毫欧表设计整体思路

原因

对于焊接设备的低阻值测量,一般都是mΩ级别的,但万用表的电阻档一般都是以200Ω做为最小档位

设计原理及软件实现设计

设计思路原理图

通过串联在电路中的电流相等,根据阻值和电压的关系得到电阻对应大小
在这里插入图片描述

设计中需要考虑的问题

1,加限流的原因

对于测量mΩ级别的电阻,那么相当于短路,电流会非常大。常见5v若电阻是mΩ级别的,那么电流达到10A以上,这样明显不可能。

2,采样电压很小

例如,采样电阻是1mΩ,那么电流是1000A时,两端电压才能够到1v。这样明显是不可能的,需要把电压等比例放大。

3,mcu的ADC采样分辨率

对于8位的ADC和12位的ADC就不是同一个概念的精度。对于8位转换,相当于把电源电压分为28 =256份,同理12位转换相当于212 =4096.
实际例子,若电源的电压同为5v,若8位精度的ADC那么电压精度就是5/256约等于19.5mV;当是12位的ADC时,检测精度5/4096约为1.2mV检测精度可以理解为转换为电子信号数值时最小变化电压值

4,在2中提到采样电压很小,选择合理的放大倍数

通过3中的解释,为了达到mΩ级别的检测,那么检测的电压必须能够在增加1mΩ是ADC采样的数值就会变化。那么1mΩ的电压值就能够达到精度要求的电压值。整体电流的大小主要取决于限流电阻的大小,因为限流电阻是Ω级别,而采样和测试电阻都是mΩ级别的。要把采样电阻达到分辨率的电压值,可以计算出实际采样电压和放大倍数。

5,计算思路

如下图所示两点采样电压,则最后的电阻测量值就是: RL=R采*(V2/V1-1),但这种计算有一个前提条件:V2和V1在采样时的放大倍数一样。
在这里插入图片描述

6,测量范围和分辨率

对于8位的ADC,那么转换的数字信号的值只能是0-255,那么在确定采样放大倍数后,那么测量方位也就确定了。例如**,采样电阻是1mΩ,放大倍数是200,电流0.1A,那么采样电阻两端的电压为20mV**,也就是刚好达到分辨率的值。那么在电流变化不大(4种解释)的情况下,那么最大的测量电阻值也就是255mΩ左右。当然在分辨率确定的情况下,可以通过改变放大倍数来提高测量范围,但精度会受到影响。例如100的放大倍数,增加2mΩ的电阻,电压增加量才达到分辨率要求的电压

7,扩大一定的测量范围

对于200mΩ,测量范围还是太小,把测量范围扩大1倍,那么放大倍数减少1倍就可以了。那么把上面提到的V2采样的电压放大100,而V1采样放大200倍。对于计算方式来说,由于两个采样点的放大倍数不同,那么采样的数字信号代表的值的含义相差不同的倍数。例如同一个实际电压,放大100倍和放大200倍读取的数字信号数值会差一倍。那么为了在同一个级别计算,需要把放大倍数小的乘以倍数差。
RL=R采(V2*(大倍数/小倍数)/V1-1)

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/bicheng/53726.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

洛谷 P1194 买礼物 的题解

洛谷 P1194 买礼物 的题解 题目链接 题解 备战 CSP,复习一下最小生成树,祝大家 rp!!! 经典的 K r u s k a l Kruskal Kruskal 把所有的物品都看作节点,物品之间的优惠或费用为边的权值,所…

Why I‘m getting 404 Resource Not Found to my newly Azure OpenAI deployment?

题意:为什么我新部署的Azure OpenAI服务会出现404资源未找到的错误? 问题背景: Ive gone through this quickstart and I created my Azure OpenAI resource created a model deployment which is in state succeedded. I also playaround …

【C++ Primer Plus习题】14.3

大家好,这里是国中之林! ❥前些天发现了一个巨牛的人工智能学习网站&#xff0c;通俗易懂&#xff0c;风趣幽默&#xff0c;忍不住分享一下给大家。点击跳转到网站。有兴趣的可以点点进去看看← 问题: 解答: main.cpp #include <iostream> #include "queuetp.h&quo…

JavaWeb后端开发总结(3)

AOP基础 AOP概述 首先我们要知道AOP是什么&#xff1f; 看下图 个人解析&#xff1a; AOP叫做面向切面编程&#xff0c;但是实际上就是面向方法编程 图中下面一部分是一个AOP的案例 AOP快速入门案例代码实现 案例&#xff1a;测出业务中各个业务方法所需的执行时间 如果…

framebuffer帧缓存

framebuffer:帧缓冲&#xff0c;帧缓存 Linux内核为显示提供的一套应用程序接口。&#xff08;驱动内核支持&#xff09; framebuffer本质上是一块显示缓存&#xff0c;往显示缓存中写入特定格式的数据就意味着向屏幕输出内容。framebuffer驱动程序控制LCD显示设备&#xff0…

进程与计划任务

top 查看进程 x users 表示有几个shell开启 x stopped 前台任务在后台暂停firefox & 在后台运行&#xff0c;不在前面显示 ​​​​​​​这种方式常用于需要长时间运行且不需要即时交互的程序或命令&#xff0c;以便用户可以在终端中使用其他命令或进行其他操作&#…

JAVA实习生(月薪3K-5K)应该具备哪些知识、能力

实习生其实属于 Java 基础水平&#xff0c;所以应该具备有基础知识的能力如下: 1、Java 语言基础 Java 语言基础是 Java 开发的必备知识&#xff0c;包括语法、数据类型、运算符、控制语句、类和对象等内容。掌握 Java 语言基础是进一步深入学习和应用的某础 也是通过Java编写…

Linux平台屏幕|摄像头采集并实现RTMP推送两种技术方案探究

技术背景 随着国产化操作系统的推进&#xff0c;市场对国产化操作系统下的生态构建&#xff0c;需求越来越迫切&#xff0c;特别是音视频这块&#xff0c;今天我们讨论的是如何在linux平台实现屏幕|摄像头采集&#xff0c;并推送至RTMP服务。 我们知道&#xff0c;Linux平台&…

debug对于开发工程师很重要

在日常开发中&#xff0c;总会遇到一些出人意料的bug&#xff0c;程序跑飞&#xff0c;上电就挂&#xff0c;程序没有按预期执行诸如此类的问题&#xff0c;没有好的调试方法&#xff0c;真的很难定位问题&#xff0c;更别说解决了。在这里分享我用过的一些调试方法&#xff0c…

后端开发面经系列--百度秋招一二三面

百度秋招一二三面 公众号&#xff1a;阿Q技术站 来源&#xff1a;https://www.nowcoder.com/discuss/550679042400317440 一面 1、虚函数&#xff1f; 什么是虚函数&#xff1a; 虚函数是在基类中声明的&#xff0c;而在派生类中进行重写&#xff08;override&#xff09…

“论剑”智算时代,长沙已经站在计算产业的“华山之巅”

文 | 智能相对论 作者 | 陈泊丞 共赴全新十年之约&#xff0c;长沙又来搞大事情了&#xff01; 2024互联网岳麓峰会以“AI汇湘江 数智领航未来”为主题&#xff0c;全面聚焦在“AI”时代把握数字化、网络化、智能化发展机遇&#xff0c;积极响应当前人工智能技术迅猛发展的势…

Qt5.4.1连接odbc驱动操作达梦数据库

Qt5.4.1连接odbc驱动操作达梦数据库 1 环境介绍2 Qt5.4.1 安装2.1 图形化界面安装Qt5.4.12.2 配置Qt5.4.1 环境变量2.3 Qt5.4.1 生成 libqsqlodbc.so 并配置2.3.1 生成Makefile2.3.2 查看 libqsqlodbc.so 文件并配置 3 配置Qt测试用例4 达梦数据库学习使用列表 1 环境介绍 CPU…

实现卷积层的前向传播(Pythom版)

在TensorFlow框架中&#xff0c;实现卷积层&#xff08;2维&#xff09;的代码是 tf.keras.layers.Conv2D()。它主要接收如下几个参数&#xff0c; filters&#xff1a;卷积核的个数&#xff0c;也就是卷积层输出的通道数&#xff08;沿axis-1的维度&#xff09; kernel_size&a…

【CSS】mask-image属性的详细介绍

mask-image属性是CSS中一个用于指定元素遮罩图像的属性。它允许开发者通过图像来遮罩元素的背景或其他图像内容&#xff0c;实现复杂的视觉效果。以下是对mask-image属性的详细介绍&#xff1a; 一、属性定义 mask-image属性定义了一个图像的遮罩层&#xff0c;该遮罩层将应用…

风语者:CG-23超声波风速风向传感器,与自然对话的桥梁

超声波风速风向传感器&#xff0c;又名超声波风速风向计或超声波风速风向仪&#xff0c;是一款基于超声波原理研发的风速风向测量仪器。以下是对该传感器的详细介绍&#xff1a; 一、工作原理 超声波风速风向传感器的工作原理主要基于超声波时差法。传感器通常由发射器和接收…

性能碾压pandas、polars的数据分析神器来了

来源&#xff1a;python大数据分析 费弗里 1 简介 就在几天前&#xff0c;经过六年多的持续开发迭代&#xff0c;著名的开源高性能分析型数据库DuckDB发布了其1.0.0正式版本。 DuckDB具有极强的单机数据分析性能表现&#xff0c;功能丰富&#xff0c;具有诸多拓展插件&#xf…

时空特征融合方向小论文创新点一次性都给你!看到就是赚到

朋友们&#xff0c;今天给大家推荐一个发小论文很不错的方向&#xff1a;时空特征融合。 时空特征融合是一种提高模型性能和准确性的关键技术&#xff0c;通过结合空间和时间维度的信息&#xff0c;它可以显著提高模型的预测精度和泛化能力&#xff0c;给我们提供更全面的数据…

惊!还有这种邮件群发神器!?

邮件群发工具是推广营销的重要利器。这种软件具备强大的功能&#xff0c;能够批量发送邮件&#xff0c;确保所发送的邮件不易被标记为垃圾邮件。同时&#xff0c;它还包括自动地址采集和整理功能&#xff0c;能够快速获取邮箱地址&#xff0c;省去了寻找地址的麻烦。 功能亮点&…

Trm理论 2(Word2Vec)

神经网络模型&#xff08;NNLM&#xff09;和Word2Vec NNLM模型是上次说过的模型&#xff0c;其目的是为了预测下一个词。 softmax(w2tanh(w1x b1)b2) 会得到一个副产品词向量 而Word2Vue就是专门求词向量的模型 softmax(w2*(w1*x b1)b2) Word2Vec softmax(w2*(w1*x b1)b…

好父母的新定义,看完后,你就不会再焦虑了!

前言 曾几何时&#xff0c;我们认为的完美父母应该是不打不骂&#xff0c;不吼不叫&#xff0c;能够理解孩子的需求&#xff0c;能够接受孩子的情绪&#xff0c;能够温和且坚定的拒绝孩子的请求..... 是的&#xff0c;这些都没有错&#xff0c;但我们把自己放在哪里&#xff…