1. 为什么你需要自己动手测试ADC？

作为一名硬件工程师，你是不是也经常遇到这样的困惑：数据手册上那个ADC芯片，标称性能是16位、120dB动态范围，听起来很厉害，但焊到自己的板子上，实际效果总感觉差那么点意思？是电路设计有问题，还是芯片本身“体质”不行？想买个专业音频分析仪来验证一下，一看价格，好家伙，动辄几十万，瞬间劝退。

这就是我们今天要聊的核心。自己动手搭建ADC测试环境，绝不仅仅是“爱折腾”或者“没钱”的无奈之举，它背后有更深层的价值。首先，数据手册的指标是在理想实验室条件下测得的，你的电源质量、PCB布局、时钟源、甚至环境温度，都会影响最终性能。只有自己测，才能知道芯片在你的具体应用场景里，到底能发挥几成功力。其次，这是一个极佳的学习过程。通过亲手搭建测试链路、编写分析脚本，你会对ENOB、THD+N这些抽象指标的理解，从纸面公式深入到每一个数据点，这种认知是看一百遍手册都换不来的。

我自己的经历就是这样。早些年做一个高精度数据采集项目，用的是一颗业界口碑不错的24位ADC。按照参考设计画完板，一测，信噪比（SNR）比手册典型值低了将近10个dB。当时第一反应是怀疑芯片是假货或者损坏了。后来，正是通过自己搭建的Python测试脚本进行逐项分析，才发现问题出在模拟前端运放的电源去耦电容取值不当，引入了额外的低频噪声。如果当时只是依赖手册数据，可能永远也找不到这个“暗坑”。

所以，这套方法的目标很明确：用最低的成本（一台普通电脑、一块能用的ADC评估板或自制板卡、一个还算靠谱的信号源），结合DeepSeek这样的AI助手和Python脚本，实现对我们最关心的几个ADC核心指标的精准、自动化测试。 它特别适合项目前期选型验证、生产环节的快速抽检，以及我们硬件工程师提升自身“调试内功”的场景。接下来，我就带你一步步把它实现。

2. 测试前，你必须吃透这几个核心指标

在动手接线写代码之前，我们必须对要测试的“敌人”有清晰的认识。ADC的指标很多，但对我们硬件验证来说，抓住以下几个核心，就能把握住其性能的命脉。

2.1 分辨率与精度：别再把它们搞混了

这是最容易混淆的一对概念。分辨率（Resolution），简单说就是ADC的“刻度尺”有多细。一个12位的ADC，它的尺子有2^12=4096个刻度。如果参考电压是5V，那么每个刻度（1 LSB）代表5V / 4096 ≈ 1.22mV。它告诉你ADC能“分辨”多小的电压变化，是一个理论上的、离散化的能力。

而精度（Accuracy），指的是这把“尺子”刻得准不准。假设实际输入电压是1.500V，你的12位ADC理论上应该输出一个确定的数字码。但如果由于内部误差，它稳定输出的是对应1.503V的码值，那么这个3mV的偏差，就属于精度误差。精度包含了偏移误差（零点不准）、增益误差（满量程不准），以及更复杂的积分非线性（INL） 和微分非线性（DNL） 误差。

我打个比方：分辨率就像一把尺子的最小刻度是1毫米（很精细），精度则是这把尺子出厂前有没有校准好，或者用久了刻度会不会变形。高分辨率（刻度细）是高精度的基础，但绝不等于高精度。很多低成本ADC标着高分辨率，但实际精度可能惨不忍睹，这就是为什么必须实测。

2.2 ENOB：ADC的“真实战斗力”标尺

有效位数（ENOB, Effective Number of Bits） 是我个人最看重的指标，它直接回答了“这颗ADC在我手里实际能当多少位的用？”这个灵魂问题。

公式看起来很简单：ENOB = (SINAD - 1.76) / 6.02。这里的SINAD（信号对噪声及失真比）是测量值，1.76 dB是理想ADC的量化噪声基准，6.02 dB大致对应1位有效分辨率的信噪比提升。

我来拆解一下这个公式的实战意义。假设你测试一颗标称16位的ADC，在某个特定频率和幅度下，测得的SINAD是80 dB。套入公式：(80 - 1.76) / 6.02 ≈ 13位。这意味着，在这个工作点上，所有噪声和失真加在一起，使得这颗ADC的实际表现只相当于一颗理想的13位ADC。那丢失的3位“战斗力”去哪了？被电源噪声、时钟抖动、PCB串扰、以及芯片自身的非线性“吃掉”了。

ENOB不是一个固定值，它会随着输入信号频率、幅度的变化而变化。通常，信号频率越高、幅度越小，ENOB会越低。绘制ENOB随频率变化的曲线，是评估ADC动态性能的黄金方法。我们后续的Python脚本，核心任务之一就是自动化地计算并绘制这条曲线。

2.3 THD与THD+N：听感失真的“照妖镜”

在音频和高质量数据采集领域，总谐波失真（THD） 和总谐波失真加噪声（THD+N） 是衡量“保真度”的关键。

THD 只关心谐波失真。你输入一个1kHz纯净正弦波，由于ADC的非线性特性，输出频谱中除了1kHz的基波，还会出现2kHz（二次谐波）、3kHz（三次谐波）等成分。THD就是所有这些谐波能量总和，与基波能量的比值。它纯粹反映了器件的非线性特性。

THD+N 则更严苛，也更贴近实际听感。它在THD的基础上，把底噪（本底噪声）也加了进去。也就是说，THD+N = （谐波能量 + 噪声能量）/ 基波能量。很多时候，一个系统的噪声可能比谐波失真更令人讨厌。THD+N这个指标，把这两类“不干净”的东西一网打尽，给出了一个系统整体“纯净度”的评估。

实测中，THD+N往往比THD大。对于音频ADC，THD+N在-90dB以下（0.003%）算不错，-100dB以下（0.001%）就是很高性能了。我们的测试脚本需要能精确地从FFT频谱中，分离出基波、各次谐波以及宽带噪声，并分别计算这两个指标。

2.4 动态范围与无杂散动态范围：信号的“舞台”有多大

动态范围（DR, Dynamic Range） 定义了ADC能处理的“最响”信号和“最轻”信号之间的跨度。最响信号通常是刚好处在饱和边缘（0 dBFS），最轻信号则由本底噪声决定。DR = 20 * log10(满量程电压 / 噪声电压)。它告诉你这个ADC的“舞台”总共有多少dB的宽度。

无杂散动态范围（SFDR, Spurious-Free Dynamic Range） 则关注在这个“舞台”上，除了主角（主信号）之外，最抢戏的“捣乱分子”（杂散）有多强。杂散可能是谐波，也可能是时钟泄漏、电源干扰等产生的特定频率尖峰。SFDR是主信号功率与最大杂散功率的比值。一个高SFDR的ADC，意味着在强信号旁边，很难发现明显的干扰谱线，这对于通信、频谱分析等应用至关重要。

这里有个非常经典的低成本测试DR的窍门：直接输入满幅正弦波测SNR来推算DR，会受谐波失真（THD）影响，结果不准。标准方法是输入一个非常小的信号（比如-60 dBFS），此时失真可忽略，测出这个小信号的信噪比SNR_small，那么动态范围 DR ≈ SNR_small + 60 dB。这个“+60 dB”就是把小信号功率补偿回满量程功率的换算。我们的自动化脚本会实现这个方法。

3. 搭建你的低成本高精度测试台

理论清楚了，我们开始动手搭建测试环境。别怕，不需要天价设备。

3.1 硬件清单：精打细算，物尽其用

1. 待测ADC（DUT）：这可以是官方的评估板（比如TI的ADS8860EVM-PDK），也可以是你自己设计的、已经焊接好ADC芯片的PCB。后者更有意义，因为测的就是你的实际设计。
2. 信号源：你需要一个能产生超低失真、超低噪声正弦波的信号源。专业音频发生器（如Audio Precision）当然好，但我们追求低成本。一个不错的替代方案是使用高质量的外置USB声卡（如Focusrite Scarlett 2i2系列）的线路输出。很多专业声卡在1kHz的THD+N可以做到-100dB以下，完全够用。再省一点，可以用树莓派Pico运行一个精心编写的DDS（直接数字频率合成）程序，通过其PWM加精密滤波产生正弦波，实测也能达到-80dB量级，用于中精度测试没问题。
3. 数据采集：ADC输出的数字信号（通常是SPI或I2C接口的比特流）需要被捕获。最灵活的方式是使用一块FPGA开发板（如Altera/Intel的Cyclone系列或Xilinx的Artix系列）作为逻辑分析仪和FIFO，将数据缓存后通过UART或USB传给电脑。如果ADC速率不高（<几百kSPS），用一块STM32等高性能单片机的SPI接口DMA抓取数据也是可行的。
4. 连接与调理：
   • 同轴电缆与BNC接头：尽可能使用屏蔽良好的线缆连接信号源和ADC输入，减少环境干扰。
   • 衰减网络：如果信号源输出幅度固定（如2Vrms），而ADC输入范围较小（如1.8Vpp），需要一个精密电阻分压网络进行衰减。注意使用低温度系数的金属膜电阻。
   • 直流偏置：如果ADC是单电源供电，输入需要偏置在Vref/2。可以用一个运放搭建一个低噪声的虚地电路，或者使用信号源的直流偏置功能。

注意：在连接所有设备前，务必确保共地！将信号源、ADC板、采集板的“地”用粗导线连接在一起，这是避免引入地环路噪声和测量错误的基础。

3.2 软件与AI助手：让DeepSeek成为你的得力副驾

硬件搭好，软件是我们的主战场。核心是Python，但别急着从头造轮子。

1. Python环境：推荐使用Anaconda，方便管理包。创建新环境：conda create -n adc_test python=3.9，然后激活它。
2. 核心工具包：
   • numpy：数组运算和数据处理的核心。
   • scipy：特别是scipy.fft用于快速傅里叶变换，scipy.signal用于滤波和窗函数。
   • matplotlib：绘制各种频谱图、时域波形图、INL/DNL曲线，可视化是分析的关键。
   • pyserial：如果你的采集板通过串口发送数据，需要这个库来读取。
3. AI助手：DeepSeek：这才是我们的“秘密武器”。它的角色不是直接写完整代码，而是在你卡住时提供精准帮助。例如：
   • 代码片段生成：你可以问：“用Python写一个函数，输入时域数据数组和采样率，计算SINAD，并返回基波频率、谐波幅度和噪声幅度。” DeepSeek能快速给出结构清晰、注释完整的函数雏形，你只需根据实际数据格式稍作调整。
   • 算法解释与调试：当你不确定FFT后如何精确找到基波峰值时，可以问：“如何在使用汉宁窗的FFT结果中，进行峰值插值以获得更精确的频率和幅度估计？” DeepSeek能详细解释多项式插值或相位法的原理和步骤。
   • 最佳实践咨询：“在计算ADC的ENOB时，为了获得更准确的结果，在数据处理阶段有哪些常见的预处理步骤和注意事项？”它能列出如去除直流分量、选用合适的窗函数、处理频谱泄露等要点。

我的工作流通常是：先用Python搭建测试框架，遇到具体算法难题或想优化代码时，把问题描述和当前代码片段丢给DeepSeek，让它提供思路或改进方案，效率提升非常明显。

4. 从数据到指标：Python自动化测试脚本实战

现在，我们进入最核心的环节：编写能一键式完成采集、分析和报告生成的Python脚本。假设我们已经通过串口或文件，拿到了ADC输出的原始二进制码数组 adc_codes（例如，16位ADC，数值范围0-65535）。

4.1 数据预处理：好的开始是成功的一半

原始数据不能直接扔进FFT，必须经过清洗和准备。

import numpy as np
import matplotlib.pyplot as plt
from scipy.fft import fft, fftfreq

def preprocess_adc_data(adc_codes, vref=3.3, bits=16, remove_dc=True, window='hann'):
    """
    预处理ADC数据：转换电压、去直流、加窗。
    参数:
        adc_codes: ADC输出的原始码值数组。
        vref: ADC参考电压（伏特）。
        bits: ADC分辨率。
        remove_dc: 是否去除直流分量。
        window: 窗函数类型，如'hann', 'flattop'。
    返回:
        voltage: 转换后的电压数组。
        windowed_signal: 加窗后的信号（用于FFT）。
    """
    # 1. 将码值转换为电压
    full_scale = 2**bits
    voltage = adc_codes / full_scale * vref  # 假设单极性，0-Vref

    # 2. 去除直流偏移（非常重要！）
    if remove_dc:
        voltage = voltage - np.mean(voltage)

    # 3. 应用窗函数，减少频谱泄露
    n = len(voltage)
    if window == 'hann':
        win = np.hanning(n)
    elif window == 'flattop':
        # 平顶窗，幅度精度更高，常用于校准测量
        win = np.flattop(n)
    else:
        win = np.ones(n)  # 矩形窗

    windowed_signal = voltage * win
    # 计算窗函数的幅度校正因子（Coherent Gain）
    amplitude_correction = 1.0 / np.mean(win) if np.mean(win) != 0 else 1.0

    return voltage, windowed_signal, amplitude_correction

为什么这么做？

• 去直流：ADC输出通常有直流偏移，这个巨大的零频分量会淹没附近的低频噪声，严重影响SINAD和动态范围的计算。
• 加窗：我们对有限长度的信号做FFT，相当于对无限长信号进行了“矩形截断”，这会在频谱上产生“泄露”，即一个频率的能量会扩散到旁边。汉宁窗（Hann）能显著抑制旁瓣，是通用性很好的选择。平顶窗（Flattop）主瓣更宽，但幅度测量更准，适合需要精确测量幅度的场合。

4.2 频谱分析与核心指标计算

预处理后的数据，就可以进行FFT，展开频谱分析，并计算我们关心的所有指标。

def analyze_adc_spectrum(signal, fs, fundamental_freq, num_harmonics=10):
    """
    分析信号频谱，计算SNR, SINAD, THD, THD+N, ENOB, SFDR。
    参数:
        signal: 预处理后的时域信号（加窗后）。
        fs: 采样率（Hz）。
        fundamental_freq: 输入正弦波的基波频率（Hz）。
        num_harmonics: 需要考虑的谐波次数。
    返回:
        包含所有指标的字典。
    """
    n = len(signal)
    # 执行FFT
    yf = fft(signal)
    xf = fftfreq(n, 1/fs)[:n//2]  # 正频率部分
    magnitude = 2.0 / n * np.abs(yf[0:n//2])  # 计算单边幅度谱，并校正

    # 1. 定位基波（输入信号）峰值
    # 在基波频率附近一个小范围内搜索最大值，避免因频率偏差找不到
    fund_idx = np.argmax(magnitude[(xf > fundamental_freq*0.95) & (xf < fundamental_freq*1.05)])
    fund_freq = xf[fund_idx]
    fund_mag = magnitude[fund_idx]

    # 2. 定位谐波峰值
    harmonic_indices = []
    harmonic_mags = []
    for h in range(2, num_harmonics+2):  # 从2次谐波开始
        harm_freq = fund_freq * h
        # 在谐波频率附近搜索
        harm_idx = np.argmax(magnitude[(xf > harm_freq*0.98) & (xf < harm_freq*1.02)])
        harmonic_indices.append(harm_idx)
        harmonic_mags.append(magnitude[harm_idx])

    # 3. 计算总信号功率（在频域计算更准确）
    total_power = np.sum(magnitude**2) / 2  # 帕塞瓦尔定理，单边谱功率

    # 4. 计算基波功率
    fund_power = fund_mag**2 / 2

    # 5. 计算谐波总功率（仅考虑我们搜索到的谐波）
    harmonic_power = np.sum(np.array(harmonic_mags)**2) / 2

    # 6. 计算噪声功率 = 总功率 - 基波功率 - 谐波功率
    # 注意：为避免直流和基波/谐波附近能量影响，更严谨的做法是“挖坑”排除这些区域后计算
    noise_power = total_power - fund_power - harmonic_power
    # 防止计算误差导致负值
    noise_power = max(noise_power, 1e-20)

    # 7. 计算各项指标 (转换为dB)
    snr_db = 10 * np.log10(fund_power / noise_power)
    thd_db = 10 * np.log10(harmonic_power / fund_power)
    thd_n_db = 10 * np.log10((harmonic_power + noise_power) / fund_power)
    sinad_db = 10 * np.log10(fund_power / (harmonic_power + noise_power))  # 注意是倒数
    enob = (sinad_db - 1.76) / 6.02

    # 8. 计算SFDR：找到除基波外最大的谱线（可能是谐波，也可能是杂散）
    # 创建一个基波附近的掩码，排除基波主瓣影响（例如±5个bin）
    exclude_band = 5
    mask = np.ones(len(magnitude), dtype=bool)
    mask[max(0, fund_idx-exclude_band): min(len(magnitude), fund_idx+exclude_band+1)] = False
    # 在剩余频谱中找最大值
    spur_idx = np.argmax(magnitude[mask])
    # 需要将索引映射回原数组
    valid_indices = np.where(mask)[0]
    spur_idx_original = valid_indices[spur_idx]
    spur_mag = magnitude[spur_idx_original]
    spur_power = spur_mag**2 / 2
    sfdr_db = 10 * np.log10(fund_power / spur_power)

    results = {
        '基波频率_Hz': fund_freq,
        '基波幅度_V': fund_mag,
        'SNR_dB': snr_db,
        'THD_dB': thd_db,
        'THD+N_dB': thd_n_db,
        'SINAD_dB': sinad_db,
        'ENOB_bit': enob,
        'SFDR_dB': sfdr_db,
        '噪声功率_V^2': noise_power,
        '谐波次数': list(range(2, num_harmonics+2)),
        '谐波幅度_V': harmonic_mags
    }
    return results, xf, magnitude

这个函数是脚本的心脏。它完成了从频谱中找到信号、区分谐波与噪声、并最终计算出所有核心指标的全过程。你可以调用它，传入一组采集到的正弦波数据，就能立刻得到一份完整的“体检报告”。

4.3 动态范围（DR）的自动化测量

如前所述，我们采用输入-60 dBFS小信号的方法来间接测量动态范围。

def measure_dynamic_range(adc_codes_silent, adc_codes_small_signal, fs, vref, bits, small_signal_dbfs=-60):
    """
    通过小信号法测量动态范围。
    参数:
        adc_codes_silent: 输入接地或静音时采集的ADC码值（用于测本底噪声）。
        adc_codes_small_signal: 输入-60 dBFS（或其他小幅度）正弦波时采集的ADC码值。
        fs: 采样率。
        vref: 参考电压。
        bits: ADC位数。
        small_signal_dbfs: 小信号相对于满量程的dB值，默认为-60 dB。
    返回:
        dynamic_range_db: 计算得到的动态范围(dB)。
    """
    # 1. 计算小信号的实际幅度（用于验证）
    full_scale_voltage = vref
    small_signal_amplitude = full_scale_voltage * (10**(small_signal_dbfs / 20))

    # 2. 处理小信号数据，计算其信噪比SNR_small
    # 注意：此时信号很小，谐波失真可忽略，计算出的SNR近似为信号与底噪之比
    _, windowed_small, amp_corr = preprocess_adc_data(adc_codes_small_signal, vref, bits)
    results_small, _, _ = analyze_adc_spectrum(windowed_small, fs, fundamental_freq=1000) # 假设输入1kHz
    snr_small_db = results_small['SNR_dB']

    # 3. 动态范围 DR = SNR_small + |small_signal_dbfs|
    dynamic_range_db = snr_small_db + abs(small_signal_dbfs)

    # 4. （可选）直接测量本底噪声功率进行对比验证
    voltage_silent = adc_codes_silent / (2**bits) * vref
    voltage_silent = voltage_silent - np.mean(voltage_silent)
    noise_power_direct = np.var(voltage_silent)  # 方差即噪声功率
    full_scale_power = (full_scale_voltage / np.sqrt(2))**2  # 正弦波满量程有效值功率
    dr_direct_db = 10 * np.log10(full_scale_power / noise_power_direct)

    print(f"小信号({small_signal_dbfs} dBFS) SNR: {snr_small_db:.2f} dB")
    print(f"推算动态范围 DR: {dynamic_range_db:.2f} dB")
    print(f"直接噪声测量动态范围: {dr_direct_db:.2f} dB (用于交叉验证)")

    return dynamic_range_db

4.4 可视化与报告生成

计算出的数字是冰冷的，图形才能告诉我们故事。脚本最后应该生成一份图文并茂的报告。

def generate_test_report(adc_codes, fs, vref, bits, test_freq=1000, adc_name="My_ADC"):
    """
    生成完整的ADC测试报告并绘图。
    """
    voltage, windowed_signal, _ = preprocess_adc_data(adc_codes, vref, bits)
    results, freq, mag = analyze_adc_spectrum(windowed_signal, fs, test_freq)

    fig, axs = plt.subplots(2, 2, figsize=(14, 10))
    fig.suptitle(f'ADC性能测试报告 - {adc_name}', fontsize=16)

    # 图1: 时域波形
    time = np.arange(len(voltage)) / fs
    axs[0, 0].plot(time[:1000] * 1000, voltage[:1000])  # 显示前1ms
    axs[0, 0].set_xlabel('时间 (ms)')
    axs[0, 0].set_ylabel('电压 (V)')
    axs[0, 0].set_title('ADC输出时域波形 (片段)')
    axs[0, 0].grid(True)

    # 图2: 频谱图 (对数坐标)
    axs[0, 1].semilogx(freq[1:], 20 * np.log10(mag[1:] / (vref/np.sqrt(2))))  # 归一化到dBFS
    axs[0, 1].set_xlabel('频率 (Hz)')
    axs[0, 1].set_ylabel('幅度 (dBFS)')
    axs[0, 1].set_title('单边幅度谱')
    axs[0, 1].grid(True)
    axs[0, 1].set_xlim(10, fs/2)
    axs[0, 1].set_ylim(-140, 5)
    # 标记基波和谐波
    axs[0, 1].axvline(x=results['基波频率_Hz'], color='r', linestyle='--', alpha=0.5, label='基波')
    for i, harm_freq in enumerate(np.array(results['谐波次数']) * results['基波频率_Hz']):
        if harm_freq < fs/2:
            axs[0, 1].axvline(x=harm_freq, color='g', linestyle=':', alpha=0.5, label=f'谐波{i+2}' if i==0 else "")

    # 图3: 谐波分布柱状图
    harmonics = results['谐波次数']
    harm_strength_db = 20 * np.log10(np.array(results['谐波幅度_V']) / results['基波幅度_V'])
    axs[1, 0].bar(harmonics, harm_strength_db)
    axs[1, 0].set_xlabel('谐波次数')
    axs[1, 0].set_ylabel('相对于基波的幅度 (dB)')
    axs[1, 0].set_title('各次谐波失真分量')
    axs[1, 0].grid(True, axis='y')

    # 图4: 关键指标文本摘要
    axs[1, 1].axis('off')
    report_text = (
        f"测试频率: {test_freq} Hz\n"
        f"采样率: {fs/1000:.1f} kSPS\n"
        f"参考电压: {vref} V\n"
        f"-----------------------------\n"
        f"SNR: {results['SNR_dB']:.2f} dB\n"
        f"THD: {results['THD_dB']:.2f} dB\n"
        f"THD+N: {results['THD+N_dB']:.2f} dB\n"
        f"SINAD: {results['SINAD_dB']:.2f} dB\n"
        f"ENOB: {results['ENOB_bit']:.2f} bits\n"
        f"SFDR: {results['SFDR_dB']:.2f} dB\n"
    )
    axs[1, 1].text(0.1, 0.5, report_text, fontsize=12, verticalalignment='center', family='monospace')

    plt.tight_layout()
    plt.savefig(f'{adc_name}_test_report.png', dpi=150)
    plt.show()

    return results

运行这个函数，一张包含时域波形、频谱、谐波分析和关键指标汇总的仪表盘图就生成了，非常直观。

5. 避坑指南与实战经验分享

脚本跑起来，数据出来了，但结果可能很奇怪。别急，这是我踩过无数坑后总结出的排查清单。

坑1：频谱上出现奇怪的杂散峰。

• 可能原因：电源噪声（尤其是开关电源的开关频率及其倍频）、时钟抖动、数字信号对模拟部分的串扰。
• 排查：尝试用线性稳压器（LDO）给模拟部分供电。检查ADC采样时钟是否干净，可以用示波器看看时钟边沿有没有振铃。在ADC的数字电源引脚和地之间，紧贴芯片放置一个0.1uF和一个10uF的电容。让ADC的模拟走线远离MCU、时钟等数字高速走线。

坑2：测得的ENOB随输入信号幅度减小而急剧下降。

• 可能原因：ADC本身的噪声是固定的，当信号变小时，信噪比自然变差，ENOB降低。但如果下降得比理论曲线快很多，可能是PCB布局引入了额外噪声，或者前端运放的选择不当（噪声系数太高）。
• 排查：检查模拟输入路径的电阻热噪声（√(4kTRB)）。对于高阻抗源，运放的电流噪声会成为主要因素。可以尝试在ADC输入端并联一个适当的电容（如100pF~1nF）构成低通滤波，既能限制带宽减少噪声，又能为ADC的采样开关提供电荷。

坑3：THD性能在高频时恶化。

• 可能原因：运放的压摆率（Slew Rate）不够，或者增益带宽积（GBW）不足，无法在高频下保持线性。也可能是ADC本身的采样保持电路在高频输入时性能下降。
• 排查：确认你使用的前端运放型号，其压摆率和GBW是否满足信号最高频率的要求。一个粗略的经验：处理频率为f的正弦波，所需压摆率至少为 SR > 2πf * Vpeak。

坑4：不同次运行结果有微小波动。

• 这是正常的。噪声本身具有随机性。为了获得稳定、可信的统计结果，一定要进行多次测量取平均。可以修改脚本，连续采集10组数据，分别计算指标后取平均值和标准差，这样得到的ENOB或THD+N才更有参考价值。

关于A计权：如果你的ADC用于音频，数据手册上的SNR很可能标注的是“A-weighted”。这意味着在计算噪声功率时，噪声频谱要经过一个模拟人耳响度曲线的A计权滤波器。我们前面给出的analyze_adc_spectrum函数计算的是“未计权”的指标。你可以很容易地集成一个A计权滤波函数（网上有标准的IEC 61672系数），在计算噪声功率前，先对频谱的幅度进行加权，从而得到与手册对标的数据。

最后，记住一点：测试环境本身（信号源、连接线、电源）的性能，决定了你测试结果的下限。如果你的信号源本身THD只有-80dB，那你绝无可能测出ADC的-100dB的THD。因此，在测试前，不妨用你的测试系统，去测一个已知性能很好的ADC评估板，来验证你整个测试链路的底噪和失真水平，这个过程叫做“系统自校准”。当你的测试链路足够干净时，你对自己设计的板卡测出的数据，才拥有真正的说服力。这套方法我用了很多年，它让我在有限的预算内，拥有了洞察芯片真实性能的“火眼金睛”，希望它也能帮到你。