pca плата что это
Обзор модуля PCA9685
Автор: Сергей · Опубликовано 06.05.2020 · Обновлено 06.05.2020
Управлять сервоприводом с помощью библиотеки Arduino несложно, но если необходимо управлять большим количеством сервоприводами, понадобится больше контактов, не говоря об вычислительной мощности Arduino. И для нашего удобства был разработан модуль PCA9685, который позволяет подключать до 16 сервоприводов по двум канальной шине I2C.
Технические параметры
► Модель: PCA9685;
► Напряжения питания контроллера: 3.3 или 5 В;
► Питание сервоприводов: до 5-6 В;
► Частота ШИМ: 40-1000 Гц;
► Возможность подключения 16 сервоприводов;
► Возможность подключения до 62 устройств к одной шине;
► Размер платы: 66 х 25 мм;
Общие сведения о PCA9685
Модуль построен на микросхеме PCA9685, представляющая собой 16-канальный 12-битный ШИМ с интерфейсом I2C. через которую можно управлять 16 сервоприводами. Если этого будет недостаточно. можно увеличить количество подключенных модулей к шине I2C до 62 шт, в общий сложности до 992 сервопривода.
Смена адреса I2C
Каждая подключенная плата PCA9685, должна иметь уникальный адрес. Адрес по умолчанию установлен 0×40, который можно изменить с помощью перемычки в правом верхнем углу, для этого соедините перемычку припоем, чтобы указать двоичное число «1».
Контакты питания:
► GND — Заземляющий контакт питания.
► VCC — Логический вывод питания, необходимо подключить его к используемому логическому уровню питания, для выхода PCA9685 максимальное значение должно быть 3 — 5 В, оно также используется для подтягивания шины I2C через 10 кОм резисторов.
► V+ — Вывод дополнительного питания, для сервоприводов.
Контакты управления:
► SCL — Вывод I2C, подключается к линии I2C микроконтроллера, рабочие напряжение 3 В или 5 В.
► SDA — Вывод данных I2C подключается к линии I2C микроконтроллера, рабочие напряжение 3 В или 5 В.
Силовые контакты:
На плате установлено 16 рядов разъемов, каждый ряд имеет 3 контакта: V +, GND и PWM выход. Каждый вывод PWM работает независимо, но он должен иметь одинаковую частоту.
Подключение PCA9685 к Arduino
Необходимые детали:
► Arduino UNO x 1 шт.
► Контроллер PCA9685 16 каналов x 1 шт.
► Провода DuPont M-F, 20 см x 1 шт.
Описание:
В этом примере покажу управление двумя сервоприводами SC90 с помощью Arduino. В качестве источника питания для сервоприводов используем питание от Arduino, но в готовых проектах рекомендую использовать отдельное питание на 5В.
Подключение.
Сервопривод подключаются с помощью 3-проводного разъема BLS, в гнездо 0 и 4. Далее подключаем линию I2C, SDA к А4 (Arduino) и SCL к A5 (Arduino), затем подключаем питание логической части схемы GND и Vcc и в конце подключаем питание сервоприводов. Для удобства привел схему подключения ниже.
Установка библиотеки:
Для работы скетча необходимо библиотека «Wire» и «Adafruit_PWMServoDriver«, последняя библиотека не входит в среду разработки IDE Arduino необходимо дополнительно скачать с «Менеджера библиотек«.
Далее вводим в поиск «PWM» и устанавливаем указанную библиотеку.
Программа:
Теперь можно приступить к скетчу, скачиваем или копируем его в среду разработки Arduino IDE.
Как работает метод главных компонент (PCA) на простом примере
В этой статье я бы хотел рассказать о том, как именно работает метод анализа главных компонент (PCA – principal component analysis) с точки зрения интуиции, стоящей за ее математическим аппаратом. Максимально просто, но подробно.
Математика вообще очень красивая и изящная наука, но порой ее красота скрывается за кучей слоев абстракции. Показать эту красоту лучше всего на простых примерах, которые, так сказать, можно покрутить, поиграть и пощупать, потому что в конце концов все оказывается гораздо проще, чем кажется на первый взгляд – самое главное понять и представить.
В анализе данных, как и в любом другом анализе, порой бывает нелишним создать упрощенную модель, максимально точно описывающую реальное положение дел. Часто бывает так, что признаки довольно сильно зависят друг от друга и их одновременное наличие избыточно.
К примеру, расход топлива у нас меряется в литрах на 100 км, а в США в милях на галлон. На первый взгляд, величины разные, но на самом деле они строго зависят друг от друга. В миле 1600м, а в галлоне 3.8л. Один признак строго зависит от другого, зная один, знаем и другой.
Но гораздо чаще бывает так, что признаки зависят друг от друга не так строго и (что важно!) не так явно. Объем двигателя в целом положительно влияет на разгон до 100 км/ч, но это верно не всегда. А еще может оказаться, что с учетом не видимых на первый взгляд факторов (типа улучшения качества топлива, использования более легких материалов и прочих современных достижений), год автомобиля не сильно, но тоже влияет на его разгон.
Зная зависимости и их силу, мы можем выразить несколько признаков через один, слить воедино, так сказать, и работать уже с более простой моделью. Конечно, избежать потерь информации, скорее всего не удастся, но минимизировать ее нам поможет как раз метод PCA.
Выражаясь более строго, данный метод аппроксимирует n-размерное облако наблюдений до эллипсоида (тоже n-мерного), полуоси которого и будут являться будущими главными компонентами. И при проекции на такие оси (снижении размерности) сохраняется наибольшее количество информации.
Шаг 1. Подготовка данных
Здесь для простоты примера я не буду брать реальные обучающие датасеты на десятки признаков и сотни наблюдений, а сделаю свой, максимально простой игрушечный пример. 2 признака и 10 наблюдений будет вполне достаточно для описания того, что, а главное – зачем, происходит в недрах алгоритма.
В данной выборке у нас имеются два признака, сильно коррелирующие друг с другом. С помощью алгоритма PCA мы сможем легко найти признак-комбинацию и, ценой части информации, выразить оба этих признака одним новым. Итак, давайте разбираться!
Для начала немного статистики. Вспомним, что для описания случайной величины используются моменты. Нужные нам – мат. ожидание и дисперсия. Можно сказать, что мат. ожидание – это «центр тяжести» величины, а дисперсия – это ее «размеры». Грубо говоря, мат. ожидание задает положение случайной величины, а дисперсия – ее размер (точнее, разброс).
Сам процесс проецирования на вектор никак не влияет на значения средних, так как для минимизации потерь информации наш вектор должен проходить через центр нашей выборки. Поэтому нет ничего страшного, если мы отцентрируем нашу выборку – линейно сдвинем ее так, чтобы средние значения признаков были равны 0. Это очень сильно упростит наши дальнейшие вычисления (хотя, стоит отметить, что можно обойтись и без центрирования).
Оператор, обратный сдвигу будет равен вектору изначальных средних значений – он понадобится для восстановления выборки в исходной размерности.
Дисперсия же сильно зависит от порядков значений случайной величины, т.е. чувствительна к масштабированию. Поэтому если единицы измерения признаков сильно различаются своими порядками, крайне рекомендуется стандартизировать их. В нашем случае значения не сильно разнятся в порядках, так что для простоты примера мы не будем выполнять эту операцию.
Шаг 2. Ковариационная матрица
В случае с многомерной случайной величиной (случайным вектором) положение центра все так же будет являться мат. ожиданиями ее проекций на оси. А вот для описания ее формы уже недостаточно толькое ее дисперсий по осям. Посмотрите на эти графики, у всех трех случайных величин одинаковые мат.ожидания и дисперсии, а их проекции на оси в целом окажутся одинаковы!
Для описания формы случайного вектора необходима ковариационная матрица.
Это матрица, у которой (i,j)-элемент является корреляцией признаков (Xi, Xj). Вспомним формулу ковариации:
В нашем случае она упрощается, так как
и это справедливо для любых случайных величин.
Таким образом, в нашей матрице по диагонали будут дисперсии признаков (т.к. i = j), а в остальных ячейках – ковариации соответствующих пар признаков. А в силу симметричности ковариации матрица тоже будет симметрична.
Замечание: Ковариационная матрица является обобщением дисперсии на случай многомерных случайных величин – она так же описывает форму (разброс) случайной величины, как и дисперсия.
И действительно, дисперсия одномерной случайной величины – это ковариационная матрица размера 1×1, в которой ее единственный член задан формулой Cov(X,X) = Var(X).
Итак, сформируем ковариационную матрицу Σ для нашей выборки. Для этого посчитаем дисперсии Xi и Xj, а также их ковариацию. Можно воспользоваться вышенаписанной формулой, но раз уж мы вооружились Python’ом, то грех не воспользоваться функцией numpy.cov(X). Она принимает на вход список всех признаков случайной величины и возвращает ее ковариационную матрицу и где X – n-мерный случайный вектор (n-количество строк). Функция отлично подходит и для расчета несмещенной дисперсии, и для ковариации двух величин, и для составления ковариационной матрицы.
(Напомню, что в Python матрица представляется массивом-столбцом массивов-строк.)
Шаг 3. Собственные вектора и значения (айгенпары)
О’кей, мы получили матрицу, описывающую форму нашей случайной величины, из которой мы можем получить ее размеры по x и y (т.е. X1 и X2), а также примерную форму на плоскости. Теперь надо найти такой вектор (в нашем случае только один), при котором максимизировался бы размер (дисперсия) проекции нашей выборки на него.
Замечание: Обобщение дисперсии на высшие размерности — ковариационная матрица, и эти два понятия эквивалентны. При проекции на вектор максимизируется дисперсия проекции, при проекции на пространства больших порядков – вся ее ковариационная матрица.
Итак, возьмем единичный вектор на который будем проецировать наш случайный вектор X. Тогда проекция на него будет равна v T X. Дисперсия проекции на вектор будет соответственно равна Var(v T X). В общем виде в векторной форме (для центрированных величин) дисперсия выражается так:
Соответственно, дисперсия проекции:
Легко заметить, что дисперсия максимизируется при максимальном значении v T Σv. Здесь нам поможет отношение Рэлея. Не вдаваясь слишком глубоко в математику, просто скажу, что у отношения Рэлея есть специальный случай для ковариационных матриц:
Последняя формула должна быть знакома по теме разложения матрицы на собственные вектора и значения. x является собственным вектором, а λ – собственным значением. Количество собственных векторов и значений равны размеру матрицы (и значения могут повторяться).
Кстати, в английском языке собственные значения и векторы именуются eigenvalues и eigenvectors соответственно.
Мне кажется, это звучит намного более красиво (и кратко), чем наши термины.
Таким образом, направление максимальной дисперсии у проекции всегда совпадает с айгенвектором, имеющим максимальное собственное значение, равное величине этой дисперсии.
И это справедливо также для проекций на большее количество измерений – дисперсия (ковариационная матрица) проекции на m-мерное пространство будет максимальна в направлении m айгенвекторов, имеющих максимальные собственные значения.
Размерность нашей выборки равна двум и количество айгенвекторов у нее, соответственно, 2. Найдем их.
В библиотеке numpy реализована функция numpy.linalg.eig(X), где X – квадратная матрица. Она возвращает 2 массива – массив айгензначений и массив айгенвекторов (векторы-столбцы). И векторы нормированы — их длина равна 1. Как раз то, что надо. Эти 2 вектора задают новый базис для выборки, такой что его оси совпадают с полуосями аппроксимирующего эллипса нашей выборки.
На этом графике мы апроксимировали нашу выборку эллипсом с радиусами в 2 сигмы (т.е. он должен содержать в себе 95% всех наблюдений – что в принципе мы здесь и наблюдаем). Я инвертировал больший вектор (функция eig(X) направляла его в обратную сторону) – нам важно направление, а не ориентация вектора.
Шаг 4. Снижение размерности (проекция)
Наибольший вектор имеет направление, схожее с линией регрессии и, спроецировав на него нашу выборку, мы потеряем информацию, сравнимую с суммой остаточных членов регрессии (только расстояние теперь евклидово, а не дельта по Y). В нашем случае зависимость между признаками очень сильная, так что потеря информации будет минимальна. «Цена» проекции — дисперсия по меньшему айгенвектору — как видно из предыдущего графика, очень невелика.
Замечание: диагональные элементы ковариационной матрицы показывают дисперсии по изначальному базису, а ее собственные значения – по новому (по главным компонентам).
Часто требуется оценить объем потерянной (и сохраненной) информации. Удобнее всего представить в процентах. Мы берем дисперсии по каждой из осей и делим на общую сумму дисперсий по осям (т.е. сумму всех собственных чисел ковариационной матрицы).
Таким образом, наш больший вектор описывает 45.994 / 46.431 * 100% = 99.06%, а меньший, соответственно, примерно 0.94%. Отбросив меньший вектор и спроецировав данные на больший, мы потеряем меньше 1% информации! Отличный результат!
Замечание: На практике, в большинстве случаев, если суммарная потеря информации составляет не более 10-20%, то можно спокойно снижать размерность.
dot(X,Y) — почленное произведение (так мы перемножаем векторы и матрицы в Python)
Нетрудно заметить, что значения проекций соответствуют картине на предыдущем графике.
Шаг 5. Восстановление данных
С проекцией удобно работать, строить на ее основе гипотезы и разрабатывать модели. Но не всегда полученные главные компоненты будут иметь явный, понятный постороннему человеку, смысл. Иногда полезно раскодировать, к примеру, обнаруженные выбросы, чтобы посмотреть, что за наблюдения за ними стоят.
Это очень просто. У нас есть вся необходимая информация, а именно координаты базисных векторов в исходном базисе (векторы, на которые мы проецировали) и вектор средних (для отмены центровки). Возьмем, к примеру, наибольшее значение: 10.596… и раскодируем его. Для этого умножим его справа на транспонированный вектор и прибавим вектор средних, или в общем виде для всей выборки: X T v T +m
Разница небольшая, но она есть. Ведь потерянная информация не восстанавливается. Тем не менее, если простота важнее точности, восстановленное значение отлично аппроксимирует исходное.
Вместо заключения – проверка алгоритма
Итак, мы разобрали алгоритм, показали как он работает на игрушечном примере, теперь осталось только сравнить его с PCA, реализованным в sklearn – ведь пользоваться будем именно им.
Параметр n_components указывает на количество измерений, на которые будет производиться проекция, то есть до скольки измерений мы хотим снизить наш датасет. Другими словами – это n айгенвекторов с самыми большими собственными числами. Проверим результат снижения размерности:
Мы возвращали результат как матрицу вектор-столбцов наблюдений (это более канонический вид с точки зрения линейной алгебры), PCA в sklearn же возвращает вертикальный массив.
В принципе, это не критично, просто стоит отметить, что в линейной алгебре канонично записывать матрицы через вектор-столбцы, а в анализе данных (и прочих связанных с БД областях) наблюдения (транзакции, записи) обычно записываются строками.
Проверим и прочие параметры модели – функция имеет ряд атрибутов, позволяющих получить доступ к промежуточным переменным:
— Вектор средних: mean_
— Вектор(матрица) проекции: components_
— Дисперсии осей проекции (выборочная): explained_variance_
— Доля информации (доля от общей дисперсии): explained_variance_ratio_
Замечание: explained_variance_ показывает выборочную дисперсию, тогда как функция cov() для построения ковариационной матрицы рассчитывает несмещенные дисперсии!
Сравним полученные нами значения со значениями библиотечной функции.
Единственное различие – в дисперсиях, но как уже упоминалось, мы использовали функцию cov(), которая использует несмещенную дисперсию, тогда как атрибут explained_variance_ возвращает выборочную. Они отличаются только тем, что первая для получения мат.ожидания делит на (n-1), а вторая – на n. Легко проверить, что 45.99 ∙ (10 — 1) / 10 = 41.39.
Все остальные значения совпадают, что означает, что наши алгоритмы эквивалентны. И напоследок замечу, что атрибуты библиотечного алгоритма имеют меньшую точность, поскольку он наверняка оптимизирован под быстродействие, либо просто для удобства округляет значения (либо у меня какие-то глюки).
Замечание: библиотечный метод автоматически проецирует на оси, максимизирующие дисперсию. Это не всегда рационально. К примеру, на данном рисунке неаккуратное снижение размерности приведет к тому, что классификация станет невозможна. Тем не менее, проекция на меньший вектор успешно снизит размерность и сохранит классификатор.
Итак, мы рассмотрели принципы работы алгоритма PCA и его реализации в sklearn. Я надеюсь, эта статья была достаточно понятна тем, кто только начинает знакомство с анализом данных, а также хоть немного информативна для тех, кто хорошо знает данный алгоритм. Интуитивное представление крайне полезно для понимания того, как работает метод, а понимание очень важно для правильной настройки выбранной модели. Спасибо за внимание!
PCB VS PCBA: в чем разница? (Лучший гид в 2021 году)
Хотя печатная плата (PCB) и сборка печатной платы (PCBA) часто используются взаимозаменяемо, это не одно и то же.
Так чем же печатная плата и печатная плата отличаются друг от друга?
Вы можете определить печатную плату как плату, на которой могут быть установлены электронные компоненты для завершения запланированной схемы.
Напротив, PCBA относится к плате, в которой все компоненты и части были припаяны и установлены на печатной плате и готовы выполнять свои запрограммированные электронные функции.
Благодаря передовым инструментам проектирования и методам производства продукт также производится с гораздо более высокими и эффективными темпами, чем раньше.
Даже десять лет назад были замечены только самые дорогие прототипы для HDI и FPGA, но теперь эти разработки легко доступны во всем мире.
Строительные блоки печатных плат (PCB)
Печатные платы состоят из проводящей конструкции, дорожки и подложки, которые обычно изготавливаются из стеклопластиковой эпоксидной смолы.
Например, простые печатные платы могут быть разделены на четыре, шесть или восемь слоев с наиболее распространенными четырех- и шестислойными печатными платами.
Электропроводящий рисунок печатается или наносится на изолирующее эпоксидное стекло в соответствии с заданным рисунком.
Печатные платы предназначены для электронных продуктов, таких как телевизоры, мобильные телефоны и комплектующие для ПК.
Также они используются в производстве осветительного и медицинского оборудования, промышленного оборудования.
Печатная плата является важным элементом структуры системы, поскольку она помогает электронике и функционирует как электрическое звено для компонентов.
Отличительными особенностями печатной платы являются:
Типы печатных плат
Есть несколько типов печатных плат; В частности, есть четыре основных формы печатных плат, а именно:
Односторонние печатные платы
Одна сторона основного материала покрыта тонким слоем металла. Медь является наиболее часто используемым покрытием, так как она хорошо проводит электрический ток.
Двусторонние печатные платы
Двух- или двусторонние печатные платы снабжены основным материалом, включая медь, с обеих сторон платы с тонкой пленкой проводящего металла. Отверстия, просверленные в плате, позволяют схемам на одной стороне платы присоединяться к схемам на другой стороне.
Цепи и компоненты двухслойной печатной платы обычно соединяются одним или двумя способами; либо с проходным, либо с использованием поверхностного монтажа.
Многослойные печатные платы
Серия из трех или более двухслойных печатных плат состоит из многослойных печатных плат.
Эти плиты затем ламинируются вместе с усовершенствованными препрегами и сердечниками между изоляционными компонентами, чтобы предотвратить расплавление любого компонента излишним теплом.
Многослойные печатные платы доступны в различных размерах, от 4 до 10 или 12 слоев.
В коммерческом масштабе наибольшее количество слоев, созданных в многослойном когда-либо построенном, составляет 50.
Жесткие печатные платы
Материнская плата компьютера, вероятно, является наиболее распространенным примером жесткой печатной платы.
Материнская плата представляет собой многослойную печатную плату для распределения питания от источника питания, обеспечивая при этом связь между всеми компонентами компьютера, такими как CPU, GPU и RAM.
Гибкие печатные платы
По сравнению с жесткими печатными платами, в которых используются неподвижные материалы, например стекловолокно, гибкие печатные платы сделаны из материалов, которые могут двигаться и гнуться, как пластик.
Гибкие печатные платы доступны в одно-, двух- или многослойных форматах, например, жесткие печатные платы. Их производство, как правило, дороже, потому что их приходится печатать на гибком материале.
Жесткие гибкие печатные платы
Жесткие и гибкие печатные платы представляют собой комбинацию жестких и гибких печатных плат.
Они состоят из нескольких слоев гибких схем, прикрепленных к более чем одной жесткой плате.
Эти печатные платы построены с высокой точностью. Следовательно, он используется в различных медицинских и военных приложениях.
Эти легкие печатные платы обеспечивают 60% экономии веса и места.
Высокочастотные печатные платы
Высокочастотные печатные платы используются в диапазоне частот от 500 МГц до 2 ГГц. Эти печатные платы используются в различных частотно-критических приложениях, таких как системы связи, микроволновые печатные платы, микрополосковые печатные платы и т. Д.
Печатные платы с алюминиевым покрытием
Эти печатные платы используются в приложениях с высокой мощностью, поскольку алюминиевая конструкция помогает отводить тепло.
Печатные платы с алюминиевой подложкой, как известно, обладают высоким уровнем жесткости и низким уровнем теплового расширения, что делает их идеальными для приложений с высокими механическими допусками. Печатные платы используются для светодиодов и источников питания.
Печатные платы необходимы для каждого аспекта нашей повседневной жизни. Наши устройства и ресурсы сосредоточены на печатных платах, которые поддерживают нашу жизнь. Читайте дальше, чтобы узнать об этом невероятном дизайне технологий.
Печатные платы
Как проектируются печатные платы?
Первый шаг включает печать макета схемы с помощью программного обеспечения (такого как Altium), а затем печать на плоттерном принтере.
Внутренний слой представлен чернилами двух цветов; черный для медных проводов и белый для непроводящих участков печатной платы.
Во внешнем слое этот процесс обратный.
Второй шаг включает печать меди на внутреннем слое, затем удаление нежелательной меди, а затем проверку выравнивания слоев и оптический контроль с помощью датчиков слоев.
После процесса сверления панели начинается процесс нанесения покрытия на печатную плату с использованием химикатов для сплавления всех различных слоев печатной платы.
Затем происходит визуализация и нанесение покрытия на внешний слой, что включает в себя процесс травления для лучшего результата.
После этого наносится паяльная маска, а затем она покрывается серебром или золотом. Наконец, происходит процесс проверки навыков, который печатает важную информацию на печатной плате.
Почему придает печатной плате достаточно прочности, чтобы удерживать собранные компоненты?
Материал подложки, используемый для обработки и печати печатных плат, обычно представляет собой эпоксидную смолу, усиленную стекловолокном.
Высококачественные платы производятся для соединения стекловолокна и армированной эпоксидной смолы с медной фольгой; соединены с одной стороной или обеими подложками.
Доски, сформированные из армированной бумагой фенольной смолы с слитой с ней медной фольгой; кажутся менее дорогостоящими.
Печатные платы платы выполнены из меди. Содержимое должно быть натерто или нанесено желаемым рисунком на поверхность субстрата.
Они покрыты свинцово-оловянным покрытием, которое обеспечивает необходимую защиту от окисления в медных цепях.
Контактные пальцы на внешних краях подложки покрыты сочетанием олова, свинца, никеля и золота для оптимальной проводимости.
Почему сборка печатной платы важна при разработке продукта?
Как уже объяснялось, печатная плата с прикрепленными компонентами называется собранной печатной платой, а процедура изготовления называется Сборка печатной платы или PCBA для краткости.
Эти крошечные зеленые чипы покрыты линиями и медными компонентами, которые вы найдете в центре выпотрошенных электронных компонентов.
Их рамы сделаны из стекловолокна, меди и других металлических компонентов, покрыты эпоксидной смолой и изолированы паяльной маской.
На одной плате медные линии, называемые дорожками, электрически связывают разъемы и компоненты.
Эти функции запускают сигналы, позволяющие печатной плате работать определенным образом.
Эти функции варьируются от базовых до сложных, но размер печатной платы может быть меньше размера эскиза.
ПОСТУПИВ
Типы сборки печатной платы
За последние несколько десятилетий в индустрии печатных плат произошла революция в области детализации на микроуровне. В индустрии печатных плат используются следующие два основных типа сборки.
Технология поверхностного монтажа (SMT)
Чувствительные компоненты устанавливаются на поверхность платы автоматически, некоторые из них минимальные, например, резисторы или диоды.
Блок поверхностного монтажа называется SMD-сборкой.
Он применяется для небольших компонентов и интегральных схем (ИС).
Некоторые производители могут монтировать корпус размером мин. 01005, даже меньше размера карандаша.
Четыре основных этапа заключаются в следующем:
Организация печатной платы: Процесс сборки начинается с нанесения паяльной пасты на плату, особенно в тех областях, где она необходима.
Вставка компонентов: Следующий этап включает размещение компонентов там, где это необходимо, на плате, и этот процесс завершается с помощью устройства для захвата и размещения.
Пайка оплавлением: После того, как компоненты вставлены, начинается нагрев с помощью сборщика.
В этом процессе нагрев платы достигается внутри печи оплавления посредством сборщика, и этот процесс продолжается до тех пор, пока не будут сформированы паяные соединения; что происходит за счет обеспечения температуры, необходимой для паяльной пасты.
Осмотр: Последний шаг включает в себя проверку, которая проводится с использованием ассемблера во время процесса SMT.
Технология сквозного отверстия (THT)
Технология сквозных отверстий подходит для компонентов, которые соединяются выводами или проводами путем соединения их через отверстия.
Компоненты собраны на одной стороне платы и припаяны на другой стороне.
Эта технология используется в сборках печатных плат, которые содержат большие компоненты, такие как конденсаторы и сборочные корзины.
Основные этапы этого процесса следующие:
Бурение: Первым шагом в этом процессе является сверление отверстий на доске.
Сделанные отверстия должны быть подходящего размера, чтобы компоненты можно было легко разместить.
Размещение лида: Этот шаг включает размещение свинца, которое выполняется с помощью ассемблера.
Пайка: Этот шаг подтверждает, что используемые компоненты должны храниться в нужном месте, где это необходимо.
Осмотр: Последний шаг включает в себя осмотр, который тщательно проверяет всю сборку, чтобы убедиться, будет ли печатная плата работать должным образом или нет.
Компоненты PCBA
Пустая печатная плата повторно заполняется или упаковывается электронными компонентами для создания работающей печатной платы (PCA) или PCBA в процессе сборки.
Электронные компоненты размещаются в отверстиях, окруженных токопроводящими площадками с помощью технологии отверстий.
Контакты размещаются на печатной плате с помощью SMT, чтобы гарантировать, что контакты совпадают с токопроводящими площадками.
Крепление электронных компонентов по обеим сторонам платы должно быть приклеено клеем с одной стороны платы перед пайкой. Стандартная рабочая процедура тестирования сборки печатной платы следующая.
Наконец, проводится функциональный тест, чтобы определить, выполняет ли печатная плата свою работу.
PCB VS PCBA: анализ надежности
Производственный процесс
Печатные платы проще в производстве, поскольку они не требуют сборки.
Принимая во внимание, что печатная плата сложна из-за различных модулей, которые должны быть подключены, и последующей пайки в печи ее звеньев.
Цена
Стоимость изготовления печатной платы для той же платы намного меньше, чем изготовление системы печатной платы.
Существуют также значительные затраты, связанные с дополнительными элементами PCBA, которые увеличивают общие показатели заключенной PCBA.
Функциональность системы
упаковка
Ключевой вывод: печатные платы нефункциональны без печатной платы
Функциональность печатной платы достижима только после ее сборки. Следовательно, оба термина «печатная плата» и «печатная плата» тесно связаны.
Некоторые из основных выводов этой статьи заключаются в следующем.
Концептуальная разница: PCB означает печатную плату без покрытия, в то время как PCBA означает платы PCB, оснащенные компонентами, использующими вставную сборку или процесс сборки SMT.
PCBA следует понимать как готовые платы, но PCBA не может быть подсчитана до тех пор, пока печатная плата не будет оснащена компонентами, необходимыми для работы.
Компоненты обычно представляют собой электронные микросхемы, провода и другие электронные компоненты.
Однако это еще не все, поскольку печатные платы поставляются в различных корпусах и спецификациях.
Обычные печатные платы изготавливаются из стекловолоконной эпоксидной смолы и делятся на 4-слойные, 6-слойные и 8-слойные платы; в зависимости от количества сигнальных слоев.
Печатные платы, безусловно, являются фундаментальными строительными блоками всех электрических систем.
Наше общество зависит от успешного внедрения печатных плат для эффективного ведения наших дел.
Все электрические системы людей станут непригодными для использования, если эта базовая технология выйдет из строя.
Есть многообещающие потенциальные возможности для печатных плат и печатных плат в целом.
Мы постоянно движемся к лучшему дизайну и возможности встраивать сверхсложные функции в небольшие печатные платы.