共查询到17条相似文献,搜索用时 62 毫秒
1.
基于STM32电力数据采集系统的设计 总被引:2,自引:4,他引:2
介绍了一种基于STM32的低功耗、高性能的电力数据采集系统,阐述了系统的工作原理及其软硬件设计。STM32内部包含丰富的功能模块,无需外扩芯片,系统即可利用STM32自带的ADC对输入信号进行多通道同步模数转换,利用灵活的静态存储器控制器FSMC扩展NAND FLASH存储数据,并利用STM32先进的标准通信接口实现基于MODBUS协议的RS485远程通信,克服了传统电力数据采集器受限于有限的存储空间和通信接口、精度不高、实时性差等缺点。实际运行表明,此系统采集电力数据的实时性和可靠性大为提高,并且系统具有成本低、体积小、人机交互友好等优点。 相似文献
2.
3.
金兆楠 《可编程控制器与工厂自动化(PLC FA)》2015,(1):72-74
现场总线是自动化领域的热点之一。本文提出一种基于单片机STM32F107和CAN驱动器SN65HVD230组成的CAN总线智能节点的设计方案。根据系统功能要求,给出基于CAN总线智能节点系统的硬件结构和软件设计方法,实现了稳定可靠的数据测量控制,提高了工业现场的可操作性。实际应用表明,该方案提出的智能节点组态灵活、结构... 相似文献
4.
5.
为提高当今社会工业自动化水平,设计了基于STM32F407的分拣搬运机器人,通过TCS3200颜色识别传感器来识别5种颜色,实现分拣功能。通过舵机控制的机械爪来搬运货物,实现货物搬运功能。根据光电检测法寻迹来识别路径,保证能准确将货物送到目的地。以编码器的输出作为反馈量,加入经典PID算法来提高机器人稳定性。采用nRF24L01无线通信模块来实现和上位机的实时通信,从而实时获得机器人的运行状态。经实验验证,控制系统可以稳定运行,机器人能按预定轨迹搬运货物。 相似文献
6.
7.
本文提出了一种基于STM32控制器的蓄电池智能充放电系统设计,以CAN总线作为蓄电池状态检测网的通信核心,其优点主要是稳定、实时、抗干扰能力强。通过CAN通信连接上位机和硬件平台,通过STM32控制器,在线测量蓄电池电流、电压和温度参数,进而控制蓄电池的充电过程,并通过CAN通信反馈到上位机。 相似文献
8.
9.
10.
11.
12.
针对交流电参数的测量,设计出了基于STM32的高性能电参数采集设备。系统采用电压互感器以及电流互感器对母线电压以及电流进行采集,通过运算放大器对采集到的信号进行射随以及过零比较,利用STM32中的ADC以及外部电能计量芯片对电参数进行测量,同时系统支持母线温度检测功能。实际测量表明该设备操作简单,指标符合要求。 相似文献
13.
为了满足有些科学实验由于现场条件的限制对数据采集系统的体积、功耗以及可靠性等方面所提出的较高要求,设计了一种基于TMS320F2812芯片的实时数据采集系统,该系统可对电力系统所输出的模拟电压信号进行实时的采集和记录。从系统的硬件和软件两个方面的设计来进行阐述,重点介绍了系统硬件结构的设计。该系统具有体积小、速度快、处理能力强、可靠性高以及功耗低等优点。 相似文献
14.
针对目前鱼塘气象观测要素单一、数据准确度不高等问题,设计了一款基于STM32高性能处理芯片的鱼塘气象综合观测系统。通过构建要素数据采集、数据质量控制以及组包传输等功能模块,实现水温、湿度、辐射等水体气象观测数据的实时获取,同时将报文传输至上位机软件进行数据监测及产品加工。并利用气象标准仪器与系统的运行数据进行了对比分析,通过求解两者之间各要素的均方根差,结果分别为0.2、1、0.3、6,符合相关气象业务规定,初步验证了系统采集数据的准确度。实际应用效果表明,该综合观测系统具有运行稳定可靠、测量精度高、传输时效高等优点,能较好地满足农业气象服务需求。 相似文献
15.
针对旋转机械设备设计了一套便捷式振动信号采集系统,利用三轴加速度计ADXL345采集加速度信号,STM32将采集到的数据经过运算在LCD上显示加速度、速度和位移等参数,并经过FFT运算后在LCD上显示频谱,最后对数据进行存储。在STM32上实现了数值积分和最小二乘法,并且可以通过触摸屏对显示内容进行切换。采用时域积分对加速度信号进行积分运算,并利用最小二乘法消去积分过程中产生的趋势项,得到准确的速度和位移数据。通过实际测试,得到加速度、速度和位移的峰值分别为9.990 m/s^2,19.733 mm/s,40.627μm,与加速度校准仪的输出参数一致,实现了振动信号的实时检测功能,由此验证了设计的正确性,实验结果表明该方案符合预期设计要求。 相似文献
16.
Speech recognition is a hot topic in the field of artificial intelligence. Generally, speech recognition models can only run on large servers or dedicated chips. This paper presents a keyword speech recognition system based on a neural network and a conventional STM32 chip. To address the limited Flash and ROM resources on the STM32 MCU chip, the deployment of the speech recognition model is optimized to meet the requirements of keyword recognition. Firstly, the audio information obtained through sensors is subjected to MFCC (Mel Fre-quency Cepstral Coefficient) feature extraction, and the extracted MFCC features are input into a CNN (Convolutional Neural Network) for deep feature extraction. Then, the features are input into a fully connected layer, and finally, the speech keyword is classified and predicted. Deploying the model to the STM32F429, the prediction model achieves an accuracy of 90.58%, a decrease of less than 1% compared to the accuracy of 91.49% running on a computer, with good performance. 相似文献