各种二端口滤波器网络仿真遇到的问题
2023/12/26 14:33:05
本文主要是介绍各种二端口滤波器网络仿真遇到的问题,对大家解决编程问题具有一定的参考价值,需要的程序猿们随着小编来一起学习吧!
各种滤波器网络仿真遇到的问题
-
各种滤波器网络仿真遇到的问题
- 1、仿真的前置问题研究
- 2、电路1仿真
- 3、电路2仿真
- 4、电路3仿真
使用软件:LTspice (ADI推荐的仿真软件)
1、仿真的前置问题研究
为什么在LC谐振点会产生大于0的增益?
问题比较突兀,以简单的例子来验证:
上图添加了一个简单LC低通滤波器,理想状态下LC低通滤波器的幅频响应曲线应该是一个非常平滑的曲线,如下图所示:
但实际上存在一个非常大的尖峰信号,我们放大一下来看:
可以看到最大值可以达到60dB的增益(实际上最大增益趋向于无穷,大小取决于采样点数和采样方法,可以见下图展示的增加采样点数的效果),这对任何无源滤波系统几乎是不可能的,当然存在即是合理,其存在的意义说明仿真的电路出了问题,那么为什么看似合理的仿真系统会出现这样的问题呢?
原因实际上有很多考虑,首先LTSpice的线路阻抗默认是0.1mΩ,其次我们可以观察到尖峰的频率中心在1KHz,和电路的中LC谐振频率完全符合(\(f=1/2Π\sqrt{LC}\)),但是这并不是巧合,我们可以简单推导一下,输入阻抗和系统谐振之间的关系,
当频率达到1Khz的时候此时L=C,电路的模型可以转化为如下(注意此处测量的Vin位置变化了):
电路的阻抗如下:
而此时容抗和感抗完全一致:
也就是说:
整个电路呈现电阻特性,即\(Z=R_1\),
所以整个回路电流等于输入电压除以信号源内阻,输出电压等于电容两端的电压 ,等于电流乘以容抗,最后计算出来是等于:
也就是说系数\(\frac{1}{R_s}\sqrt{\frac{L}{C}}\)决定了输出电压的大小,也就是目前Vout和Vin的比值,那么为什么在上文中Vout会和V1的比值变成一个很大的数呢?(注此处\(R_s = R_1\))
我们测量一下就知道,实际上此时回路处于短路状态,只有线阻的电压大小,测量可知:
所以Vout/V1趋近于无穷。
红色的部分代表了目前Vout和Vin比值,其受\(R_1\)大小的影响而变化,效果如下:
其大小随着电阻变化而变化,符合上式计算条件。
同时为了模拟常规的使用情况,和减少谐振点的影响,我们将信号源的内阻设定为50Ω,滤波器负载后端的输出设置为50欧姆的阻抗来模拟网路的频幅特性曲线,如下图所示:
其幅频响应曲线如下图所示:
可以看到随着感抗的提升V1的电压随之提升,但容抗减小R2与C1构成的并联电路的阻抗大小随之减小,导致Vout持续下降,而V1持续上升,由于后端负载电路R2的存在导致红色部分Vout与V1的比值,也就是增益会有大于1的趋势,这并不是电路出现的问题,需要和上边的谐振问题分开来看待。
2、电路1仿真
仍遵循50欧姆阻抗输入,50欧姆阻抗输出的默认条件,仿真其幅频特性
仿真其幅频特性横轴从100KHz至500Mhz,其基本频幅特性如下:
截止频率偏移至25Mhz左右。
3、电路2仿真
仍遵循50欧姆阻抗输入,50欧姆阻抗输出的默认条件。
仿真其幅频特性横轴从100KHz至500Mhz
其效果如下,为带陷滤波,中心频率为20Mhz左右。
左-3dB频点:
右-3dB频点:
模拟带陷带宽在15.15 ~ 27.176Mhz之间,大概12Mhz左右。
4、电路3仿真
仍遵循50欧姆阻抗输入,50欧姆阻抗输出的默认条件,仿真其幅频特性纵轴
电路如下:
本带通滤波系统下中心增益频率为:
右-3dB衰减频率为:
左-3dB衰减频率为:
模拟带通带宽在15.9~ 16.86Mhz之间,大概1Mhz左右。
这篇关于各种二端口滤波器网络仿真遇到的问题的文章就介绍到这儿,希望我们推荐的文章对大家有所帮助,也希望大家多多支持为之网!
- 2024-12-17机器学习资料入门指南
- 2024-12-06如何用OpenShift流水线打造高效的机器学习运营体系(MLOps)
- 2024-12-06基于无监督机器学习算法的预测性维护讲解
- 2024-12-03【机器学习(六)】分类和回归任务-LightGBM算法-Sentosa_DSML社区版
- 2024-12-0210个必须使用的机器学习API,为高级分析助力
- 2024-12-01【机器学习(五)】分类和回归任务-AdaBoost算法-Sentosa_DSML社区版
- 2024-11-28【机器学习(四)】分类和回归任务-梯度提升决策树(GBDT)算法-Sentosa_DSML社区版
- 2024-11-26【机器学习(三)】分类和回归任务-随机森林(Random Forest,RF)算法-Sentosa_DSML社区版
- 2024-11-18机器学习与数据分析的区别
- 2024-10-28机器学习资料入门指南