EMI能量是如何传播的?

2024-06-21 03:52
文章标签 能量 传播 emi

本文主要是介绍EMI能量是如何传播的?,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

        理解产品的EMI性能,有三个要素需要重点关注:

        1. 能量源;

        2. 接收器、受干扰电路或系统;

        3. 能量耦合路径。

        简单地说,如果没有能量源,就不会产生EMI干扰源;如果没有耦合路径,就不会产生复杂的EMI现象;如果没有敏感的接收器,即使发生了能量耦合,可能也不会产生严重的电性能问题,因此,耦合路径是三要素的关键所在。

        实际设计中,存在4种主要耦合模式:

        1. 感性耦合;

        2. 容性耦合;

        3. 辐射耦合;

        4. 传导耦合。

        感性耦合要求具有时变的电流源和两个环路或两条平行导线,主要产生磁耦合,比如开关电源中的电源变压器(具有大的di/dt)与附近电缆的耦合;

        容性耦合要求具有时变的电压源和两个相邻的金属块,主要产生电耦合,比如开关电源(具有大的dv/dt)的大散热片与附近壳体结构金属面的耦合。

        这两种耦合机理被称为近场耦合,如果耦合结构之间增加一小段的间隔距离,耦合效应将会显著降低,或者,把两个环路隔开,也是一种很好的干扰抑制技术,总之,这种类型的耦合通常出现在产品内部。

        辐射耦合要求具有两幅天线,比如发射电路+导线与接收电路+导线(只有发射源而没有具备天线效应的媒介,是产生不了明显辐射量的),相较于传播的电讯号,天线可以是电大结构,天线的其它常见结构还可能包括IO电缆、屏蔽壳体上的开口、槽或缝隙,当这些结构的耦合频率接近于谐振频率,会形成天线效应,此时,这些结构即是有效的发射天线,也是有效的接收天线,会导致一系列的产品辐射和抗干扰问题。

        传导耦合要求能量源和接收器之间具有导线相连,这种耦合通常与导线长度无关,并且同时存在共阻抗(PCB金属参考面或金属壳体),大多数情况下,这种耦合为低频效应,在音频系统中通常存在这种问题。

        辐射和传导耦合可以出现在产品内部或外部,因此,会同时存在近场和远场的耦合现象。

        EMI的现象虽然很复杂,但是,只要能够抓住主要的分析脉络,将现象归结到上述的某种或多种耦合模式,设计者才可以利用相关的理论进行问题的分析及定位,电磁现象之所以被称之为“玄学”,除了它本身无法肉眼捕捉之外,更多的是设计者的思维无法进行对应的转变,问题自然就无法被量化。

        以上仅是作者的经验积累之看法,涉及到工程应用,往往还是需要工程师们的灵活应变。

这篇关于EMI能量是如何传播的?的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1080138

相关文章

用einsum实现MultiHeadAttention前向传播

einsum教程网站Einstein Summation in Numpy | Olexa Bilaniuk's IFT6266H16 Course Blog 编写训练模型 import tensorflow as tfclass Model(tf.keras.Model):def __init__(self, num_heads, model_dim):super().__init__

能量项链,洛谷

解释:  环形dp问题还是考虑将环拉直,可以参考我上一篇文章:环形石子合并 [2 3 5 10 2] 3 5 10 将环拉直,[]内是一个有效的区间,可以模拟吸收珠子的过程,         如[2 3 5] <=>(2,3)(3,5)    2是头,3是中间,5是尾 len >= 3:因为最后[2 10 2]是最小的可以合并的有效区间 len <= n + 1因为[2 3

Spring事务和事务传播机制(下)

我们上一篇文章学习了 @Transactional 的基本使用。接下来我们学习 @Transactional 注解的使用细节。 @Transactional 注解当中有下面三个常见属性: 1、rollbackFor:异常回滚属性。指定能够触发事务回滚的异常类型。可以指定多个异常类型 2、IsoIation:事务的隔离级别。默认值为 IsoIation.DEFAULT。 3、pr

【Get深一度】信号处理(一)——能量信号与功率信号的区别

1.1 能量信号与功率信号的区别         通常情况下,电信号默认为电流(I)或电压(V),有两种主要类型:能量信号、功率信号。相信有朋友现在依然还是傻傻分不清楚这两者之间的区别。 下面我将进行分条详述:(关键词已加黑)        1)能量信号:表现为    确定或随机        2)功率信号:变现为    周期或随机          注:其中随机信号是比较好理解的

Spring框架七、Spring Transactional传播特性

一、事务的传播特性 事务的传播特性指的是当一个事务方法被另一个事务方法调用时,这个事务方法应该如何进行? spring的事务传播行为一共有7种: 二、测试事务的传播特性 1、环境准备 application_context.xml <?xml version="1.0" encoding="UTF-8"?><beans xmlns="http://www.springframewo

四层神经网络,反向传播计算过程;四层神经网络中:y的函数公式是什么

目录 四层神经网络,反向传播计算过程 网络结构 前向传播 损失函数 反向传播 1. 计算输出层到隐藏层 2 的梯度 2. 计算隐藏层 2 到隐藏层 1 的梯度 3. 计算输入层到隐藏层 1 的梯度 梯度下降更新 四层神经网络,反向传播计算过程 在四层神经网络中,使用均方差损失函数进行反向传播计算是一个常见的训练过程。这里我们简单举例说明这个过程。 网络结构 假

[pytorch] --- pytorch基础之损失函数与反向传播

1 损失函数 1.1 Loss Function的作用 每次训练神经网络的时候都会有一个目标,也会有一个输出。目标和输出之间的误差,就是用Loss Function来衡量的。所以Loss误差是越小越好的。此外,我们可以根据误差Loss,指导输出output接近目标target。即我们可以以Loss为依据,不断训练神经网络,优化神经网络中各个模块,从而优化output 。 Loss Funct

开放题:如何利用深度学习来重参数化 K-means 聚类,这样的思路要做出效果,它的前向传播、反向传播以及优化目标最好是什么样的?

🍉 CSDN 叶庭云:https://yetingyun.blog.csdn.net/ 传统的 K-means 算法直接处理数据点与聚类中心。重参数化技术的核心在于利用神经网络来学习一个从输入空间映射到聚类分配的转换函数。深度学习重参数化 K-means 聚类的核心思想在于,将传统 K-means 算法中的硬分配机制转化为可微分的软分配,进而利用神经网络学习并优化特征表示。此方法巧妙融合了

新能源汽车超级电容和电池能量管理系统的simulink建模与仿真

目录 1.课题概述 2.系统仿真结果 3.核心程序与模型 4.系统原理简介 4.1 电池模型 4.2 电池荷电状态(SOC)估算 4.3 超级电容器模型 4.4 能量管理 5.完整工程文件 1.课题概述         新能源汽车的能量管理系统(Energy Management System, EMS)旨在高效管理和分配车辆内的能量资源,以提高整体能效和延长行驶里程

GNN-2008:Original GNN【消息传递(前向传播):聚合函数+更新函数+输出函数】【核心:不动点理论】【梯度优化:用Almeida-Pineda算法,而不是用BPTT(反向传播)算法】

GNN-2008:Original GNN【消息传递(前向传播):聚合函数+更新函数+输出函数】【核心:不动点理论】【梯度优化:用Almeida-Pineda算法,而不是用BPTT(反向传播)算法】 《原始论文:A new model for learning in graph domains-2005》 《原始论文:The Graph Neural Network Model-2008》 一