异步Buck变换器和同步Buck变换器的特点比较

简介: 异步Buck变换器和同步Buck变换器的特点比较

一、引言


Buck变换器是一种常用的电源管理电子设备,用于将输入的较高电压转换为较低的输出电压。根据其工作方式,Buck变换器可以分为异步和同步两种类型。这两种类型的变换器在电路结构、工作原理、性能特点等方面存在显著差异。本文将对异步

Buck变换器和同步Buck变换器的特点进行比较,并通过代码示例进行说明。


二、异步Buck变换器


异步Buck变换器采用两个主要元件:一个开关管和一个储能元件(通常是电感)。通过控制开关管的通断,可以改变电感器的电流,从而调节输出电压。异步Buck变换器具有以下特点:

  1. 电路结构简单:异步Buck变换器不需要输出滤波电容,因此电路结构相对简单。
  2. 效率高:由于没有输出滤波电容,不存在电容的损耗,因此效率较高。
  3. 输入输出不隔离:由于电路结构简单,异步Buck变换器的输入输出之间没有隔离,安全性相对较低。
  4. 电压纹波较大:由于没有输出滤波电容,输出电压的纹波较大。

以下是异步Buck变换器的示例代码:

# 定义异步Buck变换器的参数
Vin = 12  # 输入电压
Vout = 5  # 输出电压
fs = 100e3  # 开关频率
L = 10e-6  # 电感量
R = Vout / (0.5 * L * fs)  # 负载电阻
# 计算开关周期和占空比
Ton = R * L * fs / Vout  # 开关管导通时间
Toff = T - Ton  # 开关管关断时间
D = Ton / T  # 占空比


三、同步Buck变换器


同步Buck变换器是在异步Buck变换器的基础上增加了一个续流开关管和输出滤波电容。通过控制两个开关管的通断,可以调节输出电压。同步Buck变换器具有以下特点:

  1. 电路结构相对复杂:由于增加了续流开关管和输出滤波电容,电路结构相对复杂。
  2. 高效率:与异步Buck变换器一样,同步Buck变换器也具有较高的效率。
  3. 输入输出隔离:由于增加了续流开关管和输出滤波电容,输入输出之间存在隔离,提高了安全性。
  4. 电压纹波较小:由于有输出滤波电容的存在,输出电压的纹波较小。

以下是同步Buck变换器的示例代码:

# 定义同步Buck变换器的参数
Vin = 12  # 输入电压
Vout = 5  # 输出电压
fs = 100e3  # 开关频率
L = 10e-6  # 电感量
R = Vout / (0.5 * L * fs)  # 负载电阻
Cout = 1u  # 输出滤波电容容量(单位:法拉)
# 计算开关周期和占空比
Ton = R * L * fs / Vout  # 主开关管导通时间
Toff = T - Ton  # 主开关管关断时间
D = Ton / T  # 占空比


四、应用场景与选择


  1. 应用场景
  • 异步Buck变换器:适用于输入输出电压差较小、对效率要求高、对输出电压纹波容忍度较高的场景。由于其结构简单,通常用于对成本敏感、空间限制严格的场合。
  • 同步Buck变换器:适用于需要输入输出隔离、对输出电压纹波要求严格的场景。常见于需要高效率、高安全性、低噪声的应用,如服务器、通信设备和工业控制系统等。
  1. 选择因素
  • 电路复杂度与成本:异步Buck变换器电路更简单,成本较低。同步Buck变换器由于增加了元件,成本相对较高。
  • 效率与性能:在同等条件下,异步Buck变换器由于没有输出滤波电容,效率可能略高。但同步Buck变换器的输出电压纹波较小,性能更优。
  • 安全性与隔离:同步Buck变换器提供了输入输出的电气隔离,提高了安全性。
  • 应用需求:根据具体应用需求,如对电压、电流的范围,以及对效率和体积的考虑,选择合适的Buck变换器类型。


五、结论


异步Buck变换器和同步Buck变换器各有其特点和适用场景。在选择使用哪种类型的Buck变换器时,应综合考虑电路复杂度、成本、效率、性能、安全性以及应用需求等因素。通过深入理解两种类型的Buck变换器,工程师们能够更好地满足各种电源管理需求,优化电子设备的性能和效率。

相关文章
|
8月前
|
机器学习/深度学习
YOLOv8改进 | 2023注意力篇 | MLCA混合局部通道注意力(轻量化注意力机制)
YOLOv8改进 | 2023注意力篇 | MLCA混合局部通道注意力(轻量化注意力机制)
390 1
|
10天前
|
机器学习/深度学习 人工智能 自然语言处理
BERT的继任者ModernBERT:融合长序列处理、代码理解与高效计算的新一代双向编码器
ModernBERT 是一个全新的模型系列,在**速度**和**准确性**两个维度上全面超越了 BERT 及其后继模型。
104 9
|
5月前
|
机器学习/深度学习 人工智能 自然语言处理
基于Mamba架构的,状态空间音频分类模型AUM
【8月更文挑战第7天】随着AI技术的发展,音频分类在诸多领域变得至关重要。传统方法如CNN面临计算成本高的问题。新兴的Mamba架构,基于状态空间模型(SSM),展示出优秀性能。受此启发,研究者开发了Audio Mamba (AUM)模型,首个完全基于SSM且不依赖自注意力机制的音频分类模型。AUM利用SSM的高效性捕捉音频时频特征,大幅降低计算复杂度,尤其适合大规模数据。实验显示,AUM在多个任务上的表现与先进自注意力模型相当甚至更好。尽管如此,AUM在复杂任务及泛化能力方面仍存在讨论空间。[论文](https://arxiv.org/abs/2406.03344)
96 1
|
6月前
|
机器学习/深度学习 图计算 计算机视觉
【YOLOv8改进 - 注意力机制】 CascadedGroupAttention:级联组注意力,增强视觉Transformer中多头自注意力机制的效率和有效性
YOLO目标检测专栏探讨了Transformer在视觉任务中的效能与计算成本问题,提出EfficientViT,一种兼顾速度和准确性的模型。EfficientViT通过创新的Cascaded Group Attention(CGA)模块减少冗余,提高多样性,节省计算资源。在保持高精度的同时,与MobileNetV3-Large相比,EfficientViT在速度上有显著提升。论文和代码已公开。CGA通过特征分割和级联头部增加注意力多样性和模型容量,降低了计算负担。核心代码展示了CGA模块的实现。
|
8月前
|
机器学习/深度学习 自然语言处理 算法
长序列中Transformers的高级注意力机制总结
Transformers在处理长序列时面临注意力分散和噪音问题,随着序列增长,注意力得分被稀释,影响相关上下文表示。文章探讨了序列长度如何影响注意力机制,并提出了多种解决方案:局部敏感哈希减少计算需求,低秩注意力通过矩阵分解简化计算,分段注意力将输入分割处理,层次化注意力逐级应用注意力,递归记忆增强上下文保持,带有路由的注意力机制动态调整信息流,以及相对位置编码改进序列理解。这些方法旨在提高Transformer在长序列任务中的效率和性能。
361 3
|
7月前
|
机器学习/深度学习 计算机视觉
YOLOv8改进 | 注意力机制 | 添加混合局部通道注意力——MLCA【原理讲解】
YOLOv8专栏介绍了混合局部通道注意力(MLCA)模块,它结合通道、空间和局部信息,提升目标检测性能,同时保持低复杂度。文章提供MLCA原理、代码实现及如何将其集成到YOLOv8中,助力读者实战深度学习目标检测。[YOLOv8改进——更新各种有效涨点方法](https://blog.csdn.net/m0_67647321/category_12548649.html)
|
8月前
|
机器学习/深度学习 数据采集 传感器
基于CNN和双向gru的心跳分类系统
CNN and Bidirectional GRU-Based Heartbeat Sound Classification Architecture for Elderly People是发布在2023 MDPI Mathematics上的论文,提出了基于卷积神经网络和双向门控循环单元(CNN + BiGRU)注意力的心跳声分类,论文不仅显示了模型还构建了完整的系统。
97 6
|
8月前
|
机器学习/深度学习
Transfomer编码器中自注意力机制、前馈网络层、叠加和归一组件等讲解(图文解释)
Transfomer编码器中自注意力机制、前馈网络层、叠加和归一组件等讲解(图文解释)
359 0
|
机器学习/深度学习 存储 人工智能
解码Transformer:自注意力机制与编解码器机制详述与代码实现
解码Transformer:自注意力机制与编解码器机制详述与代码实现
227 0
|
机器学习/深度学习 人工智能 自然语言处理
CasEE: 一种用于重叠事件抽取的级联解码联合学习框架 论文解读
事件抽取(Event extraction, EE)是一项重要的信息抽取任务,旨在抽取文本中的事件信息。现有方法大多假设事件出现在句子中没有重叠,这不适用于复杂的重叠事件抽取。
290 0