<acronym id="s8ci2"><small id="s8ci2"></small></acronym>
<rt id="s8ci2"></rt><rt id="s8ci2"><optgroup id="s8ci2"></optgroup></rt>
<acronym id="s8ci2"></acronym>
<acronym id="s8ci2"><center id="s8ci2"></center></acronym>
0
  • 聊天消息
  • 系統消息
  • 評論與回復
登錄后你可以
  • 下載海量資料
  • 學習在線課程
  • 觀看技術視頻
  • 寫文章/發帖/加入社區
會員中心
創作中心

完善資料讓更多小伙伴認識你,還能領取20積分哦,立即完善>

3天內不再提示

在新基建的大背景下,數據的挖掘和利用成為了重中之重

貿澤電子 ? 來源:貿澤電子 ? 作者:貿澤電子 ? 2021-05-27 11:24 ? 次閱讀

2020年起,“新基建”的熱度一直不減,根據北大光華管理學院的研究數據,在未來五年時間內,新基建和傳統基建數字化升級所帶來的直接投資將會達到17.5萬億元,由此帶動產業鏈上下游產業規模增加更是高達28.8萬億元。如果說鋼鐵、水泥是以“鐵公機”為代表的“老基建”的基石,那么數據將是以信息技術為依托的“新基建”價值變現的核心要義,其重要性不言而喻。

既然“數據”被認為是新基建中一項重要的資源,那么如何獲取更多高質量的數據也就自然而然成為一個重要課題。如果將數據看做是一座亟待挖掘的“寶礦”,那么海量的傳感器就可以算是沖在最前面的、辛勤工作的“礦工”了。不過傳感器所感知和“挖掘”出的現實世界的模擬信號(通常是電阻、電流和電壓等),想要變成數字世界中有用的“數據”,中間還有一個復雜的處理和轉化的過程,這就需要有一個可靠的信號鏈的加持。

信號鏈設計的變革

傳統信號鏈的設計大多是基于獨立的模數轉換器ADC)、放大器和其他構建模塊而設計的,系統比較復雜,而且在設計實現時需要在功效比、測量精度或PCB占板面積等諸多因素上做折衷,這對信號鏈應用開發者的經驗和技能也提出了很高的要求。

而且隨著傳感器應用數量的增加、應用場景的擴展,當需要對多個目標進行感測時,每個傳感器可能需要不同的偏置電壓才能正常運行,而且每個傳感器的靈敏度也可能不同,因此必須調整放大器的增益以使信號鏈性能最大化。如果仍然采用傳統的獨立單信號鏈架構,開發者就不得不對每個測量通道進行配置和優化,由此帶來的設計復雜度的增加可想而知。

解決上述信號鏈路設計挑戰一個最直接的辦法就是“集成”。具體來講,就是在一個模擬前端(AFE)器件中整合更多的信號通道、功能模塊,形成一個更高效、更強大的解決方案,通過集成TIA(互阻放大器)增益電阻或將數模轉換器DAC)用作傳感器偏置電壓源等措施來簡化系統設計,同時實現多路信號通道的復用。

這樣的架構帶來的好處顯而易見:

1

簡化設計

由于信號鏈集成,測量通道復用降低了設計的復雜性,而且各個測量通道可以通過軟件來進行配置,也增加了設計的靈活性。

2

降低功耗

集成的信號鏈對功率要求也會明顯降低,這一特性對于電池供電設備尤為重要。

3

降低噪聲

這樣的設計也有利于降低信號鏈的噪聲水平,使得利用性能更好的信號處理器件(如TIA或ADC)成為可能,進而提高測量精度。

4

減小占板面積

由信號鏈集成度的提高,也會帶來系統PCB占板面積的減小。

除了上述這些因素,在高集成度的AFE器件設計時,還有一個很關鍵的問題需要考慮,那就是傳感器自身性能的監測。要知道,很多傳感器在使用過程中都會面臨著性能“老化”的問題,也就是隨著使用時間的增加,傳感器的性能會發生飄移,對于那些在高溫、高濕,或者復雜水、氣環境中的傳感器,其性能的劣化還會加速。為了讓傳感器獲取的信號不失真,就需要對傳感器自身健康狀態進行測量和分析?;谶@樣的信息,才可以對環境因素造成的傳感器靈敏度的損失通過智能算法作出補償,或是對性能劣化嚴重的傳感器及時更換。

如果為這樣的傳感器探查功能搭建一個專門的系統,顯然既費力又費錢,無法適應在測試現場大規模部署的傳感器的要求,因此將傳感器診斷特性直接集成為信號鏈的一部分,也就成了一個剛需。

從以上這些應用開發痛點的分析中我們不難看出,為滿足信號鏈設計的要求而開發一個高集成、高性能的AFE器件已經是大勢所趨了,而如何實現這個目標,就需要芯片廠商從應用的實際出發,對產品線進行合理的規劃,不斷迭代優化了。

在這方面,Analog Devices(ADI)做得就非常出色,如果我們仔細去觀察ADI近年來推出的AFE新品,就會發現,每款產品都能夠精準地直擊上述的應用開發“痛點”。下面我們就來通過幾個實例做一個更細致的分析。

AD5940/AD5941高精度模擬前端

AD594x是ADI開發的一款高精度、多功能的模擬前端,專為醫療和工業類應用量身定制,在醫療監護中的皮膚電活動(EDA)或皮膚電反應(GSR)、身體阻抗分析、水分測量和生化測量,以及工業應用中的有毒氣體分析、PH值測量、電導率或水質測量方面都十分適用。

AD594x包括兩個高精度激勵環路和一個通用測量通道,能夠在完成測試工作的同時對傳感器進行各種探查。

第一個激勵環路是一個低功耗激勵環路,能夠生成DC至200Hz的信號,包括一個超低功耗、雙通道輸出串、DAC和一個低功耗、低噪聲恒電勢器。該DAC的一個輸出可控制恒電勢器的同相輸入,另一個輸出控制TIA的同相輸入。

第二個激勵環路包括一個12位DAC,稱為高速DAC,該DAC能夠生成最高200 kHz的高頻激勵信號。

借助通用的內部測量通道,可對內部電源電壓、裸片溫度和基準電壓源等進行診斷測量。

一個多路復用器作為通道選擇器,可以從上述測量通道中選擇所需的信號通道輸出到后級電路,通過緩沖器、可編程增益放大器(PGA)和抗混疊濾波器連接到一個16位、800 kSPS逐次逼近寄存器(SAR)ADC。

AD594x測量模塊可通過直接寄存器寫入串行外設接口(SPI)或通過使用預編程的時序控制器(可自主控制AFE芯片)進行控制。6kB的靜態隨機訪問存儲器(SRAM)劃分為深度數據先進先出(FIFO)和命令FIFO。測量命令存儲在命令FIFO中且測量結果存儲在數據FIFO中。器件提供8個通用輸入/輸出(GPIO),可使用AFE時序控制器進行控制,從而可對多個外部傳感器套件進行周期精確控制。

可以看出,AD594x集成了多路測量通道,也考慮到了傳感器內部診斷的需要,多測量通道復用一個信號鏈路,且為外部的控制器提供了必要的資源和接口,如此“全能”的器件自然會在電化學測量和生化測量中備受青睞。

ADuCM355精密模擬微控制器

你可能會認為,在提升信號鏈集成度上,AD594x已經做得相當到位了,但是否還可以在此基礎上更上層樓呢?ADI的回答是肯定的,作為這一肯定回答的例證,就是其最新推出的具有化學傳感器接口的ADuCM355精密模擬微控制器。

其實從名稱中就可以看出,這款器件已經不再是一顆單純的AFE了——除了包含有兩個測量通道,一個用于傳感器診斷的阻抗測量引擎,ADuCM355還集成了一個用于運行用戶應用程序和傳感器診斷補償算法的基于Arm Cortex-M3的超低功耗混合信號微控制器,可以控制和測量電化學傳感器和生物傳感器。

ADuCM355除了具有帶輸入緩沖器的16位400 kSPS多通道SAR ADC以外,還具有集成式抗混疊濾波器(AAF)和PGA。電流輸入中的TIA具有可編程增益和負載電阻,以支持不同的傳感器類型。器件的AFE功能中還包含專門針對恒電勢器設計的放大器,以相對于外部電化學傳感器保持恒定的偏置電壓。通過ADC上游的輸入多路復用模塊,可以選擇相應的輸入通道。而這些輸入通道包括:三個外部電流輸入、多個外部電壓輸入和內部通道。三個電壓DAC中有兩個是雙輸出DAC(DAC的第一個輸出可控制恒電勢器放大器的同相輸入,另一個控制TIA的同相輸入);第三個高速DAC針對用于阻抗測量的高性能TIA而設計,輸出頻率范圍高達200 kHz??梢?,ADuCM355基本上具有了和AD594x相同的模擬前端功能。

與此同時,該器件中的ARM Cortex-M3處理器可用于運行補償算法、存儲校準參數以及運行用戶應用程序。它具有靈活的多通道直接存儲器訪問(DMA)控制器,支持兩個獨立的串行外設接口(SPI)端口、通用異步接收器/發射器(UART)和I2C通信外設。開發者可以根據需要為特定應用配置一系列通信外設,如UART、 I2C、兩個SPI端口和通用輸入/輸出(GPIO)端口。這些GPIO還可以與通用定時器相結合,生成脈沖寬度調制(PWM)輸出。

也就是說,在一顆ADuCM355上,開發者就可以實現AFE+MCU的功能,系統的架構被進一步簡化;而ADuCM355提供的通用性和靈活性,同樣使其在工業應用和醫療設備領域有相當廣泛的應用前景,為用戶提供一個更“簡單”的解決方案。

ADPD4100和ADPD4101多模式傳感器前端

除了以上的高集成AFE的設計思路,ADI也根據特定應用的需要,開發出了其他一些很有特色的產品。比如隨著醫療健康領域的數字化轉型,對于在單一設備上實現多種生命體征和健康指標測量的需求越來越強烈,與此同時還需要滿足測量高精度和產品小型化的要求。這就讓針對此類應用量身定制一款AFE器件顯得十分必要。

這種單一AFE解決方案需要能夠用作多參數生命體征監測中心,支持同步測量,還需要具有低噪聲、高信噪比(SNR)、小尺寸和低功耗等特性,以便應用在醫療設備,甚至是可穿戴設備中。

ADPD4100/ADPD4101就是能夠滿足上述這些需求的一款多模式傳感器AFE,它具有8個模擬輸入,支持多達12個可編程時隙——這12個時隙支持在一個采樣周期內進行12個獨立測量。8個模擬輸入可復用成一個通道或兩個獨立通道,能夠以單端或差分配置同時對兩個傳感器進行采樣。ADPD4100/ADPD4101的集成AFE信號路徑中包括TIA、帶通濾波器(BPF)、積分器(INT)和ADC級。數字模塊可以提供多種工作模式、可編程時序、GPIO控制、模塊平均以及可選的二階至四階級聯積分梳狀(CIC)濾波器。數據直接從數據寄存器中讀取,或通過FIFO方法讀取。

ADPD4100/ADPD4101還有一個顯著的優勢,就是適用于光學測量相關的應用。它可以激勵多達八個LED并在多達八個單獨的電流輸入上測量返回信號。得益于在結合BPF的同步調制方案中使用短至1μs的脈沖,ADPD4100/ADPD4101具有出色的自動環境光抑制能力,而無需外部控制環路、直流電流減除或數字算法。這使得該器件可以作為可穿戴健康和健身設備中各種電氣光學傳感器的理想中樞,適用于心率和心率變異性(HRV)監測、血壓估計、壓力和睡眠跟蹤,以及SpO2測量。

圖7中就顯示了一個基于ADPD4100/ADPD4101同步進行ECG心電圖、呼吸相關阻抗波和PPG光電容積脈搏波描記(利用綠光LED測量)的參考設計,這在重癥監護中是必要而關鍵的功能。

ad5eddba-be50-11eb-9e57-12bb97331649.png

總之,在新基建的大背景下,數據的挖掘和利用成為了重中之重,這也給專門處理來自傳感器的模擬信號并對其進行數字化及分析處理的AFE器件帶來了商機。不過想要把握住這個機遇,就需要對傳統的AFE進行一番“魔改”,令其適應傳感器高精度、大規模部署、小型化等方面的應用要求。當然,這樣的“魔改”也不能任性,想要成功,必須遵循正確的技術邏輯和準確的市場洞察。

原文標題:新基建熱潮下,模擬前端(AFE)“魔改”之路

文章出處:【微信公眾號:貿澤電子】歡迎添加關注!文章轉載請注明出處。

責任編輯:haq

聲明:本文內容及配圖由入駐作者撰寫或者入駐合作網站授權轉載。文章觀點僅代表作者本人,不代表電子發燒友網立場。文章及其配圖僅供工程師學習之用,如有內容侵權或者其他違規問題,請聯系本站處理。 舉報投訴
  • adi
    adi
    +關注

    關注

    144

    文章

    45778

    瀏覽量

    242816
  • 前端
    +關注

    關注

    1

    文章

    179

    瀏覽量

    17645
  • 新基建
    +關注

    關注

    4

    文章

    811

    瀏覽量

    23210

原文標題:新基建熱潮下,模擬前端(AFE)“魔改”之路

文章出處:【微信號:貿澤電子,微信公眾號:貿澤電子】歡迎添加關注!文章轉載請注明出處。

收藏 人收藏

    評論

    相關推薦

    機器學習與數據挖掘方法和應用

    機器學習與數據挖掘方法和應用(經典)
    發表于 09-26 07:56

    關于數據挖掘的十種算法原理講解

    數據挖掘主要分為三類:分類算法、聚類算法和相關規則,基本涵蓋了當前商業市場對算法的所有需求。這三類包含了許多經典算法。市面上很多關于數據挖掘算法的介紹都是深奧難懂的。今天我就用我的理解
    的頭像 發表于 09-18 15:00 ?788次閱讀
    關于<b class='flag-5'>數據</b><b class='flag-5'>挖掘</b>的十種算法原理講解

    一文弄懂數據挖掘的十大算法,數據挖掘算法原理講解

    數據挖掘主要分為三類:分類算法、聚類算法和相關規則,基本涵蓋了當前商業市場對算法的所有需求。這三類包含了許多經典算法。市面上很多關于數據挖掘算法的介紹都是深奧難懂的。今天我就用我的理解
    的頭像 發表于 09-14 15:56 ?604次閱讀
    一文弄懂<b class='flag-5'>數據</b><b class='flag-5'>挖掘</b>的十大算法,<b class='flag-5'>數據</b><b class='flag-5'>挖掘</b>算法原理講解

    如何在STL中存取背景數據塊呢?

    “OPN DI”或“CDB”指令將數據塊加載到 DI 寄存器中。在 S7-300/400 中,此處打開的塊將作為背景數據塊。
    的頭像 發表于 08-21 09:53 ?685次閱讀

    機器學習與數據挖掘的區別 機器學習與數據挖掘的關系

    機器學習與數據挖掘的區別 , 機器學習與數據挖掘的關系 機器學習與數據挖掘是如今熱門的領域。隨著
    的頭像 發表于 08-17 16:30 ?1704次閱讀

    數據挖掘與機器學習專業就業方向

    而言是不可逐一分析和處理的。這就引發了數據挖掘和機器學習領域的興起。這兩個領域已成為最為熱門的技術領域之一,并且在各個領域都有著廣泛的應用。因此,數據
    的頭像 發表于 08-17 16:29 ?1385次閱讀

    數據挖掘和機器學習之間的關系

    數據挖掘和機器學習之間的關系 數據挖掘和機器學習是兩個非常相關的領域,但是在很多情況下它們被誤解為是同一種東西。事實上,數據
    的頭像 發表于 08-17 16:29 ?2418次閱讀

    數據挖掘和機器學習有什么關系

    數據挖掘和機器學習有什么關系 數據挖掘和機器學習是兩個不同的概念,但它們有一些重要的相似之處。這篇文章將詳細介紹數據
    的頭像 發表于 08-17 16:29 ?2156次閱讀

    數據挖掘十大算法

    數據挖掘十大算法 數據挖掘是目前最熱門的技術和概念之一。數據挖掘是一種
    的頭像 發表于 08-17 16:29 ?2011次閱讀

    python數據挖掘案例

    python數據挖掘案例 Python數據挖掘在各個領域中應用非常廣泛。它可以幫助我們從大量的數據挖掘
    的頭像 發表于 08-17 16:29 ?1084次閱讀

    python數據挖掘與機器學習

    python數據挖掘與機器學習 Python是一個非常流行的編程語言,被廣泛用于數據挖掘和機器學習領域。在本篇文章中,我們將探討Python在數據
    的頭像 發表于 08-17 16:29 ?982次閱讀

    機器學習與數據挖掘的對比與區別

    機器學習與數據挖掘的對比與區別? 機器學習和數據挖掘是當前互聯網行業中最熱門的領域之一。雖然它們之間存在一些對比和區別,但它們的共同點是研究如何有效地從海量
    的頭像 發表于 08-17 16:11 ?1232次閱讀

    “新基建”重新定義大數據安全

    摘要:數字信息經濟發展時代,大數據已逐漸成為最新和最重要的生產要素。國家大力支持推進“新基建”發展戰略,由此帶來的大數據安全挑戰儼然愈發嚴峻?!靶?b class='flag-5'>基
    的頭像 發表于 08-16 09:40 ?489次閱讀
    “新<b class='flag-5'>基建</b>”重新定義大<b class='flag-5'>數據</b>安全

    數據挖掘的流程 數據挖掘分類算法

      分類是用于識別什么樣的事務屬于哪一類的方法,可用于分類的算法有決策樹、bayes分類、神經網絡、支持向量機等等?! ?b class='flag-5'>數據挖掘的一般流程  第一步,建立模型,確定數據表中哪些列是要用于輸入
    發表于 07-18 17:00 ?0次下載

    數據挖掘定義及方法 數據挖掘在微電子領域的應用

      摘要:本文首先介紹了微電子領域及該領域中半導體制造的發展現狀,然后分析了數據挖掘在半導體制造中應用的必要性和可行性。最后重點討論數據挖掘技術在研究晶圓制造質量異常問題中的應用,文章
    發表于 07-18 15:43 ?0次下載
    亚洲欧美日韩精品久久_久久精品AⅤ无码中文_日本中文字幕有码在线播放_亚洲视频高清不卡在线观看
    <acronym id="s8ci2"><small id="s8ci2"></small></acronym>
    <rt id="s8ci2"></rt><rt id="s8ci2"><optgroup id="s8ci2"></optgroup></rt>
    <acronym id="s8ci2"></acronym>
    <acronym id="s8ci2"><center id="s8ci2"></center></acronym>