DIY无人机--升压降压电路

DIY无人机--升压降压电路

这是无人机的电源管理核心,把电池电压一步步变成系统需要的稳定电压,我分模块给你讲清楚

1. 整体功能

  • 输入:锂电池(DC4.2V,满电电压,实际放电会到 3.7V 左右)
  • 输出
    • 5V:给电机、无线模块等供电
    • 3.3V:给 STM32、陀螺仪等精密芯片供电
  • 流程:电池 → 防反接 → 开关 → 升压到 5V降压到 3.3V

逐模块拆解

🛡️ ① 防反接 + 电源开关部分

  • JP2:电池接口,VBAT接电池正极,GND接负极
  • D5(二极管 S4):防反接保护
    • 原理:电池接反时,二极管截止,电流无法流通,保护后面电路不被烧毁
    • 正常接法:电池正极 → 二极管 → 后级电路
  • KG1(MSS22D18):双刀双掷电源开关
    • 作用:控制整个系统电源通断
    • 引脚:1/2/3 为一组,4/5/6 为一组,拨到一边时VBATVCC4.2V导通,拨到另一边断开

⚡ ② 升压电路(BL8530:4.2V → 5V)

这是一个升压 DC-DC 电路,把电池的 3.7~4.2V 升到稳定 5V:

  • L1(47UH 电感):储能元件
    • 原理:芯片内部开关管导通时,电感充电;开关管断开时,电感释放能量,抬升电压
  • U3(BL8530):升压芯片
    • IN:输入(接电池电压 VCC4.2V)
    • OUT:输出(5V)
    • GND:接地
  • D6(二极管 S4):整流二极管
    • 作用:只允许电流从电感流向输出端,防止输出电压倒灌回电感
  • C15(47UF):输出滤波电容
    • 作用:平滑 5V 输出电压,滤除纹波,让电压更稳定

🔌 ③ 降压电路(662K:5V → 3.3V)

这是一个低压差线性稳压器(LDO),把 5V 稳定降到 3.3V:

  • U4(662K):LDO 芯片
    • Vin:输入(接 5V)
    • Vout:输出(3.3V)
    • ADJ:可调引脚,这里通过内部电阻固定输出 3.3V
    • GND:接地
  • C5/C6(104 = 0.1UF):高频滤波电容
    • 作用:滤除高频噪声,防止电路自激
  • C17(47UF):输出滤波电容
    • 作用:平滑 3.3V 输出,应对负载突变(比如 STM32 突然大电流工作)

3. 完整电流流向(从电池到 3.3V)

  1. 电池正极 → JP2 → D5(防反接) → KG1(电源开关) → VCC4.2V
  2. VCC4.2V → L1 电感 → U3(BL8530)IN → 内部升压 → OUT 输出 5V
  3. 5V → D6 整流 → C15 滤波 → 得到稳定 5V
  4. 5V → U4(662K)Vin → 内部降压 → Vout 输出 3.3V
  5. 3.3V → C6/C17 滤波 → 给 STM32、陀螺仪等模块供电

4. 关键知识点

  • 为什么要先升压再降压?锂电池电压会从 4.2V 掉到 3.0V,直接给 3.3V 模块供电会不稳定;先升到稳定 5V,再降到 3.3V,能保证全放电周期内电压都稳定。
  • 二极管 D5/D6 的区别
    • D5:防反接,保护电路
    • D6:升压电路的整流管,配合电感实现升压
  • 电容的作用:所有电容都是 “滤波”,像小水库,把电压波动抹平,让芯片吃到干净稳定的电。

Read more

AIGC实战——CycleGAN详解与实现

AIGC实战——CycleGAN详解与实现

AIGC实战——CycleGAN详解与实现 * 0. 前言 * 1. CycleGAN 基本原理 * 2. CycleGAN 模型分析 * 3. 实现 CycleGAN * 小结 * 系列链接 0. 前言 CycleGAN 是一种用于图像转换的生成对抗网络(Generative Adversarial Network, GAN),可以在不需要配对数据的情况下将一种风格的图像转换成另一种风格,而无需为每一对输入-输出图像配对训练数据。CycleGAN 的核心思想是利用两个生成器和两个判别器,它们共同学习两个域之间的映射关系。例如,将马的图像转换成斑马的图像,或者将苹果图像转换为橙子图像。在本节中,我们将学习 CycleGAN 的基本原理,并实现该模型用于将夏天的风景图像转换成冬天的风景图像,或反之将冬天的风景图像转换为夏天的风景图像。 1. CycleGAN 基本原理 CycleGAN 是一种无需配对的图像转换技术,它可以将一个图像域中的图像转换为另一个图像域中的图像,而不需要匹配这两个域中的图像。它使用两个生成器和两个判别器,其中一个生成器将一个域中的图像

一文读懂UGC、PGC、PUGC、OGC、MGC、BGC与AIGC

一文读懂UGC、PGC、PUGC、OGC、MGC、BGC与AIGC 在当今这个信息爆炸的数字时代,我们无时无刻不被各种形式的内容所包围——从短视频、直播到图文资讯、专业评测。你或许经常听到UGC、PGC、AIGC这些听起来很“高级”的缩写,但它们究竟代表什么?彼此之间又有什么区别和联系?今天,就让我们一次性说清楚内容创作领域的各种“GC”(Generated Content)。 文章目录 * 一文读懂UGC、PGC、PUGC、OGC、MGC、BGC与AIGC * 1 核心区别:是“谁”在创作内容? * 2 UGC (User Generated Content) - 用户生成内容 * 3 PGC (Professionally Generated Content) - 专业生成内容 * 4

AI Copilot代码推荐出错率高?掌握这8项调试技巧立竿见影

第一章:AI Copilot代码推荐出错率高?先理解根本原因 AI驱动的代码助手如GitHub Copilot在提升开发效率方面展现出巨大潜力,但其推荐代码的准确性常受质疑。理解推荐出错的根本原因,是合理使用并规避风险的前提。 模型训练数据的局限性 Copilot的核心基于大规模代码语料库训练而成,但这些数据多来自公开仓库,质量参差不齐。大量包含错误、过时或非标准实践的代码被纳入训练集,导致模型可能学习并复现这些问题。 * 开源项目中常见未修复的bug代码 * 不同编程风格混杂,缺乏统一规范 * 某些语言或框架的样本稀疏,导致推理偏差 上下文感知能力不足 尽管模型能识别局部语法模式,但在理解项目整体架构、业务逻辑和变量语义方面存在局限。例如,在以下场景中容易出错: // 用户正在编写用户权限校验函数 function checkPermission(user, resource) { return user.role === 'admin'; // Copilot可能忽略资源类型限制 } 该代码看似合理,但若业务要求根据resource.type动态判断,则推