【理解ADC积分非线性（INL）误差】

了解积分非线性（INL）规范及其与模数转换器（ADC）误差的关系。

本文引用地址：https://www.eepw.com.cn/article/202409/462860.htm
三个参数，即偏移误差、增益误差和INL，决定了ADC的精度。偏移和增益误差可以校准出来，这让我们把INL作为主要的误差因素。INL规范描述了实际传递函数的转变点与理想值的偏差。

什么是积分非线性（INL）？

理想的ADC具有均匀的阶梯式输入输出特性，这意味着每次转换都发生在距离前一个转换1 LSB（最低有效位）处。然而，对于真实世界的ADC，步骤并不一致。例如，考虑图1所示的传递曲线。

ADC的传输曲线示例。

1.png

图1。ADC的传输曲线示例。

步长与理想值的偏差由微分非线性（DNL）规范表征。然而，DNL误差不能完全描述传递函数与理想响应的偏差，因为我们获得的响应取决于正负DNL误差在不同代码中的传播方式。INL规范允许我们描述代码转换与其理想值的偏差。为了计算代码k的INL，我们可以使用以下方程式：

2.png

其中Ta（k）和Tidal（k）分别表示从代码k-1到k的实际和理想过渡；“理想步长”是ADC的LSB。对于上述示例，从代码1（001）到代码2（010）的实际转换发生在理想转换之上0.125 LSB处。因此，代码2的INL是INL（2）＝+0.125 LSB。

从这里，我们可能会问，下一个转换（从代码2到3）是什么？注意到从代码1到2的转换发生在理想值以上0.125 LSB处，并考虑到代码2的宽度误差（或DNL）为+0.25 LSB，我们可以推断出从代码2到3的转换应该发生在理想值以上0.375 LSB处。因此，我们得到INL（3）=+0.375 LSB。如您所见，代码3的INL等于代码1和2的DNL之和：

3.png

将上述分析扩展到其他代码，很容易通过应用以下方程来验证第m个代码的INL：

4.png

INL代表DNL误差的累积效应。在计算DNL和INL值时，我们假设ADC的偏移和增益误差已经校准。结果，第一个代码（代码1）和最后一个代码的INL为零。对于代码0，未定义INL。

表示ADC INL信息

就像DNL一样，我们可以将INL信息表示为INL与代码值的关系图。对于上述示例，我们得到如图2所示的下图。

显示INL与代码值的示例图。

5.png

图2:显示INL与代码值的示例图。

INL通常也表示为所有代码的最小值和最大值。我们假设的ADC的INL在-0.71 LSB和+0.5 LSB之间。INL图不仅表示ADC的线性性能，还揭示了ADC内部架构的一些信息。例如，子范围ADC具有三角形INL图（图3（a）），而闪存ADC通常具有随机模式（图3）。

子范围ADC三角形INL图（a）和闪存ADC随机模式图（b）的示例。

6.png

图3。子范围ADC三角形INL图（a）和闪存ADC随机模式图（b）的示例。图片由M.Pelgrom提供

INL:ADC量化误差之外的误差

值得注意的是，INL除了指定ADC的量化误差外，还指定了一个误差。由于ADC将连续的模拟输入范围转换为几个离散的输出码，即使是理想的ADC也会在系统中固有地引入一些误差，称为量化误差。如果我们将斜率为1的斜坡输入应用于ADC，我们可以从输入中减去输出代码的模拟等效值，以找到量化误差。如图4所示。
全文链接：https://www.eepw.com.cn/article/202409/462860.htm