技术洞察 | 精通电流传感系列文章（五）：电流传感器精度解构：动态误差与环境误差解析

首先回顾本系列上一篇文章的内容。所有精度术语最终都可以追溯到两种影响之一：传递函数斜率（灵敏度）发生变化，或传递函数零电流截距（失调）发生变化。无论这些影响源自硅片、磁路还是系统环境，下文所述参数都只是这两种影响的具名和可测量表现形式。

灵敏度（Sens）是传递函数的斜率，即单位一次电流变化所引起的输出电压变化量，通常以 mV/A 或 mV/G 表示。灵敏度误差是实际斜率相对于理想值的偏差。当电流接近零时，灵敏度误差可以忽略不计；但它会随电流增大而线性增大，并在满量程时达到最大值。因此，在测量范围高端，灵敏度误差会主导总误差预算。

从物理层面看，灵敏度误差来自一次侧导体与传感元件之间磁耦合的公差，以及前端放大器和整个工作范围内的增益公差。这些公差会导致斜率随裸片温度变化而漂移。Allegro 在生产测试中对灵敏度进行出厂微调，并采用内部温度补偿，使传感器精度在整个汽车级温度范围内保持在较窄区间。系统层面还可以通过两点（增益和失调）校准进一步降低残余灵敏度误差，即使用接近满量程的已知参考电流求解并校正真实斜率。

静态输出电压（VQVO）是无一次电流时的传感器输出，也就是传递函数的截距。失调误差（也称静态输出电压失调误差 [QVO 误差]）是该截距相对于理想值的偏差。与灵敏度误差不同，失调是一个与被测电流无关的固定电压，因此通常以电压（mV）表示。在测量范围低端，失调误差会主导总误差预算，而这一区域本身也最容易受到噪声对分辨率的限制。

失调来自霍尔板失配、前端放大器输入折合失调、机械封装应力以及温度波动。Allegro 通过斩波稳定、动态失调消除技术以及内部数字温度补偿来降低静态分量和热分量。在系统层面，失调是最容易消除的单一误差：当系统已知处于零电流状态时，由控制器执行一次单点失调归零，采集 VQVO 并从后续所有读数中扣除。由于失调主导低电流精度，这种方法能以最小投入为低电流测量带来最大的精度提升。

每个电流传感器最终都由电源轨供电，而在实际应用中，没有任何电源轨是完全稳定的。线路和负载瞬态、稳压器容差、LDO 温度漂移以及从相邻开关级耦合而来的高频纹波，都会导致 VDD 偏离标称值。由于线性传感器的静态输出电压和灵敏度都以该电源为基准，电源轨的任何变化都有可能使传递函数发生移动。用于量化这种行为的两个参数是电源抑制和比例式输出。理解二者之间的差异及其与下游模数转换器（ADC）的相互作用，正是区分“依赖昂贵稳压器对抗电源噪声”与“通过架构设计消除电源噪声”这两种设计思路的关键所在。

电源抑制比（PSRR）衡量传感器内部电路在多大程度上能使其输出不受 VDD 电源轨变化的影响 — 这些变化并非用于按比例缩放输出。该参数与非比例式（固定基准）器件最为相关，也与所有器件的高频行为相关，因为附近 DC-DC 转换器或逆变器级产生的纹波会以极快速度耦合到电源上，任何比例式基准都来不及跟踪。高 PSRR 传感器会在纹波进入信号链之前将其衰减，输出端仅表现为很小的残余失调或增益误差扰动。在电路板层面，良好的去耦实践可以增强 PSRR：在 VDD 和 GND 引脚旁就近放置低 ESR 陶瓷电容，可提供本地电荷储备、平滑快速瞬态，并在高频噪声调制传感器输出之前将其分流至地。由于这种残余扰动会表现为失调偏移（低电流下占主导）或灵敏度偏移（高电流下占主导），因此对于任何存在噪声或调节能力较弱电源轨的应用，都必须将其纳入总误差预算。

比例式输出响应是一种有意设计的架构特性，其中静态输出电压（VQVO）和灵敏度都会与电源电压成正比缩放。在理想的比例式器件中，VDD 增加 +3% 会使零电流输出和传递函数斜率也精确增加 +3%。如果只观察模拟输出，这看起来像是误差：一次电流并未变化，但输出却发生了变化。比例式输出的强大之处在于，这种“误差”可以在系统层面抵消。由于传感器电源和微控制器 ADC 的基准输入（VREF）来自同一电源轨，ADC 的转换窗口会随传感器输出同步缩放。如果 VDD 增加 3%，传感器输出增加 3%，ADC 满量程基准也增加 3%，因此得到的数字码保持不变。电源漂移被抵消，测量结果保持稳定。

这种架构带来的实际收益非常显著：比例式输出使设计人员能够使用标准、经济的低压差稳压器（LDO）实现严格的精度目标，而无需昂贵的超高精度电压基准。比例误差这一规格用于量化这种比例跟踪的偏差，即传感器输出未能与电源轨完全同步缩放而产生的残余误差。与它所校正的大幅电源变化不同，比例误差会在 ADC 转换后保留下来，无法通过共用基准技术抵消。因此，必须将其明确纳入总误差预算。较差的比例误差规格会削弱该架构的优势，在对电源敏感的设计中应作为器件选择的重要考量因素。

电源相关误差源自电气域，而环境和物理因素则通过热、机械和磁域作用于传感器。不过，前文确立的原则仍然成立：这些影响并不会引入本质上全新的误差类别。每种影响最终都会表现为传递函数斜率（灵敏度）或截距（失调）的偏移：温度会同时改变灵敏度和失调；机械应力主要改变失调；杂散场和磁滞会叠加额外的误差贡献，在测量中表现为虚假电流；非线性则是在增益和失调完全校准后仍然存在的传递函数残余弯曲。

工作温度是影响电流传感器精度的一个重要因素，其特殊之处在于它会同时干扰两个基础参数。当裸片在 40°C 至 150°C 的汽车级温度范围内升温和降温时，磁前端的增益会发生漂移，从而改变灵敏度；同时，信号链中的失配和热效应会改变静态输出电压。失调漂移在低电流水平下尤其不利，因为此时信噪比本来就最低，失调在误差预算中占主导。Allegro 电流传感器通过内部温度补偿来抵消这种失调漂移，使灵敏度和失调在整个温度范围内都保持在较窄区间。由于温度这一相同物理变量会影响多个内部误差贡献项，这些贡献项具有相关性，在误差预算中应按相关项处理；不应像处理独立项那样用平方和根（RSS）方法合并。除硅片之外，设计人员还必须考虑到，PCB 本身也会随温度膨胀和收缩，从而将热效应引入下一节所述的机械应力机制。

霍尔效应通过压电霍尔效应对机械应力具有天然敏感性。在该效应中，硅晶格中的应变会改变载流子迁移率，进而改变传感元件的响应。灌封材料施加的压力、工业电机驱动器中常见的持续振动，以及热循环过程中 PCB 的周期性膨胀和收缩，都会给裸片施加应力，并主要表现为失调电压偏移。由于这种偏移是传感元件的物理形变，而非电气假象，因此无法在出厂时通过微调消除；它取决于成品组件的安装和封装方式。因此，最有效的缓解手段是机械层面的：要保持长期精度，关键在于外壳、安装方案和灌封几何设计应尽量减少施加在传感器封装上的直接且不对称的压力。Allegro 的应力补偿技术可降低硅片对此类效应的敏感性，但系统级机械设计仍是抑制机械影响的最重要因素。

磁滞是铁磁材料的“记忆”效应。如果传感器暴露于大电流浪涌（例如短路事件），传感路径附近的任何铁磁材料（例如引线框架或聚磁磁芯）中都可能会残留少量磁性。当电流恢复为零时，这种剩磁会产生一个微小但持续的失调偏移，称为磁滞误差。由于它表现为固定失调，磁滞误差对低电流精度的破坏最大；并且由于它由事件触发，而非稳态工作条件，这种状态可能会一直持续到下一次上电或重新调零操作。

杂散磁场也称共模场或外部场，是实际电流测量中最常见的干扰因素之一。它们由附近的载流导体、母排、变压器、电机和其他电磁设备辐射产生。由于传感器本身无法区分杂散场与自身一次电流产生的磁场，未补偿杂散场的直接表现就是虚假的电流读数。主要的架构防御手段是差分检测：通过布置两个传感元件并测量二者差值，均匀外部场会以相同方式耦合到两个元件中并相互抵消，而来自一次侧导体的目标差分信号则得以保留。Allegro 差分电流传感器可抑制共模场，并在电气噪声环境中保持精度。当仅靠差分抑制仍不足时，可以采取其他缓解措施。首先，优化传感器的朝向、布局，以及载流导体的几何结构与排布方式，以尽量降低耦合；其次，增大传感器与干扰源之间的距离。最后，可增设磁屏蔽，将外部场重新引导或吸收。屏蔽虽然有效，但会增加成本、尺寸，并带来自身的磁滞考量，因此应仅用于通过布局和方向优化仍无法充分解决问题的应用。

电气环境会把附近逆变器和 DC-DC 转换器产生的高频开关噪声直接耦合到传感器信号路径中。虽然这并不是与失调或灵敏度同类的直流精度项，但它会降低测量的有效分辨率，并可能误触发保护阈值。传感器输出端外接阻容（RC）滤波器是标准缓解措施，但这需要在带宽和传播延迟之间进行直接权衡。

虽然灵敏度和失调等直流精度参数定义了传感器的静态性能，但现实中的功率电子系统具有高度动态特性。牵引逆变器、车载充电器和工业电机驱动器会以高频开关大电流，这要求电流传感器不仅能够准确测量幅值，还必须足够快速地响应，以维持控制环路稳定并保护功率级免遭灾难性故障。支配这种行为的参数 — 带宽、噪声、传播延迟和共模瞬态抗扰度（CMTI）— 彼此高度相关。改善其中一项通常需要以另一项为代价，这迫使设计人员在传感器输出路径设计上要做出谨慎的架构选择。

每个电流传感器的带宽都是有限的，范围可从 80 kHz 到 10 MHz。当被测一次电流的频率接近该带宽限制时，传感器输出会出现两种影响：信号幅值衰减，且输出信号滞后于实际物理电流，从而产生相移。在高速数字控制环路中，例如电动汽车牵引逆变器中的磁场定向控制（FOC），过大的相移会占用系统相位裕量。如果未能充分最小化并补偿传感器相移，电机控制算法可能失稳，进而导致换相效率降低或振荡。

噪声决定了电流传感器的分辨率下限；无论失调和增益校准得多好，它都是器件能够分辨的最小电流变化。传感器噪声通常通过噪声密度来表征，可表示为 nV/Hz（折算到输出端）或等效表示为 mA/Hz（折算到被测电流）。

输出端总积分 RMS 噪声等于噪声密度乘以测量带宽的平方根。这种平方根关系揭示了一个物理设计权衡：分辨率与速度相互制约。如果应用只需要分辨缓慢变化的电流，设计人员可以使用外部 RC 滤波器限制传感器输出带宽，从而显著降低噪声基底并改善低电流分辨率。由于低电流精度由失调误差和噪声共同决定，这种简单的滤波技术对精密计量任务非常有效。

在规格制定及最坏情况设计中，RMS 噪声通常会使用峰值因数转换为峰峰值噪声。假设噪声服从高斯分布，6.6 倍系数可覆盖约 99.9% 的噪声波动。因此，设计人员在比较传感器时必须确保依据相同口径：以 RMS 标称的器件总是看起来比以峰峰值标称的同一器件更“安静”。在实际应用中，若用一款输出噪声为 50 mA RMS 的传感器测量 100 A 信号，其在满量程下的可分辨信噪比虽极为出色，但在接近零电流时，信噪比会随之成比例下降。

频率响应和相移描述传感器在频域中的行为，而阶跃响应和传播延迟则描述同一动态过程在时域中的表现，并且是故障保护最重要的参数。传播延迟是指一次电流发生变化到传感器输出端出现相应变化之间的时间，通常在定义的阈值处测量（常用输入和输出点的 20%）。

响应时间或上升时间是指在电流阶跃之后，输出从最终值的 10% 转换到 90% 所需的时间。在过流或短路事件中，用于检测故障并命令功率级关断的总可用时间，等于传感器传播延迟、比较器/ ADC 延迟以及栅极驱动器关断时间之和。由于快速开关的 SiC 和 GaN 功率级可能在微秒级时间内发生灾难性故障，因此最大限度降低传感器传播延迟至关重要。

如上所述，限制带宽带来的降噪收益与快速故障检测所需的速度之间存在固有的设计矛盾：信号链中每增加一个用于降低噪声的极点，都会减缓阶跃响应并增加传播延迟。因此，可靠的设计通常会将两类需求分离：为过流比较器引出一条快速、大带宽路径，同时为测量 ADC 提供一条较慢的滤波路径。Allegro 电流传感器同时明确给出了传播延迟和响应时间两项参数，使设计人员能够精准计算总故障响应延迟，而不是仅凭带宽进行推算。

在现代牵引逆变器和车载充电器中，向 SiC 和 GaN 功率级的演进带来了前所未有的压摆率，常常超过 100 kV/μs。这些极端电压瞬态（dV/dt）给电流测量带来严峻挑战：高压一次侧导体与低压传感器信号链之间的电容耦合可能会引入大量共模噪声，导致故障误触发或 ADC 读数异常。

共模瞬态抗扰度（CMTI）衡量传感器在承受高速电压尖峰时维持输出稳定的能力。集成导体传感器，尤其是采用差分霍尔效应或 TMR 传感元件的器件，天然能够抑制共模磁干扰；但它们还必须采用先进的静电屏蔽和内部布局隔离才能实现高 CMTI。为了在剧烈开关事件期间保持传感器固有的 CMTI 性能，PCB 设计必须尽量减小开关节点覆铜与传感器模拟输出走线之间的寄生重叠电容。

由于各种误差最终都归结到两个参数上，少量精心选定的系统内测量即可校正大部分实际误差。即使是出厂时经过最佳微调的传感器，也能从应用内校准中受益：工厂只能微调硅片，无法得知周围系统的直流偏置、最终装配带来的机械应力，或下游信号链的精确增益。以下技术的性能和成本依次递升:

最简单且价值最高的校准方法是单点失调归零。当系统已知处于零一次电流状态时，例如上电后的受控空闲状态，控制器对传感器输出进行采样，将该读数存储为真实零点基准，并从后续所有测量值中扣除。通过这一项低成本步骤，不仅可以消除传感器自身的失调（QVO）误差，还可以消除下游放大器、ADC 或板级效应带来的任何系统级直流偏置。由于在低电流下信噪比本已面临极大挑战，且失调误差主导总误差预算，因此单点归零以最小的投入带来最大的精度提升。它校正的是传递函数截距，而不改变斜率，因此当低电流精度是优先事项且满量程增益精度已经足够时，它是理想选择。

当低电流和高电流精度都很重要时，两点校准就是合适的下一步措施。在这种方法中，需要在两个已知电流下测量输出，通常是零电流和接近满量程的精确已知参考电流。通过两个测量点，控制器可以同时求解实际斜率（灵敏度）和实际截距（失调），从而一次性校正这两个基础误差项。该技术直接针对量程两端的两个主导误差来源：低端的失调误差和高端的灵敏度误差。其实际要求是在生产测试或周期性现场校准期间能够获得可信的参考电流；校准精度不可能超越所用参考源的精度。两点校准可以完整校正传递函数的直线部分。

单点归零只校正失调，成本可忽略不计，应视为几乎所有系统的默认选择。两点校准只需适度增加工作量，就可加入灵敏度校正。对于全量程范围内都要求精度的应用，两点校准是主流方案。关键在于，校准无法消除所有噪声、校准后发生的热致漂移，或磁滞等事件触发的偏移。校准只能消除那些确定性的、可重复出现的误差；而随机误差与漂移仍将纳入总误差预算。最可靠的设计会将一次性出厂校准或产线终检校准，与定期执行的系统内失调重新归零流程相结合，以识别产品寿命期间的缓慢漂移。

到目前为止讨论的每个精度数值，都描述的是传感器在某一时刻的状态，通常是刚出厂、室温、测试台条件下的状态。然而，EV 牵引逆变器、太阳能组串逆变器或工业驱动器中的电流传感器，必须在以年和数万小时计的服役寿命内保持精度，而不是只在某一瞬间保持精度。全寿命精度用于量化这两个基础参数在整个服役寿命内如何漂移，并保证即使在最坏情况下，总误差仍保持在系统安全和性能限值之内。与本文所述其他误差族一样，老化并不会引入本质上全新的误差类型；它只是导致斜率和截距缓慢产生额外偏移，而这些偏移必须从设计伊始就纳入预算，而不是等到现场才发现。

全寿命精度是指传感器整个工作寿命内预期的最坏情况误差。它将初始误差与数千小时热、电气和机械应力累积形成的额外漂移结合在一起。正确做法是基于全寿命数值来设计误差预算。

全寿命漂移源于硅片和封装在持续工作应力下发生的缓慢物理变化。最常见的表征方式是高温工作寿命（HTOL），即让器件在较高温度和电压下运行（通常为 1,000 小时），以加速原本需要多年现场运行才会出现的老化。在这种应力作用下，半导体和封装材料的细微变化会使静态失调电压和灵敏度都产生小而永久的偏移。相关机制还包括反复温度循环，这会使芯片贴装和封装疲劳，并通过压电霍尔效应耦合到机械应力项中；以及长期暴露于湿度和偏置电压下。由于这些偏移缓慢且大体单调，而非随机变化，因此通过加速寿命测试进行量化，再用全寿命漂移规格限定。通过计算全寿命精度，使工程师能够保证系统在整个服役寿命内始终保持在安全和性能限值之内。

在每次上电时或按计划维护间隔执行单点失调重新归零，可以捕获并消除自上次校准以来累积的缓慢失调漂移。原本会不断扩大的全寿命失调误差，由此被转换为接近初始数值的误差。

这也是最可靠的设计会将一次性出厂校准或产线终检校准与定期执行的系统内归零流程配合使用的原因。灵敏度漂移难以通过这种方式消除，因为它需要可信的参考电流，而不是简单的零电流空闲状态；因此，在全寿命灵敏度漂移至关重要的系统中，可能需要针对已知负载定期执行两点校准。

前文讨论的每个误差贡献因素最终都会表现为传递函数斜率或截距的偏移，并且都可以用统一单位量化其幅值：既可以表示为满量程百分比，也可以折算到被测电流值。精度计算的最终任务，就是将这些单项幅值合并为一个总误差数值。

所选择的合并方法会对结果产生很大影响，而正确选择完全取决于总误差值的用途，即它是用于严格的安全保证，还是用于反映量产性能的现实预期。以下将讨论两种标准误差合并方法：最坏情况线性求和与平方和根（RSS）。

最坏情况方法最简单，也最保守：它将每个误差项的幅值相加，并隐含假设所有误差项在同一瞬间达到最大值，且均将输出推向同一方向。由于不依赖统计假设，也不考虑误差相互抵消的情况，所得数值就是一个严格、有保障的边界，从数学上可以确定输出绝不会超过该边界。功能安全和防护应用必须采用这种方法，因为设计人员必须能够有把握地说明：测量误差绝不会超过可能危及安全目标的阈值，也不会导致故障检测器无法及时触发。其缺点是，最坏情况求和在统计上过于保守。多个独立的误差项在同一器件、同一温度下同时达到各自极值并全部朝同一方向叠加的概率极小。遵循几乎从未实际出现的边界来设计整个系统，可能迫使设计采用不必要的昂贵元件，或对架构施加过度约束。因此，最坏情况数值应仅在真正需要硬性保证时使用。

平方和根方法将各个误差项视为独立随机变量。合并时，该方法先对每项求平方，再将平方值相加，最后对总和开平方。这种形式反映了一个物理现实：不相关的误差项往往会部分抵消，而不是相互叠加。当某一项偏高时，另一项却可能偏低，因此总体结果很少达到算术和。RSS 数值显著小于最坏情况求和结果，代表一批系统预期能达到的现实、典型的精度水平。

因此，RSS 是表征预期量产性能、设定良率预期，以及传达典型客户器件在现场实际可实现精度的合适方法。

为了说明这些方法在实践中如何产生不同结果，我们以 ACS37031 90A 电流传感器在实际应用中的误差预算为例。在合并各项之前，所有误差都必须转换为共同单位：满量程百分比（% FS）。对于 90A 测量范围且灵敏度为 14.6mV/A 的传感器，满量程模拟电压摆幅为 1314mV。根据数据手册中给出的最大值，10 mV 初始失调对应 0.76%FS 误差，5mV 电源失调对应 0.38%FS 误差。这些误差会与规定的 2.00% 初始灵敏度误差、1.50% 全寿命灵敏度漂移和 1.50% 电源灵敏度误差一起合并，但合并结果取决于所选的数学方法。最坏情况线性求和只是将每个极值直接叠加，得到极为保守的 6.14% 误差边界，该数值可保证作为严格功能安全场景下的绝对最坏情况值。然而，如果将这些项视为独立变量并计算 RSS，则得到更现实的 3.04% 误差，代表一批传感器作为整体在现场实际交付的典型性能。

• 最坏情况（线性求和）：

  2 + 1.5 + 1.5 + 0.76 + 0.38 = 6.14%

  
  

• 平方和根（RSS）：

  √(2² + 1.5² + 1.5² + 0.76² + 0.38²) = 3.04%

结语