最近想起来，以前在做EMI整改的时候，出现过低频辐射超标，类似下面这种。

一般这种问题，我们都会说是时钟线引起的问题。我之前做的产品是摄像头，时钟线加十几根数据线。有一次处理完时钟线后还是超标，因为正好数据线上都串有电阻，我就将电阻都改成了磁珠，想消除因为数据线引起的辐射，改完之后发现还是超标，看不到有明显的改善。

从那时，我就知道了，辐射一般都是时钟线引起的，与数据线关系不大。不过那时，我一直都不明白为什么会如此。

因为在我看来，时钟线和数据线的上升沿都差不多，按说频率分量应该是一样的呀。虽然时钟线的高低电平交替变化会多一些，但是数据线有十几根了，难道加起来还比不上时钟线吗？

实际上数据加起来还真比不上时钟线。

关于这一点，理论可以这么解释：周期信号由于每个取样段的频谱都是一样的，所以他的频谱呈离散形，但在各个频点上比较大，通常成为窄带噪声。而非周期信号，由于其每个取样段的频谱不一样，所以其频谱很宽，而且强度较弱，通常被称为宽带噪声。然而在一般系统中，时钟信号为周期信号，而数据和地址线通常为非周期信号，因此造成系统辐射超标的通常为时钟信号。

不过呢，这一段话本身就是一个结论，说服力不强，也就有点不敢相信。下面还是来做个实验模拟下，我们会发现新东西。实验思路很简单，那就是分别得到时钟线和数据线的频谱，两者比较下就知道了。

构建时钟和数据信号

我们使用MATLAB来分析频谱，首先需要构建时钟和数据信号。

时钟信号很容易，就是高低电平交替变化。正常情况下，数据线都是不规律的，那就采用随机生成的方式。

构建时钟和数据信号如下图。

构建时钟CLK和10根数据线如上图。说明一下，为了减小运算量（软件运行时间），时钟频率设置为1Hz。

得到频谱

我们分别画出时钟的频谱，1根数据线的频谱，10根数据线频谱的叠加。

需要注意的是，因为数据线的数据是非周期的，我们尽量时间取长一点，下图分析的数据长度为Num_T=1000个时钟周期。

从图可以看出，周期性时钟信号的频谱是离散的，非常典型，这个相信大家已经见过多次了，而数据线的频谱是比较宽的。这与文章最前面说的是一致的。

并且，图中右下角有1根数据线和10根数据线相加的频谱。我们也可以看到，10根数据线相加之和，幅度最高的频谱分量幅度值大概是0.4左右，而时钟的基频分量最高为0.6，也就是说数据线加起来，确实抵不过CLK时钟信号。

一个问题猜测

前面的频谱分析有一个前提条件，那就是，取样的时间长度是Num_T=1000个时钟周期，即分析的数据长度是1000个时钟周期的数据。

我发现，如果把时间长度提升10倍，Num_T=10000。那么10根数据线相加的频谱幅度值就更低了，大概只有0.1左右，比原来要低不少，而时钟的频谱不变。          

增加取样时间，数据线频谱幅度降低的原因。是因为我使用了Matalb里面的fft函数，这个函数是将信号看作周期函数来处理的，就是说假定取样时间长度为T，那么就默认这个信号是周期函数，周期长度为T。数据线信号本来是非周期的，如果用这个函数，那么其实就是让数据线信号的周期为采用时间长度，这也是为什么时间设得越短，幅度值越高。采用时间越短，其实不就是让数据线向周期信号靠拢吗。

所以，这个采样时间长度长一些，应该是更为准确的。

不过问题又来了。我突然想到，我们做辐射测试用的频谱分析仪，它工作的时候，我们可以在频谱上面看到各个频率对应的幅值。所以它肯定不是从开始扫描，到结束扫描，只记录一次数据然后最后分析一次。应该也是连续取一段时间数据，因为我们可以实时看到当前的频谱，并且它是变化的，所以会是取一段时间数据，分析出频谱，然后显示出来，再取下一段时间的数据进行分析。

当然，以上只是我的猜测。那么它到底一次分析多长的数据呢？这个我也没查到。

对于10Mhz的信号，如果取样10000个周期的数据，那么时间长度是1ms。这已经是一个很快的频次了。从上面看，此时10根数据线加起来的频谱幅度最大值才0.1，比时钟小不少。

实验源码

下面分享下matlab源码，可以修改里面采样的信号时间长度Num_T，体验一下。

注：Matlab可以在线执行的，没安装的同学可以网页上面执行，下面是网页链接，我先前也出了一个简易的教程，有兴趣可以看看。

https://ww2.mathworks.cn/products/matlab-online.html

Fclk=1;    %时钟频率为1HzNum_T=1000; %信号长度为1000个时钟周期Num_Data=10;  %数据线的个数10个
%%%%%%%%%%%%%%%%%%%%%%%%  fft采样设置Fs=100;  %采样率为Fs L=(Fs/Fclk)*Num_T;   %信号长度(采样总点数)：Num_T个周期的信号，长度越长，fft精度越高，但是执行时间越长T=1/Fs;    %采样周期t=(1:L)*T; %时间长度
%SIG_DATA=round(rand(Num_Data,2*Num_T));   %产生数据信号：0,1随机分布SIG_DATA=round(rand(Num_Data,Num_T));   %产生数据信号：0,1随机分布SIG_CLK=rand(1,2*Num_T);                  %产生时钟信号for i = 1:length(SIG_CLK)    if mod(i,2)        SIG_CLK(i)=1;    else        SIG_CLK(i)=0;    endend
N=length(t);LEN_CLK=zeros(1,N);  %定义时钟信号采样序列LEN_DATA=zeros(Num_Data,N); %定义数据信号采样序列for i=1:N        LEN_CLK(i)=SIG_CLK(ceil(i/((Fs/Fclk)/2)));    %时钟信号的采样序列        for j=1:Num_Data%             LEN_DATA(j,i)=SIG_DATA(j,ceil(i/((Fs/Fclk)/2)));   %数据信号的采样序列            LEN_DATA(j,i)=SIG_DATA(j,ceil(i/(Fs/Fclk)));   %数据信号的采样序列        endend
figure;subplot(2,2,[1 2]);plot(t,LEN_CLK 1.5*Num_Data,'r');      %画出30个时钟周期时钟信号set(gca,'XLim',[0 30]);%x轴的数据显示范围,0-30
set(gca,'ytick',[]);grid on;hold onfor j=1:Num_Data    plot(t,LEN_DATA(j,:) (j-1)*1.5,'k');    hold onend
X_LEN_CLK=abs(fft(LEN_CLK));subplot(2,2,3);semilogx(Fs*(0:(L/2))/L,X_LEN_CLK(1:L/2 1)*2/L); set(gca,'XLim',[0.1 10000]);%x轴的数据显示范围set(gca, 'XTickLabel' ,{'0.1','1','10','100','10K','100K'}); %x轴频率数据title('时钟频谱');set(gca,'YLim',[-0.1 1]);xlabel('f (Hz)');ylabel('幅度');
X1_LEN_DATA= abs(fft(LEN_DATA(1,:)));X_LEN_DATA = abs(fft(LEN_DATA(1,:)));for j=2:Num_Data    X_LEN_DATA = abs(fft(LEN_DATA(j,:))) X_LEN_DATA;end
subplot(2,2,4);semilogx(Fs*(0:(L/2))/L,X_LEN_DATA(1:L/2 1)*2/L,Fs*(0:(L/2))/L,X1_LEN_DATA(1:L/2 1)*2/L); legend(['',num2str(Num_Data),'根-数据线'],[' 1根-数据线']);set(gca,'XLim',[0.1 10000]);%x轴的数据显示范围set(gca, 'XTickLabel' ,{'0.1','1','10','100','10K','100K'}); %x轴频率数据title(['',num2str(Num_Data),'数据线频谱']);set(gca,'YLim',[-0.1 1]);xlabel('f (Hz)');ylabel('幅度');

 小结

为什么时钟信号比数据信号更容易引起辐射超标？

以上就是我对这个问题的一个人看法，提供了一个思路，如有错误，请留言指出。