番外13:使用ADS进行容差分析(蒙特卡洛分析、灵敏度分析、良率分析、良率优化),以带通滤波器设计为例

这篇具有很好参考价值的文章主要介绍了番外13:使用ADS进行容差分析(蒙特卡洛分析、灵敏度分析、良率分析、良率优化),以带通滤波器设计为例。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

番外13:使用ADS进行容差分析(蒙特卡洛分析、灵敏度分析、良率分析、良率优化),以带通滤波器设计为例

资源下载

https://download.csdn.net/download/weixin_44584198/88210327

技术背景

容差分析是当前电子可靠性设计中最先进的技术之一,代表着电子可靠性设计的一个重要发展方向。蒙特卡洛分析是容差分析的一个主要技术。它是分析电路器件在误差情况下,电路性能会不会超过电路性能的规格要求。

简单来说,电路里面的大部分器件器件,比如说电容电阻都会有一定的的误差(比如说5%),但是这些误差的组合会对最终的性能产生怎样的影响呢?众所周知,这是一个小概率问题,但对于成批次、成产量出货的产品,这样的误差是需要被专门分析的,一般大公司或者质量要求高的产品在设计时都会被要求做容差分析,在此介绍使用ADS进行容差分析的方法。

1、设计指标

假设在此我们需要设计一个带通滤波器,滤波器的主要性能指标如下所示:
截止频率1:8MHz
通带1:9.5MHz
通带2:10.5MHz
截止频率2:12MHz
通带波纹:<0.5dB
阻带衰减:>20dB

假设设计使用的集总参数元器件的误差为5%,事实上对于大多数常见的贴片器件,这个5%的误差是非常合理的。

2、带通滤波器设计

先按照要求设计一个带通滤波器,新建原理图并命名为BasicFilter,在库中找到Filter DG - ALL选项并打开:
番外13:使用ADS进行容差分析(蒙特卡洛分析、灵敏度分析、良率分析、良率优化),以带通滤波器设计为例,硬件工程,射频工程,pcb工艺,网络
找到其中的带通滤波器设计模组并插入到原理图中(DT):
番外13:使用ADS进行容差分析(蒙特卡洛分析、灵敏度分析、良率分析、良率优化),以带通滤波器设计为例,硬件工程,射频工程,pcb工艺,网络
对于插入后的元器件,合理设置其参数,具体要求按照上面的设计指标来就行:
番外13:使用ADS进行容差分析(蒙特卡洛分析、灵敏度分析、良率分析、良率优化),以带通滤波器设计为例,硬件工程,射频工程,pcb工艺,网络
插入相关的仿真控件,主要是S参数控件,并设置其仿真频率:
番外13:使用ADS进行容差分析(蒙特卡洛分析、灵敏度分析、良率分析、良率优化),以带通滤波器设计为例,硬件工程,射频工程,pcb工艺,网络
在菜单栏选中DesginGuide,找到Filter选项并打开:
番外13:使用ADS进行容差分析(蒙特卡洛分析、灵敏度分析、良率分析、良率优化),以带通滤波器设计为例,硬件工程,射频工程,pcb工艺,网络
选择第一个Filter Control Window选项,点击OK:
番外13:使用ADS进行容差分析(蒙特卡洛分析、灵敏度分析、良率分析、良率优化),以带通滤波器设计为例,硬件工程,射频工程,pcb工艺,网络
选择第二个选项卡Filter Assistant(默认打开时Overview),点击Design按钮即可:
番外13:使用ADS进行容差分析(蒙特卡洛分析、灵敏度分析、良率分析、良率优化),以带通滤波器设计为例,硬件工程,射频工程,pcb工艺,网络
等待几秒钟后,设计就完成了,虽然表面看不出啥,但是点击按钮深入到器件中查看:
番外13:使用ADS进行容差分析(蒙特卡洛分析、灵敏度分析、良率分析、良率优化),以带通滤波器设计为例,硬件工程,射频工程,pcb工艺,网络番外13:使用ADS进行容差分析(蒙特卡洛分析、灵敏度分析、良率分析、良率优化),以带通滤波器设计为例,硬件工程,射频工程,pcb工艺,网络
可以发现电路中已经存在相关的电阻电容了:
番外13:使用ADS进行容差分析(蒙特卡洛分析、灵敏度分析、良率分析、良率优化),以带通滤波器设计为例,硬件工程,射频工程,pcb工艺,网络
回到上一层点击仿真按钮,可以看到理想情况下的仿真结果如下,性能好像不错:
番外13:使用ADS进行容差分析(蒙特卡洛分析、灵敏度分析、良率分析、良率优化),以带通滤波器设计为例,硬件工程,射频工程,pcb工艺,网络

3、容差分析(此处使用蒙特卡洛分析)

新建一个原理图,命名为MonteCarlo_Filter,将之前设计好的电路放进去并插入相关的S参数控件:
番外13:使用ADS进行容差分析(蒙特卡洛分析、灵敏度分析、良率分析、良率优化),以带通滤波器设计为例,硬件工程,射频工程,pcb工艺,网络
从Optim/Stat/DOE选项中寻找相关的仿真控件(MC,蒙特卡洛缩写),插入后需要设置蒙特卡洛控件的相关参数,如下所示:

番外13:使用ADS进行容差分析(蒙特卡洛分析、灵敏度分析、良率分析、良率优化),以带通滤波器设计为例,硬件工程,射频工程,pcb工艺,网络番外13:使用ADS进行容差分析(蒙特卡洛分析、灵敏度分析、良率分析、良率优化),以带通滤波器设计为例,硬件工程,射频工程,pcb工艺,网络
其中Numlter设置成了100,代表一共分析100次,在开始仿真之前,还需要设置器件的误差范围,双击器件并点击Tune/Opt/Stat/DOE Setup按钮:
番外13:使用ADS进行容差分析(蒙特卡洛分析、灵敏度分析、良率分析、良率优化),以带通滤波器设计为例,硬件工程,射频工程,pcb工艺,网络
使能Stattistics并设置误差5%:
番外13:使用ADS进行容差分析(蒙特卡洛分析、灵敏度分析、良率分析、良率优化),以带通滤波器设计为例,硬件工程,射频工程,pcb工艺,网络
设置完成后点击仿真,查看结果,可见器件误差对电路的最终性能影响较大,频率偏移、匹配性能波动,但是图中看不太清除具体性能:
番外13:使用ADS进行容差分析(蒙特卡洛分析、灵敏度分析、良率分析、良率优化),以带通滤波器设计为例,硬件工程,射频工程,pcb工艺,网络
构建如下的观察视窗,观察10MHz时的S11和S21性能,发现蒙特卡洛分析表示在第33次和第74次实验中性能较差,在此时10MHz时的S11大于-1dB,S21小于-6dB,电路功能几乎完全丧失了:
番外13:使用ADS进行容差分析(蒙特卡洛分析、灵敏度分析、良率分析、良率优化),以带通滤波器设计为例,硬件工程,射频工程,pcb工艺,网络
移动鼠标滑钮,查看第33次实验结果和其对应的电阻电容的数值:
番外13:使用ADS进行容差分析(蒙特卡洛分析、灵敏度分析、良率分析、良率优化),以带通滤波器设计为例,硬件工程,射频工程,pcb工艺,网络
可见电路性能在实际的大规模生产时可能问题很大。

4、良率分析与良率优化

从Optim/Stat/DOE选项中寻找相关的仿真控件(YIELD SPEC和YIELD控件),注意到注释掉原来的蒙特卡洛分析控件,还要合理的设置YIELD SPEC和YIELD控件的数值,观察下面的YIELD SPEC控件,此处设置为在9.96MHz到10.1MHz处S11小于-10dB的器件为良好器件,实际上这个要求已经非常低了:
番外13:使用ADS进行容差分析(蒙特卡洛分析、灵敏度分析、良率分析、良率优化),以带通滤波器设计为例,硬件工程,射频工程,pcb工艺,网络
运行仿真,可见在器件误差5%的情况下,整个带通滤波器的良率为20%。这是非常恐怖的,因此在实际设计时应该充分留有余量,比如说我上面的指标,如果将通带范围设置为8MHz到12MHz,器件的S11良率性能可能要好不少:
番外13:使用ADS进行容差分析(蒙特卡洛分析、灵敏度分析、良率分析、良率优化),以带通滤波器设计为例,硬件工程,射频工程,pcb工艺,网络
下面进行良率的优化,从Optim/Stat/DOE选项中寻找相关的仿真控件(YIELD ORTIM…控件),插入后如下所示,可见设置的良率的优化次数为100:
番外13:使用ADS进行容差分析(蒙特卡洛分析、灵敏度分析、良率分析、良率优化),以带通滤波器设计为例,硬件工程,射频工程,pcb工艺,网络
在运行良率优化前,需要设置器件Optim,在此设置器件的优化范围为50%:
番外13:使用ADS进行容差分析(蒙特卡洛分析、灵敏度分析、良率分析、良率优化),以带通滤波器设计为例,硬件工程,射频工程,pcb工艺,网络
点击仿真运行良率优化,值得注意的是,每次运行良率测试得到的结果可能并不一致,因为实际上这是一种随机实验而已,最终得到的结果,可见初始的良率为12.8%,优化后为27%,这边看似误差比较大,实际上可以通过增大实验次数使其收敛,但是这样运行比较慢,在此就不专门演示了:
番外13:使用ADS进行容差分析(蒙特卡洛分析、灵敏度分析、良率分析、良率优化),以带通滤波器设计为例,硬件工程,射频工程,pcb工艺,网络
对于优化后的结果,可以在Simulation中的相关选项进行更新,如下所示:
番外13:使用ADS进行容差分析(蒙特卡洛分析、灵敏度分析、良率分析、良率优化),以带通滤波器设计为例,硬件工程,射频工程,pcb工艺,网络

5、灵敏度分析

注释掉良率分析相关的控件,从Optim/Stat/DOE选项中寻找相关的灵敏度分析控件,插入和如下所示:
番外13:使用ADS进行容差分析(蒙特卡洛分析、灵敏度分析、良率分析、良率优化),以带通滤波器设计为例,硬件工程,射频工程,pcb工艺,网络
其中Goal需要专门设置,此处测量的是电路在10MHz时S11<-10dB要求下的灵敏度,运行仿真:
番外13:使用ADS进行容差分析(蒙特卡洛分析、灵敏度分析、良率分析、良率优化),以带通滤波器设计为例,硬件工程,射频工程,pcb工艺,网络
可见C1、C3、L1、L3对电路的S11性能贡献较大。

6、结论

设计时留有余量,确保万无一失!文章来源地址https://www.toymoban.com/news/detail-643392.html

到了这里,关于番外13:使用ADS进行容差分析(蒙特卡洛分析、灵敏度分析、良率分析、良率优化),以带通滤波器设计为例的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 蒙特卡洛树搜索(MCTS)详解

    蒙特卡洛树搜索是一种经典的树搜索算法,名镇一时的 AlphaGo 的技术背景就是结合蒙特卡洛树搜索和深度策略价值网络,因此击败了当时的围棋世界冠军。它对于求解这种大规模搜索空间的博弈问题极其有效,因为它的核心思想是 把资源放在更值得搜索的分枝上 ,即 算力集

    2024年01月18日
    浏览(47)
  • 蒙特卡洛方法的数学基础-1

    蒙特卡洛方法的数学基础-1 Bayes 公式 常用分布 Binominal Distribution Poisson Distribution Gaussian Distribution  Exponential Distribution Uniform Distribution 大数定理 均匀概率分布随机地取 N 个数 x i , 函数值之和的算术平均收敛于函数的期望值 算术平均收敛于真值 中心极限定理 n个相互独立分布

    2024年02月07日
    浏览(38)
  • 【机器学习】强化学习(三)蒙特卡洛算法

    策略迭代算法和价值迭代算法为什么可以得到理论上的最优解,在实际问题中使用价值有限? 无模型算法 三、蒙特卡洛算法 蒙特卡洛(Monte Carlo)方法是一种基于样本的强化学习算法,它通过执行和学习代理(也就是我们编程的AI)环境交互的样本路径来学习。它不需要初始知

    2024年01月19日
    浏览(43)
  • 蒙特卡洛方法的收敛性和误差

    目录 1.收敛性 2.误差 3.减少方差的各种技巧 4.效率 5.优缺点 蒙特卡罗方法作为一种计算方法,其收敛性与误差是普遍关心的一个重要问题。由此可以总结出蒙特卡洛方法的优缺点。

    2024年02月06日
    浏览(28)
  • 多数问题求解之蒙特卡洛与分治法

    多数问题(Majority Problem)是一个有多种求解方法的经典问题,其问题定义如下: 给定一个大小为 n n n 的数组,找出其中出现次数超过 n / 2 n/2 n /2 的元素 例如:当输入数组为 [ 5 , 3 , 5 , 2 , 3 , 5 , 5 ] [5, 3, 5, 2, 3, 5, 5] [ 5 , 3 , 5 , 2 , 3 , 5 , 5 ] ,则 5 5 5 是多数(majority)。 本文将

    2024年03月14日
    浏览(35)
  • 16. 蒙特卡洛强化学习基本概念与算法框架

    蒙特卡洛强化学习(简称MC强化学习)是一种 无模型 强化学习算法,该算法无需知道马尔科夫决策环境模型,即不需要提前获得立即回报期望矩阵R(维度为(nS,nA))、状态转移概率数组P(维度为(nA,nS,nS)),而是通过与环境的反复交互,使用统计学方法,利用交互数据直接进行

    2024年01月21日
    浏览(36)
  • 蒙特卡洛积分、重要性采样、低差异序列

    渲染的目标在于计算周围环境的光线有多少从表面像素点反射到相机视口中。要计算总的反射光,每个入射方向的贡献,必须将他们在半球上相加: 为入射光线  与法线  的夹角,为方便计算可以使用法线向量和入射向量(单位化)的乘积表示。  对于基于图像的光照,入射

    2024年02月03日
    浏览(54)
  • C# 随机法求解线性规划问题 蒙特卡洛

    线性规划问题: max=3 x1+2 x2 x1+2 x2=5 2 x1+x2=4 4 x1+3 x2=9 x1=0 x2=0 正确的结果:x1=1.5; x2=1, max z=6.5

    2024年02月13日
    浏览(26)
  • 【Python数学建模常用算法代码——蒙特卡洛模型】

    蒙特卡洛方法的理论支撑其实是概率论或统计学中的大数定律。基本原理简单描述是先大量模拟,然后计算一个事件发生的次数,再通过这个发生次数除以总模拟次数,得到想要的结果。下面我们以三个经典的小实验来学习下蒙特卡洛算法思想。 实验原理 在正方形内部有一

    2024年02月02日
    浏览(35)
  • Python学习28:计算圆周率——蒙特卡洛法

    描述 ‪‬‪‬‪‬‪‬‪‬‮‬‪‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‪‬‭‬‪‬‪‬‪‬‪‬‪‬‮‬‫‬‮‬‪‬‪‬‪‬‪‬‪‬‮‬‭‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‫‬‪‬‪‬‪‬‪‬‪‬‪‬‮‬‭‬‫‬‪‬‪‬‪‬‪‬‪‬‮‬‫‬‪‬ 蒙特卡洛(M

    2024年02月08日
    浏览(36)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包