ADC的采样频率对于信号检测的影响

简 介：本文探讨了ADC采样频率对150kHz信号幅度测量的影响。实验使用STC32G微控制器，通过改变ADC时钟分频系数（0-7）获得不同采样频率下的数据。研究发现：1）ADC采样频率较高时，输入阻抗较低导致信号幅度减小；2）分频系数为7时（最低采样频率）信号估计方差最小（0.2032）；3）分频系数为6时出现异常，方差最大（1.4083）。实验采用三角窗函数处理256点采样数据，通过FFT分析获得信号归一化频率和幅度。结果表明ADC采样频率的选择会显著影响信号测量精度，最佳采样频率需根据具体应用场景确定。

关键词：ADC，采样频率，估计方差

不同ADC频率对于测量结果的影响

• 通过采样256数据计算单个频率交流信号有效值
• STC32G12 使用外部晶振
• STC32G 采集150kHz 信号并测量幅度

01ADC采样频率对于信号检测影响

一、背景介绍

昨天，使用带有外部晶体的STC32G电路板， 采集了 150kHz 信号的多组ADC数据。 分别对应 ADC 不同的时钟频率下采集到的数据。 有的数据是在欠采样频率下获得的。 下面通过数据进行交流频率幅度检测， 查看一下哪一种 ADC 采样频率所获得的信号幅度更为精确。 刚才通过实验发现， 选择对采集数据进行三角加窗， 采用正确的数据长度， 便可以获得非常好的信号检测数值。

fromheadmimport*ddim=tspload('sample0','ddim')forid,dinenumerate(ddim):plt.clf()plt.plot(d,lw=3)plt.xlabel("N",color="steelblue",fontsize=24)plt.ylabel("ADC",color="steelblue",fontsize=24)plt.grid(True,which='both',linestyle='--',alpha=0.7)plt.tight_layout()plt.draw()plt.pause(0.001)pltgif.append(plt)ifid>=11:breakpltgif.save()

二、分频系数0

针对 ADC 分频系数为0， 对应的时钟信号最高， 计算它内部交流信号的系数。 使用三角窗口对数据进行加窗。 首先对数据通过补零， 或者长度为 128倍的数据， 选择频谱最高点， 最终可以获得数据归一化频率为 2.41276 。

计算不同数据长度对应的最小方差， 在长度最长的时候， 最小信号幅度方差为 0.5842。

• 信号幅度平均值：323.098。
• 归一化频率：2.41276
• 最小方差：0.5842（N=256）

三、分频系数1

采用同样的方式处理 ADC 分频系数为1 ， 它对应的归一化频率为 2.06033。 在这个归一化频率下， 计算信号中的幅度以及对应的方差。 幅度的平均值为 324.1， 最小方差为 0.3204。

• 信号幅度平均值：323.098。
• 归一化频率：2.06034
• 最小方差：0.3204（N=256）

四、其它分频系数

下面， 分别对于分频系数从2 变化到7， 计算各自的信号的幅度， 幅度对应的方差， 希望方差越小越好。 这些不同ADC分频系数， 对应不同的采样频率。 将八种不同的采样频率所获得的数据对照一下。 可以看到所得到的信号幅度大都在 400以上。 但是对于采样频率比较高的时候， 计算所得到的信号幅度减小了。 对此，所做的解释是， 在ADC频率比较高的时候， ADC 通道输入阻抗比较小。 影响了 前面 LC 信号接收谐振回路的 Q 值， 使得输入信号降低了。 后面随着ADC采样频率降低。 ADC 输入通道的电阻增加了， 对应的 信号幅度也增加了。 当分频系数达到7 的时候， 也就是ADC采样频率最低， 所得到的 信号估计方差达到了最小。 其次是分频系数为 5 。 很奇怪， 对于分频系数为 6 的时候所造成的信号估计方差最大。 对此现象现在还无法进行解释。

fromheadmimport*ddim=tspload('sample7','ddim')d=ddim[0]-mean(ddim[0])d0=[0]*len(d)d=list(d)for_inrange(127):d.extend(d0)dfft=abs(fft.fft(d))dfft2=dfft[:len(dfft)//2]maxid=where(dfft2==max(dfft2))[0][0]omiga=maxid/128*2*pi/256printf(omiga)''' plt.plot(dfft, lw=3) plt.xlabel("N", color="steelblue", fontsize=24) plt.ylabel("FFT", color="steelblue", fontsize=24) plt.grid(True, which='both', linestyle='--', alpha=0.7) plt.tight_layout() plt.show() '''N=len(ddim[0])deftriangleW(n):n2=n//2nn1=list(range(n2))nn1r=nn1[::-1]na=[n2-1]*(n-len(nn1)-len(nn1r))returnarray(nn1+na+nn1r)/(n2-1)defcosineW(n):o=2*pi/(n-1)w=(1-cos(o*array(range(n))))/2returnw''' d1 = ddim[0]-mean(ddim[0]) w = triangleW(len(d1)) d1w = d1*w plt.plot(d1, lw=1, label='Origin') plt.plot(d1w, lw=3, label='Windowed Data') plt.xlabel("N", color="steelblue", fontsize=24) plt.ylabel("ADC", color="steelblue", fontsize=24) plt.grid(True, which='both', linestyle='--', alpha=0.7) plt.tight_layout() plt.show() '''Adim=[]cdim=array([cos(omiga*n)forninrange(N)])sdim=array([sin(omiga*n)forninrange(N)])defAmplitudeN(n):globalddim,N Adim=[]stddim=[]fordinddim:ddd=d-mean(d)dd=ddd[N-n-1:]ddn=len(dd)w=triangleW(ddn)dd=dd*w a=sum(dd*sdim[:n+1])b=sum(dd*cdim[:n+1])c=sqrt(a**2+b**2)/(ddn)Adim.append(c)v=std(Adim),mean(Adim)returnv nn=list(range(128,256))printf(nn)vdim=[]adim=[]forninrange(128,256):v,a=AmplitudeN(n)vdim.append(v)adim.append(a)printf(min(vdim))printf(mean(adim))plt.plot(nn,vdim,lw=3)plt.xlabel("NN",color="steelblue",fontsize=24)plt.ylabel("std(N)",color="steelblue",fontsize=24)plt.grid(True,which='both',linestyle='--',alpha=0.7)plt.tight_layout()plt.show()

※总结 ※

本文对于不同的ADC采样频率下， 所得到的信号幅度估计进行测评估。 发现，当采样频率降低之后， 所得到的信号的幅度最为精确。 不过对于这个方面的分析， 应该是降低ADC频率下， 对应的输入阻抗提升， 降低了对于前面信号放大电路的影响造成的。 总的来说， 所有频率下， 除了分频系数为 6的时候， 所产生的信号幅度估计方差较大之外， 其它对应的信号幅度估计方差都相差不太多。

■ 相关文献链接:

• 通过采样256数据计算单个频率交流信号有效值-CSDN博客
• STC32G12 使用外部晶振-CSDN博客
• STC32G 采集150kHz 信号并测量幅度-CSDN博客

● 相关图表链接:

• 图1.1.1 ADC分频系数为0对应的采样数据
• 图1.1.2 ADC分频系数1对应的采集数据
• 图1.1.3 ADC分频系数2对应的采集数据
• 图1.1.4 ADC分频系数3对应的采样数据
• 图1.1.5 ADC 分频系数5对应的采样数据
• 图1.1.6 ADC分频系数为6 对应的采集数据
• 图1.1.7 ADC分频系数为7对应的采样数据