如何正确使用数字化仪前端信号调理?(二)

news2024/9/24 5:29:56

在上期文章如何正确使用数字化仪前端信号调理?(一)中,我们为大家介绍了数字化仪前端电路所需的特性以及使用过程中需要的输入抗阻和输入耦合,本期文章将为您介绍数字化仪前端信号调理的使用过程中所需的输入电压范围,与您分享一些改善信号完整性的小技巧以及数字化仪的内置校准功能

一、输入电压范围

数字化仪内部的核心ADC通常具有固定的输入量程。最简单的直连接口同样也只能提供一个固定量程,该量程与ADC的输入量程匹配。这种方式虽然简单,但在测量仪器中并不实用,除非这单一的量程恰好是用户需要使用的量程。而如果要将输入信号幅值调整到ADC的量程范围内,就需要有一个衰减器或放大器。

1.衰减器

其中衰减器是一种简单的电压分压器,通常为阻性分压,可以降低输入信号的幅值。当使用优质元件设计和制作时,通常不会显著降低信号的完整性。当衰减器在插入到信号路径中时,会出现的一个问题是,仪器内部噪声幅值等效到衰减前的强度会随着前端衰减比的变化而变化。比如,如果原本一个具有58 μV RMS噪声水平的数字化仪,在添加一个 10:1 的衰减器后,噪声水平相等效到输入端则是580 μV。也就是说,在增加衰减后,噪声水平相对于新的全量程范围仍然有相同的百分比比例。

2.放大器

放大器则是另一回事。即使具有正确设计,它们通常也会将额外的噪声引入信号路径,但同时,放大器的增益又会降低内部噪声等效到输入端的幅值,这种现象在某种程度上说也是一种对精度的补偿。放大器还可能引入失真,而进一步降低信号完整性。放大器的另一个限制是它们具有固定的增益带宽积。如果您希望增加它们的增益,则带宽必然会相应地降低。您还可以在高灵敏度范围参数中看到这一点,该参数对应的带宽也会被降低。

输入电压范围的选择是数字化仪设计中的关键课题,因为它会对信号的完整性产生重大影响。但同时,它也为用户提供了更大的灵活性,使用户可以根据可用的信号幅度更好地匹配ADC输入范围。数字化仪制造商提供了各种处理这种权衡的方法。通常,他们会从提供单一固定输入范围开始,然后逐渐将设计工作服务对象从ADC制造商转移到关注应用所需正确量程范围的最终用户,最终提供多种输入路径。多个输入路径配合带缓冲路径,提供了最大的输入范围和终端负载的灵活性,此外50Ω高频(HF)路径,则通过提供较少的输入范围和固定的50Ω负载电阻,提供了最高的带宽和最佳的信号完整性。

图3所示的结构框图展示了德思特TS-M4i系列板卡式数字化仪的模拟输入通道前端架构,该前端部分包括两个输入路径。

图3:德思特TS-M4i数字化仪的前端架构框图,其中含有全功能前端所需的各种元素,包括双输入路径、耦合、终端阻抗、滤波和内部校准源

在我们的设计中,高频路径为提供尽量大的带宽和尽量好的信号保真度而优化。而缓冲路径则通过提供更多的、范围更广的量程选择,为用户提供更大的灵活性。用户可以根据实际测量需求选择最佳的输入路径。

表1展示了14位、500 MS/s数字化仪(TS-M4i.445x型号)中两种路径的参数比较。

表1:14位、500 MS/s数字化仪中高频路径和缓冲路径的特性比较

图4提供了对数字化仪500 mV量程档上256级台阶波形的高频和缓冲路径响应对比。在这张图中,我们看到的是每条路径中的单个台阶数据,请注意,我们为每条路径选择了相邻的台阶,因此它们并不重叠。

图4:高频路径和缓冲路径响应的差异

请注意,尽管缓冲路径的带宽仅为高频路径的一半,但其峰峰值噪声水平还更高一些。

我们可以观察到,缓冲路径的峰峰值噪声水平明显高于高频路径。高频路径的设计为尽可能小的噪声而优化,因此尽管其带宽是缓冲路径的两倍,仍能显示出较少的噪声。而为此性能付出的代价就是减少了可用的输入量程范围数量,并需要使用固定的50Ω终端负载。也因此,如果您选择的其他数字化仪只能提供缓冲路径,或与之等效的前端通道,那么您将被迫引入较高的噪声水平。

接下来,再来看这些波形的直方图(如图5所示),我们可以看到高频路径的平均值的分散度小于缓冲路径的分散度。这意味着高频路径的噪声或畸变更小。

图5:高频和缓冲信号路径的数据值直方图,其中高频路径分布较窄,说明噪声水平更低

而这种现象的度量参数是标准差。在这个例子中,高频路径的标准差为0.125 mV,而缓冲路径的标准差为0.183 mV。这为两个信号路径之间相同的输入信号的噪声水平差异提供了量化依据。当然,我们应当注意,这两个响应之中也包含有信号源和数字化仪本身的噪声成分。

高频信号完整性更高的优势,也可以通过数字化仪分别使用两个输入信号路径获取到的正弦波对应的频率谱中看出,如图6所示。在这里面,左右两个窗格对应的是两个输入路径获取的信号的快速傅立叶变换(FFT)结果。红色和蓝色光标分别标记了频谱峰和最高杂散峰的峰值。从中可得知高频路径的无杂散动态范围为80.9 dB,而缓冲路径为60.7 dB。此外,我们还可以发现,高频信号路径中的噪声基线更低一些。

图6:比较缓冲(左侧)和高频(右侧)路径的频谱

这里测得高频路径的无杂散动态范围为80.9 dB,而缓冲路径为60.7 dB。

二、改善信号完整性的小技巧

无论您选择哪种信号路径,都有一些通用的技巧可以帮助您获得最佳信号完整性。最重要的一点就是尽可能多地利用输入量程范围。如果信号具有稳定的幅度,则选择至少使用90%范围的输入量程。但同时,也应避免超过ADC量程的情况发生。一旦超过满量程范围,结果将是失真或削波,而这将产生我们不希望的谐波并且降低信号的完整性。

如果你选用的数字化仪有内置带通滤波器,可以考虑将其启用,来帮助降低噪声。在德思特数字化仪中,其前端模拟信号处理部分,有一个20 MHz低通滤波器,可以选择启用来限制数字化仪的带宽。如果输入信号在20 MHz以上没有有用内容,则可以使用滤波器减少20 MHz以上的噪声通过,以改善采集到的信号的信噪比。

三、内置校准

德思特推出的所有数字化仪通道在发货前均经过工厂校准。但由于板卡式数字化仪被集成到PC环境中,而PC的电源电压和内部温度可能会存在较大波动,因此这些板卡式数字化仪的软件驱动程序都提供了自动的板上自校准程序,校准对象包括偏置值和增益(缓冲信号路径),并且会针对所有输入量程范围。每张数字化仪板卡上都包含一个高精度的内置校准参考源。这是一个很棒的特性,可以帮助数字化仪在环境变化和本身老化的情况下保持校准状态。推荐的校准程序使用时机是在数字化仪持续运行了足够的时间,达到了稳定的运行温度后再进行校准,这个预热时间通常在10到15分钟。

END

德思特板卡式数字化仪的模拟通道前端提供了确保准确、可重复测量所需的各种必备功能和特性。多量程范围、交流/直流耦合、滤波和内置校准功能都有助于确保信号的最大完整性和准确性。我们坚信,一个设计良好的模拟前端将允许用户恰到好处地处理输入信号,并尽可能确保输入信号能覆盖核心ADC的量程范围,而又不会超限。只有这样,数字化仪才能实现最佳的测量准确性和精度。


关于德思特

德思特是原虹科测试测量事业部孵化出来的独立公司,基于超过10年的业务沉淀,德思特公司专注提供电子测试/测量解决方案。主要业务范围涵盖:汽车电子仿真及测试、射频微波及无线通信测试、无线频谱监测与规划、无线通信(包括智能网联汽车无线通信、轨道交通、卫星通信、室内无线通信)、半导体测试、PNT解决方案、大物理和光电测试等。

核心成员具有9年以上的测试测量、无线通信及其他相关行业资历;技术团队获得世界五百强PNT解决方案合作伙伴Safran的GNSS技术及信号仿真和软件Skydel培训认证证书、航空航天测试和测量合作伙伴Marvin Test 的自动化测试软件ATEasy培训认证证书。

德思特研发部,核心成员获得国际项目管理师PMP认证资质,并具备LabVIEW、python等多种编程语言能力,优势能力集中于:HIL测试,半导体测试,EOL测试和质量检测等多种系统研发集成,拥有10多个实用新型和专利授权。

围绕汽车电子、射频微波、通信、航空航天等行业提供专业可靠的解决方案,现有客户包括华为、德赛西威、蔚来汽车、理想汽车、航天科工集团、清华大学、北京航空航天大学、中电科集团等。

此外,我们还是中国无线电协会、中国通信企业协会、雷达行业协会、RIS智能超表面技术协会等行业协会的会员。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/1596143.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

RabbitMQ实战教程(2)

十、RabbitMQ实战教程 在掌握了SpringCloudAlibaba的应用后,再来玩!! 为了更好的理解RabbitMQ在项目中的作用,来一套实战操作。 10.1 RabbitMQ实战场景 首先模拟一个场景,电商中对应的处理方案。 模拟一个用户在电…

WIFI详解及周边拓展

一、WiFi协议简介 WiFi协议,也称为无线保真技术,是一种允许电子设备通过无线方式在局域网(WLAN)和互联网上进行通信的技术标准。WiFi协议是基于IEEE 802标准的子系列标准协议,由电气和电子工程师协会制定。随着移动设备…

HTML的路径

路径的分类: 1.绝对路径 ~用于引用别处的图片(非本地的) 2.相对路径 ~用于引入自己项目内的图片 绝对路径: 绝对路径,即使从网上搜到的图片的位置(我们以图床的方式为例) 相对路径: …

TypeScript-官方基础模板创建的小程序,如何创建js文件

如何创建JS文件,不需要寻找“js”文件类型,只需要创建一个新的“文件”即可。 第一步:先删除 ts文件;如 index.ts 第二步:右键点击项目,选择“新建”,然后选择“文件”。 第三步:在弹出的界面中,在“文件名”中输入“…

使用SquareLine Studio创建LVGL项目到IMX6uLL平台

文章目录 前言一、SquareLine Studio是什么?二、下载安装三、工程配置四、交叉编译 前言 遇到的问题:#error LV_COLOR_DEPTH should be 16bit to match SquareLine Studios settings,解决方法见# 四、交叉编译 一、SquareLine Studio是什么…

Java多线程的线程状态和线程池参数

一、线程状态 当线程被创建并启动以后,它既不是一启动就进入了执行状态,也不是一直处于执行状态。线程对象在不同的时期有不同的状态。Java中的线程状态被定义在了java.lang.Thread.State枚举类中,State枚举类的源码如下: publi…

不再写满屏import导入

密密麻麻的import语句不仅仅是一种视觉上的冲击,更是对代码组织结构的一种考验。 我们是如何做到让import“占领满屏“的了,又该如何优雅地管理这些import语句呢? 本文将从产生大量import语句的原因、可能带来的问题以及如何优化和管理impo…

【C++软件调试技术】C++软件开发维护过程中典型调试问题的解答与总结

目录 1、引发C软件异常的常见原因有哪些? 2、排查C软件异常的常用方法有哪些? 3、为什么要熟悉常见的异常内存地址? 4、调试时遇到调用IsBadReadPtr或者IsBadWritePtr引发的异常,该如何处理? 5、如何排查GDI对象泄…

JavaScript-2.对话框、函数、数组、Date、DOM

对话框 window对象封装了三个对话框用于与用户交互 提示框:alert(title);确认框:confirm(title);输入框:prompt(title); 确认框 包含两个按钮“确认”/“取消”,点击确定时,返回值为true // 确认框 var bool con…

Python学习笔记16 - 函数

函数的创建和调用 函数调用的参数传递 函数的返回值 函数的参数定义 变量的作用域 递归函数 斐波那契数列 总结

Vitis HLS 学习笔记--硬件卷积加速 Filter2DKernel

目录 加速器功能 Window2D()函数 实现代码 变量解释 ARRAY_PARTITION DEPENDENCE LOOP_TRIPCOUNT ramp_up 更新Window 更新LineBuffer Filter2D()函数 ARRAY_PARTITION window_stream.read() 计算过程 备注 加速器功能 硬件加速单元从全局内存(DDR&a…

PP-LCNet:一种轻量级CPU卷积神经网络

PP-LCNet: A Lightweight CPU Convolutional Neural Network 最近看了一个新的分享,在图像分类的任务上表现良好,具有很高的实践意义。 论文: https://arxiv.org/pdf/2109.15099.pdf项目: https://github.com/PaddlePaddle/Padd…

javaweb在线拍卖系统

项目采用技术栈 htmlcssjs Vue2.js axios.js tomcat Servlet Mybatis Mysql 1.竞拍商品列表 实现多条件分页查询,头部根据是否登录作出不同的判断信息(登录或注销) 2.登录功能 3.竞拍页面 只有登录用户才能竞拍,出价记录需要实现关联用户查询 4.管理员登录增…

如何在Odoo 17 销售应用中使用产品目录添加产品

Odoo,作为一个知名的开源ERP系统,发布了其第17版,新增了多项功能和特性。Odoo 17包中的一些操作简化了,生产力提高了,用户体验也有了显著改善。为了为其用户提供新的和改进的功能,Odoo不断进行改进和增加新…

基于PCIe的智能处理系统研究

引言 人工智能是集合众多方向的综合性学科,在诸多应用领域均取得了显著成果。随着航空领域人工智能技术研究的不断深入,面向开放式机载智能交互场景,人工智能的应用可解决诸多问题。例如智能感知、辅助决策等,可利用人工智能算法对多源传感器捕获的海量信息进行快速处理,仅将处…

4、XTuner微调个人小助手(homework)

基础作业(结营必做) 训练自己的小助手认知(记录复现过程并截图) 1,环境安装 # 如果你是在 InternStudio 平台,则从本地 clone 一个已有 pytorch 的环境: # pytorch 2.0.1 py3.10_cuda11…

Grok-1.5 Vision:X AI发布突破性的多模态AI模型,超越GPT 4V

在人工智能领域,多模态模型的发展一直是科技巨头们竞争的焦点。 近日,马斯克旗下的X AI公司发布了其最新的多模态模型——Grok-1.5 Vision(简称Grok-1.5V),这一模型在处理文本和视觉信息方面展现出了卓越的能力&#x…

李沐36_数据增广——自学笔记

数据增强 增强一个已有的数据集,使得有更多的多样性 1.在语言里面加入各种不同的背景噪音 2.改变图片的颜色和形状 一般是在线生成、随机增强 常见数据增强 1.左右翻转 2.上下翻转(不总可行) 3.切割:从图片中切割一块&…

OpenCV4.9图像金字塔

目标 在本教程中,您将学习如何: 使用 OpenCV 函数 pyrUp()和 pyrDown()对给定图像进行下采样或上采样。 理论 注意 下面的解释属于 Bradski 和 Kaehler 的 Learning OpenCV 一书。 通常,我们需要将图像转换为与原始图像不同的大小。为此…

函数的参数命名和默认参数

在Kotlin中,函数可以有多个参数,记住参数的顺序或者仅靠位置理解他们的作用可能会很具有挑战性,特别是对于接受多个参数或者有相同类型参数的函数。命名参数通过允许开发者指定传递给函数的每个参数的名称来解决这个问题。 有一个用来展示用户…