UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL

Programa de Pós-Graduação em Microeletrônica

MIC78 – Conversores de Sinais Analógicos e Digitais CMOS
Prof. Hamilton Klimach

TRABALHO 1: Conversores nos Domínios Tempo e Frequência

1. Introdução

Este trabalho será desenvolvido visando o estudo das relações entre alguns aspectos
inerentes de sistemas de conversão AD e DA, e sua observação nos domínios tempo e
frequência. Sua realização deve ser feita através de simulação numérica com o uso da plataforma
mais conveniente ao aluno: MatLab, SciLab, Octave ou similar.
Um conversor AD ou DA é um sistema que relaciona sinais (representação de
informação) nos domínios analógico (contínuo no tempo e em amplitude) e digital (discreto no
tempo e em amplitude). O processo de conversão AD é realizado através das discretizações
sucessivas em tempo e amplitude, e o DA das reconstruções sucessivas em amplitude e tempo.
Durante estes processos, alguns erros inerentes aos sistemas eletrônicos são acrescidos, tais
como ruído e distorção, deteriorando a conversão.
O objetivo do trabalho é exercitar a identificação destes aspectos do processo de
conversão, nos domínios tempo e frequência (que pode ser obtido com o auxílio da função FFT –
Fast Fourier Transform).
O trabalho deve ser realizado individualmente. Entrega: dia 11/04 durante a aula.

2. Sinal Original

Suponha três sinais senoidais s1, s2, s3, de diferentes frequências (não múltiplas) e
amplitudes diferentes: 51Hz, 83Hz e 127Hz, com amplitudes (valores de pico) de 0,4; 0,6 e 1,0.
Suponha ainda o sinal composto pela soma destes três sinais anteriores st = s1 + s2 + s3.
Faça a discretização temporal (amostragem) destes sinais em vetores unidimensionais,
com uma taxa muito acima da frequência de Nyquist, e utilizando uma frequência que não seja
múltipla dos sinais (amostragem não síncrona). Por exemplo, utilize como frequência de
amostragem fs = 1000 S/s, resultando num intervalo entre amostras de 1 ms.
A transformada de Fourier decorre de uma integração que é definida entre os limites -∞ e
+∞. Como isso é impossível na prática, o tempo em que o sinal é amostrado (e o número de
amostras) tem de ser limitado, o que resulta num erro acrescido ao processo. Este intervalo de
tempo no qual se amostra o sinal é chamado de ‘janela’ e quanto maior a duração da janela de
amostragem, mais exato é o resultado, ou seja, obtém-se uma grande resolução em frequência no
domínio de Fourier através da aplicação da FFT sobre um grande número de ciclos do sinal no
domínio temporal. Utilize inicialmente uma janela de amostragem com duração de 1 s, ou seja,
composta por N = 1000 amostras.
No exemplo a seguir, dois sinais senoidais de 51 Hz (vermelho, com amplitude 0,7) e 127
Hz (branco, com amplitude 1,0) são somados e amostrados com fs= 1000 S/s e janela de 1000
amostras, compondo o sinal azul. Observe que, embora se tenha 1000 amostras dos sinais,
apenas 50 são apresentadas nesta figura.
A figura na direita resulta da aplicação de uma FFT sobre o sinal composto. Observe que
por termos um número limitado de amostras (janela temporal finita), surge um erro no espectro
no entorno dos harmônicos.
 Deve-se entender que, de fato, estamos observando a FFT de um sinal que está
multiplicado no domínio tempo por uma janela retangular de duração finita, de modo que o
espectro resultante é a convolução dos espectros do sinal e da janela retangular.
Os equipamentos chamados “analisadores de espectro” aplicam ao sinal amostrado certos
tipos de ‘janelas’ (Hanning, Flat-Top, etc), que minimizam o efeito de espalhamento espectral
decorrente das características do tipo de janela de truncamento utilizada no domínio tempo.
Neste trabalho buscamos minimizar este erro utilizando um grande número de amostras
do sinal no domínio tempo. Observe agora o espectro do mesmo sinal, amostrado com uma
janela temporal ampliada para 10 s, resultando em N= 10.000 amostras. Note que o erro
diminuiu. Diminua a janela temporal para 0,1 s (N= 100 amostras) e note como o erro aumenta
no espectro.

3. Sinal Original + Ruído

Utilize o gerador de números randômicos (rand) com distribuição estatística ‘normal’ (ou
‘gaussiana’) e crie quatro vetores ‘ruido’ com o mesmo número de amostras do sinal. Faça com
que cada vetor ‘ruído’ tenha uma amplitude máxima diferente: 0,1; 0,5; 1,0 e 3,0. Some
separadamente cada um desses vetores de ruído ao sinal e verifique o resultado de cada situação
nos domínios tempo e frequência.

Para cada situação anterior, aumente a largura da janela de amostragem, o que aumenta o
numero de amostras da FFT (N, tamanho da amostra) e observe o efeito sobre o ‘noise-floor’. Na
figura abaixo se observa o mesmo sinal anterior, mas com N= 10.000 amostras (o sinal acima
havia sido amostrado com N= 1000 amostras).
4. Sinal Original + Quantização

Agora aplique uma discretização em amplitude (quantização) ao sinal soma ‘st’ original
(sem ruído), na forma de um truncamento dos valores armazenados. O truncamento deve ser
calculado para uma representação do sinal em 2, 4 e 8 bits, por exemplo. Considere o valor de
fundo-de-escala (Vref) como sendo 10% maior que a soma das amplitudes dos três sinais
(máxima amplitude possível), garantindo que o valor máximo do sinal caiba na faixa de
quantização.
Observe o efeito da quantização nos domínios tempo e frequência, variando o número de
bits com que ela é realizada.
Calcule o SINAD e o ENOB para cada caso anterior a partir da análise espectral,
utilizando o janelamento que julgar mais. Leia o MT-003 da Analog Devices que está no Moodle
como referência.

5. Sinal Original + Distorção

Qualquer função não-linear pode ser representada por uma série polinomial, por exemplo
a série de Taylor:
f(x) = a0 + a1x + a2x2 + a3x3 + a4x4 + a5x5 + ...
onde ‘x’ é o sinal original que será distorcido. Assim, pode-se entender o processo de
distorção como a composição de dois efeitos:
 linear: os termos constante e de primeira ordem da série (a0 + a1x) representam o
acréscimo de um off-set e a aplicação de um ganho ao sinal original, o que de fato não
representa ‘distorção’;
 não-linear: os termos de segunda ordem e superiores (a2x2 + a3x3 + a4x4 + a5x5 + ...)
representam o acréscimo de harmônicos (outros sinais) ao sinal original, o que de fato
é distorção.
Agora aplique sobre o sinal original uma distorção do tipo:
f(x) = a0 + a1x + a2x2 + a3x3
Observe o efeito desta distorção nos domínios tempo e frequência, ajustando os valores
dos coeficientes ‘ai’. Observe a amplitude e a ordem dos harmônicos resultantes conforme atua
sobre cada coeficiente (por exemplo, verifique a diferença de uma distorção quadrática para uma
cúbica nos domínios tempo e frequência).
 Observe ainda que um harmônico que não é observável no domínio frequência, por sua
amplitude se confundir com o ‘noise-floor’, pode ser identificado quando se aumenta o tamanho
da janela de aquisição (aumento de N) amostra, pois o aumento da janela temporal empurra o
‘noise-floor’ para baixo (cerca de -3dB/oitava).
Experimente aplicar sobre o sinal original uma função linear (off-set + ganho, fazendo
a2= a3= 0) e verifique que ocorrem alterações com os harmônicos do sinal original (amplitude),
mas não surgem novos harmônicos, como ocorre devido à distorção.
Nos sistemas eletrônicos (amplificadores, conversores, filtros, mixers, etc), geralmente os
termos que mais prejudicam o processamento do sinal são os de segunda e de terceira ordem
(a2x2 + a3x3). Pode-se quantificar o efeito destes termos através dos parâmetros de
intermodulação de segunda e de terceira ordem IP2 e IP3, métricas muito utilizadas em sistemas
de RF.

6. Sinal Original + Ruído + Quantização + Distorção

Por fim, varie o sinal original, o tamanho da amostra e os três efeitos (ruído, quantização
e distorção) e observe o impacto que eles causam juntos no sinal nos domínios tempo e
frequência.