传感器与执行器：ADC/DAC信号转换

可视化演示

展示模数转换(ADC)的采样量化过程与数模转换(DAC)的信号重建原理，对比不同分辨率下的量化误差。切换模式查看不同阶段，拖动滑块调节采样精度。

基本概念：给模拟世界搭一座数字桥

农庄外的温度像一条没有断点的缎带，从清晨一路平滑地滑到正午，这团“摸不着边际”的连续变化，就是模拟信号——在任意一瞬间都有一个确定的取值，比如 23.4571℃。可城堡里的数字管家只认账本上的整数，他眼里的世界是一格格离散的，这就是数字信号。为了让两个世界对话，管家必须修一座桥：桥的一端，传感器把温度、压力、振动这些物理量翻译成连续变化的电压；桥中央，抄写员（ADC） 把电压记成二进制数字；另一端，画师（DAC） 再把数字重新变成电压，去推动水阀、电机这些执行器。

这座桥之所以非修不可，是因为管理庄园的 MCU（微控制器）本质上是“数字大脑”，它只能对 0 和 1 做运算。一条完整的链路是：敏感元件感应物理量 → 信号调理电路把信号放大整形 → ADC 采样量化 → MCU 运算决策 → DAC 解码输出 → 驱动电路 → 执行器动作。抄写员在账本上能写的整数范围，决定了桥的“刻度粗细”：如果 ADC 是 N 位，那么它一共能区分出多少个不同档位呢？

这座桥搭好之后，抄写员记下的每个整数都对应着庄外真实的一小段温度范围；画师看到整数，就能在另一端大致还原那一段世界。桥的两端，一端平滑连续，一端整齐离散，而 ADC/DAC 就是这两者之间永不拆掉的梁柱。

采样与量化：抄写员怎么记笔记

抄写员不可能 24 小时盯着温度计，于是管家规定：每隔固定时间看一眼温度计，把读数四舍五入到最近的整数格子，再按固定格式写进账本。看一眼这一步叫采样，四舍五入到格子这一步叫量化，按格式写成二进制这一步叫编码。采样的关键问题是：多久看一次才够？如果看得太稀，温度的剧烈波动就会被漏掉；而量化的问题是：格子粗了丢细节，格子细了账本太厚。

从直觉上说，要还原一条波动最快的信号，至少得在每个波动周期里记下两个点——一个记波峰，一个记波谷。奈奎斯特采样定理把这个直觉写成了硬指标：采样率 $f_s$ 必须至少是信号最高频率 $f_{\max}$ 的两倍。若是抄写员偷懒，采样频率低于这个底线，高频的“快速抖动”会被错认成低频的“缓慢漂移”，这种现象叫混叠。所以高明的管家会在采样前先放一道抗混叠低通滤波器，把超过 $f_s/2$ 的高频成分提前挡在门外。

笔记记得不够勤，画师就画不出温度曲线的全貌；格子不够细，每次“四舍五入”都会丢一点信息。采样和量化就是抄写员的两条铁律：守时，且舍得用细格子。至于丢了的那一点，叫量化误差，我们后面会专门给它算一笔账。

DAC重建原理：画师把数字还原成水流

账本送到画师手里，画师的活儿正好与抄写员相反：他要从一个整数，反推出当时那个电压大概有多高。第一步是解码——把二进制整数换算成十进制的 $D$，再按“占满量程的比例”映射回电压；第二步，画师不能瞬间画出完美的连续曲线，只能让当前电压值一直保持到下一个整数到来为止，这就是零阶保持：输出像台阶一样一级一级地走；第三步，台阶太生硬，水流会一抖一抖的，于是画师用一块湿布——低通滤波器——把棱角抹平，得到平滑的模拟信号去驱动执行器。

把“数字码占满量程的比例”翻译成电压，是 DAC 最核心的动作。假设数字码的十进制值是 $D$，基准电压是 $V_{ref}$，那么理想的输出电压为：

画师交出的“台阶画”经过低通滤波器的轻轻一抹，水阀的开度就跟着那条曾经的温度曲线和缓起伏了。注意，台阶是 DAC 的天性，即使位数很高也抹不掉；工程上只能靠提高位数、加快更新速率和加滤波来让台阶“细到看不见”。

关键参数：尺子的讲究

抄写员和画师干活，靠的是一套“尺子”，这把尺子有四个刻度值得细看。第一是分辨率：位数 $N$ 越高，账本格子越细，最小能分辨的电压越小；第二是采样率：每秒记多少笔，决定了能还原多快的信号；第三是转换时间：抄写员写一笔要多久，直接决定了整条链路的响应延迟；第四是可信度：账本上的数字和真实世界差多少，也就是噪声水平。

量化过程里那种“四舍五入”的舍入偏差，叫量化噪声。可以证明，对于一个满量程正弦信号，理想量化信噪比大约为：

尺子越精细，画师还原的画就越干净，但这把好尺子既贵又耗电，还会把细微的电源噪声也一并“看清”。所以真正的工程师不会盲目追求 16 位、24 位，而是先看信号的动态范围到底需要多少，再考察有效位数（ENOB）——它才是扣除各种噪声之后“真正能用到的位数”。

常见架构：四种抄写工具

抄写员记笔记的方式不止一种，各有各的脾气。逐次逼近型（SAR） 像天平试秤：先放一个最大的砝码，重了就拿掉、轻了就留下，从高位到低位逐次试出答案，N 位转换只需 N 次比较，又快又省，是单片机内置 ADC 的常客。增量累加型（Σ-Δ） 像用无数小水珠慢慢累积：用远超奈奎斯特频率的速率反复采样，再把大量样本平均，配合“噪声整形”把量化噪声赶到高频段，换来极高的有效位数，适合音频、称重这类低速高精度场景。

双斜率积分型 像一个沙漏计时器：先用固定时间 $T_1$ 让输入电压给电容充电，再换成基准电压放电，测量放完电需要的时间 $T_2$。因为充放电都经过同一个积分电容，电阻、电容的绝对误差被抵消，工频干扰也被平均掉，所以它特别抗干扰，是万用表的经典方案。至于 R-2R 梯形网络 和 PWM，则是 DAC 界的“性价比选手”：R-2R 用一排按二进制备好的电阻砝码直接拼出电压，PWM 则用高低电平的占空比配低通滤波“假装”出一个模拟量。

天平、水滴、沙漏、砝码，四种工具各有拥趸：要速度选 SAR，要精度选 Σ-Δ，要抗干扰选双斜率，要成本低选 R-2R 或 PWM。工程上没有最好的工具，只有最匹配场景的抄写员。

物联网实战：省电的传令官

庄园的账本要送到城堡，可传令官的马匹（带宽）有限，口袋里那点干粮（电池电量）更是要精打细算。聪明的管家定下三条规矩：第一，按需采集——平时让 ADC 睡觉，定时唤醒抄一笔，不变化就不打扰管家；第二，边缘多动脑——数据先在庄园里算一遍，超过阈值才上报，能传“摘要”就不传“全文”；第三，校准除噪——定期给尺子校零，避开电源干扰，确保记下的每笔账都可信。

具体到一条物联网数据链路，数据量是绕不开的账单。每秒采样的次数 $f_s$ 乘以每个样本的位数 $N$，就得到每秒必须传输的比特数：

在边缘做均值、阈值判断乃至轻量特征提取之后，再通过 MQTT、CoAP、LoRa 这类协议把摘要传上云端，才是一个电池供电节点的正确活法。聪明的管家从不让马驮着整本账本跑，他只让传令官捎一句话：“水渠要开了。”

AI 应用场景

Python 演示

import math  def quantize_adc(voltage, bits, vref=3.3):    levels = 2 ** bits    code = int(round(voltage / vref * levels))    return max(0, min(levels - 1, code))  def dac_reconstruct(code, bits, vref=3.3):    levels = 2 ** bits    return code / (levels - 1) * vref  def evaluate(freq, fs, bits, seconds=1.0):    # 采样: 每隔 1/fs 秒读一次, 模拟信号为正弦波(幅值1.6V, 偏置1.65V)    n = int(fs * seconds)    codes = []    for i in range(n):        t = i / fs        v = 1.65 + 1.6 * math.sin(2 * math.pi * freq * t)        codes.append(quantize_adc(v, bits, 3.3))    # 重建: 零阶保持, 每个采样值维持 1/fs 秒    rebuild = []    for c in codes:        v = dac_reconstruct(c, bits, 3.3)        rebuild.extend([v] * int(1000 / fs))    # 与理想信号比较, 计算均方根误差和信噪比    err_sum = 0.0    count = 0    for j in range(len(rebuild)):        t = j / 1000.0        ideal = 1.65 + 1.6 * math.sin(2 * math.pi * freq * t)        err_sum += (rebuild[j] - ideal) ** 2        count += 1    rmse = math.sqrt(err_sum / count)    snr = 20 * math.log10(1.6 / rmse) if rmse > 0 else 99.0    return snr  def main():    print("ADC/DAC 信号转换仿真 (Vref=3.3V, 信号5Hz, 幅值1.6V)")    print("--- 固定采样率 40Hz, 观察位数对信噪比的影响 ---")    for bits in (4, 8, 12):        snr = evaluate(freq=5.0, fs=40, bits=bits)        print("bits=%2d  snr=%.1f dB" % (bits, snr))    print("--- 固定 12 位, 观察采样率对欠采样混叠的影响 ---")    for fs in (40, 6):        snr = evaluate(freq=5.0, fs=fs, bits=12)        print("fs=%2d Hz  snr=%.1f dB" % (fs, snr))  if __name__ == '__main__':    main()

1. code = int(round(voltage / vref * levels))这是量化加编码：把电压按基准电压归一化后取整，得到数字码。
2. return max(0, min(levels - 1, code))把越界的码钳位到有效范围，防止电压超出满量程时出错。
3. v = code / (levels - 1) * vref这是 DAC 解码公式 $V_{out} = \frac{D}{2^N-1}V_{ref}$ 的代码实现。
4. rebuild.extend([v] * int(1000 / fs))零阶保持：让每个重建电压值维持一个采样周期，形成台阶波形。
5. snr = 20 * math.log10(1.6 / rmse)以信号幅值 1.6V 为参考，把重建误差换算成信噪比 dB 值。
6. if __name__ == '__main__':可执行入口，保证脚本既能被导入也能直接运行。

常见误区

面试题