现在的位置:主页 > 综合新闻 >

EDA365:大数据时代的高速PCB设计,你准备好了吗

来源:大数据 【在线投稿】 栏目:综合新闻 时间:2020-10-21

【作者】:网站采编
【关键词】:
【摘要】:空间的隔断似乎并没有减弱彼此之间的联系,无处不在的网络把大家连接在了一起。万物互联的口号喊了很多年,在不知不觉中,润物细无声的慢慢走近了我们。 云计算,5G,车联网,

空间的隔断似乎并没有减弱彼此之间的联系,无处不在的网络把大家连接在了一起。万物互联的口号喊了很多年,在不知不觉中,润物细无声的慢慢走近了我们。

云计算,5G,车联网,智慧城市,这些名词相信大家都已经耳熟能详,而在这些高科技背后,是海量的数据交互,也就是我们常说的大数据。为了支撑起大量数据传输的需求,各种总线的数据速率都在不断攀升,相应的,电路设计的复杂度也越来越高。

为了提高设计效率,减少返工引起的延期以及成本消耗,高速链路的仿真越来越受到大家的重视。如何确保仿真的准确性,则成了一个令人头疼的问题。高速链路仿真涉及到的内容很多,包括芯片模型,无源器件模型,PCB电路模型等。本文的重点将放在PCB电路模型这里。

相信大家对于PCB的结构都不陌生,它是由导体(铜箔)和介质层(有机材料)组成的,示意图如下:

仿真工具一般都会提供PCB传输线的模型,工程师可以依据实际情况选择合适的模型进行仿真。下图是使用ADS的Multilayer模型简单搭建的一个带状线结构S参数仿真原理图:

图中TL1是一根PCB传输线,衬底是Subst1,输入对应的物理参数,运行仿真,即可得到这段PCB走线的S参数。看起来似乎不复杂,可是操作时问题就来了,这些物理参数要怎么设置呢?尤其是衬底材料的介电常数(Er)和损耗因子(TanD),可以说这两个参数是PCB走线设计的基础,它们决定了传输线特征阻抗与线宽、板厚之间的关系。

要获取这些参数,可能设计师最直接想到的方式就是咨询PCB厂商,然而厂商提供的参数和仿真工具中的定义相同吗?其精度是否能满足高速电路设计的需求呢?

接下来,我们将从这两个问题出发,看看怎样获取到准确的PCB材料参数,从而提高链路仿真精度,为完整的系统设计铺平道路。

PCB材料参数测试方法以及高速数字电路对于材料参数的要求

我们说到PCB材料参数,主要是指层叠材料的介电常数和损耗因子。介电常数(Dk)与传输线的特征阻抗关系密切;介质损耗因子(Df)则决定了传输线损耗中的介质损耗,由此可见这两个参数对于PCB走线的重要性(传输线损耗还包括导体损耗等其他因素,此处先按下不表)。

常用的材料参数测试方法主要有如下四种,一般都是针对均匀的各向同性材料。其中同轴探针多用于液体或半固体高损耗材料,传输线法需要将样品加工成图示的形状,也不适用于Df在1e-2量级以下的低损耗材料测试。为了降低传输损耗,PCB叠层通常会选用低损耗的材料,Df可能会低至1e-3~1e-4量级,能满足这种损耗测试精度的方法只有平行电极法和谐振腔法。

平行电极法的原理是将材料加工成薄片,放置在带有上下两块平行电极的测试夹具中,形成电容,通过测试电容的容值和损耗因子,配合电极面积以及材料厚度,计算出材料的Dk和Df。这种方法的精度很高,然而受限于测试设备,最高频率只能测试到1GHz。

适合测试薄片材料的谐振腔有分离介质谐振腔(SPDR)和分裂圆柱体谐振腔(Split Cylinder Resonator),其原理类似,SPDR示意图如下,电磁波通过左右两个耦合环馈入腔体,通过测试空腔和加入样品后的谐振点和Q值,计算出样品的Dk和Df。这种方法适合低损耗材料测试,可以测到的损耗理论上可达1e-6(某些腔体),但是它只能做点频测试,测试频率取决于谐振腔。

对于当前的高速电路来说,数据速率已经是几十到上百G,平行电极法的1G带宽显然是不够的,谐振腔法频率够高,然而它只能提供单点的Dk和Df,尽管我们希望使用尽可能稳定的PCB材料(其性能受频率以及环境变化的影响很小),实际上的材料参数在不同频点上还是会有变化。

高速电路要承载的是数字信号,其频谱会覆盖由上升沿决定的全部带宽。为了获取到准确的仿真结果,在信号带宽范围内的PCB材料参数不可或缺。

仿真工具中的PCB材料模型

前文中提到,不同频点的PCB材料特性是不一样的,而高速电路设计需要宽带的PCB材料参数,因此,仿真工具需要提供频变的衬底材料模型,从而支持宽带的高速通道仿真。

ADS采用了Svensson/Djordjevic模型,其复介电常数表达式为:

文章来源:《大数据》 网址: http://www.dsjzz.cn/zonghexinwen/2020/1021/1221.html

上一篇:大数据营销专家解读如何打通B2B营销闭环,唤醒
下一篇:如何利用大数据做案例复盘?

大数据投稿 | 大数据编辑部| 大数据版面费 | 大数据论文发表 | 大数据最新目录
Copyright © 2018 《大数据》杂志社 版权所有
投稿电话: 投稿邮箱: