在调试信号处理流程时很多人遇到过这样的场景传感器数据采集回来想通过滤波把波形处理得干净一些再送给后续算法使用。第一版低通滤波器跑完波形确实平滑了可你真正关心的“尖峰”“突变沿”也一起消失了第二版把截止频率抬高噪声又卷土重来。翻资料、改参数、重新出图半小时过去盯着屏幕你只想问一句话滤波器我的刀呢这里的“刀”并不是真正的手术刀或菜刀而是滤波器的选型思路、截止频率和滤波器参数。滤波本身是一门关于“取舍”的技术把不需要的频率分量切掉把需要保留的成分完整留下来。如果只会照抄一段代码不知道自己在频域上做了什么就容易把信号磨圆、切钝甚至把最有价值的特征一刀切没。这篇文章会把数字滤波器从概念、频谱分析、SciPy 实现到参数调整和实时嵌入式落地过程中最容易踩坑的地方完整过一遍。适合刚入门信号处理、正在做传感器数据分析或者需要在 Python / C 中实现滤波但对参数选择没有把握的开发者。1. 为什么我会喊出“我的刀呢”1.1 一个典型的滤波故障现场先看一个抽象但很常见的处理流程。原始信号大概长这样包含一个缓慢变化的有用趋势叠加了一个 50Hz 的电源工频干扰还有传感器自身的高频随机噪声波形里可能存在一个短促的冲击或上升沿这是后续算法判断“是否发生异常事件”的关键特征。处理人员第一反应是“噪声太多做个低通滤波吧。”于是在网上找到一段类似代码把截止频率设成 5Hz。结果波形干净得可怕连那个冲击特征的“刀锋”也被磨成小土坡。后续算法基于这个波形开始漏报项目结论变成了“这个特征不明显”。问题出在哪不是低通滤波这个操作错了而是“用错了刀”。1.2 “刀”到底指什么在滤波器语境里“找到合适的刀”至少要回答下面几个问题有效信号的频段是多少噪声的频段是多少两者之间有没有明显的间隔我需要的特征是“平滑趋势”还是“陡峭边沿”还是“某一个窄带振动”不同答案对应不同滤波器低通、高通、带通、带阻甚至可能是组合滤波。如果一开始不分析频谱只凭感觉设置截止频率就像不看病灶位置就在身上乱切一样很容易切掉好的部分。很多时候不是滤波器不好用而是我们没有找到合适的“下刀点”。2. 数字滤波器基本概念与使用场景2.1 数字滤波器在做什么模拟滤波器处理连续电压信号数字滤波器则处理离散的采样序列。每次滤波本质上是对一个时间序列做卷积或递归运算让某些频率分量通过让另一些频率分量衰减。在频域里一段信号可以拆成不同频率的正弦波叠加。比如一个 50Hz 的工频正弦干扰如果把它从时域信号中移除而尽量不影响 5Hz、20Hz 这样的有效分量这就是滤波器的典型目标。2.2 四种幅频特性类型通过频率衰减频率常见用途低通 Low-pass低于截止频率高于截止频率去掉高频毛刺、平滑波形高通 High-pass高于截止频率低于截止频率去除基线漂移、直流偏置带通 Band-pass某个区间内区间外提取特定频段的振动特征带阻 Band-stop区间外某个区间内滤除单一窄带干扰如 50Hz 工频实际项目中低通最常用但它不是万能的。如果一个干扰信号与有效信号在频带上存在重叠单纯靠低通很难同时做到“有效信号不衰减、干扰信号被压掉”。这时候就需要考虑陷波滤波也就是窄带带阻滤波器。2.3 IIR 与 FIR 怎么选数字滤波器从结构上分为两大类无限脉冲响应滤波器IIR和有限脉冲响应滤波器FIR。对比维度IIRFIR相位线性非线性频率越高延迟越明显可以做到严格线性相位阶数与计算量实现同等滤波效果时阶数更低通常需要较高阶数数值稳定性存在反馈设计不当可能不稳定没有反馈基本稳定典型例子Butterworth、Chebyshev、陷波器窗函数设计、等纹波滤波器适合场景资源敏感的嵌入式、实时滤波对波形形态、相位延迟敏感的场景工程里没有绝对好坏。IIR 计算效率高适合实时和嵌入式FIR 相位特性好适合需要保留波形形态的离线数据分析。如果既想减少相位失真又希望计算简单也可以在离线环境使用filtfilt做零相位滤波或者先用 IIR 再把延迟补偿掉。3. 环境准备与测试信号3.1 Python 环境约定本文代码采用 Python SciPy 实现因为 SciPy 的signal模块封装了滤波器设计、滤波执行和频谱分析函数非常适合快速验证算法。建议环境如下Python 3.9 及以上NumPy 1.21 及以上SciPy 1.8 及以上Matplotlib 3.5 及以上。版本不需要完全一致只要不是特别老的版本下面接口基本都能使用。如果你用的是公司内网环境也可以把依赖下载后离线安装。python -m venv venv source venv/bin/activate # Windows 下使用 # venv\Scripts\activate pip install numpy scipy matplotlib3.2 合成一段测试信号在动手设计滤波器之前先合成一段测试信号避免用真实数据来回猜测。import numpy as np from scipy import signal import matplotlib.pyplot as plt fs 1000.0 # 采样率 1000Hz duration 2.0 # 时长 2 秒 n int(fs * duration) t np.arange(n) / fs # 2Hz 方波用于模拟带边沿的开关量或脉冲特征 base_wave signal.square(2 * np.pi * 2 * t, duty0.5) # 高频随机噪声模拟传感器毛刺 rng np.random.default_rng(42) noise rng.normal(0, 0.3, sizet.shape) # 原始测试序列 raw base_wave noise这里故意把“有效信号”设计成方波是因为方波包含丰富的奇次谐波。方波的边沿看起来锐利其实需要较高频率的谐波来共同塑造。低通滤波器保留的谐波次数越少方波边沿越模糊。这个特征可以非常直观地解释“为什么滤波后波形钝了”。建议先用 Matplotlib 画出原始波形确认一下plt.figure(figsize(10, 4)) plt.plot(t, raw, lw0.8) plt.xlabel(Time (s)) plt.ylabel(Amplitude) plt.title(Raw Square Wave with Noise) plt.grid(True) plt.show()4. 先看频谱不要凭感觉选截止频率4.1 FFT 能告诉我们什么滤波前先看频谱是信号处理里非常基础且重要的习惯。快速傅里叶变换可以把时域信号转换到频域让我们看清信号能量分布在哪些频率上。def plot_spectrum(x, fs, titleSpectrum): n len(x) freq np.fft.rfftfreq(n, d1 / fs) mag np.abs(np.fft.rfft(x)) plt.figure(figsize(10, 4)) plt.plot(freq, mag, lw0.8) plt.xlabel(Frequency (Hz)) plt.ylabel(Magnitude) plt.title(title) plt.grid(True) plt.xlim(0, fs / 2) plt.show() plot_spectrum(raw, fs, Raw Signal Spectrum)如果运行这段代码会看到方波频谱并不是单一谱线而是在 2Hz、6Hz、10Hz、14Hz、18Hz 等奇次谐波位置有能量。频率越高谐波幅值越低。随机噪声则像一层“地板”一样铺在整个频带上。接下来的滤波器设计就是根据这张频谱图判断哪些频率成分可以留哪些频率成分要切掉。4.2 频谱图的观察要点有用信号的频谱主要落在哪个区间 如果只关心 2Hz 方波的基本形态保留 6~10Hz 以内的谐波就够用如果关心边沿是否陡峭往往需要保留到几十甚至上百 Hz。噪声频谱的主要集中位置 如果是 50Hz 工频干扰会在 50Hz 处出现很明显的谱峰如果是白噪声则均匀分布。信号与噪声是否重叠 重叠越严重滤波难度越大。不存在完美一刀切只能权衡。先用频谱建立全局认知再设置滤波器参数比对着时域波形猜要高效得多。5. 核心案例一低通滤波为什么把边沿“磨圆”了5.1 方波中的谐波与边沿回到刚才的 2Hz 方波。方波的傅里叶展开可以近似看成基波 2Hz 三次谐波 6Hz 五次谐波 10Hz 七次谐波 14Hz……理论上如果只保留基波得到的波形就是一个 2Hz 正弦波完全看不出方波形态。保留的谐波越多波形的上升沿和下降沿越接近原始方波。“刀锋般的边沿”之所以会消失就是因为低通滤波器把高阶谐波全部削掉了。5.2 不同截止频率对比下面分别用 15Hz 和 80Hz 截止频率做低通滤波。# 15Hz 低通 sos_15 signal.butter(4, 15 / (fs / 2), btypelow, outputsos) filtered_15 signal.sosfiltfilt(sos_15, raw) # 80Hz 低通 sos_80 signal.butter(4, 80 / (fs / 2), btypelow, outputsos) filtered_80 signal.sosfiltfilt(sos_80, raw) plt.figure(figsize(12, 8)) plt.subplot(3, 1, 1) plt.plot(t, raw, lw0.8) plt.title(Raw) plt.grid(True) plt.subplot(3, 1, 2) plt.plot(t, filtered_15, lw0.8, colortab:orange) plt.title(Low-pass 15Hz) plt.grid(True) plt.subplot(3, 1, 3) plt.plot(t, filtered_80, lw0.8, colortab:green) plt.title(Low-pass 80Hz) plt.grid(True) plt.tight_layout() plt.show()从输出结果可以清楚看到15Hz 低通后波形非常光滑高频噪声几乎消失但方波变成了圆头波浪。如果真实业务中需要判断“开关切换”的时刻这种波形很难给出精确边界。80Hz 低通后方波边沿明显更陡基本保持了原始方波的形态但噪声并没有完全滤除因为高频噪声也被保留了一部分。15Hz 和 80Hz 之间没有绝对的对错只有适不适合业务目标。如果你要的是平滑趋势15Hz 合适如果你要找边沿、尖峰或者异常突变那么 80Hz 甚至更高频带才更像一把趁手的“刀”。5.3 为什么不能只看时域波形去调参很多开发者习惯不去看频谱只盯着时域波形调截止频率。看到一个毛刺就去压低截止频率看到波形太平就把截止频率调高反复拉扯。这种方式很容易陷入局部最优。正确流程是先用 FFT 看看有效信号的能量集中在哪个频段再确定截止频率。比如想保留一个 100Hz 以内的振铃特征普通低通截止频率就不能设在 20Hz 以下否则该特征会被误伤。如果目标只是去掉工频干扰而有效信号在 100Hz 以下那么更合理的是先做一个 50Hz 陷波器再根据噪声情况决定后续低通截止频率。下面就来演示这种情况。6. 核心
