信号发生器自动化测试中如何模拟实际信号？

在信号发生器自动化测试中，模拟实际信号是验证设备性能、发现潜在问题的关键步骤。实际信号通常具有噪声、非线性失真、动态变化等特性，因此需要从信号生成、环境模拟、硬件接口和测试验证四个层面进行综合设计。以下是具体方法及实现示例：

一、信号生成：构建复杂测试信号

1. 基础波形叠加

模拟实际信号中常见的多频分量，通过叠加不同频率、幅度和相位的正弦波生成复杂信号。

• 示例：生成包含主频和谐波的信号

  python
  import numpy as np
  
  def generate_complex_signal(freqs, amps, phases, sample_rate, duration):
  """生成多频叠加信号
      Args:
          freqs: 频率列表（Hz）
          amps: 幅度列表
          phases: 相位列表（弧度）
          sample_rate: 采样率（Hz）
          duration: 持续时间（秒）
      Returns:
          NumPy数组，包含叠加后的信号
      """
  t = np.linspace(0, duration, int(sample_rate * duration), endpoint=False)
  signal = np.zeros_like(t)
  for freq, amp, phase in zip(freqs, amps, phases):
  signal += amp * np.sin(2 * np.pi * freq * t + phase)
  return signal
  
  # 示例：生成1kHz主频+3kHz三次谐波的信号
  freqs = [1e3, 3e3]
  amps = [1.0, 0.3]  # 三次谐波幅度为基波的30%
  phases = [0, np.pi/4]
  signal = generate_complex_signal(freqs, amps, phases, sample_rate=10e3, duration=0.1)

2. 调制信号模拟

模拟通信中的调制信号（如AM、FM、PM），验证信号发生器对调制信号的响应能力。

• 示例：生成幅度调制（AM）信号

  python
  def generate_am_signal(carrier_freq, mod_freq, mod_index, sample_rate, duration):
  """生成AM调制信号
      Args:
          carrier_freq: 载波频率（Hz）
          mod_freq: 调制频率（Hz）
          mod_index: 调制指数（0~1）
          sample_rate: 采样率（Hz）
          duration: 持续时间（秒）
      Returns:
          NumPy数组，包含AM信号
      """
  t = np.linspace(0, duration, int(sample_rate * duration), endpoint=False)
  carrier = np.sin(2 * np.pi * carrier_freq * t)
  modulator = 1 + mod_index * np.sin(2 * np.pi * mod_freq * t)  # 调制信号
  return carrier * modulator
  
  # 示例：10kHz载波，1kHz调制，调制指数0.5
  am_signal = generate_am_signal(10e3, 1e3, 0.5, sample_rate=100e3, duration=0.01)

3. 瞬态信号模拟

模拟实际中的突发信号（如脉冲、阶跃变化），测试信号发生器的动态响应能力。

• 示例：生成带上升/下降沿的脉冲信号

  python
  def generate_pulse_signal(rise_time, fall_time, pulse_width, sample_rate, duration):
  """生成带上升/下降沿的脉冲信号
      Args:
          rise_time: 上升沿时间（秒）
          fall_time: 下降沿时间（秒）
          pulse_width: 脉冲宽度（秒）
          sample_rate: 采样率（Hz）
          duration: 总持续时间（秒）
      Returns:
          NumPy数组，包含脉冲信号（0~1）
      """
  t = np.linspace(0, duration, int(sample_rate * duration), endpoint=False)
  signal = np.zeros_like(t)
  # 上升沿（Sigmoid函数模拟）
  rise_mask = (t >= 0) & (t < rise_time)
  signal[rise_mask] = 1 / (1 + np.exp(-10 * (t[rise_mask] / rise_time - 0.5)))
  # 脉冲平台
  plateau_mask = (t >= rise_time) & (t < rise_time + pulse_width)
  signal[plateau_mask] = 1
  # 下降沿
  fall_mask = (t >= rise_time + pulse_width) & (t < rise_time + pulse_width + fall_time)
  signal[fall_mask] = 1 / (1 + np.exp(10 * (t[fall_mask] - (rise_time + pulse_width)) / fall_time - 5))
  return signal
  
  # 示例：1ms上升沿，1ms下降沿，5ms脉冲宽度
  pulse = generate_pulse_signal(1e-3, 1e-3, 5e-3, sample_rate=1e6, duration=0.02)

二、环境模拟：添加噪声与失真

1. 添加高斯白噪声

模拟实际电路中的热噪声或背景噪声。

• 示例：

  python
  def add_gaussian_noise(signal, snr_db):
  """添加高斯白噪声
      Args:
          signal: 原始信号（NumPy数组）
          snr_db: 信噪比（dB）
      Returns:
          带噪声的信号
      """
  signal_power = np.mean(signal**2)
  noise_power = signal_power / (10 ** (snr_db / 10))
  noise = np.random.normal(0, np.sqrt(noise_power), len(signal))
  return signal + noise
  
  # 示例：添加信噪比为20dB的噪声
  noisy_signal = add_gaussian_noise(signal, snr_db=20)

2. 模拟非线性失真

通过多项式函数模拟放大器或传输通道的非线性特性（如谐波失真、交叉调制）。

• 示例：

  python
  def add_nonlinear_distortion(signal, coeffs):
  """添加非线性失真
      Args:
          signal: 原始信号（NumPy数组）
          coeffs: 多项式系数列表（如[1.0, 0.1, 0.01]表示1*x + 0.1*x^2 + 0.01*x^3）
      Returns:
          失真后的信号
      """
  distorted = np.zeros_like(signal)
  for i, coeff in enumerate(coeffs):
  distorted += coeff * (signal ** (i + 1))  # i=0对应线性项，i=1对应二次项...
  return distorted
  
  # 示例：添加二次和三次谐波失真（系数0.1和0.01）
  distorted_signal = add_nonlinear_distortion(signal, coeffs=[1.0, 0.1, 0.01])

3. 模拟频率响应失真

通过滤波器模拟实际通道的频率响应特性（如低通衰减、相位延迟）。

• 示例：

  python
  from scipy.signal import butter, lfilter
  
  def add_frequency_response(signal, cutoff, sample_rate, order=4):
  """添加低通滤波失真
      Args:
          signal: 原始信号
          cutoff: 截止频率（Hz）
          sample_rate: 采样率（Hz）
          order: 滤波器阶数
      Returns:
          滤波后的信号
      """
  b, a = butter(order, cutoff / (0.5 * sample_rate), btype="low")
  return lfilter(b, a, signal)
  
  # 示例：模拟截止频率为5kHz的低通滤波
  filtered_signal = add_frequency_response(signal, cutoff=5e3, sample_rate=10e3)

三、硬件接口模拟：DAC与反馈控制

1. 模拟DAC输出特性

考虑DAC的分辨率、量化噪声和输出范围限制。

• 示例：

  python
  def simulate_dac(signal, bits=12, vref=5.0):
  """模拟DAC输出
      Args:
          signal: 输入信号（范围：-1~1）
          bits: DAC位数
          vref: 参考电压（V）
      Returns:
          量化后的DAC输出（V）
      """
  max_val = 2 ** bits - 1
  scaled = (signal + 1) / 2 * max_val  # 缩放到0~max_val
  quantized = np.round(scaled)  # 量化
  return (quantized / max_val * 2 - 1) * vref  # 还原为电压值（范围：-vref~vref）
  
  # 示例：12位DAC，5V参考电压
  dac_output = simulate_dac(signal, bits=12, vref=5.0)

2. 反馈环路模拟

模拟实际系统中的闭环控制（如自动增益控制AGC），验证信号发生器的稳定性。

• 示例：

  python
  def simulate_agc(signal, target_level=0.5, attack_time=1e-3, release_time=10e-3, sample_rate=1e6):
  """模拟AGC反馈环路
      Args:
          signal: 输入信号
          target_level: 目标幅度（0~1）
          attack_time: 上升时间常数（秒）
          release_time: 下降时间常数（秒）
          sample_rate: 采样率（Hz）
      Returns:
          经过AGC调整的信号
      """
  gain = np.ones_like(signal)
  env = np.abs(signal)
  alpha_attack = 1 - np.exp(-1 / (attack_time * sample_rate))
  alpha_release = 1 - np.exp(-1 / (release_time * sample_rate))
  for i in range(1, len(signal)):
  if env[i] > env[i-1]:  # 上升沿
  gain[i] = gain[i-1] * (1 - alpha_attack) + alpha_attack * (target_level / env[i])
  else:  # 下降沿
  gain[i] = gain[i-1] * (1 - alpha_release) + alpha_release * (target_level / env[i])
  return signal * gain
  
  # 示例：AGC调整突发信号
  agc_output = simulate_agc(pulse, target_level=0.7, sample_rate=1e6)

四、测试验证：自动化测试流程

1. 测试用例设计

设计覆盖不同场景的测试用例，包括：

• 基础功能测试：单频正弦波输出精度。
• 动态性能测试：频率/幅度跳变的过渡时间。
• 噪声与失真测试：信噪比（SNR）、总谐波失真（THD）。
• 长期稳定性测试：连续运行24小时的幅度/频率漂移。

2. 自动化测试框架

使用pytest或unittest框架，结合硬件接口库（如PyVISA、PySerial）实现自动化测试。

• 示例测试脚本：

  python
  import pytest
  import numpy as np
  from signal_generator import SignalGenerator
  from hardware import DACDriver
  
  @pytest.fixture
  def signal_gen():
  return SignalGenerator(sample_rate=10e6)
  
  @pytest.fixture
  def dac():
  return DACDriver(device_path="/dev/ttyUSB0")
  
  def test_sine_wave_accuracy(signal_gen, dac):
  """测试正弦波输出精度"""
  freq = 1e3
  amp = 1.0
  signal_gen.set_parameters(freq, amp, "sine")
  samples = signal_gen.generate(duration=0.01)
  dac.write(samples)  # 写入DAC
  # 从ADC读取实际输出（需硬件支持）
  adc_samples = dac.read_adc(num_samples=len(samples))
  # 计算误差（例如均方根误差RMSE）
  rmse = np.sqrt(np.mean((samples - adc_samples) ** 2))
  assert rmse < 0.01  # 允许误差<1%

3. 结果分析与报告

生成测试报告，包含时域波形图、频谱分析图和关键指标（如THD、SNR）。

• 示例报告生成：

  python
  import matplotlib.pyplot as plt
  
  def generate_report(signal, noisy_signal, distorted_signal, freq):
  """生成测试报告"""
  plt.figure(figsize=(12, 8))
  # 时域波形
  plt.subplot(2, 1, 1)
  plt.plot(signal, label="原始信号")
  plt.plot(noisy_signal, label="带噪声信号")
  plt.plot(distorted_signal, label="失真信号")
  plt.title("时域波形")
  plt.legend()
  # 频谱分析
  plt.subplot(2, 1, 2)
  fft_original = np.fft.fft(signal)
  fft_noisy = np.fft.fft(noisy_signal)
  fft_distorted = np.fft.fft(distorted_signal)
  freqs = np.fft.fftfreq(len(signal), d=1/10e3)
  plt.plot(freqs[:len(freqs)//2], np.abs(fft_original[:len(freqs)//2]), label="原始频谱")
  plt.plot(freqs[:len(freqs)//2], np.abs(fft_noisy[:len(freqs)//2]), label="噪声频谱")
  plt.plot(freqs[:len(freqs)//2], np.abs(fft_distorted[:len(freqs)//2]), label="失真频谱")
  plt.xlim(0, freq * 5)  # 显示前5次谐波
  plt.title("频谱分析")
  plt.legend()
  plt.tight_layout()
  plt.savefig("test_report.png")

五、关键注意事项

1. 信号同步：确保生成信号与硬件时钟同步，避免采样偏移。
2. 资源限制：模拟高采样率或长持续时间信号时，注意内存和计算资源。
3. 硬件校准：定期校准DAC/ADC，消除系统误差。
4. 可重复性：固定随机种子（如np.random.seed(42)），确保测试可复现。

总结

通过多频叠加、调制信号、噪声与失真模拟，结合硬件接口和自动化测试框架，可全面验证信号发生器在实际场景中的性能。关键步骤包括：

1. 信号生成：构建复杂测试信号（多频、调制、瞬态）。
2. 环境模拟：添加噪声、非线性失真和频率响应失真。
3. 硬件接口：模拟DAC输出和反馈控制。
4. 自动化测试：设计测试用例、执行自动化测试并生成报告。

这种方法能够高效发现信号发生器的潜在问题，确保其在实际应用中的可靠性。