一阶RC低通滤波

一阶RC低通滤波

从模拟到数字 
本文整理自网络、《匠人手记》等书籍文章

• 模拟电路低通滤波时域、频域
• 软件低通滤波

---

典型电路

 
图1 典型RC电路 
直流、交流、脉冲信号都可以用它

时域

电容电流： 

Ic=dqdt=d(C∙Uo)dt=CdUodt

基尔霍夫电压定律得： 

Ui=RCdUodt+Uo

Ui的单位是伏特，RC的单位为秒，τ=RC； 
解得: 

Uo(t)=Ui(1−e∧(−t/RC))

假设电容初始电压值为0 
R=1000Ω 
C=4.7uF 
Ui=1V 
t=0.0001~0.1s 
τ=RC 
Vc(τ)=0.632 
 
图2 一阶RC系统的阶跃响应曲线

频域

u1=Ui；u2=Uo； 
以电容电压作为输出，电路的网络函数为： 

H(jω)=U2U1=1jωCR+1jωC=11+jωRC

令ωc=

1RC=1τ

ωc即为截止频率；

幅值和相角函数： 

|H(jω)|=11+(ωωc)2−−−−−−−−√

θ(ω)=−arctanωωc

各变量取值： 
R=1000Ω 
C=4.7uF 

j=−1−−−√

ω=1RC

fc=12πRC

A(f)=1j2πfRC+1

|A(fc)|=0.707 

θ(f)=180arg(A(f))π

θ(fc)=-45

f=0.001、1、…….100000

幅频和相频特性图： 
 
图3 
 
图4 
幅频特性图的对数表示： 
 
图5

-当ω<ωc时，幅值是平行于坐标的直线，基本无衰减；　

-当ω>>ωc时，是斜率与-20dB/十倍频成比例的一条直线；　

-当ω=ωc时，增益衰减至0.707，即-3dB，相位滞后45度，对应低通滤波器，该频率通常被称为截止频率。

缺点： 
采用这种模拟滤波器抑制低频干扰时，要求滤波器有较大的时间常数和高精度的RC网络，增大时间常数要求增大R值，其漏电流也随之增大，从而降低了滤波效果；

软件上的一阶低通滤波

优点：

-采用数字滤波算法来实现动态的RC滤波，则能很好的克服模拟滤波器的缺点； 
-在模拟常数要求较大的场合这种算法显得更为实用； 
-其对于周期干扰有良好的抑制作用， 
-比较节省RAM空间

缺点

-不足之处是带来了相位滞后，导致灵敏度低； 
-同时它不能滤除频率高于采样频率的二分之一（称为奈奎斯特频率）的干扰（例如采样频率为100Hz，则它不能滤除50Hz以上的干扰信号）对于高于奈奎斯特频率的干扰信号，应该采用模拟滤波器。 
-对没有乘、除法运算指令的单片机来说，程序运算工作量较大

基本滤波算法：

算法由来： 
频率分析中一阶RC低通滤波在S域的传递函数： 

VoutVin=1RCs+1,(s=jω)

通过z变换（方法很多，如一阶前向差分、双线性变换等这里用一阶后向差分法） 

s=1−z∧(−1)T,T表示采样周期

带入S域传递函数中： 

Y(z)X(z)=1RC1−z∧(−1)T+1=TRC(1−z∧(−1))+T

推导转化为差分方程后可得： 

Y(n)=TT+RCX(n)+RCT+RCY(n−1)

通过Z变换把S域的传递函数转化成时域的差分方程，分析可得到

一阶RC数字滤波的基本算法

X为输入，Y为滤波后得输出值，则： 

Y(n)=a∗X(n)+(1−a)∗Y(n−1)

a为与RC值有关的一个参数，称为滤波系数，其值决定新采样值在本次滤波结果中所占的权重，其值通常远小于1，当采样间隔t足够小的时候， 

a=tRC

-滤波系数越小，滤波结果越平稳，但是灵敏度越低；

-滤波系数越大，灵敏度越高，但是滤波结果越不稳定

-本次输出值主要取决于上次滤波输出值，当前采样值对本次输出贡献比较小，起到修正作用；

-截止频率：

fl=a2πt

例如：t=0.5s (f=2Hz), a=1/32 
则fl=(1/32)/(2*3.14*0.5)=0.01Hz;

基本程序：

按照一阶滤波的基本原理与公式写程序，如下：

/*程序中整数运算比小数运算快，为加快程序的处理速度，为计算方便，a取一整数，1-a用256-a来代替，a则取0~255,代表新采样值在滤波结果中的权重（也可将1-a的基数改为100-a，计算结果做相应处理，这里不做说明）*/

#define a 128 

char value; //上次滤波值
char filter()
{
    char new_value;
    new_value=get_ad();//本次采样值
    return(256-a)*value/256+a*new_value/256；
}
 
 
1
2
3
4
5
6
7
8
9
10
11
 
 
1
2
3
4
5
6
7
8
9
10
11

程序初步优化

减少乘、除的运算次数以提高运算速度。 
具体优化办法： 
先将新采样值与上次滤波结果进行比较，然后根据比较采用不同的公式计算，这样程序的运算效率提高了一倍； 
化解基本公式可得: 

当Xn<Y(n−1)时，Yn=Y(n−1)−(Y(n−1)−Xn)×a÷256;

当Xn>Y(n−1)时，Yn=Y(n−1)+(Xn−Y(n−1))×a÷256;

流程图： 

程序：

/*入口：NEW_DATA 新采样值
       OLD_DATA 上次滤波结果
       k        滤波系数(0~255)(代表在滤波结果中的权重)
  出口：         本次滤波结果
 */
 char filter_1(char NEW_DATA,char OLD_DATA,char k)
{
    int result;
    if(NEW_DATA<OLD_DATA)
    {
        result=OLD_DATA-NEW_DATA;
        result=result*k;
        result=result+128;//+128是为了四色五入
        result=result/256;
        result=OLD_DATA-result;
    }
    else if(NEW_DATA>OLD_DATA)
    {
        result=NEW_DATA-OLD_DATA;
        result=result*k;
        result=result+128;//+128是为了四色五入
        result=result/256;
        result=OLD_DATA-result;
    }
    else result=OLD_DATA;
    return((char)result);
}
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

滤波分析： 
当滤波系数为30的时候： 
 
当滤波系数为128的时候： 
 
当滤波系数为200的时候： 
 
可见滤波系数越小，滤波结果越平稳，但是灵敏度越低；滤波系数越大，灵敏度越高，但滤波结果也越不稳定；

不足

-灵敏度和平稳度间的矛盾

-小数舍弃带来的误差 
比如：本次采样值=25，上次滤波结果=24，滤波系数=10； 
根据算法得本次结果=24.0390625 
在单片机中，很少采用浮点数，小数部分要么舍弃，要么进行四色五入。这样结果就变成24；假如采样值一直为25那么，结果永远是24；滤波结果和实际数据一直存在无法消除的误差。 
严重时会导致，在数据采样数据稳定在某一数值上时，滤波结果曲线偏离实际值（即滤波结果在稳定时与实际结果存在较大误差）；

改善办法

改变滤波系数，增大会导致平稳度降低，滤波系数太大滤波也就丧失意义； 
将小数位参与计算，会给CPU带来沉重运算压力；

优化方法 —– 动态调整滤波系数

1、实现功能： 
-当数据快速变化时，滤波结果能及时跟进，并且数据的变化越快，灵敏度应该越高（灵敏度优先原则） 
-当数据趋于稳定，并在一个范围内振荡时，滤波结果能趋于平稳（平稳度优先原则） 
-当数据稳定后，滤波结果能逼近并最终等于采样数据（消除因计算中小数带来的误差） 
2、调整前判断： 
-数据变化方向是否为同一个方向（如当连续两次的采样值都比其上次滤波结果大时，视为变化方向一致，否则视为不一致） 
-数据变化是否较快（主要是判断采样值和上一次滤波结果之间的差值） 
3、调整原则： 
-当两次数据变化不一致时，说明有抖动，将滤波系数清零，忽略本次新采样值 
-当数据持续向一个方向变化时，逐渐提高滤波系数，提供本次采样值得权； 
-当数据变化较快（差值>消抖计数加速反应阈值）时，要加速提高滤波系数

调整滤波系数的程序流程:

几个常量参数及其取值范围： 
（不同的取值会影响滤波的灵敏度和稳定度） 
1、消抖计数加速反应阈值，取值根据数据情况确定 
2、消抖计数最大值，一般取值10； 
3、滤波系数增量，一般取值范围为10~30 
4、滤波系数最大值，一般取值255； 

在调用一阶滤波程序前，先调用调整滤波系数程序，对系数进行即时调整

滤波效果

1、当采样数据偶然受到干扰，滤波结果中的干扰完全被滤除 
2、当数据在一个范围内振荡时，滤波结果曲线非常平滑，几乎是一根直线 
3、当采样数据发生真实的变化时，滤波结果也能比较及时地跟进 
4、当采样数据趋于稳定时，滤波结果逐渐逼近并最终等于采样数据

-最终改进算法，兼顾了灵敏度和平稳度的要求；同时又不太消耗系统的RAM； 
-只要合理调整几个常量，以使得算法更合适实际应用；

应用

下面是一个使用了动态调整滤波的例子：

程序：

//用MPU6050测得数据；对x轴滤波处理

#define Threshold_1     8       //阈值1用于一阶带参滤波器，变化角度大于此值时，计数增加
#define Threshold_2     30      //阈值2用于一阶带参滤波器，计数值大于此值时，增大参数，增强滤波跟随

float K_x=0; //滤波系数
u8 new_flag_x=0;//本次数据变化方向
u8 num_x=0;//滤波计数器


/*****带系数修改的一阶滤波函数

入口： NEW_DATA    新采样的角度值
      OLD_DATA    上次滤波获得的角度结果
      k           滤波系数(代表在滤波结果中的权重)
      flag        上次数据变化方向
出口： result      本次滤波角度结果
 */
float filter_1_x(float NEW_DATA,float OLD_DATA,float k,u8 flag)
{


    //角度变化方向，new_flag=1表示角度增加，=0表示角度正在减小
    if((NEW_DATA-OLD_DATA)>0)
        new_flag_x=1;
    else if((NEW_DATA-OLD_DATA)<0)
        new_flag_x=0;


    if(new_flag_x==flag)  //此次变化与前一次变化方向是否一致，相等表示角度变化方向一致
        {
            num_x++;
            if(fabs((NEW_DATA-OLD_DATA))>Threshold_1)
        //当变化角度大于Threshold_1度的时候，进行计数器num快速增加，以达到快速增大K值，提高跟随性
                num_x+=5;                           

            if(num_x>Threshold_2)   //计数阈值设置，当角度递增或递减速度达到一定速率时，增大K值
            {
                K_x=k+0.2;          //0.2为K_x的增长值，看实际需要修改
                num_x=0;
            }
        }
    else 
        {
            num_x=0;
            K_x=0.01;     //角度变化稳定时K_x值，看实际修改
        }

    OLD_DATA=(1-K_x)*OLD_DATA+K_x*NEW_DATA;
    return OLD_DATA;
}

 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52

上几张图片： 

-

-

修改程序中的阈值1和阈值2，可获得不同的滤波效果

————————————

再次声明：本文整理自网络、《匠人手记》等书籍文章，仅作为个人学习笔记