产品 EVM Fail 分析

最新推荐文章于 2025-03-17 14:02:13 发布
原创 最新推荐文章于 2025-03-17 14:02:13 发布 · 2k 阅读 · 11 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文探讨了BNSL产品Gawv1.4U10Y-B1试产后EVM不过的问题，通过分析发现无线屏蔽罩和PA供电设计缺陷导致振荡信号。调整供电旁路电容和改进走线布局解决了问题，强调了供电分离原则和屏蔽罩测试的重要性。

1、现象

BNSL产品 Gawv1.4U10Y-B1在试产时，出现批量性EVM不过的现象。

2、参考电路

 

3、参考PCB

4、原因分析

分析原因时发现，拿掉无线屏蔽罩EVM问题有改善，大部分板测试可以通过，还有部分板EVM仍然测试不过。将不良品的RF信号通过频谱仪分析，发现靠近主频信道左右两边存在振荡信号。

对比好的板，RF信号频谱仪分析的结果如下：

调整PA最后一级电路的旁路电容为22PF时，发现靠近主频信道左右两边的振荡信号消失了，再次盖上无线屏蔽罩验证，主频信道左右两边的振荡信号也消失了。

5、问题规避

从参考PCB看，由于PA的后两级供电走线直接接到一点，PA的两级供电走线没有分开走线后再接到主电源上，两级放大器存在干扰的问题。以及供电旁路电容选型不对等这些原因造成无线主频信道左右两边产生振荡信号。通过实际验证调整供电的旁路电容，问题解决。

6、结论

1.对无线PA供电设计而言，设计者必需遵循供电走线分开的原则，这样每级放大器工作不会相互影响。

2.无线设计使用屏蔽罩时，一定要实际测试验证，早发现问题早解决。

全部硬件调试经验案例
https://download.youkuaiyun.com/download/ailemony/13238265

WiFi基本概念（十三）射频（一）（EVM）
reekyli的专栏
11-10 1万+
This page describes IEEE 802.11ax EVM Measurement as defined in IEEE 802.11 ax standard. The 802.11ax EVM test and measurement solutions are also described along with 802.11 EVM specifications. What is EVM (Error Vector Magnitude)? Introduction: •EVMo...
以太坊源码深入分析（9）-- 以太坊通过EVM执行交易过程分析
cj2094的博客
05-16 2776
上一节分析了同步一个新的区块准备插入本地BlockChain之前需要重放并执行新区块的所有交易，并产生交易收据和日志。以太坊是如何执行这些交易呢？这就要请出大名鼎鼎的以太坊虚拟机。以太坊虚拟机在执行交易分为两个部分，第一部分是创建EVM，计算交易金额，设置交易对象，计算交易gas花销；第二部分是EVM 的虚拟机解析器通过合约指令，执行智能合约代码，具体来看看源码。一，创建EVM，通过EVM执行交易...
Wi-Fi信号的EVM指标分析
m0_73019469的博客
04-13 3637
对于IEEE802.11协议来说，观察射频信号发射机最重要的性能图就是发射信号子载波的I/Q星座图，同时也对应了综合评估星座图的测量指标也就是EVM，因此本文将介绍IQ星座图、调制误差对星座图的影响、EVM的计算方法、IEEE802.11对EVM的要求。其中NF代表测试的帧数，NL代表每一帧所包含的OFDM符号数，NSC代表子载波数量，接收机恢复的符号实部为I(i,j,k)，虚部为Q(i,j,k)，理想符号实部为I0(i,j,k)，虚部为Q0(i,j,k)。I/Q不平衡（I/Q imbalance）
WIFI 射频电路EVM分析(理论篇+实践篇)
02-15
从理论分析EVM的原理，并从几个方面解释如何提升EVM特性。
【EVM差——从现象找原因】
shitang110的博客
01-12 2253
EVM差
发射链路EVM指标测试不通过案例分析
weixin_49761275的博客
12-11 334
摘要：在3.5GHz频段TDD模式下测试256QAM EVM时，发现首个symbol0的EVM恶化导致指标不达标（3.78% vs 3.5%要求）。经分析发现transceiver的1.0V PLL供电电压纹波超标（5.5mV＞5mV限制），更换低纹波LDO（1.5mV）后有所改善。最终通过调整PLL电荷泵电流寄存器设置，彻底解决了首个symbol的EVM恶化问题。（149字）
EVM底层探索:字节码级分析最小化代理标准EIP1167
WongSSH的博客
08-23 1395
本文主要介绍了以下内容 `openzeppelin`的`clone`函数生成字节码的过程、go-ethereum创建智能合约的源代码。除此之外，我们还介绍EVM运行环境的基本情况和常见字节码的含义。
LTE中的EVM
adusuccessfully的专栏
01-08 7536
误差向量幅度[EVM]：Error Vector Magnitude，误差向量(包括幅度和相位的矢量)是在一个给定时刻理想无误差基准信号与实际发射信号的向量差，能全面衡量调制信号的幅度误差和相位误差。 EVM具体表示接收机对信号进行解调时产生的IQ分量与理想信号分量的接近程度，是考量调制信号质量的一种指标。 误差向量通常与QPSK等M-ary I/Q调制方案有关，且常以解调符号的I/Q“星状
以太坊EVM源码注释之执行流程
liuuq的博客
05-05 2044
以太坊EVM源码分析之执行流程 业务流程概述 EVM是用来执行智能合约的。输入一笔交易，内部会将之转换成一个Message对象，传入 EVM 执行。在合约中，msg 全局变量记录了附带当前合约的交易的信息，可能是为了一致，这里也将transaction转换成Message传给 EVM 对象。 如果是普通转账交易，执行时完全不需要EVM的操作(EVM进行的是空操作)，直接修改 StateDB 中对...
解决以太坊开发中的 Gas Estimation 失败问题：EVM 版本兼容性指南
2201_75798391的博客
03-17 769
在以太坊智能合约开发过程中，我们常常会遇到各种部署和交易执行问题。当你看到"Gas estimation failed"以及"VM Exception while processing transaction: invalid opcode"这样的错误提示时，不要慌张。EVM（以太坊虚拟机）版本兼容性冲突。
WiFi关键参数EVM分析
12-07
WiFi关键参数EVM分析WiFi关键参数EVM分析WiFi关键参数EVM分析WiFi关键参数EVM分析
EVM测试的小结
04-12
关于EVM测试的一些小结，涉及EVM的原理定义，相关通讯制式的测试指导
以太坊虚拟机EVM的缺陷与不足
omnispace的博客
02-03 3859
首先对作者做个简单的自我介绍，Jordan Earls是Qtum量子链的联合创始人之一，目前担任Qtum量子链全球首席工程师。Qtum目前采用了以太坊虚拟机（Ethereum Virtual Machine, 以下简称EVM）并将其运用于非以太坊的区块链中（当然Qtum项目还包含很多其他工作，因与本文不相关,故不赘述）。因为Qtum中采用了EVM，因此笔者在项目执行过程中对其进行了比较深入的了解和
EVM靶机 测试
Keepb1ue的博客
03-17 3306
靶机运行环境： Oracle VM VirtualBox 靶机ip：192.168.56.103 所用工具： Nmap Wpscan Dirb AntSword … 开始测试： 我们先进行信息收集，扫描下它的端口服务 可以看到该靶机总共开放了7个端口。 发现它的ssh服务是开放的，并开放了一个http服务 试着去访问192.168.56.103,默认端口为80 在主页这里给出了提示 在这里我...
Wifi调试遇到的问题
matlabaverson的博客
03-16 1132
如扣板对板连接器出现的发热，直接串口不正常工作。如测试功率偏低，调整测试方法，确保功率大致准确。高通Wi-Fi AP目前还是不支持单路校准。上面地方改了，软件发包都成了问题。时断时连，可能是硬件问题。没法正常发包，软件问题。1.拆卸过程出现问题。
无线射频模块校准
好记性不如写博客！
11-20 1万+
1、WIFI等无线产品产品为什么要校准？         在通常情况下，在大批量生产无线发射、接收设备时，如GSM手机、cdma手机、wcdma手机、WLAN、bluetooth时，为什么都需要对这些产品进行校准？这是由于生产这些无线发射、接收设备时，所用元器件的绝对精度通常不足以满足设备频率、功率电平和其它参数的性能目标。因此，顺理成章，降低系统性能偏差的方式之一就是使用更加昂贵的、精度更高的...
射频指标之EVM
热门推荐
用学习探索人生的更多可能
01-04 2万+
说到EVM首先先介绍下EVM是什么，其是指目标功率与实际功率的一个矢量差，用下图可以比较详细的表示： 下面就以几个问题来讨论EVM的问题： 1.问题背景： TC芯片输出的EVM正常，单独测试PA输出的EVM也正常，级联之后EVM指标就变得很差；请问这可能是什么问题？如何解 大神解答： 可微调下收发器跟PA之间的Matching，调到50欧姆 从表述来看，收发器和PA本身都没啥问题，不管是线性度还是电源； 但级联起来之后，就多了PA input端的Matching； 因为收发器内部有个
为何Cable Loss没补好 EVM会变差
criterion123的博客
04-25 1126
为何Cable Loss没补好 EVM会变差
工厂实战分析-为何Cable Loss没补好 其EVM会变差
criterion123的博客
06-28 1337
因为板子发射功率固定不变。否则不太可能出现两工站结果不一致的状况。除非两工站使用的版本不一致。是以顶针顶住天线头来做测试。这就是接下来要讲的重点了。所以我们将上述的分析结果。由橘色曲线很明显可以看到。回到工厂提出的第一个疑问。至于工厂提出的第二个疑问。如果是产线测试软件问题。只会影响到量测功率大小。所以最终仪器量测的功率。不能光从量测的功率很准。我们就直接以这个结论。量测出来的功率很准啊。2. 如果板子没问题。我们先回答第一个问题。所以板子发射功率固定。为进一步验证这个结论。而非量测到的发射功率。
PA老化Log分析
最新发布
08-23
<think>我们正在分析PA（可能是功率放大器）的老化日志。老化测试通常是在高温、高电压等加速条件下进行，以评估器件在长期使用后的性能退化情况。分析老化日志的目的是评估器件的可靠性、预测寿命以及发现潜在问题。 根据引用[1]中的示例，日志分析通常包括以下步骤： 1. 检查日志中是否有错误信息（如"error"） 2. 分析关键参数的变化趋势（如电流、电压、温度、增益等） 3. 与预设的阈值或标准进行比较 4. 生成报告 由于引用[1]提供了简单的日志分析函数示例，我们可以扩展这个思路。同时，引用[3]提供了一些工程计算函数（如风速风压转换、混凝土碳化深度），虽然不直接相关，但提醒我们可能需要特定的转换公式（例如，将温度转换为热应力）。 分析方法和工具建议： 1. **日志解析工具**：由于日志文件通常是文本格式，我们可以使用Python、Perl、AWK等脚本语言进行解析。对于大型日志，可以考虑使用LogParser（微软工具）或ELK（Elasticsearch, Logstash, Kibana）堆栈。 2. **关键参数提取**：老化日志中可能包含时间戳、温度、偏置电压、电流、输出功率、增益等参数。我们需要提取这些参数并分析其变化。 3. **趋势分析**：使用数学工具（如MATLAB、Python的NumPy/SciPy）进行趋势拟合。常见的退化模型有： - 线性模型：$y = a + b \cdot t$ - 指数模型：$y = a \cdot e^{b \cdot t}$ - 对数模型：$y = a + b \cdot \ln(t)$ 其中$t$是老化时间。 4. **异常检测**：使用统计过程控制（SPC）方法，如控制图（Control Chart），设定参数的上限（UCL）和下限（LCL）。如果数据点超出控制限，则视为异常。 5. **寿命预测**：根据Arrhenius方程（用于热老化）或其他加速模型，推算正常使用条件下的寿命。Arrhenius方程为： $$ AF = \exp\left[\frac{E_a}{k}\left(\frac{1}{T_{use}}-\frac{1}{T_{stress}}\right)\right] $$ 其中$AF$是加速因子，$E_a$是活化能（eV），$k$是玻尔兹曼常数（8.617333262145×10⁻⁵ eV/K），$T_{use}$是使用温度（K），$T_{stress}$是加速老化温度（K）。 6. **可视化工具**：使用Python的Matplotlib、Seaborn或Tableau等工具生成图表，直观展示参数变化。 7. **报告生成**：根据分析结果生成报告，包括关键参数趋势、异常点、寿命预测等。 具体步骤示例（使用Python）： ```python import numpy as np import matplotlib.pyplot as plt from scipy.optimize import curve_fit # 假设日志文件格式：时间(小时), 温度(℃), 电流(A), 增益(dB) # 解析日志文件 def parse_log_file(log_file): times = [] temperatures = [] currents = [] gains = [] with open(log_file, 'r') as f: for line in f: if line.startswith('#'): # 跳过注释行 continue parts = line.strip().split(',') if len(parts) < 4: continue times.append(float(parts[0])) temperatures.append(float(parts[1])) currents.append(float(parts[2])) gains.append(float(parts[3])) return times, temperatures, currents, gains # 定义线性退化模型 def linear_degradation(t, a, b): return a + b * np.array(t) # 分析增益退化 def analyze_gain_degradation(times, gains): # 拟合线性模型 popt, pcov = curve_fit(linear_degradation, times, gains) # 计算拟合值 gain_fit = linear_degradation(times, *popt) # 计算残差（实际值与拟合值的差） residuals = gains - gain_fit # 计算残差的标准差 std_residual = np.std(residuals) # 异常检测：残差超过3倍标准差视为异常 anomalies = np.abs(residuals) > 3 * std_residual return popt, residuals, anomalies # 主函数 def main(): log_file = 'pa_aging.log' times, temperatures, currents, gains = parse_log_file(log_file) # 分析增益 popt, residuals, anomalies = analyze_gain_degradation(times, gains) # 输出结果 print(f"线性退化模型参数: 初始增益={popt[0]:.2f} dB, 退化速率={popt[1]:.4f} dB/小时") print(f"发现异常点数量: {sum(anomalies)}") # 绘制增益退化曲线 plt.figure() plt.plot(times, gains, 'b-', label='Measured') plt.plot(times, linear_degradation(times, *popt), 'r--', label='Linear Fit') plt.scatter(np.array(times)[anomalies], np.array(gains)[anomalies], c='red', s=50, label='Anomalies') plt.xlabel('Time (hours)') plt.ylabel('Gain (dB)') plt.legend() plt.savefig('gain_degradation.png') plt.close() if __name__ == '__main__': main() ``` 注意：以上代码仅为示例，实际日志格式可能不同，需要调整解析函数。另外，退化模型的选择需要根据实际退化机制确定。 §§相关问题§§ 1. 如何确定PA老化测试中的关键参数阈值？ 2. 除了线性模型，还有哪些常用的退化模型？ 3. 如何根据加速老化测试数据推算正常使用条件下的寿命？ 4. 老化日志中常见的错误类型有哪些？</think>### PA老化日志分析方法和工具 PA（功率放大器）老化日志分析是评估设备长期可靠性的关键环节，主要涉及以下方法和工具： #### 分析方法 1. **参数趋势分析**： - 监控关键参数随时间变化：$V_{cc}$（供电电压）、$I_{q}$（静态电流）、$P_{out}$（输出功率）、$Gain$（增益）、$EVM$（误差矢量幅度） - 建立退化模型：$$ \Delta P_{out}(t) = k \cdot \ln(t) + C $$ 其中$k$为退化系数，$t$为老化时间[^3] 2. **异常检测**： - 基于统计过程控制（SPC）设置阈值：$ \mu \pm 3\sigma $ - 识别参数跳变点：$ |x_t - x_{t-1}| > \delta_{threshold} $ 3. **故障模式关联**： - 温度与性能关联：$ T_j = T_a + R_{th} \cdot P_{diss} $ - 分析热循环次数与焊点疲劳的关系 4. **寿命预测**： - 应用Arrhenius模型：$$ AF = \exp\left[\frac{E_a}{k}\left(\frac{1}{T_{use}}-\frac{1}{T_{test}}\right)\right] $$ 其中$E_a$为活化能，$k$为玻尔兹曼常数 #### 分析工具 ```python # Python示例：老化日志分析框架 import pandas as pd import numpy as np import matplotlib.pyplot as plt def analyze_aging_log(log_path): # 读取日志数据 df = pd.read_csv(log_path, parse_dates=['timestamp']) # 关键参数趋势分析 plt.figure(figsize=(12,6)) for param in ['Vcc', 'Iq', 'Pout']: plt.plot(df['timestamp'], df[param], label=f"${param}$") plt.legend() plt.title("关键参数老化趋势") # 异常检测（基于3σ原则） outliers = {} for param in ['EVM', 'Gain']: mean = df[param].mean() std = df[param].std() outliers[param] = df[np.abs(df[param]-mean) > 3*std] # 生成报告 report = { 'max_temp': df['Temperature'].max(), 'pout_degradation': (df['Pout'].iloc[-1] - df['Pout'].iloc[0])/df['Pout'].iloc[0]*100, 'outlier_count': {k: len(v) for k,v in outliers.items()} } return report ``` #### 专业工具推荐 1. **半导体专用工具**： - Keysight PathWave（提供$S_{21}$参数退化分析） - MATLAB RF Toolbox（支持$$ \Gamma = \frac{Z_L - Z_0}{Z_L + Z_0} $$阻抗匹配分析） 2. **通用分析平台**： - ELK Stack（Elasticsearch+Logstash+Kibana）实时可视化 - JMP Pro（高级SPC和退化建模） 3. **定制化开发**： - 使用Python科学计算栈： ```bash pip install pandas scipy statsmodels matplotlib ``` #### 实施步骤 1. **数据预处理**： - 清洗无效数据点 - 时间序列对齐（$ \Delta t = 1 \text{min} $） 2. **退化特征提取**： - 计算关键参数斜率：$ \beta = \frac{\sum (t_i - \bar{t})(y_i - \bar{y})}{\sum (t_i - \bar{t})^2} $ 3. **根本原因分析**： - 关联环境数据（温度/湿度） - 对比不同批次的$k$值差异 4. **生成预测报告**： - 计算MTTF（平均无故障时间） - 输出$P_{fail}$随时间变化曲线 [^1]: 日志分析需要关注异常模式识别和参数关联性 [^3]: 工程计算模型可辅助退化分析
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

小鱼电子

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值