selina的博客

工业、汽车、IT和网络公司是电力电子、半导体、器件和系统的主要购买者与消费者。这些公司使用各种可用的DC-DC转换器拓扑结构，采用不同形式的降压、升压和SEPIC结构。理想情况下，这些公司会针对每个新项目使用专门的控制器。

然而，采用新芯片需要大量投资，因为必须花费很多时间和成本来测试新器件是否符合汽车标准，以及验证其在特定应用、条件和设备中的功能。显然，为了降低开发和设计成本，不同应用应采用已经过批准和验证的控制器。

用于生成电源的最常用拓扑结构是降压转换器。但是，这种拓扑结构仅限于从高于输出的输入电压产生正输出。当输入电压低于输出电压时，不能直接利用它来产生负电压或提供稳定的输出。产生输出的这两个方面在汽车电子中均很重要，因为需要负电压来为放大器供电，或者当输入电压轨显著降低时，在冷起动的情况下整个系统必须连续正常工作。今天我们详细介绍在SEPIC、Cuk和升压转换器中使用简单降压控制器的方法。

从公共输入轨产生负电压和正电压

图1显示了基于单个降压控制器（具有两路输出）的双极性电源设计。

作者：ADI_GrainneM

在最高层次上，物联网通常与日益增加的互连传感器相提并论。

但随着物联网的不断发展，我们对它的面貌和功能的理解也在加深。

传感器数量在增加，它们收集的信息量也随之增加。而且，所有这些数据都计划传到云端，让物联网淹没在信息当中，过重的负担使其难以将信息转化为洞察。

还有其他方面的考虑，例如：传输所有这些数据需要多少功耗？如果把垃圾放入云中，如何期望从中获得洞察？如果因为超范围测量或算法而需要立即采取措施，结果会怎样？如果只须将数据保存在本地呢？如果网络发生故障，该怎么办？

物联网(IoT)远不止是互连传感器

这种不断增长的复杂性正在改变许多物联网圈子的思维。主要分析机构（如McKinney等）认为，实际使用的云数据只有1%。即便是像微软这样的大规模云合作伙伴，也在将其关注重点从中心的云转向边缘的传感器。边缘常常可能处于极端环境。

想想沙漠中心的传感器，位于北极深处的传感器，或者充满无线电干扰的工厂中的移动机器人上的传感器。在此类极端环境中生存和运行是极具挑战性的。但如果收集的数据是一个复杂的波形，或者数据量非常庞大，以至于需要大量的电力才能将其定期发送到云端呢？

想一想，当我们头发白了、眼睛花了、牙齿松了，腿脚缓慢，反应迟钝甚至还有点神志恍惚，却必须自己挣扎着上医院，拿到的养老金也不足以支付专业的养老机构护理服务。这种老年生活，是不是只要想一想，就会不自觉地浑身发麻焦虑起来。并不是我在危言耸听。

日本就是一个现成的例子。它是世界上老龄化最严重的国家之一，老龄化比例已经达到了33%，将近三分之一。不仅很多老年人需要终身工作，甚至已经找不到足够的愿意护理老人的年轻人了。一贯对待移民非常谨慎的日本政府，也不得不在2019年计划向 “养老院看护”等劳动力最为短缺的行业，向外来劳工打开大门，发放25万多张居留签证。

除此之外，日本还有另一种选择，大力发展智能自动化设备，让机器来做原本由人类从事的工作，帮助老年人解决保障护理问题。

反观中国，老年人口规模及比重上升的速度之快、规模之大在世界上前所未有，预计到2050年65岁及以上人口比重就将达到30%，赶上霓虹国的水平。

不妨未雨绸缪，来看看隔壁是如何让机器替人养老的吧。

万物皆可IoT：无处不在的日本智能养老

不得不承认，老龄化人口（65岁以上）达到28%的日本，在科技养老这项事业上确实很有标杆价值。

21世纪以来，随着工业4.0、中国智造2025的兴起，工业控制上经常会提出这么一个疑问：“伺服和变频两者之间，究竟有什么不同？” 那么接下来，小编将从以下几个方面来进行比较。如有讲解不到位的，还请各位看官多多包涵。

01、从定义看

首先，从定义上来说，变频器是利用电力半导体器件的通断作用将工频电源变换成另一频率的电能控制装置，能实现对交流异步电机的软启动、变频调速、提高运转精度、改变功率因素等功能。

变频器可驱动变频电机、普通交流电机，主要是充当调节电机转速的角色。

伺服系统是使物体的位置、方位、状态等输出被控量能够跟随输入目标（或给定值）的任意变化的自动控制系统。主要任务是按控制命令的要求、对功率进行放大、变换与调控等处理，使驱动装置输出的力矩、速度和位置控制的非常灵活方便。

伺服系统按所用驱动元件的类型可分为机电伺服系统、液压伺服系统和气动伺服系统。最基本的伺服系统包括伺服执行元件（电机、液压缸）、反馈元件和伺服驱动器。若想让伺服系统运转顺利还需要一个上位机构，PLC、以及专门的运动控制卡，工控机+PCI卡，以便给伺服驱动器发送指令。

从定义区分

总的来说，其两者在定义上的区别主要概括为一句话：变频器是以速度控制为目的，而伺服则是以位置控制为目的。

高分辨率、高保真度和高质量是音频行业使用的一些典型行话，但它们确实是发烧友最为关注的特性。虽然看起来如此吸引人，但若不使用正确的器件，它们是很难实现的，特别是当设计还有高功效比的额外负担时。

高功效比系统通常使用低压差稳压器(LDO)，世界上有许多公司制造LDO。选择LDO时，最受关注的规格常常是低噪声和高电源电压抑制比(PSRR)。然而，仅基于这些参数的产品设计并不能真正提供最佳音频性能，还必须检查稳压器的瞬态响应，因为当音频设备改变其工作模式时，LDO上的负载需求可能会发生变化。数字电路不能很好地适应大电压瞬变。ADI公司拥有一些瞬态响应性能出色的LDO，最适合高分辨率和高质量产品。例如，LT1763、LT1964、LT1965和LT3015有助于改善电压调节性能，消除负载瞬态电压尖峰，从而提供更好的音频性能。

基站接收器设计是一项艰巨的任务。典型接收器组件包括混频器、低噪声放大器 (LNA) 和模数转换器 (ADC) 等，这些器件随着 时间推移而不断改善。但是，架构的改变却不大。

架构选择的局限性阻碍了基站设计人员向市场推出差异化产品的努力。最近的产品开发，特别是集成收发器，显著降低了最具挑战性的基站接收器设计的一些限制。此类收发器提供的新基站架构使得基站设计人员能够有更多选择和方法来实现产品差异化。

本文讨论的集成收发器系列是业界率先支持所有现行蜂窝标准（2G至5G）并覆盖全部6 GHz以下调谐范围的产品。利用这些收发器，基站设计人员可以让单一紧凑型无线电设计适合所有频段和功率变化。

首先来看一些基站类别。众所周知的标准组织3GPP定义了若干基站类别。这些基站类别有不同名称。宽泛地说，最大的基站或广域基站 (WA-BS) 提供最大的地理覆盖范围和用户数量。其输出功率也最高，必须提供最佳的接收器灵敏度。随着基站逐渐变小，所需的输出功率也减小，接收器灵敏度同时降低。

表1. 各种基站尺寸

作者：Doug Mercer和Antoniu Miclaus

在《模拟对话》2017年12月文章中介绍SMU ADALM1000之后，我们希望继续进行一些小的基本测量。如需参阅之前的ADALM1000文章，请点击此处。

目标

本实验活动的目标是：1)通过级联低通滤波器和高通滤波器构建带通滤波器；2)获取滤波器的频率响应，并学习如何使用波特图绘图仪软件。

背景知识

带通滤波器允许特定频率范围的信号通过，同时阻止或衰减较低频率和较高频率的信号。它允许频率在两个截止频率之间的信号通过，同时衰减频率在截止频率之外的信号。

某天做的测量与另一天的测量看起来不同，这是怎么回事？
让我们来考察这个测量，以说明发生了什么。

过去我们已讨论了许多不同的测量问题，但这个问题的确值得重视。当然，从一天到另一天，或者从一小时到另一小时，甚至从一周到另一周的测量总是会有差异，这些生活中的典型细微差异在我们进行结构测试时也是存在的，这是正常的变化。但是，你展示给我的这些测量完全不同于我们正常看到的变化。在这次特定的测量中，在低频段变化很微小，但在高频段变化相当显著。因此，让我们仔细考察这次测量，以探究到底发生了什么。我们主要跟踪的是测试的固定装置，它在这些测量中可能起到了非常重要的作用。

测试对象是一块小型的风机叶片。测试的叶片处于“夹紧”状态。叶片自身重量小于2磅，安装在800磅的光学平台上。光学平台足够大，能充分用于模拟叶片的“夹紧”状态。实际上，有一个可用的分析模型，从这个模型中能够提取到处于“夹紧”状态的叶片模态。然而，分析模型从来都不是完美的，它只能算是一种近似。对于这类简单结构的模型，我们希望能得到相当精确的结果。

全球首款量产智能汽车荣威 MARVEL X 年初一经面市就引爆市场热点，被媒体称为全球第一款实现“特定场景无人驾驶”的量产车，突破性地采用了“最后一公里”自主泊车“黑科技”。这个功能的实现，离不开该车的一副“明目”——24 GHz毫米波雷达。据透露，MARVEL X的“明目”部分由国内汽车零配件龙头企业华域汽车技术中心提供，ADI 24 GHz 毫米波雷达解决方案是其中的关键“芯科技”。

24GHz 毫米波雷达技术因为其成熟性能和高性价比，越来越多地用于汽车、无人机、泛工业和消费类应用等大众市场应用。而对于高性能模拟技术独树一帜的 ADI，在雷达领域更是有超过 15 年的历史，其中 24GHz 车用毫米波雷达技术方案已经非常成熟，与诸多车企与 Tier1 开展了大量的合作。

在全球现今开发的所有汽车雷达模块中，ADI 技术已经占到 50%。ADI 同样在加强与中国本土主流厂商合作，帮助中国企业抢占智能驾驶落地的市场份额。—— ADI 公司中国汽车客户事业部 销售总监许智斌

万事开头难！当你想用示波器来分析问题时，你一定有想过，我要如何才能把问题抓下来？当然，只有抓下来之后，才能进行后面种种的分析，否则一切都是空谈。本文将带你用三种最好用的方法将异常抓下来。

一、滚动模式

滚动模式也许你很少用，但它却是分析问题最简单、最粗暴的方法。你仅仅要做的，就是确定异常多长时间会出现，采样率是否足够。如5秒内会出现的异常，设置滚动采集7s的数据后停止，在采样率足够的前提下，我相信问题已经逃不出你的手掌心了。

小结

滚动模式是“无死区”的，任何异常问题都可以抓下来，但前提是，采样率要足够高。如上图，采样率为50MHz，当异常的频率超过25MHz，就很难采集到准确的波形了。ZDS4000的滚动模式，支持最高500MHz的采样率，最长数据采集时间为7.2个小时（此时采样率为20KHz）。