Tolerância e incerteza de medição merecem orçamentos separados

O nominal é o centro de um modelo

Um valor nominal é o número usado na aritmética de projeto. A tolerância do componente define uma faixa em torno dele, enquanto a incerteza do instrumento define o que uma medição pode estabelecer. Elas são diferentes da tolerância numérica do simulador. Um resistor SPICE ideal de 10 kΩ não se torna um componente ±1% a menos que você varie deliberadamente seu valor.

Considere o passa-baixas de 10 kΩ e 100 nF, com tolerância de R de ±1% e de C de ±5%. O corte nominal é 159.154943 Hz. O menor corte usa os dois maiores valores: $159.154943/(1.01\times1.05)=150.075382$ Hz. O maior usa os dois menores: $159.154943/(0.99\times0.95)=169.223757$ Hz. Esses são limites de pior caso sob faixas permitidas independentes, não estimativas de probabilidade.

Um exemplo de razão de resistores

Um estágio não inversor com Rf = 100 kΩ e Rg = 10 kΩ tem ganho nominal 11. Com os dois resistores ±1%, o ganho mínimo é $1+100(0.99)/(10(1.01))=10.801980$ e o máximo é $1+100(1.01)/(10(0.99))=11.202020$. A razão não é automaticamente ±1% só porque cada resistor é. Redes casadas podem oferecer uma especificação separada de tolerância da razão.

A deriva de temperatura pode mover os valores além de um cálculo de tolerância à temperatura ambiente. Para um resistor de 50 ppm/°C ao longo de uma mudança de 40°C, a variação fracionária adicional aproximada é 0.2%, supondo um coeficiente linear de temperatura. A dependência de tensão de um capacitor pode ser outro termo importante; use sua caracterização real para um projeto físico.

Planeje uma medição útil

Escreva um intervalo de aceitação baseado na exigência do projeto e nas incertezas conhecidas. Se um instrumento informar 160 Hz com incerteza ±2 Hz, ele sustenta um intervalo em vez de uma afirmação exata de 160.000 Hz. Um resultado perto de um limite pode exigir uma medição melhor, não uma aprovação automática.

Varra extremos de pior caso dos componentes antes de um estudo aleatório de Monte Carlo. A amostragem aleatória pode deixar passar um extremo permitido e exige uma premissa de distribuição. Preserve modelo, valores testados, configurações de medição e regra de aceitação para que outro aluno possa reproduzir a decisão, não apenas o gráfico.