让电机控制更丝滑：基于STM32F103的动态滤波算法实战
电机控制系统的性能往往取决于细节处理。当你在调试PID参数时发现无论如何调整都无法消除转速震荡，或是响应速度始终达不到预期，问题可能出在信号滤波环节。传统固定系数的RC滤波算法就像一双僵硬的手套——它确实能过滤噪声，但也扼杀了系统的敏捷性。
我在调试四轴飞行器电机时曾遇到一个典型现象：快速推油门时电机响应滞后，而缓慢调节时又出现转速波动。这种矛盾正是静态滤波无法解决的痛点。本文将分享一种能根据信号变化率动态调整滤波系数的算法实现，通过STM32F103的代码实例展示如何让电机控制既平稳又迅捷。
1. 静态滤波的先天缺陷
固定参数的RC滤波就像只能开固定大小窗户的房间——开大了灰尘（噪声）会进来，开小了新鲜空气（有效信号）又进不来。在电机控制中，这种矛盾尤为明显：
- 响应延迟：滤波系数α=0.1时，阶跃响应需要约20个采样周期才能达到目标值的90%
- 震荡抑制：同样的α值对高频噪声的衰减仅有-20dB/decade
通过STM32的PWM捕获单元实测，一个3000RPM的直流电机在突加负载时，固定滤波会导致转速信号出现明显滞后：
// 传统一阶RC滤波实现 float static_filter(float new_value) { static float filtered = 0; const float alpha = 0.1; // 固定系数 filtered = alpha * new_value + (1-alpha) * filtered; return filtered; }实测数据显示，当负载突变时，固定滤波会使系统响应延迟增加50-100ms。这在需要快速响应的伺服系统中是完全不可接受的。
2. 动态滤波的核心思想
动态滤波算法的精妙之处在于它像经验丰富的司机——直道加速时敢踩油门，弯道行驶时知道提前减速。其核心是通过实时评估信号的变化趋势来调整滤波强度：
| 信号状态 | 滤波策略 | 系数调整方向 |
|---|---|---|
| 快速变化阶段 | 减弱滤波 | α增大 |
| 稳定保持阶段 | 增强滤波 | α减小 |
| 微小波动阶段 | 保持适度滤波 | α适中 |
实现这一机制需要三个关键参数：
- 变化率阈值：区分信号是正常波动还是有效变化
- 加速因子：当检测到有效变化时系数调整幅度
- 消抖计数器：防止噪声误触发状态切换
3. STM32上的算法实现
下面是在STM32F103上实现的完整动态滤波代码，使用TIM2定时器触发ADC采样：
#define THRESHOLD_RISING 0.05f // 上升变化阈值 #define THRESHOLD_FALLING -0.03f // 下降变化阈值 #define ALPHA_MIN 0.02f // 最小滤波系数 #define ALPHA_MAX 0.5f // 最大滤波系数 #define ACCELERATION_FACTOR 2.0f // 加速因子 float dynamic_filter(float new_value) { static float filtered = 0; static float last_raw = 0; static float alpha = 0.1f; static uint8_t stable_count = 0; // 计算变化率 float delta = (new_value - last_raw) / last_raw; last_raw = new_value; // 状态判断与系数调整 if(delta > THRESHOLD_RISING) { alpha *= ACCELERATION_FACTOR; stable_count = 0; } else if(delta < THRESHOLD_FALLING) { alpha *= ACCELERATION_FACTOR; stable_count = 0; } else { if(++stable_count > 5) { alpha /= ACCELERATION_FACTOR; } } // 系数限幅 alpha = (alpha > ALPHA_MAX) ? ALPHA_MAX : alpha; alpha = (alpha < ALPHA_MIN) ? ALPHA_MIN : alpha; // 执行滤波 filtered = alpha * new_value + (1-alpha) * filtered; return filtered; }实际部署时要注意：
消抖计数器阈值应根据实际采样频率调整，通常设置为3-5个采样周期 变化率阈值建议初始设为标准偏差的2-3倍，再根据实测微调
4. 参数调试实战技巧
通过匿名地面站捕获的波形对比可以清晰看到动态滤波的效果。以下是调试过程中的关键发现：
加速因子选择：
- 过大（>3.0）会导致系数振荡
- 过小（<1.5）则响应改善不明显
- 推荐从2.0开始尝试
阈值设置经验：
# 伪代码：自动计算阈值 def calculate_threshold(samples): std_dev = np.std(samples) rising_th = 2.5 * std_dev falling_th = -1.8 * std_dev return rising_th, falling_th特殊工况处理：
- 启动阶段临时禁用动态调整
- 过载保护时强制使用强滤波
- 对PWM占空比变化率做限幅
实测对比数据表明，在同等噪声水平下，动态滤波可使：
- 阶跃响应时间缩短40-60%
- 稳态波动降低30-50%
5. 进阶优化方向
当系统要求更高性能时，可以考虑以下增强方案：
混合滤波架构
graph LR A[原始信号] --> B[动态滤波] A --> C[移动平均] B --> D[选择器] C --> D D --> E[输出]自适应参数调整
- 根据电机温度自动调节阈值
- 学习历史数据优化加速因子
- 在线噪声分析调整系数边界
在无刷电机控制中，我还发现结合转速前馈可以进一步提升动态性能。具体做法是将滤波后的转速微分作为前馈项注入电流环：
float speed_feedforward = (current_rpm - last_rpm) * Kf; current_setpoint += speed_feedforward;这种组合策略在四轴飞行器的快速机动中表现尤为出色，相比纯PID控制减少约30%的超调量。
