ADC — 模數轉換器是連接模擬世界與數字世界的橋梁。說到這里,有些朋友會問,我們為什么需要模數轉換?為什么需要ADC?
簡單來說,自然世界里面的很多信號,比如聲音信號、手機信號、電視信號等,都是具有一定頻率,以及帶寬的信息。這些信息被我們所熟悉,但是這還不夠的,我們希望這些信號能夠被機器熟悉,被機器識別,從而達到信息的傳遞,以及物物相連。
機器能夠識別的是數字信號,能夠處理的也是0101的數字信號,所以說ADC是讓一些模擬信息能夠被MCU,DSP,FPGA這些處理器處理的媒介。如圖一 ADC轉化過程。
圖一 ADC轉化過程
什么是Sigma-Delta ADC?
Sigma-Delta ADC一般由Σ-Δ調制器和降采樣抽取濾波器組成,以遠高于Nyquist頻率的采樣頻率對輸入信號進行采樣,采樣后的信號經調制器處理后轉換為低位高碼率的數字信號流。
也就是ADC里面分為兩部分,一部分是調制器,另一部分是可配置數字濾波器,調制器的作用是將模擬信號完成模數轉化并整形,數字濾波器的作用是抽取,平均,濾波。整個過程都是在ADC內部完成的,ADC將數據流通過SPI總線總線傳遞給MCU。如圖二 Sigma-Delta ADC 內部框圖
圖二 Sigma-Delta ADC 內部框圖
Sigma-Delta ADC的主要優勢是超高信噪比,換句話說就是有效位數高,通俗地講就是精度高,測得準。目前24位,32位的Sigma-Delta ADC非常多,已經不是很稀缺了,缺點也很明顯,處理信號的帶寬相對來說比較窄,這是由于我們在設計此類ADC的限制,保留采樣信號中的低頻信息,濾除高頻噪聲。
如圖二左半部分就是Σ-Δ調制器,它包含一個加法器、積分器、一個比較器和一個1Bit DAC。右半部分就是降采樣抽取濾波器,那么它們是如何配合工作呢?
Sigma-Delta ADC如何實現高精度高性能?
1. 過采樣
過采樣技術在1946年被首次提出,是指用遠大于Nyquist頻率的采樣頻率對輸入信號進行采樣,用過采樣率(Over Sampling Ratio, OSR)來衡量過采樣程度。OSR與信號帶寬fb之間的關系為:OSR=fs/(2fb)。
過采樣技術會給ADC帶來兩個優勢:首先,較高的采樣頻率會降低前級抗混疊濾波器的設計要求,過渡帶可以稍微平滑;其次,過采樣技術可以提高信噪比。當采樣頻率提高時,量化噪聲的功率譜密度Se(f)會隨之降低,從而提高帶寬內的信噪比,如圖三所示。
圖三 過采樣示意圖
a代表常規的奈奎斯特采樣,b代表過采樣
怎么去理解這個圖呢,我們都知道采樣定理,通常的我們的采樣頻率應該是大于輸入信號的2倍以上,我們采樣后信號才不會出現混疊,信號信息才不會丟失,如圖三a所示,此時的fs/2剛好等于輸入信號最大頻率,此時的量化噪聲的功率譜密度:
當采樣頻率提高時,Se(f)降低,即量化噪聲的功率譜密度降低,這有點類似我們電源里面的擴頻技術;另外一方面,過采樣之后,我們的抗混疊濾波器就比較好設計了,因為如上圖表現,Haaf(f) 設計一個低階的平滑的低通濾波器就足夠了。
2. 量化噪聲整形
過采樣技術能有效降低信號帶寬內的量化噪聲,但僅通過增大采樣頻率來提高ADC的信噪比,會大幅度增加功耗,提高電路設計難度。因此,Sigma-Delta ADC的另一種精度提升技術——噪聲整形技術于1954年首次提出,基本原理是改變量化噪聲在頻譜上的分布,將低頻噪聲搬移到高頻,經后級數字抽取濾波器可以濾除信號帶寬外的大部分噪聲,從而提高帶寬內的信噪比,如圖四所示。
圖四 整形后的量化噪聲
噪聲整形技術是通過利用積分器來構建具有高通特性的環路濾波器,對量化噪聲進行整形,具體的公式推導此處就省略了,最后的量化噪聲公式類似于一個正弦波。
由圖可見,頻率越低,噪聲也越低,噪聲頻譜不再類似于矩形,而是變為幅度與頻率相關的類似于正弦波的波形。這樣的話,量化噪聲在低頻段的能量譜密度更小,信號帶寬內的總噪聲越小,那么信號的載噪比就提升上去了,性能就提升了。
3. 數字抽取濾波
可以理解為通過數字濾波器后將調制器的數字輸出的N位加起來,然后取平均值,這樣的話,相當于輸出速率降低了,但是采集的數值更加接近于此段時間的平均值,如圖五,可以看看Sigma-Delta ADC的采樣過程。
圖五 Sigma-Delta ADC的采樣過程以及與SAR采數區別
Sigma-Delta ADC的應用
-
adc
+關注
關注
98文章
6496瀏覽量
544475 -
比較器
+關注
關注
14文章
1650瀏覽量
107186 -
低通濾波器
+關注
關注
14文章
474瀏覽量
47391 -
模數轉換器
+關注
關注
26文章
3201瀏覽量
126810 -
ADC采樣
+關注
關注
0文章
134瀏覽量
12840 -
射頻調制器
+關注
關注
0文章
7瀏覽量
3581
發布評論請先 登錄
相關推薦
評論