Tolérance et incertitude de mesure méritent des budgets distincts

La valeur nominale est le centre d’un modèle

Une valeur nominale est le nombre utilisé dans les calculs de conception. La tolérance d’un composant définit une plage autour de lui, tandis que l’incertitude de l’instrument définit ce qu’une mesure peut établir. Elles diffèrent de la tolérance numérique du simulateur. Une résistance SPICE idéale de 10 kΩ ne devient pas un composant à ±1% sans faire varier volontairement sa valeur.

Considérons le passe-bas de 10 kΩ, 100 nF, avec R à ±1% et C à ±5%. La coupure nominale est 159.154943 Hz. La coupure la plus basse utilise les deux valeurs maximales : $159.154943/(1.01\times1.05)=150.075382$ Hz. La plus haute utilise les deux minimales : $159.154943/(0.99\times0.95)=169.223757$ Hz. Ce sont des bornes de pire cas avec des plages permises indépendantes, et non des estimations de probabilité.

Exemple de rapport résistif

Un étage non inverseur avec Rf = 100 kΩ et Rg = 10 kΩ a un gain nominal de 11. Avec les deux résistances à ±1%, le gain minimal est $1+100(0.99)/(10(1.01))=10.801980$ et le maximal $1+100(1.01)/(10(0.99))=11.202020$. Le rapport n’est pas automatiquement à ±1% parce que chaque résistance l’est. Des réseaux appariés peuvent offrir une spécification distincte de tolérance du rapport.

La dérive thermique peut déplacer les valeurs au-delà du calcul de tolérance à température ambiante. Pour une résistance de 50 ppm/°C sur une variation de 40°C, le changement relatif supplémentaire est d’environ 0.2%, avec un coefficient thermique linéaire supposé. La dépendance en tension d’un condensateur peut être un autre terme majeur ; utilisez sa caractérisation réelle pour une conception physique.

Planifier une mesure utile

Écrivez un intervalle d’acceptation fondé sur l’exigence de conception et les incertitudes connues. Si un instrument indique 160 Hz avec ±2 Hz d’incertitude, il établit un intervalle, et non une affirmation exacte de 160.000 Hz. Un résultat près d’une limite peut demander une meilleure mesure, et non une acceptation automatique.

Balayez les cas extrêmes des composants avant une étude Monte-Carlo aléatoire. L’échantillonnage aléatoire peut manquer un extrême permis et nécessite une hypothèse de distribution. Conservez le modèle, les valeurs testées, les réglages de mesure et la règle d’acceptation pour qu’un autre apprenant reproduise la décision, et pas seulement le tracé.