当前位置: 首页 > news >正文

基于51单片机云台控制系统电路设计

2硬件系统框图

图 1系统框图

3硬件设计方案

3.1动力系统部分
方案一:数码舵机TS90A
设计舵机功率较小,不带动大负载,因此可采用TS90A(360°)数码舵机,其扭矩可达:1.8KG/cm(4.8V);工作速度:0.1sec/60degree(4.8V);市场价格:6-8元/个;TS90A在工作时,最大电流在300mA左右。
优点1:数码舵机TS90A采用数码传输与控制;不需要单片机输出一个固定的周期脉冲信号来控制舵机,只需要一次性发送一个数据就行;减小了对单片机硬件资源的需求,简化了程序的复杂度,使控制程序更为简便易懂,便于开发与维护。
优点2:数码舵机不需要单片机提供一个周期控制脉冲,而是使用舵机内部微控制器产生的周期控制脉冲,其脉冲频率相较于模拟舵机有着非常大的提高(往往几倍或几十倍),能大大减小舵机的死带宽,使舵机的控制精度提高,减小舵机运动中的抖动,提高舵机性能。
方案二:模拟舵机SG90
模拟舵机SG90参数与数码舵机ST90A相似。
模拟舵机的控制采用一个50Hz频率的的1.5ms-2.5ms脉宽的脉冲信号。
优点:价格便宜(相较于数码舵机便宜很多)。
缺点1:对MCU的硬件资源以及性能要求相对于数码舵机要高非常多。
缺点2:提升了编程的难度与代码的可读性,增加了系统的维护难度。
缺点3:模拟舵机相较于数码舵机存在较大的死带宽,舵机可能会出现抖动等不良情况。
3.2控制系统部分
方案1:采用内部资源
根据题目要求:系统为二自由度云台;完成的功能为用按键控制旋转与记录旋转位置。
单片机选择:采用简单通用的STC89C52RC微控制器便能完成任务(缺陷:后期不能有大的功能升级)。
存储数据:在STC89C52RC内置了4K的EEPROM(使用ISP/IAP技术完成)。
优点1:大大减小了外部资源的需求,减小成本。
优点2:相较于外部EEPROM,有更高的读写速度。
方案2:采用外部EEPROM
微控制器选择STC89C52RC。
EEPROM选择外挂24C01。
优点:升级外部资源简单;如需增加EEPROM的容量,只需更换24C01即可,例如将24C01更换为24C02。
3.3供电系统部分
STC89C52RC是低功耗微控制器,电压5.0V;控制器电路的电流一般控制在100mA内。
TS90A数码舵机的电压:5.0V;电流一般在300mA。
设计系统所需电压为:全部为5V供电。
故设计电源输出单电压为:5V。
设计电路总体电流为舵机加控制器的电流,在700mA左右。
故设计电源输出电流为:1A-1.5A。
系统为手持移动设备;供电一般由3.7V锂电池提供,并对能耗与效率有较高要求。
方案一:开关电源
可以采用MC34063升压电路(MC34063输出瞬间电流能达1.5A,稳定输出1A)。
优点1:电源转化效率高,发热量小。
优点2:受蓄电池的限制小。
方案二:线性稳压电源
采用LM317线性稳压集成芯片实现。
优点1:电路简单。
优点2:电源纹波小。
缺点1:转化效率非常低,发热量非常大。
缺点2:对蓄电池的要求较高,蓄电池电压必须大于输出电压。
4电路工作原理
1)开机时从EEPROM读取角度数据。
2)MCU控制器产生两个50Hz的脉冲信号分别控制两个舵机的状态。
3)通过按键控制脉冲的宽度来控制脉冲信号的宽度。
4)按下关机键后开始将角度数据写入EEPROM,并关机。
5)电源部分输出5V电源,分别为舵机与单片机供电。

5硬件单元电路

5.1 MCU控制电路

图 2MCU电路

6完整电路图

图 6仿真电路

图 7 PCB原理图

图 8实物效果图

文章底部可以获取博主的联系方式,获取源码、查看详细的视频演示,或者了解其他版本的信息。
所有项目都经过了严格的测试和完善。对于本系统,我们提供全方位的支持,包括修改时间和标题,以及完整的安装、部署、运行和调试服务,确保系统能在你的电脑上顺利运行。

http://www.cnnetsun.cn/news/166927.html

相关文章:

  • 基于51单片机手机无线蓝牙APP遥控智能车系统
  • Playwright 文件上传与下载完成判断全指南
  • Open-AutoGLM非root权限实战指南(99%人忽略的关键细节)
  • 从模糊到精准:Open-AutoGLM指令解析优化全流程详解,效率提升200%
  • 独家披露:顶尖AI工程师都在用的Open-AutoGLM Mac环境配置方案
  • Open-AutoGLM安装卡在第一步?这份保姆级图文指南必须收藏,错过再等一年
  • Open-AutoGLM操作序列优化实战(专家级调优技巧大公开)
  • 【大模型系统容错进阶指南】:Open-AutoGLM重试机制的7大设计模式
  • Open-AutoGLM坐标偏差高达2米?教你4种高效校正方法
  • 语义解析准确率提升关键路径,Open-AutoGLM最新迭代深度解读
  • 收藏!一文读懂RAG技术核心(附大模型从入门到实战全套学习礼包)
  • 重磅消息!ESXi 8.0 系列推出ESXi 8.0 Update 3h 更新重要版本啦
  • PFC5.0柔性/刚性纤维三点弯曲参数可自定义
  • 基于python文化旅游信息公开管理平台的设计与实现_5257y2x6
  • 【保姆级教程】Attention机制全解析!用PyTorch手写Transformer,大模型开发入门到精通!
  • 前端table表格,零基础入门到精通,收藏这篇就够了
  • 如何将Open-AutoGLM操作延迟降低85%?资深架构师亲授调优心法
  • 从入门到精通:掌握Open-AutoGLM推理优化的7个关键步骤
  • 【Open-AutoGLM macOS适配终极指南】:手把手教你完成全流程配置与优化
  • 【Open-AutoGLM语义解析突破】:准确率提升35%背后的核心技术揭秘
  • 为什么顶尖团队都在用Open-AutoGLM做高效特征提取?真相曝光
  • 【AI模型预处理新纪元】:Open-AutoGLM如何实现毫秒级特征输出
  • 9 个降AI率工具,专科生必备避坑指南
  • 基于数学模型的疫苗接种策略分析
  • 基于时空图神经网络的交通流量预测方法研究
  • 【Open-AutoGLM GPU加速适配全攻略】:手把手教你7步完成高性能推理优化
  • Open-AutoGLM特征提取提速5倍:背后你不知道的3大关键技术
  • [特殊字符]工业标准文档“消化不良“?LLM+知识图谱三步翻倍表格任务F1,钢铁直男秒变逻辑大师!
  • RAG技术揭秘:如何通过检索增强生成解决大模型知识过时与幻觉问题?
  • 【国产大模型端侧落地新突破】:Open-AutoGLM推理效率提升实战