简单了解ESD模型与TLP曲线

2024-06-23 22:20
文章标签 简单 模型 了解 曲线 esd tlp

本文主要是介绍简单了解ESD模型与TLP曲线,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

上文讲了ESD和EOS的区别,说实话远不止那些。今日再稍加深入的介绍ESD。

一 ESD原理

ESD-Electro Static Discharge静电放电,具有不同静电电位的物体互相靠近或者直接接触引起的电荷转移。正常情况下,物体内部的正负电荷是相等的,对外表现不带电。当任何两种不同材质的物体接触后再分离就会产生静电。当正负电荷逐渐累计到一定程度时,将与周围环境产生电位差,从而使电荷经由放点路径发生转移,最终产生静电放电。带电的绝缘体本身不会对电子设备造成损害,然而静电放电却对电子设备的正常工作和运行造成严重的威胁。

二 器件级模型

主要分为三种模型:人体模型(HBM) 机器模型(MM)带电器件模型(CDM)
人体模型(HBM) 人体在地面上走动或与其它物体摩擦积累了电荷,去触碰IC时,人体静电荷由PIN脚进入IC内部再由IC放电到地面。

机器模型(MM):机器模型,模拟自动化生产或测试机器本身积累了相当数量的静电荷,当机器去触碰到IC时,该电荷便经由IC的管脚放电。

带电器件模型(CDM):IC因摩擦或其他因素,内部积累了静电,但这个过程中IC并未被损伤。此带有静电的IC PIN脚接触到地面时,其内部的静电便会由PIN脚释放,进而造成放电的现象。

前面三者仅针对IC在制造环境下的测试。

三 系统级模型

终端用户环境是一个系统级的ESD模型。对应的行业标准是IEC 61000-4-2。其主要分为接触放电和空气放电。而ESD器件符合IEC 61000-4-2标准,仅代表器件本身的防护,后级电路的防护水平依靠ESD器件的钳位电压来衡量。


补充:ESD钳位电压Vclamp是衡量ESD器件保护系统的能力
在这里插入图片描述
上图表示为IEC 8KV冲击,系统电压随时间的变化,红色为直接冲击,蓝色则为加保护管后的冲击,峰值电压被钳至低位。钳位电压之所以存在,其根本原因在于TVS开启保护被击穿时,其提供一个低阻抗路径将电流导向地面。无论如何由于低阻抗的存在,其必然存在电压,为更深一步理解钳位电压的产生,可根据公式VC=IPP*Ron+Vbr(Ron为Clamping Voltage vs Peak Pulse Current曲线图斜率)。


在这里插入图片描述
上图为IEC ESD的等效电路图。
150pf为放电枪和周围环境的分布电容;
在这里插入图片描述
静电波形由IEC61000-4-2定义
Tr为90% Ip与10% Ip的时间差值,Tr较小,仅为0.8ns±25%,所以保护器件的响应时间非常重要。同时静电的持续时长约为100ns。

测试环境
环境温度15℃-35℃
相对湿度30%-60%
大气压86kPa-106Kpa
静电的注入点要注意,有金属的地方,才适合做接触放电,如果是绝缘的,没必要做接触放电。

四 TLP说明

在很久以前的文章中,小白就讲过关于TVS器件的选型。

在每份ESD器件规格书中,我们都能看到这类详述
在这里插入图片描述
然而在真正的用于项目使用选型时,其实每颗管子都是可抗住30KV的,这个时候我们往往需要关注ESD管哪颗钳位电压更低些。
在这里插入图片描述如果钳位电压相同,很多人或许犯难究竟哪种更优。这时引入TLP概念可以让使用者找到更为合适的那一款。

所谓TLP测试,即用100ns脉宽,1ns上升时间的方波,测量不同电压幅度下的电流值,电压值一直增加到管子损坏为止。100ns相比于IEC61000-4-2规定的静电波形1ns大的多,更加能考验ESD管子的性能,也能反映处ESD管的钳位能力。
在这里插入图片描述
从曲线可以看出,当4A的电流释放到ESD二极管时,它的钳位电压大概在7.5V;当放电电流为8A时,钳位电压为8.2V。

系统在承受的钳位电压对于8KV的IEC ESD冲击而言,我们只需关注TLP曲线中16A的那一点。此时对应的钳位电压大约为9.2V。TLP曲线的斜率对于理解二极管保护的好坏很重要。总之在面临多重选择时,选择斜率即钳位更低的更有帮助。

这篇关于简单了解ESD模型与TLP曲线的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1088437

相关文章

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

关于数据埋点,你需要了解这些基本知识

产品汪每天都在和数据打交道,你知道数据来自哪里吗? 移动app端内的用户行为数据大多来自埋点,了解一些埋点知识,能和数据分析师、技术侃大山,参与到前期的数据采集,更重要是让最终的埋点数据能为我所用,否则可怜巴巴等上几个月是常有的事。   埋点类型 根据埋点方式,可以区分为: 手动埋点半自动埋点全自动埋点 秉承“任何事物都有两面性”的道理:自动程度高的,能解决通用统计,便于统一化管理,但个性化定

csu 1446 Problem J Modified LCS (扩展欧几里得算法的简单应用)

这是一道扩展欧几里得算法的简单应用题,这题是在湖南多校训练赛中队友ac的一道题,在比赛之后请教了队友,然后自己把它a掉 这也是自己独自做扩展欧几里得算法的题目 题意:把题意转变下就变成了:求d1*x - d2*y = f2 - f1的解,很明显用exgcd来解 下面介绍一下exgcd的一些知识点:求ax + by = c的解 一、首先求ax + by = gcd(a,b)的解 这个

hdu2289(简单二分)

虽说是简单二分,但是我还是wa死了  题意:已知圆台的体积,求高度 首先要知道圆台体积怎么求:设上下底的半径分别为r1,r2,高为h,V = PI*(r1*r1+r1*r2+r2*r2)*h/3 然后以h进行二分 代码如下: #include<iostream>#include<algorithm>#include<cstring>#include<stack>#includ

Andrej Karpathy最新采访:认知核心模型10亿参数就够了,AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人,AI大神Andrej Karpathy,曾是OpenAI联合创始人之一,特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ,宣布将长期致力于AI原生教育。 近日,Andrej Karpathy接受了No Priors(投资博客)的采访,与硅谷知名投资人 Sara Guo 和 Elad G

usaco 1.3 Prime Cryptarithm(简单哈希表暴搜剪枝)

思路: 1. 用一个 hash[ ] 数组存放输入的数字,令 hash[ tmp ]=1 。 2. 一个自定义函数 check( ) ,检查各位是否为输入的数字。 3. 暴搜。第一行数从 100到999,第二行数从 10到99。 4. 剪枝。 代码: /*ID: who jayLANG: C++TASK: crypt1*/#include<stdio.h>bool h

Retrieval-based-Voice-Conversion-WebUI模型构建指南

一、模型介绍 Retrieval-based-Voice-Conversion-WebUI(简称 RVC)模型是一个基于 VITS(Variational Inference with adversarial learning for end-to-end Text-to-Speech)的简单易用的语音转换框架。 具有以下特点 简单易用:RVC 模型通过简单易用的网页界面,使得用户无需深入了

uva 10387 Billiard(简单几何)

题意是一个球从矩形的中点出发,告诉你小球与矩形两条边的碰撞次数与小球回到原点的时间,求小球出发时的角度和小球的速度。 简单的几何问题,小球每与竖边碰撞一次,向右扩展一个相同的矩形;每与横边碰撞一次,向上扩展一个相同的矩形。 可以发现,扩展矩形的路径和在当前矩形中的每一段路径相同,当小球回到出发点时,一条直线的路径刚好经过最后一个扩展矩形的中心点。 最后扩展的路径和横边竖边恰好组成一个直

透彻!驯服大型语言模型(LLMs)的五种方法,及具体方法选择思路

引言 随着时间的发展,大型语言模型不再停留在演示阶段而是逐步面向生产系统的应用,随着人们期望的不断增加,目标也发生了巨大的变化。在短短的几个月的时间里,人们对大模型的认识已经从对其zero-shot能力感到惊讶,转变为考虑改进模型质量、提高模型可用性。 「大语言模型(LLMs)其实就是利用高容量的模型架构(例如Transformer)对海量的、多种多样的数据分布进行建模得到,它包含了大量的先验

图神经网络模型介绍(1)

我们将图神经网络分为基于谱域的模型和基于空域的模型,并按照发展顺序详解每个类别中的重要模型。 1.1基于谱域的图神经网络         谱域上的图卷积在图学习迈向深度学习的发展历程中起到了关键的作用。本节主要介绍三个具有代表性的谱域图神经网络:谱图卷积网络、切比雪夫网络和图卷积网络。 (1)谱图卷积网络 卷积定理:函数卷积的傅里叶变换是函数傅里叶变换的乘积,即F{f*g}