开漏输出和推挽输出

article/2025/9/22 12:14:34

开漏输出和推挽输出

  • 概述
  • 模拟文件下载
  • 推挽输出
  • 线与
  • 开漏输出
  • 输出电压
  • 最后

概述

在STM32或者GD32中,普通的输出GPIO输出方式主要是开漏输出和推挽输出,下面我们开始讲解这2种模式的区别。需要样片的可以加群申请:615061293。
下图是GPIO内部的结构示意图。
在这里插入图片描述
在这里插入图片描述
在上图中,P-MOS带了一个⚪,说明是低电平导通。
在这里插入图片描述

上图是GPIO的示意图,有输入和输出,如果简化为输出,则如下所示。
在这里插入图片描述

模拟文件下载

https://download.csdn.net/download/qq_24312945/85250172

推挽输出

推挽输出的内部电路大概是下图这个样子,由一个P-MOS和一个N-MOS组合而成,同一时间只有一个管子能够进行导通。
在这里插入图片描述
当输出高电平时候,P-MOS导通,N-MOS截至,此时电源电流入R5。
在这里插入图片描述
当输出低电平时候,N-MOS导通,P-MOS截至,此时电流流入R5的为0。
在这里插入图片描述

线与

推挽输出高电平与电源电压基本上没有压差
高低电平的驱动能力较强,推挽输出的电流都能达到几十mA。
但是无法进行线与操作,做进行线与操作,那么电源和地就会短路,因为mos管电阻很小。
看下图可以得知,电流通过Q3的P-MOS流到Q2的N-MOS,最终回到地。
在这里插入图片描述

开漏输出

开漏输出又叫漏极开漏输出简化后可以看作如下的示意图。

在这里插入图片描述
若还是使用上面推挽的电路图,当N-MOS为低电平时候,那么他的输出就是一个高阻态。
可以看到,R5没有电流通过,电压也是接近于0,所以GPIO无法对外输出高电平。
在这里插入图片描述
此时需要增加一个上拉,这样的话上拉的电流就会流出去。
所以在开漏输出情况下,需要增加一个上拉才能进行输出高电平。
在这里插入图片描述
对于输出低电平,他和推挽输出差不多,电流通过N-MOS流到地中。
在这里插入图片描述
上图是没有增加上拉,但是开漏输出模式都需要增加,增加上拉之后如下图所示。
电流通过N-MOS流回地中。
在这里插入图片描述

输出电压

由于推挽输出在输出的时候是通过单片机内部的电压,所以他的电压是不能改变的。
但是开漏输出是通过外部上拉的电压,所以可以改变开漏输出模式下的电压大小。
下图是当上拉为5V时候,也是可以驱动出去的,这个上拉电压最大值需要看单片机的耐压。
在这里插入图片描述

最后

以上的代码会在Q群里分享。QQ群:615061293。
或者关注微信公众号『记帖』,持续更新文章和学习资料,可加作者的微信交流学习!
在这里插入图片描述


http://chatgpt.dhexx.cn/article/jP0MgQNQ.shtml

相关文章

如何正确理解开漏输出和推挽输出

作者:知乎用户 链接:https://www.zhihu.com/question/28512432/answer/41217074 来源:知乎 著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。 我觉得下面这个「网上资料」还是很不错的。 单片机I/O口推挽输出…

推挽输出和开漏输出的区别

一、推挽输出 推挽输出结构是由两个MOS或者三极管收到互补控制的信号控制,两个管子时钟一个在导通,一个在截止,如下图所示 当VIN为高电平、上面的MOS导通,下面的MOS截止,Vout被上拉到VDD 当VIN为低电平、上面的MOS截止…

推挽输出开漏输出

在学习STM32的时候,我发现了一个很值得研究学习的问题,下面,用我的理解来阐述一遍,这其中的原理。 首先请看电路图 在给GPIO配置输出的时候,其有两种工作模式可选,分别是推挽输出和开漏输出。 在此之前先得…

开漏输出与推挽

1.推挽输出:可以输出高,低电平,连接数字器件。 输出 0 时,N-MOS 导通,P-MOS 高阻,输出0。 输出 1 时,N-MOS 高阻,P-MOS 导通,输出1(不需要外部上拉电路)。 开漏输出:输出端相当…

基础——STM32F4的GPIO模式

stm32的GPIO的配置模式包括: 1. 模拟输入; 2. 浮空输入; 3. 上拉输入; 4. 下拉输入; 5. 开漏输出; 6. 推挽输出; 7. 复用开漏输出; 8. 复用推挽输出 1.模拟输入 从上图我们可以看到&…

GPIO输入输出各种模式(推挽、开漏、准双向端口)详解

技术交流是便宜的博客地址:http://blog.csdn.net/techexchangeischeap 概述 能将处理器的GPIO(General Purpose Input and Output)内部结构和各种模式彻底弄清楚的人并不多,最近在百度上搜索了大量关于这部分的资料,对于其中很多问题的说法并不统一。本文尽可能的将IO涉…

卡尔曼滤波器(哔哩哔哩徐亦达)

1、尖帽子,表示是估计量而不是真实量。 2、从下面公式可以大概得出高斯噪声的方差和d级别差不多。 TDOA文献中的公式 3、卡尔曼滤波器主要记住五个公式: 4、卡尔曼滤波器的应用:包括机器人导航,控制,传感器数据融合甚至在军事方…

李航/徐亦达 统计学习方法第九章EM算法及其推广总结和习题答案

强烈推荐徐亦达老师关于EM算法的讲解视频,本文根据徐老师和李航老师统计学习方法整理,由于公式推导太多,笔记为手写。其中包含混合高斯模型的理解,形象化解释,以及习题链接。 习题 习题9.1和9.3 习题9.4

徐亦达老师-机器学习教学视频共76集(下载自优酷)

链接:http://pan.baidu.com/s/1bpNzqSB 密码:naqe 徐老师主页:http://www-staff.it.uts.edu.au/~ydxu/ 转载于:https://www.cnblogs.com/zhangliustc/p/5998836.html

刷新校史!985副研究员,以独立作者身份,研究成果被数学顶级期刊录用!

来源:华中科技大学&青塔等,信息仅作分享之用 据华中科技大学数学中心10月8日消息,郇真副研究员的文章“Representations of Lie 2-groups and 2-Vector Bundles”被顶刊Acta Mathematica接收。 据悉,郇真副研究员是新中国成立…

机器学习笔记之狄利克雷过程(二)基于标量参数作用的推导过程

机器学习笔记之狄利克雷过程——基于标量参数作用的推导过程 引言回顾:狄利克雷过程——基本介绍狄利克雷过程——定义小插曲:狄利克雷分布的简单性质 关于标量参数作用的推导过程 引言 上一节以高斯混合模型为引,简单介绍了狄利克雷过程( D…

首发:徐亦达团队新论文推荐(ECCV2020):端到端多人多视角3d动态匹配网络

徐亦达团队在ECCV2020上发表了一篇机器学习论文 End-to-end Dynamic Matching Network for Multi-view Multi-person 3d Pose Estimation(端到端多人多视角3d动态匹配网络) 论文第一作者:黄聪臻韬,本科就读于中国科学技术大学-计算…

独作论文登数学顶刊,浙大女神校友再被提起:32岁在贵州深山投稿,一家出两位院士...

明敏 詹士 发自 凹非寺量子位 | 公众号 QbitAI 最近,华科副研究员以独作身份投中数学顶刊的消息,震惊国内数学圈。 毕竟Acta Mathematica号称是世界上最难投中的数学期刊之一,能拿下此成就的动辄都是院士级人物…… 不过,纵览中国…

【华人学者风采】陈积明 浙江大学

【华人学者风采】陈积明,浙江大学控制科学与工程学院教授,博士生导师。研究领域包括网络优化与控制,数据智能与工业互联网,控制系统安全等。2000和2005年在浙江大学分别获学士和博士学位。2008-2010在加拿大滑铁卢大学访问。历任浙…

学习笔记:徐亦达机器学习:Kalman Filter 卡尔曼滤波——后续推导及代码分析

在开始这个博客之前,首先要感谢一下徐老师。该博客是在观看视频https://www.bilibili.com/video/av24225243/?p1之后,自己的读书笔记。 言归正传,该博文里面的所有符号体系都是徐老师所用的符号,在此记录一下徐老师最后留下的作…

徐亦达 概率模型学习 : hmm

引出: 条件概率 理解为 一对应无限 的函数 上的一个自变量点的情况 p ( x ∣ y ) p(x|y) p(x∣y)是有多种解释的 或者 是隐含了具体应用情况的, 以下内容大概在说: 条件概率 p ( x ∣ y ) p(x|y) p(x∣y) 是 一对应无限映射x(y) 的 一种数学定量描述办法…

【算法】狄利克雷过程 (Dirichlet过程)

本小节是层次狄利克雷过程的笔记。 狄利克雷混合模型DPMM是一种可以自动确定聚类类别数量的聚类方法。 狄利克雷过程DP是“分布的分布”,由2个参数和确定,即。其中是分布参数,值越大,分布越接近于均匀分布,值越小&am…

吴恩达机器学习讲义_悉尼科大徐亦达教授:1000+页机器学习讲义,32 份主题推介...

新智元推荐 来源:专知(ID:Quan_Zhuanzhi) 【新智元导读】悉尼科大徐亦达教授机器学习讲义,总共涵盖 32 个主题,1000页讲义,包括Softmax算法、传统GAN,W-GAN数学,贝叶斯GAN, 蒙托卡罗树搜索,alphaGo学习算…

首发:徐亦达老师的机器学习课件及下载(中文目录)

徐亦达教授在github公布了他的历年机器学习相关课件、视频,黄海广博士协助徐亦达老师对课件目录进行翻译和整理,并提供下载。 徐亦达老师简介 徐亦达,现任悉尼科技大学教授,UTS全球数据技术中心机器学习和数据分析实验室主任。主要…