UAC（八）PPM 评估

分类于 ， 阅读次数： Waline： 本文字数： 2k 阅读时长 ≈ 7 分钟

USB sof统计方法

打时间戳方式

  1. ktime_get_raw_ns() Linux标准接口。
  2. meson_timestamp() Amlogic实现的硬件定时器接口。

sof打时间戳的时机

  1. 直接在SOF中断handle里打时间戳，然后将其保存到一个fifo里。
  2. 通过一个hrtimer，主动查询SOF中断寄存器查看是否有SOF包，如果有SOF包则打上时间戳保存到fifo里。

sof时间戳导出到应用层

通过seq file创建一个proc（/proc/sof_ts）文件，应用通过读取该文件来获取sof时间戳。

USB sof统计数据方案验证

中断handle里用ktime_get_raw_ns()打时间戳统计数据

数据：
| 样本数量 | 平均值（ns） | 最小值（ns） | 最大值（ns） | 方差 | 标准差 | | --- | --- | --- | --- | --- | --- | | 8192 | 125001.0327 | 94125 | 156125 | 2281694.791 | 1510.5279 |

sof间隔图表：

统计直方图(124-126us)：

上图在124us-126us之间的概率分布，两头分别是低于124us和高于126us的概率。低于124us的概率为3.0%，高于126us的概率为2.8%.

统计直方图(120-130us)：

上图将直方图统计口径放大到120us-130us，那么低于120us的概率为1.1%，高于130us的概率为1.2%.

通过以上数据来看，没有使用hrtimer捕获sof的必要，直接在中断handler里捕获得到的数据精度完全足够评估ppm了，整体数据分布符合高斯噪声分布曲线，可以配合一定的消除高斯噪声的滤波算法得到更为稳定的数据。

中断handle里用meson_timestamp()打时间戳统计数据

数据：

样本数量 平均值（ns） 最小值（ns） 最大值（ns） 方差 标准差
8192 125000.8546 111000 141000 1501036.994 1225.168

sof间隔图表

sof直方图：

由于meson_timestamp的精度只到us，因此只统计120us-130us之间的概率：如下：

其中低于120us的概率为1.2%，高于130us的概率为0.78%。

结论

  • 统计方式可以直接在中断handle里打印时间戳
  • 获取时间戳接口meson_timestamp()数据更稳定一些，但差别不大，这里直接采用Linux标准函数ktime_get_raw_ns()获取时间戳

滤波

前面确定了在sof中断handle里通过ktime_get_raw_ns()获取sof时间戳，然后将其保存到fifo里，应用层通过/proc/sof_ts文件读取fifo里的时间戳。下面是对数据进行处理的方法：

实验一：无中值滤波，卡尔曼滤波器err_integral与kalman_filter_err_integral对比，kalman参数Q=0.01，R=1

放大细节

滤波后数据仍然存在较大的波动，这个波动主要是由一些突变很大的值引入的，想要得到更加平滑的数据，可以先用中值滤波器将这些极值率除掉。

实验二：加入中值滤波器（err_integral与kalman_filter_err_integral和kalman_filter_err_integral对比，中值滤波窗口大小100个sample，kalman参数Q=0.01，R=1）

放大看细节

可以看到经过中值滤波器后毛刺基本上都去掉了，但是数据还是不够平滑，再加入karman滤波器后数据就很平滑了.

如下图所示是经过kalman滤波后得到的ppm值：

范围在7.56-7.64ppm，在经过一定的时间后kalman系数基本收敛完毕，数据量也累计到一定程度后ppm基本稳定在7.6-7.62ppm之间。

Issue

测试中发现一个问题，我们的USB一般跑在高速模式下，在高速模式下是每125us一个sof中断，也就是在开启sof中断后arm core会每秒多接收8000次usb控制器发来的中断，这个中断是非常频繁的，会频繁触发usb中断过于频繁的check的。 可以尝试在ISO传输的数据中断中打印时间戳，理论上这种方式存在更大的波动性，需要验证数据是否可用。

ISO中断统计

下图是以1ms为基准统计的iso中断累计误差：

下图是通过上图的kalman滤波曲线计算的ppm曲线：范围在6.1-6.5之间，其中波动最大的在于有一段连续时间的偏差游走，但是经过滤波后造成ppm的偏差也在0.5pp以内。

滤波和未滤波ppm值对比：

其实在这里可以看到，将统计时长拉到足够长，不采用滤波也是可以的，比如将统计时长拉长到10分钟以上，误差也基本上不会很大。采用滤波的算法的好处是基本上2分钟以内就可以得到很高精度的值了。

结论
在sof中断里获取时间戳pipeline更短，引入的误差更小，精度更高，但是开启sof中断后usb的中断会过于频繁，不利于usb的稳定性。作为对比，直接统计usb iso传输中断不会带来额外的中断开销，牺牲的是ppm评估精度。对于我们的公版来讲基本上都是采用±20ppm的晶振，波动在1个ppm以内基本上是可用接受的。

最终的算法

  1. 通过proc文件系统获取sof的timestamp
  2. 计算两个时间戳之间的间隔，期望是1ms
  3. 将该时间戳与1ms做差，进行积分，得到累计误差err_integral
  4. 对累计误差进行中值滤波得到median_filter_err_integral中值滤波后的累计误差
  5. 对中值滤波的结果进行kalman滤波得到kalman_filter_err_integral

数据验证

我们可用通过示波器或者频谱仪来测量晶振的真实ppm值，但是我们上面算法评估出的不是设备的真实ppm值，而是以pc的时钟为基准，device的时钟相对于pc时钟的ppm值。我们想要验证算法的精度就需要同时测量pc和device各自的ppm，然后再计算得到device相对于pc的相对ppm值。 由于pc的ppm我们不太好获取，因此这里通过测量两台device的ppm值，然后用我们的额算法评估出两个device的相对于pc的ppm值，看两则之间的差值是否相同来验证算法的准确性。这里通过频谱仪测量得到的两台设备的ppm值分别是：

DeviceA：24.000135Mhz，ppm=（24.000135 - 24）/24 * 1000000 = 5.62ppm DeviceB：23.999953Mhz，ppm = （23.999953 - 24）/24 * 1000000 = -1.9ppm

两个设备的ppm差值为：5.62+1.9 = 7.52ppm 我们算法评估得到的DeviceA相对于pc的ppm为7.7ppm。DeviceB相对于pc的ppm为1.6ppm，两者之间的差值为6.1ppm。 这里算法得到的ppm相较于频谱仪得到的数据差有1.42ppm。 我们把算法的时间线拉长DeviceA相对于pc的ppm基本在7.4-8.4之间来回震荡，DeviceB相对于pc的ppm在1.2-1.9之间来回震荡，而且ppm值会受温度随着时间的推移也会在一个小范围内来回震荡，因此评估的数据可以认为精度在2ppm以内。

最后

如果Device相对于pc的ppm在10以上是可以采取一定的补偿措施的，如果Device相对于pc的ppm在5以内，补偿的意义就不大了，客户软件可以通过评估ppm大小判断下范围，如果评估出来在10以上可以采取一些措施来补偿ppm，比如调节clk或者调节fifo。 对于A1，由于时钟分频导致的采样率不是整数，这个可以通过async机制来解决，ppm相对于clk的分频不准确性就太小了，没必要进行ppm评估。A4、A5分频得到的ppm是整数，可以用ppm estimate来评估并做一定的补偿。当然直接用async也可以。但是A4、A5用的CRG的usb控制器，端点数量只有3对，uac+FU+Async Feedback就把3对用完了，其他usb功能都得关闭了。需要根据需求来决定采用哪种方案了。

Tips

excel中方差函数：VARPA() excel中标准差函数：STDEVPA()

参考文献

《USB2.0 协议规范》
《UAC2 协议规范》