智能小车九《不学电路图怎么造车》
发布日期:2021-10-03 12:40:22 浏览次数:1 分类:技术文章

本文共 1004 字,大约阅读时间需要 3 分钟。

硬件部分最麻烦的应该就是做这个电路板了,之前已经介绍了使用L293D芯片和arduino ProtoShield。使用ProtoShield至少免去了在万能板上焊排针的工作。
但是芯片和其它电子原件的焊接还是免不了的,为了理清思路,还是得学习下怎么设计电路板(PCB)。当然我们做的这个小车比较简单,不画原理图和pcb图也是可以的,但时间长了这十几根线一定记不清了。比如我做的第一款扩展板就是这样没图画,现在就记不清线了。所以我决定这次做要留下图,方便以后查看。以前做的扩展板:
最终我在腾讯课堂买了一个课堂,准备学习一下如何画pcb图。使用的工具是Protel99se,它可以在
http://www.downza.cn/soft/20556.html下载。
因为我是第一次用这个工具,所以会把这个记录得详细些。
一、准备工作
1.新建项目File->New Design
2.在新建的项目中增加四个文件夹File->New,如下图:
3.双击新建的4个文件夹中的sch.lib,就上是图中的Schematic library对应的文件夹:
二、制作元器件
点击sch.lib后选择上面的Browse SchLib可以从Components中看到新建的元件。
1.新建元件Tools->New Component
图里的arduino uno,7805,L293D这三个元件都是这么建的。
2.绘制元件。
以绘制arduino uno为例,选择SchLibDrawingTools里的矩形,画一个矩形。然后选择SchLibDrawingTools里最后的一个引脚图标绘制引脚。这里有个小技巧,点了引脚图标后按tab键出来属性对话框,可以修改属性。如果num属性设置为数字,那么绘制出来的标号就是这个数字且数字会自动增加,这样就会省很多工作量。
3.绘制原理图
绘制好元件后就可以把元件放入原理图,来理清电路了。
1.添加libraries.
点击上图里的cz.sch.Sch再选择Browse Sch列表页。点击下面的Find按钮,在弹出的窗口Path输入框中选择我们刚设计的元件文件的路径,再点击Find Now按钮,选好文件后点击Add To Library List就可以了。
2.连接各元件的线路。
很抱歉的说我这点电路知识就是个小白,所以我尽量少用元件,用的都是有用且能理解的。这个放到下一文讲。

转载地址:https://blog.csdn.net/koolfret/article/details/77184152 如侵犯您的版权,请留言回复原文章的地址,我们会给您删除此文章,给您带来不便请您谅解!

上一篇:智能小车十《从原理图到PCB图》
下一篇:智能小车八《怎么组装一个arduino小车》

发表评论

最新留言

留言是一种美德,欢迎回访!
[***.207.175.100]2024年04月19日 01时56分52秒

关于作者

    喝酒易醉,品茶养心,人生如梦,品茶悟道,何以解忧?唯有杜康!
-- 愿君每日到此一游!

推荐文章

路径规划(一) —— 环境描述(Grid Map & Feature Map) & 全局路径规划(最优路径规划(Dijkstra&A*star) & 概率路径规划(PRM&RRT)) 2021-07-03
神经网络调参实战(四)—— 加深网络层次 & 批归一化 batch normalization 2021-07-03
数据挖掘与数据分析(三)—— 探索性数据分析EDA(多因子与复合分析) & 可视化(1)—— 假设检验(μ&卡方检验&方差检验(F检验))&相关系数(皮尔逊&斯皮尔曼) 2021-07-03
RRT算法(快速拓展随机树)的Python实现 2021-07-03
路径规划(二) —— 轨迹优化(样条法) & 局部规划(人工势能场法) & 智能路径规划(生物启发(蚁群&RVO) & 强化学习) 2021-07-03
D*算法 2021-07-03
强化学习(四) —— Actor-Critic演员评论家 & code 2021-07-03
RESTful API 2021-07-03
优化算法(四)——粒子群优化算法(PSO) 2021-07-03
数据挖掘与数据分析(三)—— 探索性数据分析EDA(多因子与复合分析) & 可视化(2)——回归分析(最小二乘法&决定系数&残差不相关)&主成分分析&奇异值分解 2019-04-30
数据在Oracle中的存储 2019-04-30
优化算法(五)—人工蜂群算法Artificial Bee Colony Algorithm(ABC) 2019-04-30
轨迹规划 trajectory planning 2019-04-30
AGV自动导引运输车 2019-04-30
Trie树(字典树) 2019-04-30
COMP7404 Machine Learing——Logistic Regression 2019-04-30
COMP7404 Machine Learing——Regularization(参数C) 2019-04-30
COMP7404 Machine Learing——KNN 2019-04-30
COMP7404 Machine Learing——SVM 2019-04-30
COMP7404 Machine Learing——Decision Tree & Random Forests 2019-04-30