τ直接相关。

理解这个本质之后，你就明白了：一阶RC低通滤波器不是把任何频率一刀切干净，而是衰减高频、保留低频。所以用它的前提是，你关心的信号变化速率明显低于你要滤除的噪声频率。如果信号本身就很高频，还用低通滤波，那滤掉的其实是真正的信息。

1.1 空调温控里的真实痛点：为什么原始温度读数不能直接用于控制

用Arduino做恒温控制的典型接法是：DS18B20或者其他温度传感器，每隔几百毫秒读取一次温度，然后比较设定值，决定加热丝或压缩机的开关。这听起来很简单，但实际跑起来你会发现，读取到的温度值在目标温度附近反复横跳，比如设定25度，实际在24.7到25.3之间来回波动。每次波动都触发一次控制逻辑，继电器频繁吸合释放。

问题出在读取链路里。DS18B20是12位分辨率的数字传感器，本身就存在±0.5度的量化误差；再加上传感器封装的热惯性、空气流动、电源波动，最终读到的值会叠加不少随机成分。控制逻辑如果直接吃这个值，相当于在跟噪声做博弈，系统永远不会稳定。

解决办法就是在读取和控制器之间加一层低通滤波。把滤波后的温度作为控制输入，压缩机就不会被瞬时尖刺触发。我实际项目中，把滤波时间常数设在10到20秒，温控器的继电器动作频率明显下降，压缩机启停次数减少了大概一半以上。房间温度的波动范围反而收敛了，因为压缩机不会频繁启停，系统整体热惯性更平稳。

这里有个细节要注意：滤波不是越多越好。时间常数过大，温度传感器测到的升温趋势会被严重滞后，可能导致过冲。比如你设定25度，实际温度已经到25.5度了，滤波后的读数还是24.8度，加热器还在拼命工作。这种滞后在温度控制环路里会引起振荡。所以要找到合适的τ，不能一上来就拍脑袋选个很大的值。

1.2 信号降噪场景：ADC采集里的高频毛刺怎么被压下去

另一个典型场景是用STM32的ADC采集模拟信号。比如你做一个电流监测模块，电流互感器输出经过放大电路之后进入ADC，采样率设在1kSPS。这时候你会发现采集到的数值不仅仅包含50Hz的工频信号，还混入了一堆几百赫兹到几千赫兹的开关噪声，可能是开关电源的纹波，可能是MOSFET开关导致的电磁干扰。

如果直接用这个信号去做阈值判断或者计算有效值，结果会非常不稳定。同一个负载，不同时间读取到的有效值能差出好几个百分点。这时候用一阶RC低通滤波，将截止频率设在几十赫兹，把高频干扰压下去，ADC采样值就会变得非常干净。

我做过一个基于STM32的交流电流监测模块，采样率1kHz，截止频率设计在15.9Hz，α取0.09左右（和滤波器系数对应），原始ADC值从±50的波动大幅降低到±5以内，有效值计算精度明显提升。这个场景下，滤波对实时性的影响微乎其微，因为工频信号本身只有50Hz，15.9Hz截止频率虽然会衰减一点信号幅度，但可以通过校准补偿掉。

2. 一阶RC低通滤波器的C语言实现：从浮点到整数，从简陋到工程化

理论说完了，现在说代码。一阶RC低通滤波器的数字实现，核心就一个公式。假设output_prev是上一次的输出值，input是当前输入，alpha是滤波系数（0到1之间），那么当前输出：

output = output_prev + alpha * (input - output_prev)

这就是最经典的低通滤波递推公式，叫指数移动平均（EMA），本质就是一阶RC的离散化。理解这个公式的几何意义，比背公式重要得多：它表示“这一次的输出，在上一次输出的基础上，往输入的方向靠近了一小步，这一小步的比例就是α”。α越大，靠近得越快，滤波越弱；α越小，靠近得越慢，滤波越强。

用C语言写，浮点版本两行就结束，十几K的Flash就能跑。但工程上你可能遇到两个问题：一是目标MCU没有FPU，浮点运算慢；二是你不想在滤波上消耗太多CPU周期。这就引出了整数实现和查表法优化。

2.1 最基本也最容易理解的浮点实现

浮点版本适合带FPU的单片机，比如STM32F4、STM32H7系列，以及Arduino Due这类32位板子。代码长这样：

typedef struct { float output; float alpha; } LowPassFilter_t; float LowPassFilter_Update(LowPassFilter_t *f, float input) { f->output += f->alpha * (input - f->output); return f->output; }

这个结构体封装的方式是我个人推荐的做法。为什么不直接用一个全局变量加一个宏？因为一个项目里可能有多个通道需要滤波，每个通道的时间常数还不同。用结构体，每个通道创建自己的实例，代码可读性和可维护性都更好，滤波器的初始化和更新逻辑也清晰。

作为一个只有一句话的滤波器，它最容易被轻视。但恰恰因为它简单，很多人会忽略一个关键点：结构体里的output成员必须要初始化。如果忘记把output设置成第一次输入的值，那么滤波器的初始响应会经历一个从0爬升到输入值的过程，引发很大的启动过冲。这在温控场景里可能造成开机阶段的误动作。

所以滤波器的初始化函数不能留空，至少要有这样的操作：

void LowPassFilter_Init(LowPassFilter_t *f, float alpha, float initial_output) { f->alpha = alpha; f->output = initial_output; }

调用的时候，第一次读取传感器数据后，把原始值作为initial_output传进去，滤波器就从“当前状态”开始工作，而不是从0开始爬升。

2.2 整数定点实现：没有FPU的单片机怎么优雅滤波

Arduino Uno用的ATmega328P没有硬件浮点单元，Ultra上的浮点运算全靠软件模拟，速度慢不说，还占用大量Flash。但整数运算就快得多。你能用整型实现一阶低通滤波吗？能，而且只损失一点精度。

思路是把浮点α转换为一个整数比例因子。先看一个常用实现：

typedef struct { uint32_t output; uint16_t alpha_q; // 0~1024, 相当于0.0~1.0 } LowPassFilter_Int_t; uint32_t LowPassFilter_Update_Int(LowPassFilter_Int_t *f, uint32_t input) { f->output = (uint32_t)(((uint64_t)(1024 - f->alpha_q) * f->output + (uint64_t)f->alpha_q * input) / 1024); return f->output; }

这里我把α映射到0到1024之间的整数，alpha_q是定点表示的α。换算关系是alpha_q = (uint16_t)(alpha * 1024)，比如α=0.1时，alpha_q = 102。计算时用(1024 - alpha_q)替代1 - alpha，即用整数乘法替代浮点乘法，最后除以1024完成归一化。

为什么要用1024而不是1000？因为1024是2的10次方，编译器会把除以1024优化成右移10位，性能极佳。如果你的MCU支持64位整数乘法（Cortex-M0+也有硬件64位乘法指令），这里用uint64_t做中间变量，乘积不会溢出。如果MCU比较弱、不支持64位整数，可以改为32位乘法和移位配合，但需要小心溢出，这是一个值得注意的进阶话题。

整数版本同样支持多个通道，结构体方式一样。实际测试下来，在Arduino Uno上，同样的滤波运算，整数版本耗时大约是浮点版本的十分之一，Flash占用也小了不少。

2.3 提升版实现：加入时间尺度自适应和启动防抖

整数实现解决了一般场景，但工程里有两个高频需求：一是滤波系数α要支持运行时调整（比如用户可调“灵敏度”），二是不希望每次修改α都需要重新推导公式。这时候可以用一个带“采样时间参数”的版本。

定义滤波器时，不再存α，而是存时间常数τ（单位毫秒）和采样周期T（单位毫秒），每次更新时根据这两个值计算动态α：

alpha = 1 - exp(-T / τ)

这个公式是一阶RC离散化的精确解。它源自连续时间系统的阶跃响应，在采样周期远小于时间常数时，近似等于T/(τ+T)。实际工程中我建议直接用这个指数公式，因为很多场景下，采样周期不固定（比如Arduino的delay()不精确），用τ和T来描述滤波器行为更直观，调参也更符合直觉。

对应的代码：

typedef struct { float output; float tau; // 时间常数，单位ms float ts; // 采样周期，单位ms } LowPassFilter_Time_t; void LowPassFilter_Init_T(LowPassFilter_Time_t *f, float tau_ms, float ts_ms, float initial_value) { f->tau = tau_ms; f->ts = ts_ms; f->output = initial_value; } float LowPassFilter_Update_T(LowPassFilter_Time_t *f, float input) { float alpha = 1.0f - expf(-f->ts / f->tau); f->output += alpha * (input - f->output); return f->output; }

这个版本的优势在于：你可以在运行时修改tau或ts，不需要重新计算α。它也让滤波器描述变得非常可读——“时间常数10秒，采样周期200毫秒”，任何人都能理解。代价是需要expf()函数，如果MCU的数学库不完善，可能要多占用一些Flash，但通常可以接受。

启动防抖同样重要。理想状态下，滤波器输出应该是一个平滑的曲线。但如果输入信号突然有一个大跳变，滤波器的输出需要很长时间才能跟上。这时候你可能需要额外的“快速启动逻辑”：在滤波器初始化或者检测到输入跳变超过阈值时，直接把输出值拉近输入，缩短暂态时间。这个技巧在很多实时控制系统里非常实用。

我把这个整理成一个小功能：

void LowPassFilter_Update_WithBypass(LowPassFilter_t *f, float input, float threshold) { if (fabsf(input - f->output) > threshold) { f->output = input; // 大跳变时直接跟踪 } else { f->output += f->alpha * (input - f->output); } }

这个逻辑我常用于温控场景里处理“开门瞬间的冷热冲击”——如果温度突然下降超过5度，立即把输出坐标跳到当前值，让加热器快速响应；否则就正常滤波，防止噪声引发误动作。

3. Arduino上的实战调参记录：从抖动到稳定，我踩过哪些坑

Arduino平台是很多人入门滤波的第一站，操作简单，但正因为简单，反而容易忽略很多细节。我在Arduino Uno和NodeMCU（ESP8266）上都跑过一阶RC低通滤波，这里把调参过程和坑记录下来。

3.1 温度传感器滤波案例：确定采样周期，再确定滤波系数

用DS18B20测温的典型代码里，读取频率固定在每250ms一次。如果你要滤波，首先要定采样周期T，因为它直接决定了截止频率和α的对应关系。我测试时先把温度读取频率固定下来，然后根据需要的响应速度去选时间常数τ。

比如希望滤波后的温度读数在5秒内跟上真实温度的阶跃变化（升温过程），那么τ设2秒左右比较合适。α = 1 - exp(-0.25/2) ≈ 0.1175。滤波效果：原始读数波动约±0.5度，滤波后波动约±0.1度，而且对变化的响应大概在5到8秒内完成，完全满足恒温控制需求。

我写这段程序时用到了之前封装的结构体和带时间常数的实现，在Arduino的loop()里调用：

#include <math.h> LowPassFilter_Time_t tempFilter; float filteredTemp; void setup() { Serial.begin(115200); // 初始化：时间常数2000ms，采样周期250ms，初始温度25.0 LowPassFilter_Init_T(&tempFilter, 2000.0f, 250.0f, 25.0f); } void loop() { float rawTemp = readTemperature(); // 假设这个函数返回DS18B20读数 filteredTemp = LowPassFilter_Update_T(&tempFilter, rawTemp); // 用filteredTemp做控制逻辑，而不是rawTemp controlHeater(filteredTemp); delay(250); // 和采样周期保持一致 }

这里一个容易犯的错误是：在loop()里用delay()实现定时间隔，但delay()并不是精确的定时器。如果你的readTemperature()耗时不固定，或者中断服务函数占用了时间，实际的采样周期会有抖动。采样周期抖动在滤波领域会影响截止频率的稳定性，可能导致滤波器行为不如预期。更稳妥的做法是用定时器中断或者millis()来实现精确的固定采样周期。

3.2 滤波系数的调参节奏：先定时间常数，再定采样周期，最后看波形

很多新手拿到滤波器之后，直接拍脑袋设一个α=0.2，运行之后发现要么太迟钝、要么没效果，然后开始怀疑算法本身。实际上α、T、截止频率三者是一体的，忽略任何一个变量都会造成错乱。

我的调参套路分三步：第一步确定采样周期T，根据你对信号实时性的需求来定，温控场景250ms到1秒，电机电流采集1ms到10ms。第二步根据滤除噪声的最低频率要求，定截止频率fc，然后用公式fc = 1/(2πτ)算出τ，再算α。第三步运行起来看波形，如果滤波后滞后过重，调大α（减小τ）；如果还有毛刺，调小α（增大τ）。

这个三步法听起来朴素，但实测非常有效。它让你的调参有据可依，而不是靠感觉。例如，你要滤除100Hz以上的噪声，T=1ms，那么至少需要截止频率远低于100Hz，比如20Hz。那么τ = 1/(2π×20) ≈ 8ms。α = 1 - exp(-1/8) ≈ 0.1175。有了这个起点，再面对实际波形微调，就快很多。

我之前用串口绘图仪直接观察滤波前后的数据，是调参过程中最直观的手段。在Arduino上配合Serial Plotter，把原始温度、滤波后温度、开关状态同时发出去，很快就能发现滤波器有没有起作用、滞后是不是过重，比断点调试高效太多。

3.3 Arduino里容易忽略的坑：浮点精度、全局变量和中断上下文

Arduino Uno的float只有32位，精度约7位有效数字，对滤波结果来说完全够用。但如果你在中断服务函数里做滤波，要小心两点：一是float运算在中断里处理时间较长，会破坏时序；二是如果滤波器输出变量在中断里被修改，在主循环里读取它，虽然不会像多字节变量那样容易撕裂，但为了稳妥，还是建议加个“原子访问”的标记，或者在读取时短暂关中断。

另一个坑是：Arduino的String类和delay()混用很容易造成内存碎片，但跟滤波器本身关系不大，就不展开了。如果滤波使用在ADC采样中断里，推荐把滤波器的结构体声明为volatile，并采用整数定点版本，把中断处理时间压到极致。整数运算在中断里的耗时远小于浮点，这对高采样率的场景非常有意义。

我在实际做Arduino智能小车时也用过这个滤波器。小车的红外传感器或者超声波测距数据在运动时波动特别大，用低通滤波后，转向控制平滑了很多。值得注意的是，小车场景的采样周期很短（20ms到50ms），时间常数如果太大，障碍物检测的实时性会变差，所以τ设500ms以内比较合适。

4. STM32上的滤波实现细节：从寄存器到工程化，这些处理比算法更重要

STM32上跑一阶RC低通滤波，代码本身和Arduino差异不大，但工程化的讲究更多。毕竟STM32项目通常更复杂，滤波往往只是信号链里的一环，一旦滤波出了问题，排查起来更麻烦。

STM32的ADC采样触发方式、DMA传输、定时器中断、以及FreeRTOS的任务调度，每一项都可能影响滤波器的表现。滤波算法本身写不好，顶多结果不理想；但滤波器和它的调用环境配合不好，结果就可能出现“输出有时会跳变一下”这种难以复现的诡异问题。

4.1 采样率和中断优先级对滤波器的影响：时序稳定是第一位

我做一个STM32F103的电流采集项目时，ADC采样由定时器触发，每次采样完成触发DMA传输，DMA传输完成中断里做一次滤波。采样率是1kHz（周期1ms），滤波器的时间常数τ=20ms，α大约等于0.05。

这个设计里最关键的是时间稳定性：中断里的滤波运算必须保证在下一个采样周期到来之前完成，否则就会“丢拍”，滤波器结果会出现抖动。在F103上，这个滤波运算本身耗时不到1微秒，但中断函数入口出口的开销，加上DMA搬运时间，必须降级评估。更关键的是，如果更高的优先级中断（比如通信中断）抢夺CPU，滤波中断可能会被延迟，导致采样周期偶尔变成2ms、3ms。这时候滤波器的时间常数不变，但α对应的采样周期变了，滤波特性就会飘。

用之前的带时间常数版本（LowPassFilter_Time_t）能部分缓解这个问题，因为它每次更新时会根据实际的采样时间计算α。但要真正做到精确，需要在中断里记录时间戳，在滤波函数里传入真实的采样间隔。代码可以这样扩展：

typedef struct { float output; float tau; } LowPassFilter_Time_Tick_t; float LowPassFilter_Update_Tick(LowPassFilter_Time_Tick_t *f, float input, float dt_ms) { float alpha = 1.0f - expf(-dt_ms / f->tau); f->output += alpha * (input - f->output); return f->output; }

然后在定时器中断里，先读取当前时间戳，算出与上次滤波的间隔dt，再调用函数。这么做多花几行代码，换来的是滤波器行为对中断延迟不敏感，非常值得。

4.2 Multi-channel滤波管理：结构体数组和通道状态机

STM32项目里滤波通道往往不止一个。比如一个三相电流检测模块，至少要同时滤波三路电流信号，也许还要加一路母线电压。如果每个通道复制粘贴一套代码，会非常糟糕。

用结构体数组加上通道索引，可以轻松管理：

#define FILTER_CH_NUM 4 LowPassFilter_Time_t filters[FILTER_CH_NUM]; void FILTER_InitAll(float tau) { for (int i = 0; i < FILTER_CH_NUM; i++) { LowPassFilter_Init_T(&filters[i], tau, 1.0f, 0.0f); } } void FILTER_ProcessADC(uint16_t *adcValues, float *filteredValues) { for (int i = 0; i < FILTER_CH_NUM; i++) { filteredValues[i] = LowPassFilter_Update_T(&filters[i], (float)adcValues[i]); } }

在ADC的DMA传输完成中断里，直接调用FILTER_ProcessADC()即可。这样即使通道数增加，代码结构也不用大改。

如果你用FreeRTOS，滤波可以在ADC采集任务里完成。任务延时函数用精确的vTaskDelayUntil()，采样周期可以保持稳定。要注意的是，滤波计算不要放在中断里，留给任务去做，降低中断负荷。DMA传输的中断只负责置一个“数据就绪”的标记位，任务检测到这个标记后取数据、滤波、输出。

4.3 STM32滤波器性能考量：从Cortex-M3到M7，有多少优化空间

不同STM32系列的CPU性能差异巨大，滤波代码性能评估也不同。Cortex-M3（F103）没硬浮点，浮点滤波虽然也能跑，但最好用整数定点；Cortex-M4F（F405/407）有FPU，浮点滤波性能和整数滤波性能相当，直接用浮点是最优选；Cortex-M7（H743）不仅浮点快，还带DSP指令，但滤波本身太简单，DSP指令帮助不大，反而是一些优化宏和编译器选项更重要。

对滤波代码来说，最大的性能优化其实是避免不必要的大循环和函数调用开销。如果滤波调用频率很高（比如10kHz采样率），内联函数比单次函数调用有优势：

static inline float LowPassFilter_Update_Inline(LowPassFilter_t *f, float input) { f->output += f->alpha * (input - f->output); return f->output; }

GCC的-O2优化级别下，编译器会自动把短小且被高频调用的函数内联。如果不放心，可以显式加上static inline。但要注意：如果滤波函数很大、调用次数少，内联反而浪费Flash，所以这个优化只在采样率极高、调用很频繁时才有意义。

在F407上带着FPU跑浮点滤波，我测过调用周期大约60ns，几乎可以忽略；在F103上跑整数滤波，大约200ns，也完全可以接受。所以大多数情况下，滤波算法的CPU占用不是瓶颈，真正要花时间优化的是采样链路。信号链设计好，滤波只是顺手的事。

5. 从空调温控到SPWM信号解调：滤波应用之外的几个追加技巧

写到这里，你已经看到一阶RC低通滤波器在温度控制、ADC信号采集上如何发挥价值。但滤波器本身还可以做一些超出“低通滤波”本身的应用容错，我分享几个我实际用到的追加技巧。

5.1 滤波结果作为控制反馈：PID控制器里的“微分先行”思路

在温控系统里，直接拿原始温度做PID控制，微分项（D）对噪声极其敏感。因为微分是采集信号的斜率，噪声一抖，微分计算出来的值可能瞬间放大几倍，造成控制器输出抖动。把低通滤波放在PID之前，可以显著改善这种情况。

更高级的做法是“微分先行”：只对反馈量的微分做滤波，而不是对所有反馈量滤波。这样既能抑制噪声，又不至于让PID的比例和积分项变得迟钝。这个思路在很多工业仪表里都有应用，你可以根据自己的控制需求决定。

如果你只是想做简单恒温，可以在控制逻辑之前加一个一阶低通滤波，然后仅用比例和积分控制，不启用微分。这样系统既平稳又简单，非常可靠。

5.2 PWM转模拟信号：低通滤波在输出端的妙用

低通滤波不只可以处理输入信号，还可以用于输出端。STM32的DAC通道有限，很多板子只有一路DAC，这时候你可以用一个PWM引脚加一个RC硬件电路来输出模拟电压。做法是：用定时器输出固定频率的PWM，PWM的占空比对应目标电压，再经过一个RC低通滤波电路得到平滑的模拟信号。

这个场景下需要计算硬件RC电路的时间常数。比如PWM频率20kHz，想要残余纹波小于1%，RC截止频率要低于PWM频率的1/20左右，也就是低于1kHz。取1/(2πRC) ≈ 500Hz，R=1kΩ时C≈0.318μF，取标准值0.33μF即可。

有人会问，这个场景和软件滤波有什么关系？关系在于：你可以通过软件补偿RC电路的滞后效应。比如你目标电压3.3V，但RC电路实际输出需要时间上升，你可以先用软件对目标值做一阶高通滤波补偿，让实际输出更快到达目标值。这种做法叫做“软件预加重”，在信号发生器里有广泛应用。

5.3 多级级联滤波：当一阶不够用时，怎么办

一阶RC低通滤波的衰减斜率是20dB/decade，也就是频率每增加10倍，增益下降20dB。如果你需要更陡峭的衰减（比如对50Hz以上的噪声有更强抑制），有两种思路：一是级联多个一阶滤波，比如两个一阶滤波串联，得到二阶低通，衰减率变为40dB/decade；二是换用Butterworth或者Bessel滤波器，这些滤波器有更好的通带平坦度和相位特性。

用软件实现级联很容易，就是上一个滤波器的输出作为下一个滤波器的输入：

typedef struct { LowPassFilter_Time_t stage1; LowPassFilter_Time_t stage2; } LowPassFilter_2nd_t; float LowPassFilter_2nd_Update(LowPassFilter_2nd_t *f, float input) { float tmp = LowPassFilter_Update_T(&f->stage1, input); return LowPassFilter_Update_T(&f->stage2, tmp); }

需要注意的是，二阶滤波不要简单地使用两个相同时间常数的一阶级联，因为那样响应曲线会有比较大的过冲和相位滞后。更合理的方式是让两级的截止频率有一定分离，第一级偏高、第二级偏低，或者根据标准的二阶滤波器设计公式来分配系数。这个讨论已经超出本文范围，但知道有这种扩展方向就够了。

6. 常见问题排查实录：滤波器失效的七大原因

滤波器代码本身只有一行，但实际项目中“滤波没效果”或者“滤波后波形异常”的情况很常见。我梳理了七个高频故障点，整理成速查表，方便你直接对照排查。

6.1 常见故障速查表

现象：滤波后波形仍然有很多毛刺

原因大概率是α设置太大，截止频率偏高，噪声没有被有效滤除。或者采样周期T和α不匹配，实际α对应的截止频率跟预期不符。解决方式是按照fc=1/(2πτ)重新计算α，并往小调。

现象：滤波后输出滞后严重，反应迟钝

原因是τ太大，滤波器截止频率太低。如果用在控制环路里，可能引发系统振荡。解决方法是逐步减小τ，观察波形直到满意的响应速度。

现象：滤波输出启动时从0爬升，持续很长时间才达到真实值

原因是初始化时没有把output设置为第一次输入值。需要在初始化时传入初始输入值，或者第一个采样点直接旁路滤波。

现象：滤波结果偶尔跳变

优先检查采样周期是否稳定，是否有中断延迟导致“丢拍”。另外检查输入数据本身是否偶尔出现极大异常值（比如传感器偶发读数为0），需要在滤波前做简单的限幅处理。

现象：整数定点滤波结果有偏差或溢出

需要检查alpha_q和1024-alpha_q的乘积是否溢出32位。如果是32位乘法，建议把中间变量提升到64位，或者采用分段移位限幅的方法。

现象：实时性要求高的场景用浮点滤波导致卡顿

如果是AVR系列或Cortex-M0，不建议用浮点。换整数定点，或者在带FPU的平台上启用编译器的FPU优化选项。

现象：滤波器在不同环境下表现不一样

大概率是采样周期不稳定导致α对应的实际效果飘忽。建议改用带时间戳的滤波版本，输入真实的采样间隔，让α动态修正。

6.2 实战定位思路：用数据说话，别拍脑袋

排查滤波器问题，不能只盯着滤波代码看，要从采样源头开始沿着信号链路一步一步查。我的做法是：先把原始信号和滤波后信号同时打印出来，画在串口绘图仪上，对比前100个采样点，观察滤波器的暂态响应是否正确。如果暂态响应正确，稳态还有波动，就是α和截止频率的问题；如果暂态就很怪，那就是初始化、时序或数据异常。

再用一个固定的正弦波或者阶跃信号注入到滤波器的输入（直接在代码里写固定值测试），看滤波器输出是否符合理论响应。这个方法可以帮你快速把“滤波器本身的问题”和“信号源的问题”分开。我自己排查问题时，经常用这个办法节省大量时间。

最后提一个容易被忽略的细节：滤波后的数据如果要传输到上位机或者存到SD卡，最好保留足够的有效位数。比如用整数滤波时，输出不要直接丢弃小数部分，而是以“放大的定点值”进行后续计算，最后再统一缩放。很多精度问题和这个细节有关。

写在最后

滤波器是一行代码，但背后对应的是信号与系统的基础知识。我在实际项目里用过它解决空调温控抖动、电流信号毛刺、PWM解调纹波，几乎每一次都很快见效。如果项目对实时性要求不高，优先考虑一阶RC低通滤波；如果不够，再考虑提升采样率、用二阶滤波或者卡尔曼滤波。工具链从简单到复杂，别一上来就上重型方案。

有一点经验想特别分享：滤波器的参数不要一次性调到完美，先按公式算出理论值，跑起来，再根据波形微调。放在不同的硬件环境下，实际效果会有差异，保持“先看数据，再改参数”的习惯，能少走不少弯路。

后面我会继续分享二阶滤波、卡尔曼滤波在嵌入式里的实际应用，以及在温控PID里如何组合使用这些滤波策略。有具体场景疑问的朋友，欢迎在评论区带上波形图一起讨论。