Ich meine, ein Sensor kann Eigenschaften wie Y = X ^ 2 haben (X = Eingang, Y = Ausgang). Das heißt, ich kann X leicht finden, wenn ich Y kenne. Warum ist die Linearität so wichtig?
Ja, Sie könnten einen Sensor haben, der so reagiert (Y = X ^ 2). Ihr Sensor muss das immer noch zuverlässig tun. Bei einem typischen Sensor ist Y = cX + d, wobei c und d idealerweise Konstanten sind. Aufgrund verschiedener Faktoren sind sie normalerweise keine einfachen Konstanten. Wie nahe c und d wirklich Konstanten sind, wird als Linearität bezeichnet. In Ihrem Beispiel hätten Sie wahrscheinlich so etwas wie Y=(cX+d)^2 , was für jede Menge Spaß sorgen würde.
Linearität wie in "linearer Antwort" ist nicht das Problem. Linearität wie in "die Y-Werte passen genau zur erwarteten linearen Antwort" ist das, was Sie wollen. In Ihrem Beispiel würden Sie sich nicht darum kümmern, ob das a-Diagramm von Y und X eine gerade Linie ist. Sie möchten, dass Ihr Diagramm der erwarteten parabolischen Kurve genau entspricht. Es wird höchstwahrscheinlich nicht perfekt zusammenpassen. Bei einem Sensor mit linearer Reaktion würden Sie sagen, dass die Linearität schlecht ist. Für einen wie Ihren vorgeschlagenen Sensor (Y = X ^ 2) weiß ich nicht, wie Sie ihn nennen würden - vielleicht nur "schlechte Reaktion".
Oft führt dies dazu, dass ein System einfacher zu kalibrieren und zuverlässiger wird – aber auch teurer, da ein besserer Sensor normalerweise teurer bedeutet. Manchmal möchten Sie einen billigeren und weniger linearen Sensor verwenden und dessen Fehler in der Software kompensieren.
Viele Sachen verwenden immer noch relativ stromsparende oder billige Mikrocontroller, 8-Bit-Mikros sind nicht verschwunden.
Das Ergebnis ist Folgendes:
Wenn Sie sich die Reifen ansehen, durch die eine CPU springen muss (in Maschinenbefehlen, die ausgeführt werden, um eine mathematische Operation zu erreichen), um vorzeichenbehaftete Gleitkommaberechnungen durchzuführen, und die resultierende Ausgabepräzision, könnten Sie entscheiden, dass die Verwendung eines linearen Sensors attraktiver ist Aussicht.
Viele Überwachungsschaltungen für Sensoren sind rein analog und daher ist die Kompliziertheit, einen gemessenen Wert über ein Quadratwurzelgesetz abzubilden, wirklich nicht trivial. Wenn die Messung digitalisiert wird, ist die Verwendung von Mathematik innerhalb der CPU im Vergleich dazu ziemlich trivial, aber wie gesagt, viele Schaltungen sind rein analog.
Die Linearität minimiert den Einfluss von Unvollkommenheiten später in der Schaltung. Angenommen, es gibt einen kleinen konstanten Rauschpegel, der von einem Vorverstärker eingeführt wird. Wenn Sie die Reaktion Ihres Y 2 -Sensors korrigieren müssen, ist der effektive Rauschpegel ( SNR ) proportional zur Ableitung der Umkehrfunktion, dh
∂ X /∂ Y = d / d X √ Y = 1 / 2 √ Y ∝ 1 / X .
Bei niedrigen Werten von X tendiert dieses effektive Rauschen gegen unendlich (äquivalent dazu nähert sich das SNR Null). In Wirklichkeit ist es nicht ganz so dramatisch, da die Störungen nicht verschwindend klein sind, aber das Problem ist real: Wo die Ausgangsspannung nur schwach mit dem Messwert korreliert, leidet die maximal erreichbare Genauigkeit.
Sie denken jetzt vielleicht, das Rauschen irgendwie zu filtern, aber es gibt ein weiteres Problem: Die Frequenzfilterung ist im Grunde linear, und um gut zu funktionieren, wird davon ausgegangen , dass das Signal selbst linear geworden ist – um die Physikterminologie zu verwenden, möchten Sie, dass die Filterung mit der Messung pendelt . Dies ist bei einem nichtlinearen Sensor nicht gegeben, wenn Sie beispielsweise ein hochfrequentes Signal in Ihrer X - Größe um einige X 0 haben und das resultierende Y - Signal filtern, erhalten Sie einen konstanten Offset über dem entsprechenden Y 0 -Wert, weil die Quadratische Nichtlinearität "biegt die Störung nach oben".
Wenn Sie jetzt sagen, dann lassen Sie uns zuerst die Nichtlinearität digital korrigieren . Nächstes Problem: Sie können nur diskrete Proben nehmen. PCM-Sampling ist mathematisch sehr gut unter Kontrolle , aber stellen Sie sich vor: Es geht davon aus, dass alles linear ist! Nichtlinearitäten verursachen Aliasing-Artefakte.
Um es zusammenzufassen: Ja, Sie können es irgendwie korrigieren, wenn Sensoren nicht linear sind. Aber jede solche Korrektur bringt neue Probleme mit sich; Wenn zunächst alles linear ist, können Sie am sichersten sein, tatsächlich das gewünschte Signal zu erhalten.
Venny
Scott Seidman
Amit Hassan