前面我们已经介绍了滤波器设计的一些基础知识,具体可以参看我之前的图文介绍——基于OP放大器的有源模拟滤波器设计--基础知识
下面我们开始进行一阶有源滤波器的设计
01
—
有源滤波器
之前我们在讲电容的时候——IoT硬件-电容器,有说过电容有一个特性,就是电容工作在交流电压时,电容上的电压的相位落后电流90°,所以我们只要简单的利用一个电容作为运算放大器的外部元件之一就可以从基本运算放大器组成得到最简单的有源滤波器。因为电容的交流阻抗可以表示为 ,这个结果就是其幅度和相位随频率变化的增益。当研究滤波器的时候,重要的一点是你要用物理内涵证明你的数学结果是合理的。有一种比较有价值的方法就是极限证明,而这个是基于下列性质:
换言之,一个电容在低频是,其与周围元件比较倾向于表现为开路,而在高频则倾向于表现为短路。
02
—
微分器和积分器
1、微分器
在下图的反相结构中有 。根据拉普拉斯变换的性质,在频域乘以s等效在时域内微分,这就是下面这个电路——微分器。对比值 求解给出
指出在原点有一个零点

令 并引入归一化频率 能将 表示成归一化形式
考虑到 , 对 的图就是y=20x形式的一条直线,斜率是20dB/dec(dB每10倍频程),这表明在频率上每增加(或降低)10倍,幅度增大(或减小)20dB,上式子还能看出,这个电路引入了90°的相位滞后,而放大倍数则与频率成正比。从物理意义上看,在低频 ,电路提供衰减(负的分贝);在高频 ,电路提供放大倍数(正分贝);在 有 ,电路提供单位增益(0dB),这样 称为单位增益频率。
2、积分器
在下图的反相结构中有 。由于电容器在反馈通路中,所以也称为米勒积分器。,在频域除以s等效在时域内微分,这就是下面这个电路——积分器。对比值 求解给出
在原点有一个极点

令 并引入归一化频率 能将 表示成归一化形式
可以看到,这个传递函数时微分器传递函数的倒数,同样的 对 的图就是y=-20x形式的一条直线,斜率是-20dB/dec(dB每10倍频程),电路提供单位增益(0dB),这样 称为单位增益频率。上式子还能看出,这个电路引入了90°的相位超前。
由于在低频有 而有极高的增益,因此一个世纪的积分器电路很少单独使用,因为它处于饱和,一个积分器通常都放置在某个控制环路内,而改控制环路旨在保持运算房贷器工作在线性区域内。
上面这个积分器为反相积分器,当然还有一种同相积分器如下:

上面的电路使用了一个电容作为负载电源泵以实现同相积分,这个泵将电流 强行注入到C4中,形成同相输入电压 ,而根据“虚短”的特性, ,所以:
令 并引入归一化频率 能将 表示成归一化形式
可以看到,现在的相角是-90°,而不是90°
03
—
带增益的低通滤波器
将一个电阻并联在反相积分器上的反馈电容上,就变积分器变成了一个带有增益的低通滤波器。

由上图可知,反馈通路的阻抗为 ,所以传递函数可以表达 ,将 带入可得:
根据上式可以看出有一个极点 ,令 ,可以将传递函数表示成归一化形式:
根据上面的式子可以分析出,在足够低的频率下电容的阻抗远大于R2,与R2相比可以略掉电容的阻抗,所以电路的增益可以近似的看做-R2/R1=H0的反相放大器,因此,H0就称为直流增益。相反的,在足够高的频率上,电容阻抗远小于R2,因此可以略掉R2,因此电路可以看做是一个积分器。如第二节分析的积分器一样,所以也称它为有损耗积分器。
放大器和积分器特性之间的分界线发生在是的 的频率上,很清楚就是 ,带入传递函数中,可以得到
因此, 称为-3dB频率。
幅度的形状表明这是一个以H0作为直流增益和 作为截止频率的低通滤波器, 的信号以增益接近H0通过。但是 的信号逐渐被衰减或切断。没10倍频下降20dB.
04
—
带增益的高通滤波器
将一个电阻器串接到微分器的输入端,就可以得到一个带增益的高通滤波器,

令 和 ,可以得出如下传递函数表达式:
可以看出咋原点有一个零点和在 有一个实极点。将上式子做归一化可以得到如下表达:
其中
和低通滤波器一样的分析原理,H0称为高频增益, 还是-3dB频率。
05
—
宽带带通滤波器
将上面的低通滤波器和高通滤波器和平,电路可以给出一个带通响应。

令 ,那么根据传递函数,可以得到:
稍微分析可得,传递函数有一个零点和两个极点,尽管这是一个二阶滤波器,但是在这里已经将它选为用以说明低阶基本构造单元综合处高阶滤波器的例子,同样的,我们归一化处理
其中 ,H0称为中频增益,这种滤波器在 的情况下,这是这两个频率分别称为低和高-3dB频率。这个电路非常适合在音频场合应用,将需要的音频信号范围放大,不需要的音频分量,直接衰减掉。
听说关注公众号的都是大牛

本文详细介绍了如何基于OP放大器设计一阶有源滤波器,包括微分器、积分器、带增益的低通滤波器、高通滤波器以及宽带带通滤波器的原理和实现方法,通过电路分析阐述了滤波器的工作特性。
1万+

被折叠的 条评论
为什么被折叠?



