开漏输出与推挽

article/2025/9/22 12:30:37

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:输出端相当于三极管的集电极。适合于做电流型的驱动,其吸收电流的能力相对强 

输出 0 时,N-MOS 导通,P-MOS 不被激活,输出0

输出 1 时,N-MOS 高阻, P-MOS 不被激活,输出1(需要外部上拉电路);

推挽输出一般用于输出电平为0V3.3V的场合,而开漏输出一般用于电平不匹配的场合,如需要输出5V,就需要在外部接一个上拉电阻,电源为5V

开漏输出和推挽输出,在输出低电平时没有区别,都是接地。在输出高电平时有区别:如果是开漏输出高电平,则能够提供的电压等于上拉电阻的电源电压。因为你的上拉电阻的电源电压小于等于单片机的电源电压,如果大于单片机的电源电压,单片机有可能烧坏,所以开漏输出的电压小于等于单片机的电源电压。如果是推挽输出高电平,则提供的电压等于单片机的电源电压

2.开漏电路:所谓开漏电路的就是指MOS FET的漏极。同理,开集电路中的就是指三极管的集电极。开漏电路就是指以MOS FET的漏极为输出的电路。一般的用法是会在漏极外部的电路添加上拉电阻。完整的开漏电路应该由开漏器件和开漏上拉电阻组成。如图1所示:

图1

组成开漏形式的电路有以下几个特点:

1)利用外部电路的驱动能力,减少IC内部的驱动。当IC内部MOSFET导通时,驱动电流是从外部的VCC流经R pullup MOSFETGNDIC内部仅需很下的栅极驱动电流。

2可以将多个开漏输出的Pin,连接到一条线上。形成与逻辑关系。如图1,当PIN_APIN_BPIN_C任意一个变低后,开漏线上的逻辑就为0了。这也是I2CSMBus等总线判断总线占用状态的原理。

3)可以利用改变上拉电源的电压,改变传输电平。如图2所示, IC的逻辑电平由电源Vcc1决定,而输出高电平则由Vcc2决定。这样我们就可以用低电平逻辑控制输出高电平逻辑了。

图2

4)开漏Pin不连接外部的上拉电阻时只能输出低电平。

5)标准的开漏脚一般只有输出的能力。添加其它的判断电路,才能具备双向输入、输出的能力

应用中需注意:

1)开漏和开集的原理类似,在许多应用中我们利用开集电路代替开漏电路。例如,某输入Pin要求由开漏电路驱动。则我们常见的驱动方式是利用一个三极管组成开集电路来驱动它,即方便又节省成本。如图3

2)上拉电阻R pull-up的阻值决定了逻辑电平转换的沿的速度。阻值越大,速度越低功耗越小。反之亦然。

图3

推挽电路:一般是指两个三极管分别受两互补信号的控制,总是在一个三极管导通的时候另一个截止如果输出级的有两个三极管,始终处于一个导通、一个截止的状态,也就是两个三级管推挽相连,这样的电路结构称为推拉式电路

推挽放大器

在功率放大器电路中大量采用推挽放大器电路,这种电路中用两只三极管构成一级放大器电路,两只三极管分别放大输入信号的正半周和负半周,即用一只三极管放大信号的正半周,用另一只三极管放大信号的负半周,两只三极管输出的半周信号在放大器负载上合并后得到一个完整周期的输出信号。推挽放大器电路中,一只三极管工作在导通、放大状态时,另一只三极管处于截止状态,当输入信号变化到另一个半周后,原先导通、放大的三极管进入截止,而原先截止的三极管进入导通、放大状态,两只三极管在不断地交替导通放大和截止变化,所以称为推挽放大器。

推挽输出的优势是速度快,因为线路是以两种方式驱动的,缺点是需要消耗更多的电流,即功耗相对大。而开漏所消耗的电流相对较小,开漏的好处之一是,多个开漏电路共用一个上拉电阻,此时可以通过拉低任何一个IO脚使得输出为低电平。为了输出高电平,则所有的都输出高电平。此种逻辑,就是“线与”的功能,可以不需要额外的门电路来实现此部分逻辑。

上面的三极管是N型三极管,下面的三极管是P型三极管,请留意控制端、输入端和输出端。

 Vin电压为V+时,上面的N型三极管控制端有电流输入,Q3导通,于是电流从上往下通过,提供电流给负载。

经过上面的N型三极管提供电流给负载(Rload),这就叫「推」。 

Vin电压为V-时,下面的三极管有电流流出,Q4导通,有电流从上往下流过。

经过下面的P型三极管提供电流给负载(Rload),这就叫「挽」。 
以上,这就是推挽(push-pull)电路。

那么什么是开漏呢?要理解开漏,可以先理解开集。 

如图,开集的意思,就是集电极C一端什么都不接,直接作为输出端口。 如果要用这种电路带一个负载,比如一个LED,必须接一个上拉电阻,就像这样。

Vin没有电流,Q5断开时,LED亮。 Vin流入电流,Q5导通时,LED灭。

开漏电路,就是把上图中的三极管换成场效应管(MOSFET)。 场效应管是电压控制型元器件,只要对栅极施加电压,DS就会导通。结型场效应管有一个特性就是它的输入阻抗非常大,这意味着:没有电流从控制电路流出,也没有电流进入控制电路。没有电流流入或流出,就不会烧坏控制电路。而双极型晶体管不同,是电流控制性元器件,如果使用开集电路,可能会烧坏控制电路。这大概就是我们总是听到开漏电路而很少听到开集电路的原因吧。


http://chatgpt.dhexx.cn/article/ugkoRi7W.shtml

相关文章

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…

【资源】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…

徐亦达 概率模型学习 : gmm

单高斯分布 MLE posterior 正比例于 likelihood * prior p ( θ ∣ x ) ∝ p ( x ∣ θ ) ∗ p ( θ ) p(\theta | x) \propto p(x|\theta) * p(\theta) p(θ∣x)∝p(x∣θ)∗p(θ) 参数 θ 的后验分布 ∝ 参数 θ 表示的 x 分布上已知样本有多大概率 ∗ 参数 θ 的先验分布…

首发:徐亦达教授团队最新发表的两篇机器学习论文

徐亦达团队在 Asian Conference on Machine Learning 的发表了两篇机器学习论文,本人得到徐老师授权在本站发布论文。 论文 1:Realistic Image Generation using Region-phrase Attention论文 2:Efficient Diversified Mini-Batch Selection …

隐马尔科夫模型(HMM)算法的理解与超详细推导

今天看了徐亦达教授的HMM讲解,感觉有所收获,并将隐马尔科夫模型算法的推导整理了一下,帮助大家一起理解这个算法。首先我们通过一个股票的案例来引入这个算法,我们来看看这个股票行情和涨跌观测值的一个状态图: 由图中…