完成485接口和xc6206部分

This commit is contained in:
2024-03-26 17:31:49 +08:00
parent a4dbdaf2ae
commit 1563630ad8
4 changed files with 65 additions and 59 deletions

Binary file not shown.

After

Width:  |  Height:  |  Size: 24 KiB

Binary file not shown.

After

Width:  |  Height:  |  Size: 26 KiB

Binary file not shown.

After

Width:  |  Height:  |  Size: 17 KiB

124
main.adoc
View File

@@ -108,63 +108,6 @@ Keywords: vibration monitoring, edge computing, CNN, MEMS
=== GD32F405RGT6 微控制器及其电路设计
=== CH582F 微控制器及其电路设计
=== RS-485 通信接口设计
=== 电源设计
=== 基于 MEMS 和 CNN 的边缘计算振动监测节点 PCB 设计
== 基于 MEMS 和 CNN 的边缘计算振动监测节点的程序开发
=== 基于 MEMS 和 CNN 的边缘计算振动监测节点主控程序开发
==== 程序整体架构
==== 振动信号采集子程序
==== 基于 FFT 和小波变换的数据预处理
==== 基于 Keras 的 CNN 训练过程
==== 基于 Cube-AI 的推理模型转化和部署
==== 基于 Modbus 总序协议的程序设计
==== 设备间数据交换程序设计
=== 基于 MEMS 和 CNN 的边缘计算振动监测节点蓝牙设备程序开发
==== 设备间数据交换程序设计
==== BLE 广播模式程序设计
==== BLE MESH 模式程序设计 (optional)
== 基于 MEMS 和 CNN 的边缘计算振动监测节点有效性验证(及工程集成应用)
=== 验证场景
=== 基于 MEMS 和 CNN 的边缘计算振动监测节点工况识别准确性验证
== 总结与展望
=== 总结
=== 展望
// ************* 分割线 **************
=== 振动检测设备的研究现状
== 基于 CNN 和 MEMS 的边缘计算振动检测设备硬件设计
=== 设备主控模块设计
设计要求能够运行裁剪后的卷积神经网络 (CNN),对于处理器的存储和运算处理能力有一定要求。此外,还要求有一定的耐候性要求,以应对家用或者环境较为恶劣的工业场景。同时考虑作为消费级设备的成本问题,本文设计的振动检测设备的主控核心选用意法半导体的 STM32F405RGT6。另外考虑国产化要求同时选用可 Pin to Pin 替代的 GD32F405RGT6 进行替换测试,该芯片对于本设计所需性能参数要优于 STM32F405RGT6。对于 STM32F405RGT6其架构如图所示。
image:doc_attachments/2024-03-11T03-02-23-728Z.png[STM32F405RG 系统框图]
@@ -193,7 +136,21 @@ T_{NRST} = 20us
++++
的时间
=== 设备电源模块设计
=== CH582F 微控制器及其电路设计
=== RS-485 通信接口设计
image::doc_attachments、2024-03-26T09-20-09-142Z.png[RS-485 收发器原理图]
本设计考虑到设备在工业场景下工作的可能,并考虑到方便接入现有的现场控制总线,所以采用了工业上常用的 RS-485 总线接口。为了简化主控操作,在考虑到通常工业总线通信波特率较低的情况下,设计使用了自动换向电路,不需要主控在操作前对收发器进行读写状态转换。本设计中 RS-485 收发器选用 SP3485 芯片。该芯片内部框图如图所示、
image::doc_attachments/2024-03-26T09-23-22-414Z.png[SP3485 内部框图]
在主控工作在写状态时,当 TXD 电平下降NPN 管关闭,此时收发器 2、3 脚经 4.7K 电阻上拉到 3.3V达到失能接收使能发送的效果。而当主控工作在读状态时TXD 上无电平变化,其上拉到 3.3V。此时 NPN 管开启,将收发器 2、3 脚和 GND 导通,达到使能接收,失能发送的效果。
但是由于三极管截止和饱和状态切换速度较慢,输入信号的边沿变化也趋于平缓。所以使用自动换向电路时,设备要求工作在较低的通信速率上。考虑到兼容性,设计通信波特率为 115200 或 9600。
=== 电源设计
image:doc_attachments/2024-03-11T13-29-59-494Z.png[电源电路原理图]
@@ -293,4 +250,53 @@ L = 4.7uH
===== 续流二极管 D1 设计
为了减小二极管正向导通损失和恢复时间,续流二极管类型选择肖特基二极管。要求其最大反向电压大于最大输入电压,最大过流能力大于最大负载电流。
按照该需求选择 D1 型号为 SS34。
按照该需求选择 D1 型号为 SS34。
==== XC6206 设计
XC6206 为一款标称最大输出电流 200mA 最大输入电压 6.0V 的 CMOS 稳压器,典型应用电路如图所示。
image::doc_attachments/2024-03-26T08-58-51-017Z.png[XC6206 典型应用电路]
设计上选用 1uF 的低 ESR 陶瓷电容,尽可能的靠经放置在芯片的输入和输出引脚附近。
=== 基于 MEMS 和 CNN 的边缘计算振动监测节点 PCB 设计
== 基于 MEMS 和 CNN 的边缘计算振动监测节点的程序开发
=== 基于 MEMS 和 CNN 的边缘计算振动监测节点主控程序开发
==== 程序整体架构
==== 振动信号采集子程序
==== 基于 FFT 和小波变换的数据预处理
==== 基于 Keras 的 CNN 训练过程
==== 基于 Cube-AI 的推理模型转化和部署
==== 基于 Modbus 总序协议的程序设计
==== 设备间数据交换程序设计
=== 基于 MEMS 和 CNN 的边缘计算振动监测节点蓝牙设备程序开发
==== 设备间数据交换程序设计
==== BLE 广播模式程序设计
==== BLE MESH 模式程序设计 (optional)
== 基于 MEMS 和 CNN 的边缘计算振动监测节点有效性验证(及工程集成应用)
=== 验证场景
=== 基于 MEMS 和 CNN 的边缘计算振动监测节点工况识别准确性验证
== 总结与展望
=== 总结
=== 展望