SY8105:一款犀利的5A同步降压DC-DC转换器

犀利姐SY8105反向电路,同步降压(Buck)DC-DC转换器。 高效的500 kHz开关频率,能够提供5.0A的电流。 SY8105在从5V到18V的宽输入电压范围内工作,并集成了主开关和同步开关与极低的RDS(ON),以最小化导电损失。 低输出电压纹波和小的外部电感和电容器尺寸实现了500 kHz的开关频率。 它采用即时PWM架构,实现高降压应用的快速瞬态响应。 学习方法是:可以直接查看里面的电路结构,还有管子的宽长比参数等。 拿到原理图之后需要自己换成自己所持有的PDK就可以跑仿真了,国内大部分公司都是这样设计芯片产品的,参考价值非常大,整个芯片里面有非常多的模块,适合研究生没有项目的同学,可以拿里面的一些模块当做项目,也适合工作的拿来参考对比设计

最近在研究DC-DC转换器时,发现SY8105这个小家伙还挺有意思的。作为一个同步降压(Buck)型DC-DC转换器,它虽然体积不大,但性能倒是挺能打。

先说说基本参数。SY8105支持5V到18V的宽输入电压范围,输出电流可达5A,开关频率固定在500kHz。别看频率不算特别高,但在降压应用中已经足够用了。而且这个芯片集成度挺高的,主开关和同步开关都内置了,还用了极低RDS(ON)的MOSFET,导通损耗应该很小。

再看看内部结构

根据我拿到的原理图,SY8105的内部架构可以分成几个主要模块:

  1. PWM控制模块
  2. 电流检测电路
  3. 同步整流控制模块
  4. 输出电压反馈模块
  5. 保护电路

让我重点看看PWM控制部分。这个架构是即用型PWM,相比 hysteretic控制,这种架构在瞬态响应方面表现更好。特别是在高降压比应用中,输出电压的调整速度更快。

在布局布线上也有一些讲究。比如说,VOUT和GND的走线需要尽可能宽,因为它们承载的电流最大。同时,电感和滤波电容的位置也很重要,要尽量靠近芯片,减少寄生电感的影响。

仿真与学习

拿到原理图之后,完全可以结合自己手头的PDK(工艺设计套件),直接在仿真工具上运行。国内很多IC设计公司都是这么做的,参考价值挺高的。

这里我稍微写个小例子。假设我们要设计一个降压转换器,输入5V,输出3.3V,5A电流。那我们可以这样算:

首先,确定最大占空比:

D = VOUT / VIN = 3.3 / 5 = 0.66

然后选择合适的电感值。一般来说,在同步降压应用中,电感值L可以根据以下公式计算:

犀利姐SY8105反向电路,同步降压(Buck)DC-DC转换器。 高效的500 kHz开关频率,能够提供5.0A的电流。 SY8105在从5V到18V的宽输入电压范围内工作,并集成了主开关和同步开关与极低的RDS(ON),以最小化导电损失。 低输出电压纹波和小的外部电感和电容器尺寸实现了500 kHz的开关频率。 它采用即时PWM架构,实现高降压应用的快速瞬态响应。 学习方法是:可以直接查看里面的电路结构,还有管子的宽长比参数等。 拿到原理图之后需要自己换成自己所持有的PDK就可以跑仿真了,国内大部分公司都是这样设计芯片产品的,参考价值非常大,整个芯片里面有非常多的模块,适合研究生没有项目的同学,可以拿里面的一些模块当做项目,也适合工作的拿来参考对比设计

L = (VIN - VOUT) D / (fsw Iout)

代入数值得:

L = (5-3.3)0.66 / (500000 5) ≈ 4.7uH

接着,我们可以看看输出滤波电容。为了保证纹波小于某个值,比如假设纹波峰峰值为50mV,则电容选多大?这取决于电容的ESR和电容值。一般来说:

ΔV = Iout ESR / (2fsw)

如果我们期望纹波小于50mV,那可以估计所需的电容值:

假设 ESR = 0.1Ω,那:

C = Iout / (2fsw ΔV) = 5 / (25000000.05) ≈ 10uF

实际选型时,选10uF、6.3V的电容应该就差不多了。

对于研究生或者刚工作的同学,这个芯片可以拆分成很多学习模块:

  1. 研究其PWM控制环路设计
  2. 学习同步整流控制策略
  3. 分析过流保护和热保护机制
  4. 仿真不同输入输出条件下的动态响应

拿PWM环路来说,里面的补偿网络设计就很有看点。可以通过调整补偿电容和电阻的值,优化系统的稳定性。

最后,这个芯片的另一个优点就是支持小尺寸的外部元件,特别是500kHz的开关频率,让电感和电容的体积可以做得比较小,整个电源解决方案的占位面积也得以减少。

总之,SY8105是一款很适合学习和应用的同步降压转换器。无论是作为教学用途还是实际项目参考,都非常值得一探究竟。

相关推荐
zm-v-1593043398618 小时前
Python 数据挖掘从入门到精通:回归 / 分类 / 聚类 / 关联分析完整教程
python·数据挖掘·回归
机器学习之心1 天前
LSBoost增强算法回归预测+SHAP可解释分析+新数据预测(多输入单输出)MATLAB代码
算法·matlab·回归·lsboost·shap可解释分析
机器学习之心1 天前
随机森林回归预测+SHAP可解释分析+新数据预测(多输入单输出)MATLAB代码
随机森林·matlab·回归·shap可解释分析
机器学习之心3 天前
基于GPR高斯过程回归的轴承剩余寿命预测MATLAB实现
matlab·回归·轴承剩余寿命预测
木尧大兄弟3 天前
Decoder-Only 模型 自回归vs一次前传 两种 Hidden State 的对比
数据挖掘·回归·kotlin
机器学习之心3 天前
LightGBM多变量回归区间预测(点预测 + 区间预测),MATLAB代码
matlab·回归·区间预测
youyoulg3 天前
监督学习-回归
学习·数据挖掘·回归
飞Link5 天前
深度解析多维时序数据异常检测:原理、挑战与架构之道
python·数据挖掘·回归
光的方向_7 天前
当 MCP 遇上回归主义:CLI 和直接 API 正在夺回 AI 集成的主导权
人工智能·数据挖掘·回归
机器学习之心7 天前
GA-SVR遗传算法优化支持向量机回归+SHAP分析+新数据预测,MATLAB代码
支持向量机·matlab·回归·shap分析·新数据预测·ga-svr·遗传算法优化支持向量机回归