ADC噪声全面分析 -03- 利用噪声分析进行实际设计

简介: ADC噪声全面分析 -03- 利用噪声分析进行实际设计

定义系统噪声性能


在前文中,详细探讨了 ADC 噪声性能,从其特性和来源到如何测量和指定。 现在,将把前面的理论理解应用到一个实际的设计示例中。 最终,目标是为提供回答“我真正需要什么样的噪声性能?”这个问题所需的知识,让用户能够轻松自信地为下一个应用选择 ADC。

系统规范


我将通过定义应用的系统规范、将这些规范转换为目标噪声性能参数并使用该信息来比较潜在的 ADC 来开始该示例。 例如,让我们分析一个使用类似于下图所示的四线电阻桥的称重应用。

image.png

对于系统规格,假设您想要以每秒 5 个样本 (SPS) 的速度进行采样的灵敏度为 2 mV/V 和激励电压为 2.5 V 的电桥。这提供了 5 mV 的最大输出电压,对应于 1 kg 的重量范围。 我们还假设您希望能够解决 50 毫克的最小应用重量。 下表总结了这些参数。

Parameter System specification
电桥灵敏度 2 mV/V
激励/参考电压 2.5 V
输出数据速率 5 SPS
重量范围 1 kg
重量分辨率 50 mg

现在已经掌握了系统规格,将它们转换为常见的噪声参数,以帮助您选择 ADC。

定义系统噪声参数


建议使用输入参考噪声来定义系统噪声参数并选择 ADC。 但让我们从使用无噪声计数和无噪声分辨率的更常见方法开始。 然后,您可以将此方法与直接使用输入参考噪声进行比较。 使用公式计算您的初始噪声参数:

image.png

由于所需的 14.3 位无噪声分辨率,可能很快得出结论,只需要一个 16 位 ADC。 然而,高分辨率 Δ-Σ ADC 实际可以提供的无噪声分辨率取决于 ADC 满量程范围的利用率百分比。 在本例中,系统使用 2.5V 参考电压,最大输入信号是激励电压 (2.5V) 和电桥灵敏度 (2mV/V) 的乘积。

公式显示了预期分辨率损失:

image.png

由于只使用了可用满量程范围的 0.1%,因此将损失近 10 位的分辨率。 在这个级别上,即使是 24 位 ADC 也不足以满足系统要求。为了补救这个问题,需要通过更改系统规格或放大输入信号来提高利用率百分比。 假设您几乎无法控制系统所需的内容,那么您只能获得输入,这一操作绝对会改变信号链的噪声性能。

幸运的是,我们无需详细了解放大器噪声如何影响系统性能即可继续分析。 可以利用现有知识分析具有集成 PGA 的 ADC 的数据表噪声表,以确定它是否满足系统要求。

例如,下表显示了高达 50 SPS 的 24 位 ADS124S08 的有效和无噪声分辨率表,其中突出显示了目标数据速率。ADS124S08 包括 1 V/V 至 128 V/V 的增益。

image.png

要确定此 ADC 是否满足要求,需要分别重新计算每个增益设置的预期分辨率损失,因为每个增益设置都会导致不同的百分比利用率。然后,需要将此添加到上表中报告的每个相应的无噪声分辨率值中,以查看它是否符合系统规范。

下表列出了这些不同的值以及使用 ADS124S08 以 5-SPS 数据速率计算的系统无噪声分辨率(以位为单位)。

image.png

在 5 SPS 下使用 32、64 或 128 V/V 的增益只能实现所需的 14.3 位系统无噪声分辨率。

下表在数据表噪声表的上下文中突出显示了这些值。

image.png

表中的一个关键要点是,没有简单的方法可以在不进行多次计算的情况下将数据表中的值与系统噪声参数相关联。 虽然这在计算结果后现在可能不相关,但如果系统规格突然发生变化怎么办?

假设决定将激励(参考)电压从 2.5 V 提高到 5 V。您还将电桥灵敏度提高到 20 mV/V(这意味着您不能使用最高增益设置,因为这样会超过ADC)。 正在探索以 20 SPS 而不是 5 SPS 进行采样的选项。 这些变化如何影响您的 ADC 噪声分析?

要确定答案,您必须在新的数据速率和参考电压下为每个增益设置计算新的分辨率损失。 此外,您必须根据 5 V 参考电压重新有效分辨率表格,因为该图的计算使用 2.5 V 的参考电压。最后,您必须通过减去计算的分辨率损失来重新创建使用 5V 参考电压创建的无噪声分辨率表。

这需要做很多工作,并且是无噪声分辨率作为相对参数的直接结果。 所以现在切换到使用绝对噪声参数,看看分析是如何变化的。

使用输入参考噪声


与无噪声分辨率一样,只需了解一些系统规格即可确定您的电桥所需的输入参考噪声。 需要知道它的最大输出信号,即 5 mV。 还需要知道此最大信号对应的重量范围,即 1 kg。 最后,需要知道您的体重分辨率,即 50 毫克。 借助这几位信息,可以使用下面的公式确定 ADC 需要能够解析 250 nV 的峰峰值信号:

image.png

使用输入参考噪声的好处之一是不必担心计算分辨率损失。相反,您可以直接将计算值与 ADC 的输入参考噪声表进行比较,以确定哪种设置组合可提供相同或更低级别的噪声性能。

下表是ADS124S08 输入参考噪声表的精简版。提供 ≤250 nVPP 的输入参考噪声的增益和数据速率设置的任何组合。

image.png

如果将表中的结果与前面表中使用无噪声分辨率的分析进行比较,您会发现上表提供了满足系统要求的整个 ADS124S08 设置范围。 而前面表中提供所选数据速率下的值,并要求针对不同的数据速率执行新的计算,从而使这种方法不太适应系统规范的变化。

系统变化的影响


现在假设已将重量范围增加到 5 kg,重量分辨率增加到 500 mg,并将电桥的最大输出信号保持在 5 mV,如公式 11 所示:

image.png


通过快速计算,可以确定系统噪声要求已放宽至 500 nVPP,从而为您提供更多增益和数据速率组合。 下表中表明,这些宽松的系统规范允许您更快地进行采样(高达 20 SPS)或降低增益(低至 4 V/V),同时仍能实现必要的噪声性能。

image.png

如果体重秤需要更高的分辨率怎么办?

例如,保留 5-kg 重量范围要求,但从第一个示例返回到 50-mg 重量分辨率。 保持最大电桥输出相同 (5 mV),现在需要 50 nVPP 的输入参考噪声,这非常低。 ADS124S08 增益和数据速率的组合无法提供这种级别的性能。 但由于可以轻松地使用任何 ADC 执行相同的分析,因此只需选择具有更好噪声性能的 ADC。

下表显示了 ADS1262 的噪声表,这是一款 32 位 ADC,功能类似于 ADS124S08,但提供更好的噪声性能。表中的青色阴影表示提供 ≤50 nVPP 的输入参考噪声的数据速率和噪声组合,并确认 ADS1262 可以满足您系统的新分辨率要求。

image.png

为了论证,将输入参考噪声结果与相对参数进行比较。 下表突出显示了 ADS1262 在与下表所示相同的数据速率和增益配置下的无噪声分辨率性能。

image.png

在前文中提到不必要地关注最大化其无噪声分辨率(动态范围)。 可以通过在系统所需的 5-SPS 数据速率下根据最大突出显示值计算系统的无噪声分辨率来检查这一点。 在表 12 中,该值为 23.5 位,使用 Sinc4 滤波器可在 16 V/V 的增益下获得。

表格计算使用 5V 参考电压,而不是系统指定的 2.5V 参考电压。 为了补偿这种差异,给出的每个分辨率值都必须减少一位。 这意味着在给定条件下,您只能期望最大 22.5 位的无噪声分辨率。 您现在可以计算 ADS1262 在这些设置下的预期分辨率损失。

使用公式的结果,使用 32 位 ADC 的系统无噪声分辨率仅为 16.5 位:

image.png

对许多人来说,这是一个令人沮丧的结果,这似乎证实了您为 ADC 无法实际提供的性能付出代价的恐惧。实际上在给定条件下利用了 48-nVPP 噪声。 这是一个非常小的值,没有 16 位 ADC 和极少数 24 位 ADC 可以提供。

需要如此高分辨率的 ADC 来实现 16.5 位的无噪声分辨率(动态范围),因为系统需要极低的噪声性能。 这就是为什么使用输入参考噪声来定义系统性能和选择 ADC 是有意义的。

小结


  1. 使用通用过程:
  • 将传感器输入(温度、重量、电流、电阻等)转换为电压。
  • 定义系统分辨率和范围。与ADC 噪声表进行比较。
  1. 输入参考噪声最适合定义系统性能:
  • 能够在 ADC 之间进行公平比较。
  • 消除了对电压基准的依赖。
  • 与ADC 噪声表进行比较。
  1. 输入参考噪声最适合定义系统性能:
  • 能够在 ADC 之间进行公平比较。
  • 消除了对电压基准的依赖。
  • 提供一系列适用的增益和数据速率设置。
  1. 专注于解析最小和最大信号——最大化动态范围并不总是很重要。
目录
相关文章
BJT放大电路的小信号模型分析法
BJT放大电路的小信号模型分析法是一种常用的分析方法,用于研究BJT放大电路在小信号条件下的放大特性。该方法基于线性化假设,将非线性的BJT放大电路近似为线性的小信号模型,以便进行分析和计算。
288 0
一阶动态电路时域分析
一阶动态电路时域分析是指研究电路在时间域内响应特性的一种分析方法。 一阶动态电路时域分析的主要特征和意义如下: 对象是一阶电路。一阶电路指其动态行为可以用一个一阶微分方程描述的电路,如RC电路、RL电路等。 分析域是时间域。研究的不是电路在不同频率下的频率响应,而是输入信号作用下输出量随时间的变化规律。 研究内容是电路的时域响应特性。如电路对阶跃输入的阶跃响应、对脉冲输入的脉冲响应曲线等。 主要方法是解一阶微分方程。根据电路的等效模型写出其一阶微分方程,然后选择适当解法求其时间域解。 目的是分析电路的动态性能。如过渡过程、时间常数、稳态误差等定量参数,为电路设计和应用提供参考。
218 0
|
3月前
基于VMD的小波软阈值的局方信号降噪方法研究
基于VMD的小波软阈值的局方信号降噪方法研究
59 1
|
3月前
|
算法 5G Windows
OFDM系统中的信号检测算法分类和详解
参考文献 [1]周健, 张冬. MIMO-OFDM系统中的信号检测算法(I)[J]. 南京工程学院学报(自然科学版), 2010. [2]王华龙.MIMO-OFDM系统传统信号检测算法[J].科技创新与应用,2016(23):63.
76 4
|
算法
【信号去噪和正交采样】流水线过程的一部分,用于对L波段次级雷达中接收的信号进行降噪(Matlab代码实现)
【信号去噪和正交采样】流水线过程的一部分,用于对L波段次级雷达中接收的信号进行降噪(Matlab代码实现)
|
数据采集 编解码 网络性能优化
ADC噪声全面分析 -02- ADC 噪声测量方法和相关参数
ADC噪声全面分析 -02- ADC 噪声测量方法和相关参数
746 0
ADC噪声全面分析 -02- ADC 噪声测量方法和相关参数
|
机器学习/深度学习 传感器 算法
【图像误差测量】测量 2 张图像之间的差异,并测量图像质量(Matlab代码实现)
【图像误差测量】测量 2 张图像之间的差异,并测量图像质量(Matlab代码实现)
LDO的噪声来源、抑制方法
LDO的噪声来源、抑制方法
610 0
|
算法
【使用维纳滤波进行信号分离】基于维纳-霍普夫方程的信号分离或去噪维纳滤波器估计(Matlab代码实现)
【使用维纳滤波进行信号分离】基于维纳-霍普夫方程的信号分离或去噪维纳滤波器估计(Matlab代码实现)
191 0
|
监控 计算机视觉
【MWSG】滤波器增强频谱图,实现强大的鸟声检测(Matlab代码实现)
【MWSG】滤波器增强频谱图,实现强大的鸟声检测(Matlab代码实现)