提高AD采樣精度

1、-作者xxxx-日期xxxx提高AD采樣精度【精品文檔】TMS320F2812內部集成了ADC轉換模塊，該模塊具有如下的功能：112位ADC核，內置了雙采樣保持器（S/H）；2順序采樣模式或者同步采樣模式；3模擬輸入：0V3V；4快速轉換時間運行在25MHz，ADC時鐘，或12.5MSPS；516通道，多路選擇輸入；6自動序列化，在單一時間段內最大能提供16個自動A/D轉換，每個轉換可編程對16個輸入通道中的任何一個進行選擇。7序列發(fā)生器可按2個獨立的8狀態(tài)序列發(fā)生器或1個16狀態(tài)序列發(fā)生器。我們在項目實際研發(fā)過程中采用的AD采樣的硬件電路如下圖所示：圖1為電流信號檢測與調理電路，電壓信號的檢

2、測與調理電路與此相類似。從電流傳感器輸出的信號CT1首先經過了由R1、C1組成的低通濾波電路，濾除高頻干擾信號，然后通過U1構成的電壓跟隨器，實現(xiàn)了電路前后兩級的隔離。由于2812的I/O口輸入電平必須低于3.3V，因此在芯片引腳的輸入前端加了一個穩(wěn)壓管Z1，使AD口輸入的電壓幅值不超過3V。TMS320F2812雖然有12位精度，但在實際的使用過程中，我們發(fā)現(xiàn)，ADC的轉換結果誤差較大，如果直接將此轉換結果用于控制回路，必然會降低控制精度，最大的轉換誤差可以達到9。那么如何來提高AD采樣的精度呢，下面列出了幾種常見的方法：1硬件角度（1）硬件濾波，濾除干擾信號；（2）電路板布線時需要注意不要

3、讓ADCINxx引腳運行在靠近數(shù)字信號通路的地方，這樣能使耦合到ADC輸入端的數(shù)字信號開關噪聲大大降低；（3）采用適當?shù)母綦x技術，將ADC模塊電源引腳和數(shù)字電源隔離；（4）如果采樣電路部分是經過多路開關切換的，可以在多路開關輸出上接下拉電阻到地；（5）采樣通道上的電容效應也可能會導致AD采樣誤差，因為采樣通道上的等效電容可能還在保持有上一個采樣數(shù)據(jù)的數(shù)值的時候，就對當前數(shù)據(jù)進行采樣，會造成當前數(shù)據(jù)不準確。如果條件允許，可以在每次轉化完成后現(xiàn)將輸入切換到參考地，然后在對信號進行下一次采樣。2軟件角度（1）多次采樣取平均值算法，最為簡單；（2）數(shù)字濾波算法，例如采用中值濾波法，具體方法為：連續(xù)采樣

4、20個數(shù)據(jù)，對這些數(shù)據(jù)進行排序之后，去掉最小的5個和最大的5個，然后取中間10個采樣數(shù)據(jù)的平均值。（3）軟件校正算法。F2812的ADC轉換精度較差的主要原因是存在增益誤差（Gain Error）和偏置誤差（Offset Error），要提高轉換精度就必須對兩種誤差進行補償，下面將具體介紹這種實用的補償方法。理想的12位ADC應該是沒有增益誤差和偏置誤差的，因此其轉換的計算公式為：Y=x*miY=output countMi=ideal gain=1但是，實際上F2812的AD是存在增益誤差和偏置誤差的，其轉換的計算公式如式2所示：Y=x*ma+mb其中，ma=actual gainB=act

5、ualoffset（與輸入為0時相關）實際的和理想的轉換計算曲線如圖2所示： 在校正的時候，首先選用ADC的任意兩個通道（例如A1,A2）作為參考輸入通道，并分別輸入已知的直流參考電壓，通過讀取相應的結果寄存器獲取轉換值，利用兩組輸出值便可求得ADC模塊得校正增益和校正偏置，然后利用這兩個值對其他通道轉換數(shù)據(jù)進行補償。首先，計算兩個通道得參考電壓轉換后得理想結果。在講述算法之前，我們先來看看各個參數(shù)之間的關系，如下圖所示：由圖可以得到各參數(shù)之間的關系如下：y = x * ma + bma = (yH yL)/(xH xL)b = yL xL*maCalGain = (xH xL)/(yH yL

6、)CalOffset = yL * CalGain xLx = y * CalGain CalOffset給A1通道加2.5V，給A2通道加0.5V。A1input=VHigh=2.5V，則2.5*4095/3.0=3413（理想值）A2input=VLow=0.5V，則0.5*4095/3.0=683（理想值）校正C語言的算法如下：#defineHIGH_IDEAL_COUNT 3413/理想高值#defineLOW_IDEAL_COUNT 683/理想低值#define SAMPLES20/采樣次數(shù)/定義所需的各個變量Uint16Avg_HighActualCount;Uint16Avg_

7、LowActualCount;Uint16Sum_HighActualCount;Uint16Sum_LowActualCount;Uint16 CalGain;Uint16CalOffset;Uint16HighActualCountSAMPLES;Uint16LowActualCountSAMPLES;/變量初始化Voidinitvar (void)Avg_HighActualCount=0;Avg_LowActualCount=0;Sum_HighActualCount=0;Sum_LowActualCount=0;CalGain=0;CalOffset=0;Uint16 I;For(i

8、=0;i4;/讀采樣數(shù)據(jù)LowActualCount=AdcRegs.AdcResult24;If(i=SAMPLES)/采樣滿規(guī)定次數(shù)i=0;for(k=0;kSAMPLES;k+)Sum_HighActualCount+= HighActualCount;Sum_LowActualCount+=LowActualCount;Ave_HighActualCount= Sum_HighActualCount/SAMPLES;/多次采樣取平均值Ave_LowActualCount= Sum_LowActualCount/SAMPLES;CalGain = (HIGH_IDEAL_COUNT - LOW_IDEAL_COUNT)/計算增益系數(shù) / (Avg_HighActualCount - Avg_LowActualCount);CalOffset =Avg_LowActualCount*CalGain -