当前位置: 首页 > news >正文

HC32F460_ADC驱动(一)

1. 前言

ADC全称模数转换器(Analog-to-Digital Converter),其核心功能是将连续变化的模拟信号(如温度、电压、电流等传感器输出量),转换为单片机、DSP等数字设备可识别、处理的离散数字信号,广泛应用于工业控制、精密测量、嵌入式系统等多个领域。

目前主流的ADC主要分为两种类型。第一种是逐次逼近型ADC(SAR-ADC),它通过逐位对比参考电压,从高位到低位依次锁定数字输出。该类型ADC结构简单、成本较低,是工业控制、电力电子采样等场景的常用选择,也是多数通用MCU、DSP的标配ADC。

第二种是Σ-Δ型ADC,它通过过采样和噪声整形技术,将量化噪声推至高频段,从而获得极高的采样精度。该类型ADC兼具高精度和中等速度,功耗适中,抗干扰能力优于逐次逼近型,广泛应用于音频采集、高精度传感器信号处理、医疗设备等对精度要求较高的场景,是精密测量领域的重要选择。

HC32F460具有2个12位逐次逼近方式的模拟数字转换器。

了解ADC的核心参数,是选型和应用的关键。

  1. 分辨率(单位bit)决定采样精度,位数越高误差越小;
  2. 采样速率决定每秒最大采样次数,影响对高频信号的响应能力;
  3. 量程即输入电压范围,超量程会导致采样失真;转换精度包含多种误差,决定采样值与真实值的偏差;
  4. 参考电压是计量基准,稳定性直接影响采样精度。

这些参数相互配合,决定了ADC在不同场景下的适配性,合理选型才能充分发挥其功能价值。

2.ADC的两种类型

2.1 SAR型

逐次比较型模数转换器(SAR型ADC)的核心组成包括逐次逼近寄存器(SAR)、数模转换器(DAC)、电压比较器。三个组成部分协同工作完成模数转换,其过程类似“逐位猜值、逐步逼近”。

第一步,初始化准备,控制逻辑单元将逐次逼近寄存器(SAR)的所有位清零,随后启动转换流程;

第二步,高位优先判断,控制逻辑先将SAR的最高位置为1,其余位保持为0,此时SAR输出的这个数字信号送入数模转换器(DAC),由DAC将该数字信号转换为对应的模拟参考电压;

第三步,对比锁定,将DAC输出的参考电压与输入的模拟信号同时送入电压比较器,若输入模拟电压大于参考电压,说明当前高位的“1”合理,保留该位为1;若输入模拟电压小于参考电压,则将该位置为0,完成最高位的判断与锁定;

第四步,逐位逼近完成,控制逻辑依次对次高位、次低位……最低位重复上述“置1→DAC转换→比较器对比→锁定位值”的操作,直至所有位数全部判断完成,此时SAR中存储的数字信号,就是与输入模拟电压最接近的离散数字信号,最终由控制逻辑单元输出该数字信号。

2.2Σ-Δ型

Σ-Δ型ADC的核心组成包括Σ-Δ调制器(核心模块)、数字低通滤波器。其简要框图如下:

Σ-Δ调制器其实是一种脉冲密度调制(PDM),也即是通过二进制数0和1的密度分布来表征模拟信号幅值的调制技术,当PDM的频率固定时,PDM就演化成为PWM。

2.2.1 Σ-Δ调制器

Σ-Δ调制器如下图所示,由差分器、积分器、比较器、1位DAC四部分组成一个负反馈系统,其中1位DAC只能输出-Vref、Vref两个电压

AD的官网有其运行机制解析(https://www.analog.com/en/resources/interactive-design-tools/sigma-delta-adc-tutorial.html),截取其中若干图片,可以看出其运行机理。

  1. 图(1):差分器两端分别输入1V、0V,则输出1-0V=1V
  2. 图(2):积分器的输入1V,积分后输出1V,大于0,则比较器输出1,则DAC输出2.5V;
  3. 图(3):差分器两端分别输入1V、2.5V,则输出1-2.5V=-1.5V。与积分器的原输出值进行积分累加后为-0.5V,小于0V,则比较器输出0,由此DAC输出-2.5V。
  4. 图(4):差分器两端分别输入1V、-2.5V,则输出1+2.5V=3.5V。与积分器的原输出值进行积分累加后为3V,大于0V,则比较器输出1,由此DAC输出2.5V。

以此循环执行

​​​​​​​

输出101110110110111011011011,共17个1,7个0,按-2.5~2.5V的两成,输出电压值应该是-2.5+17/24*5 = 1.0416≈1.042

直观上可以这么理解,输入信号越大,在A点电压就越高,积分递减到0的速度就会越慢,输出的逻辑1就会越多。因此输出的1的密度会与输入信号成正比。

2.2.2 关键机制说明

  1. 过采样与1位量化‌:调制器以 ‌调制器时钟频率​​​​​​​ ‌ 对输入信号进行高速采样(可达 MHz 级)‌‌。
  2. 采用 ‌1位量化器‌,输出仅为 “+1” 或 “-1”(或 “0”/“1”),形成 ‌1位数据流‌
  3. ‌数据流反映采样值的方式‌:输入信号幅度越大,1位数据流中 “1” 的密度(或占空比)越高‌‌‌。例如:输入为正满量程 → 数据流几乎全为 “+1”;输入为负满量程 → 数据流几乎全为 “-1”;输入为零 → 数据流中 “+1” 与 “-1” 均匀交替,占空比 ≈ 50%‌‌。即同4096内1的数量,即可实现12位的ADC采样。
http://www.jsqmd.com/news/779134/

相关文章:

  • SQL中如何对聚合后的数据进行二次计算_GROUP BY与算术组合
  • 揭秘ASA投放技巧,掌握流量密码
  • XSLT被移除后的RSS美化方案
  • OpenClawWeChat:基于Wechaty的插件化微信机器人开发与部署实战
  • Spring框架快速上手!(理论+实战)
  • PWN-栈溢出
  • 一年磨一剑,今年最炸机器人Demo来了!1亿美元种子轮团队出手,单个模型解锁单手打蛋解魔方弹钢琴
  • 用Fiddler抓包查看Claude Code提示词
  • AI编程助手选型指南:从GitHub Awesome清单到高效开发实践
  • ZynqMP SD卡启动全记录:从Vivado配置到Linux命令行(基于黑金AXU2CGB板)
  • C++11 变参模板、完美转发和emplace 机制——奇牛 (Gemini润色)
  • 00后下场整顿Agent:啥都不学就能用好AI,这才是正确打开方式
  • 大数据毕业设计推荐:基于Hadoop+Django诺贝尔奖可视化系统源码 毕业设计 选题推荐 毕设选题 数据分析 机器学习 数据挖掘
  • JavaScript 打开小窗口的实现方法
  • 地铁站台门控系统集成方案:三菱Q系列PLC以太网通讯与上位机联动实例
  • 自媒体常用图片尺寸!收藏这张图就对了
  • 2026 年量化交易软件 10 强实测:9.8 分 OKQuant 领跑全市场 - GrowthUME
  • 长期使用Taotoken聚合API对项目月度账单清晰度的感受
  • 上饶GEO优化服务机构实测排行:效果与合规能力对比 - 奔跑123
  • 真空压力变送器选型攻略|6大核心参数,避开90%选型误区 - WHSENSORS
  • 2026最新AIGC动画实战教程 零基础入门到精通 附全套素材+工程文件(新手必看)
  • 【布局优化】基于改进SLP与遗传算法的梁场布局优化附Matlab代码
  • 如何高效修复损坏视频:智能MP4修复工具Untrunc实用指南
  • 宋宝华:原理和实战解析Linux中如何正确地使用内存屏障
  • 5分钟搞懂BERT tokenizer:用encode_plus为你的NLP模型准备‘标准餐’(附PyTorch/TF代码适配)
  • 上饶本地GEO优化服务机构实测排行:效果维度对比 - 奔跑123
  • 2026届必备的降AI率方案实测分析
  • PWN-ROP
  • 上饶GEO优化服务商排行:实测效果与本土适配性对比 - 奔跑123
  • 【图像处理】基于改进樽海鞘群优化的图像匹配方法附Matlab代码