跟着DeepSeek学习测试ADC指标

引言

为啥要自己动手测试ADC指标，可以说自己爱折腾，可以说自己爱学习，说一千道一万还是因为no money。不过确实了解下来，发现测试方法也挺好玩，而且可操行（基于一些基础平台）很强。那还是找强大的ai大模型帮忙搜集组织这些测试方法，整理记录一下

ADC关键性能指标概述

• 分辨率（Resolution）：能够将模拟信号转换为数字信号时的最小量化单位，通常以位数（bit）表示。分辨率决定了ADC能够区分的最小电压变化。例如，一个12位ADC的分辨率意味着它可以将输入电压范围划分为$2^{12}=4096$ 个不同的数字值。$\text{分辨率}=\frac{V_{\text{ref}}}{2^n}$，音频上主要是16bit 24bit 32bit。例如，一个10位ADC，参考电压为5V，其分辨率为： [ $\frac{5V}{2^{10}}=\frac{5V}{1024}\approx 4.88\text{mV}$ ]，有时候也叫比特精度，但分辨率和精度是两个不同的概念：
  分辨率：表示ADC能够区分的电压最小变化量。
  精度：表示ADC转换结果与实际电压值之间的误差范围，包括非线性误差、偏移误差等。
  高分辨率的ADC不一定具有高精度，但高精度的ADC通常需要足够的分辨率。
• 有效位数（ENOB）：ENOB（Effective Number of Bits）是衡量模数转换器（ADC）实际性能的关键指标，反映了ADC在真实环境中（考虑噪声和失真）的有效分辨率。理论分辨率（如16位ADC）可能因实际信号质量下降，ENOB通过量化实际动态范围与理想ADC的对比得出。 ENOB通过信噪比（SNR）和失真（SINAD）计算： [ $\text{ENOB}=\frac{\text{SINAD}-1.76}{6.02}$ ]
  SINAD（Signal-to-Noise and Distortion Ratio信号与噪声加失真比）：是衡量信号质量的重要指标，定义为信号功率与噪声加失真功率的比值，通常以分贝（dB）表示。采集信号数据并进行快速傅里叶变换（FFT）。识别基波分量并计算其功率。计算除基波外所有其他频率分量的总功率。通过公式计算SINAD： [ $\text{SINAD}=10{\log }_{10}\left(\frac{P_{\text{signal}}}{P_{\text{noise}}+P_{\text{distortion}}}\right)$]。
  1.76 dB：理想ADC的量化噪声基准。
  6.02 dB：每增加1位分辨率对应的SNR提升量。
  测量方法
  正弦波测试：输入纯净正弦信号，分析输出频谱计算SINAD。
  FFT分析：通过快速傅里叶变换分离噪声和失真成分。
  示例
  若某ADC的SINAD为50 dB： [ $\text{ENOB}=\frac{50-1.76}{6.02}\approx 8.01\text{位}$ ] 尽管标称12位，实际有效分辨率仅约8位。
• 总谐波失真（THD）/总谐波失真+噪声（THD+N）: 总谐波失真（THD）和总谐波失真+噪声（THD+N）是衡量信号质量的重要指标，但两者在定义和应用场景上存在显著差异。 总谐波失真（THD）：THD用于量化信号中谐波失真成分的占比，通常以百分比表示。其定义为信号中所有谐波分量的有效值（RMS）与基波分量有效值的比值，计算公式为：[ $THD=\frac{\sqrt{{\sum }_{n=2}^{\infty }{V}_n^2}}{V_1}\times 100$ ]其中，( V_1 )为基波电压有效值，( V_n )为第n次谐波电压有效值。THD仅考虑谐波成分，忽略噪声和其他非谐波干扰。
  总谐波失真+噪声（THD+N）：THD+N在THD的基础上增加了噪声的影响，更全面地反映信号失真情况。其定义为谐波分量与噪声的总有效值与基波有效值的比值：[ $THD+N=\frac{\sqrt{{\sum }_{n=2}^{\infty }{V}_n^2+V_{noise}^2}}{V_1}\times 100$ ]其中，( V_{noise} )为噪声的有效值。THD+N能更真实地评估系统在实际环境中的性能，尤其适用于低噪声或高精度要求的场景。测量方法:
  THD测量：通过带阻滤波器滤除基波，测量剩余谐波成分。
  THD+N测量：直接测量基波以外的全部能量（包括谐波和噪声），输入1 kHz正弦波（典型-1 dBFS）通常使用频谱分析仪或专用测试设备测量谐波及噪声能量。
• 积分非线性（INL）和微分非线性（DNL）：是衡量模数转换器（ADC）和数模转换器（DAC）性能的核心静态指标，直接反映转换器的精度。以下是深度解析：$$\begin{array}{cccc}\text{指标}& \text{全称}& \text{定义}& \text{物理意义}\\ \text{DNL}& 微分非线性\text{Differential Non-Linearity}& 实际步进vs理想步进\text{(1 LSB的理想变化量)}& 衡量相邻码值的宽度均匀性\text{→ 局部线性度}\\ \text{INL}& 积分非线性\text{Integral Non-Linearity}& 实际转换点vs理想直线\text{（端点拟合或最佳拟合直线）}& 衡量整体转换曲线的弯曲程度\text{→ 全局线性度}\end{array}$$由于音频领域使用的sigma-delta过采样的方式，对这两个值不敏感，所以不是我们关注的方向。
• 动态范围（Dynamic Range, DR）/无杂散动态范围（SFDR） ：动态范围（DR）
  定义：系统或器件能够处理的最大信号与最小可检测信号（通常由噪声限制）的比值，通常以分贝（dB）表示。
  公式：
  $$DR=10{\log }_{10}\left(\frac{P_{max}}{P_{noise}}\right)$$
  $$DR=20{\log }_{10}\left(\frac{V_{\text{full scale}}}{V_{\text{noise}}}\right)\text{(dB)}$$
  其中：

( $P_{max}$ ) 为系统能处理的最大信号功率（通常接近饱和点）；
( $P_{noise}$ ) 为噪声功率（通常为基底噪声）。
应用场景：描述系统对信号幅度的整体处理能力，如音频设备、ADC/DAC等。
无杂散动态范围（SFDR）
定义：系统在存在杂散（Spur）信号时，最大信号与最显著杂散信号的功率比值，以dB表示。
公式：
$$SFDR=10{\log }_{10}\left(\frac{P_{signal}}{P_{spur}}\right)$$
其中：

( $P_{signal}$ ) 为输入信号功率；
( $P_{spur}$ ) 为最显著杂散信号功率。
应用场景：衡量系统在非线性失真（如谐波、互调失真）下的性能，常见于射频、通信系统。
核心区别

DR关注信号与噪声的对比，SFDR关注信号与杂散的对比；
DR反映线性动态范围，SFDR反映非线性失真限制下的动态范围；
SFDR通常低于DR，因杂散功率可能高于噪声基底。

测量方法
动态范围（DR）测量

确定噪声基底：输入信号置零，测量输出噪声功率谱密度（PSD），积分得到总噪声功率 ( P_{noise} )。
测量最大信号：逐步增大输入信号幅度，直至输出信号出现明显失真（如THD超过阈值），记录此时功率 ( P_{max} )。
计算DR：通过公式 ( $DR=P_{max}-P_{noise}$ )（dB）。
测试方法背后的数学原理：
测试信号选择（-60 dBFS正弦波）$V_{test}=V_{fullscale}\ast 10^{-60/20}=V_{fullscale}\ast 0.001$
此时信号功率：$P_{test}=V_{test}^2\ast 10^{-6}$
测量输出信噪比SNR：SNR_measured = 10 × log₁₀(P_test / P_noise) [单位：dB]
${\text{SNR}}_{\text{measured}}=10{\log }_{10}\frac{P_{\text{test}}}{P_{\text{noise}}}$
$$\begin{array}{rl}{\text{SNR}}_{\text{measured}}& =10{\log }_{10}\frac{V_{\text{test}}^2}{V_{\text{noise}}^2}\\ & =20{\log }_{10}\frac{V_{\text{test}}}{V_{\text{noise}}}\\ & =20{\log }_{10}\frac{V_{\text{full scale}}\times 0.001}{V_{\text{noise}}}\\ & =20{\log }_{10}\frac{V_{\text{full scale}}}{V_{\text{noise}}}+20{\log }_{10}(0.001)\\ & =\text{DR}-60\text{(dB)}\end{array}$$
$$\boxed{\text{DR}={\text{SNR}}_{\text{measured}}+60\text{(dB)}}$$
为什么此方法有效？
避免非线性失真影响

若直接输入满幅信号（0 dBFS），ADC的非线性失真（THD）会污染测量结果。

-60 dBFS信号足够小：确保ADC工作在线性区（失真可忽略），此时输出噪声功率 ≈ 无信号时的本底噪声功率
$P_{noise}$ 。

信噪比（SNR）与动态范围（DR）的统一

当输入信号远小于满量程时，测得SNR实际反映了 “信号与底噪的比值”。

通过+60 dB的补偿，将小信号测试结果换算为满量程信号对比底噪的比值（即DR的定义）。
无杂散动态范围（SFDR）测量

输入单频信号：施加一个纯净正弦波信号，频率为 ( f_{in} )，幅度接近满量程但未饱和。
频谱分析：通过频谱仪或FFT分析输出信号，识别除基频外的杂散分量（如谐波、互调产物）。
定位最差杂散：找到功率最高的杂散信号 ( P_{spur} )。
计算SFDR：通过公式 ( $SFDR=P_{signal}-P_{spur}$ )（dB）。
。

• 信噪比（SNR）：满量程信号有效值与无信号时噪声的比值（dB）。

测试方法：输入-60 dBFS信号，计算SNR = 测量值 + 60 dB。参考上面的测试方法。

• 频率响应（Frequency Response）：ADC对不同频率信号的增益一致性。

测试方法：扫频测试（20 Hz-20 kHz），对比输入/输出幅度差（±0.5 dB内为优）。

• 通道间串扰（Crosstalk）：相邻通道信号泄漏程度。

测试方法：单通道输入满幅信号，测量其他通道的输出（<-80 dB为佳）。

搭建ADC测试环境

• 硬件需求：信号源、示波器、数据采集卡
• 软件需求：DeepSeek工具、Python/Matlab脚本
• 测试电路连接与校准
• 生成测试信号（正弦波、斜坡信号等）
• 采集ADC输出数据并存储

分析ADC data sheet标称值

• V_in_max：或者叫做full scale Input level，一般是根据参考电压给出的值V_in_ref或者analog_Vdd，也有直接给出绝对电压值的，例如：1.2V。
• SNR：很多data sheet上还要附加A-weigh，这里指的是A计权， 是一种基于人耳听觉特性的频率加权方式，用于模拟人耳对不同频率声音的敏感度差异。平坦响应：所有频率等权重；A计权：削弱低频/高频，突出中频（更符合主观听感），因为人耳对1-4 kHz中频最敏感，对低频（<200 Hz）和高频（>10 kHz）灵敏度下降，这是应用于噪声测量、音频设备信噪比（SNR）测试、环境噪声评估的加权方法。频响加权公式$$|H_A(f)|=\frac{12194.217^2\cdot f^4}{(f^2+20.598997^2)\cdot (f^2+12194.217^2)\cdot \sqrt{(f^2+107.65265^2)\cdot (f^2+737.86223^2)}}$$对应的关键参数说明：$$\begin{array}{ccc}\text{参数}& \text{值}& \text{物理意义}\\ f_1\text{ Hz}& 20.598997\text{ Hz}& \text{低频极点}\\ f_2\text{ Hz}& 107.65265\text{ Hz}& \text{低频极点}\\ f_3\text{ Hz}& 737.86223\text{ Hz}& \text{高频零点}\\ f_1\text{ Hz}& 12194.217\text{ Hz}& \text{高频极点}\\ A_{1000}\text{ dB}& +2.0\text{ dB}& \text{1kHz基准增益}\end{array}$$特性验证（关键频率点）如下：
  $$\begin{array}{ccc}\text{频率}& \text{理论值}& \text{实际值}\\ 31.5\text{ Hz}& -39.4\text{ dB}& -39.3\text{ dB}\\ 63\text{ Hz}& -26.2\text{ dB}& -26.1\text{ dB}\\ 1\text{ kHz}& 0.0\text{ dB}& 0.0\text{ dB}\\ 8\text{ kHz}& -0.8\text{ dB}& -0.9\text{ dB}\\ 20\text{ kHz}& -6.6\text{ dB}& -6.2\text{ dB}\end{array}$$
  python实现的A计权滤波器如下:

from scipy.signal import bilinear, lfilter
import numpy as np

def a_weighting(fs):
    # IEC 61672标准系数
    f1 = 20.598997
    f2 = 107.65265
    f3 = 737.86223
    f4 = 12194.217
    a1000 = 1.9997
    
    num = [(2*np.pi*f4)**2 * (10**(a1000/20)), 0, 0, 0, 0]
    den = np.polymul(
        [1, 4*np.pi*f4, (2*np.pi*f4)**2],
        np.polymul(
            [1, 4*np.pi*f1, (2*np.pi*f1)**2],
            [1, 2*np.pi*f3]
        )
    )
    return bilinear(num, den, fs)

标准化测试步骤

通过A计权SNR测量，工程师能更准确地评估设备在主观听感上的噪声性能，这是高保真音频设计的黄金标准。

• THD+N（Total Harmonic Distortion and Noise）：之前也说过了。
• Freq. Response：这里的频响一般只给出一个低通的关系，以及低通下纹波的典型值，以及阻带的衰减值，并没有给出扫频信号的响应曲线。

数据分析与指标计算

• 使用FFT进行频域分析（SNR、THD、SFDR计算）
• 直方图法分析DNL和INL
• Python/Matlab代码示例

  import numpy as np
  import matplotlib.pyplot as plt
  from scipy.fft import fft
  
  # 示例：计算FFT  
  signal = np.loadtxt('adc_output.txt')
  N = len(signal)
  yf = fft(signal)
  xf = np.linspace(0.0, 1.0/(2.0*1e-6), N//2)
  plt.plot(xf, 2.0/N * np.abs(yf[0:N//2]))
  plt.xlabel('Frequency (Hz)')
  plt.ylabel('Amplitude')
  plt.grid()
  plt.show()
  

常见问题与优化建议

• 信号源噪声对测试结果的影响
• 采样时钟抖动的抑制方法

结论

• ADC测试的核心要点总结