Correlación
La correlación medida y el rendimiento del conector simulado pueden adoptar varias formas.
Términos cualitativos, tales como “bueno” y “razonable” son comunes, pero pueden significar muchas cosas diferentes dependiendo del contexto y los antecedentes de las personas involucradas. Términos cuantitativos, tales como la diferencia máxima en dB, también son problemáticos. Por ejemplo, una diferencia de 10 dB en interferencia cuando los niveles se encuentran en -90 dB es muy diferente que si los niveles son a -20 dB. Además, la comparación de la magnitud es suficiente o ¿se debería considerar la magnitud y la fase?.  Más adelante en este artículo, se aplican dos métodos cuantitativos diferentes de comparar los conjuntos de datos se aplica al siguiente ejemplo.

Para comenzar la discusión de correlación, considerar el rendimiento medido y simulado de un conector mezzanine de 16 mm de alta densidad. La respuesta simulada se generó usando una herramienta de modelado de onda completa. Se tuvo cuidado para asegurar que la densidad de malla suficiente y los protocolos de configuración de puerto  fueron seguidos usando características nominales de material dieléctrico. La respuesta medida incluye el conector y el tamaño. Las estructuras de  calibración TRL / M a bordo se utilizaron para calibrar el VNA y des-integrar (de-embed) los efectos  de medición en el  aparato. Se tuvo cuidado para garantizar que el tamaño medido corresponde exactamente el tamaño simulado. Los resultados se muestran en la figura 15. Al comparar las respuestas en la figura 15, la correlación está generalmente dentro de las expectativas. El perfil de impedancia mostrado en la figura 15 se generó a partir de los archivos touchstone medidos / simulados utilizando convolución de dominio de tiempo.
Intel ha revelado públicamente un documento sobre la calidad del modelo de conector en septiembre de 2011 [2]. Este documento introduce el concepto de Factor de Calidad de Modelo (Model Quality Factor), como un medio de medir la exactitud de un modelo basado de simulación en comparación con el rendimiento medido donde de funcionamiento, cuando:

xx = x
xx = Factor de Calidad del Modelo para la impedancia, pérdida de inserción e interferencia
x1 = área de referencia
x2 = área entre las curvas medidas y simuladas
Un MQF con un valor positivo grande indica un alto grado de correlación.
Un MQF con un valor pequeño (o negativo) indica una correlación relativamente pobre. El método se basa en áreas de cálculo en las gráficas de  dominio de tiempo. Este método se aplicó a los resultados mostrados en la figura 15 para un conector mezzanine de 16 mm. El primer paso en el cálculo MQF es transformar el modelo conector de parámetro-S  y las mediciones, en gráficos de dominio de tiempo. Esto se hizo utilizando Agilent ADS2.011.05.
El MQF para impedancia se calculó para ser -0,15 indicando una correlación relativamente pobre. Esto es debido a una impedancia simulada baja en comparación con el valor medido.

La figura 16 ilustra el cálculo del área en el cálculo MQF. Nótese que el lapso de MQF se limita a la región del conector o dos veces el tiempo de propagación del conector en un gráfico de la impedancia en función del tiempo. La impedancia MQF no especifica el tiempo de subida; sin embargo, el tiempo de subida afecta a MQF. La figura 16 tenía un tiempo de subida de 30 ps (20-80%) que resultó en una MQF de -0,15. En un tiempo de subida de 50 ps,  el MQF se degradó  a -0,28, y en 100 ps,  el MQF cayó a -0,6.

La pérdida de inserción MQF  se basa en la respuesta Time Domain Transmission (TDT). Rise Time Degradation, o TDT, es equivalente a la pérdida de inserción suministrada cuando el tiempo de subida fuente está definido. El MQF para la pérdida de inserción se calculó que era 0,43, y el análisis correspondiente se muestra en la figura 17.

La interferencia MQF (NEXT)  también se basa en la respuesta TDT (Time Domain Transmission).  Time Domain NEXT también depende del tiempo de subida fuente que no se especifica. El MQF para NEXT se calculó que era 0,85, y el análisis correspondiente se muestra en la figura 18.

6]. FSV tiene una ventaja sobre MQF en que se puede aplicar a conjuntos de datos de dominio de tiempo o frecuencia. MQF tiene la ventaja de que es mucho más simple de implementar si escribimos código original. FSV da como resultado un valor cualitativo que va desde excelente a pobre. Esto  asigna  a los valores cuantitativos FSV desde  <0,1 (excelente) a > 1,6 (pobre). FSV considera que la absoluta diferencia entre dos conjuntos de datos y condiciones es la medida de diferencia de amplitud (Amplitude Difference Measure). Por ejemplo, el logro de una buena correlación en un amplio espectro con un variable dependiente bastante constante se presentaría  como una baja ADM. FSV también considera las diferencias en las características de dos conjuntos de datos calculados como la derivada primera de los datos para acentuar los cambios en las curvas. Esto se conoce como la medida de diferencia de característica (Feature Difference Measure).  Por ejemplo, una buena correlación de resonancia de conector se  mostraría como un valor bajo de FDM.

La media geométrica de la ADM y la FDM se combinan para formar la medida de  diferencia global (Global Difference Measure). GDM se puede considerar la correlación general entre dos conjuntos de datos. ADM, FDM y GDM se pueden trazar en el lapso de la variable independiente para indicar dónde los modelos son similares o diferentes. También es común trazar el histograma para mostrar que porcentajes de puntos de datos tienen una buena correlación. El histograma se divide en seis categorías, con términos cuantitativos asignados a las categorías cualitativas de histograma.

La aplicación FSV está disponible para su descarga en www.upd.edu / web / gcem [6] y fue utilizada para crear las figuras 19-21. La figura 19 muestra que los conjuntos de datos de pérdida de inserción medidos y simulados tenían “muy buena” correlación basada en el valor 0,13 de GDMtot. GDMtot es esencialmente un “un número de rating”, que incluye la amplitud y las diferencias de función en los conjuntos de datos.

La figura 20 muestra los conjuntos de datos NEXT medidos y simulados que tenían “buena” correlación basándose en el valor GDMtot de 0,3. Al igual que con los datos de pérdida de inserción, tanto ADM y FDM mostraron una mejor correlación que la media geométrica.

La figura 21 muestra que los conjuntos de datos medidos y simulados de impedancia tenían “justa” correlación en función del valor de 0,75 GDMtot.

Conclusiones y recomendaciones
La validación de conectores de alta velocidad, multi-pin, ha demostrado ser un reto como que importa la influencia las pruebas imperfectas de accesorios. En el lado de la medición, los estándares de calibración exactos a bordo son necesarios para una constante de-embedding  de-incrustación. En el lado de la simulación, los parámetros de material de conector  son estimaciones, y la densidad de la malla del modelo puede afectar a los resultados. Es crítico que el tamaño medido sea incluido en la simulación, ya que las  diferencias de tamaño menores darán lugar a variaciones entre los resultados de medición y simulación.

Dos diferentes métricas de calidad del modelo se aplicaron a la medida y simulación de los parámetros-S diferenciales del conector. Estas medidas se exigen para este tipo de modelos, y lograr una muy buena correlación es un reto, dada la complejidad de las estructuras de microondas.

Los parámetros de transmisión (IL e NEXT) tienden a mostrar mejor correlación en comparación con los parámetros de reflexión (RL y impedancia). La clasificación cualitativa de la FSV es una gran ventaja en comparación con MQF, sin embargo FSV ha sido objeto de muchos años de iteración para llegar a su estado maduro.
Por lo tanto, ¿son los modelos de conector buenos? Para este ejemplo, sí, están de acuerdo con la FSV.

Autor:

Jim Nadolny, Samtec
Leon Wu, Samtec

Referencias
[1]    Tektronix IConnect and MeasureXtractor User Manual.
[2]    Intel Corporation, “Intel Connector Model, Quality Assessment Methodology”, September 2011.
[3]    Roy Leventhal, “Correlation of Model Simulations and Measurements” IBIS Summit Meeting, June 5, 2007.
[4]    EEE P1597.2/D6.4 “Draft Recommended Practice for Validation of Computational Electromagnetic Computer Modeling and Simulation”.
[5]    J. Knockaert, J. Cartrysse, R. Belmans “Comparison and Validation of EMC Measurementsby FSV and IELF”, 2006 IEEE.
[6]    Universitat Politecnica De Catalunya, FSV downloadable.

Más información o presupuesto