在无人机科技走向成熟以前，人们要获取一些数据不得不使用昂贵的人工飞行器。而如今无人机获取数据的手段更为快捷，成本更为低廉，方式也更富有创意。无人机目前正在改变着诸多产业的发展。 　　矿业在获取数据的过程中就很受益于无人机这一全新的技术。目前无人机在许多矿场都得以应用，在不远的将来无人机对于矿业而言或许就是必不可少的一项配置了。 　　无人机在矿业的各个重要环节都能派上用场，例如爆破、规划、采矿操作以及矿井的生态重建。 　　爆破 　　矿井所在地往往在比较偏远的地区，现有的地图信息就有可能很不全面。在爆破工作初期倘若能够大致看一眼周边整体环境，对爆破行动而言十分有益。在过去，这一任务往往由专业的航拍公司来完成，相应的成本也十分昂贵。这也导致了在实际操作过程中只有到后期爆破阶段才会采用航拍手段来获取地图。 　　而在今天，无人机可以以较低的成本完成更好的工作。无人机可以在一天之内制作出一个地区的高清地图，有时快的话只需几个小时。由于飞行高度一般得保持在2000-2500英尺，传统的飞行器必须配备8000万像素以上的摄像头；而无人机最低可以飞行在250英尺的高度，只需配备一个1600万像素的摄像头就能够绘制出更好效果的地图。至于卫星地图，由于距离遥远，其拍摄效果并没有无人机拍摄效果好，而且成本会更加昂贵。 　　无人机在初期爆破阶段可以快速地进行航拍，成本仅需几千美元。而相较之下，传统的飞行器拍摄图像则需要10倍的花费。 　　采矿操作 　　在实际的采矿工作中无人机可以发挥很大的作用，当前无人机最常用的一种应用是测量矿物体积。传统的矿物储量测量方式是由地面的调查员配备GPS在矿井进行测量，如今许多矿井仍然采用这种方式。而无人机同样可以完成这一任务，这与人工测量相比更为安全。 　　无人机可以给墙体与斜坡建模，估算矿井的稳定性。无人机还可以飞到离矿井墙体很近的地方观察细节。用无人机进行3D建模的成本也比较低廉，因此无人机还可以重复调查以验证所采集的数据的准确性。 　　生态重建 　　在矿井的生态重建阶段，了解到矿井在开采前后的模样十分重要。通过无人机获取数据生成准确的三维图像可以帮助矿区尽可能地恢复到开采之前的模样。利用无人机定期调查还能帮助人们了解到生态恢复的进程如何。 　　2015年，无人机才刚刚开始被投入到矿业的应用中，就已经发挥出了巨大的作用。相信在不久的将来无人机就能成为侦查、矿业、环境保护等等各项事业中的标准配置。

　　题图为电影《机械姬》海报，电影中AI机器人Ava通过各种欺骗、诱惑手段，充分利用人性弱点通过了科学家的图灵测试，最终逃出囚禁、获得“自由” 　　1997年5月，IBM的“深蓝”超级计算机在6局的国际象棋比赛中，以2胜1负3平战胜了世界排名第一的国际象棋大师卡斯帕罗夫。这是人工智能发展史上一个重要的里程碑，这表明机器的智力在“信息完美”的领域，如棋牌游戏，已经超过了人类。 “深蓝”战胜了国际象棋大师 　　所谓“信息完美”是指系统内信息完全，有始有终，没有外部干扰。“深蓝”的运算能力在当时全球的超级计算机中位居259位，每秒钟可以运算2亿步。“深蓝”学习了70万局国际象棋大师比赛，从而有4千种不同的开局。 　　此外，作为机器的“深蓝”从不疲倦，没有情绪影响，更不会犯低级错误。而卡斯帕罗夫则后悔的说: 和“深蓝”的第6局比赛是他职业生涯中最烂的一盘棋。 　　人工智能发展的“上半场”回顾 　　人工智能起步于1950年，那年艾伦·图灵发表了一篇论文，预测机器的人工智能有一天能够超过人类的智能。他同时提出了“图灵测试”: 　　机器和人类专家对话之后，如果专家无法区分对方是人还是机器，则说明机器的智能超过了人。 　　1951年马文·明斯基完成了第一台神经网络机SNARC，从而成为人工智能领域的一位重要的科学家。1956年的达特茅斯会议正式确定了人工智能这个领域。 　　1950~70年是人工智能开启的年代，斯坦福大学做出了移动机器人，而麻省理工学院推出了聊天机器人。在1970~80年，人工智能的发展遇到了瓶颈，那时的计算机的运算能力和内存有限，导致学习能力差。1980~87年，人工智能迎来了兴旺发展的时期，日本投入了8.5亿美金研发机器人，而美国的研究机构DARPA也针对人工智能投入大量的资源。1987~93年又陷入了一个人工智能的冬天，人工智能的专用电脑的性能尽然落后于IBM和苹果的个人电脑。当时的DARPA主任认为人工智能不再是研究的重要方向。 　　从1993年到今天，人工智能正在经历一个大发展，特别是2012年之后，人工智能的进步明显加快了。2006年，雷蒙德·科兹威尔（Ray Kurzweil）在他的《奇点临近（The Singularity Is Near）》一书中，预言机器的智能将在2045年超过人类的智能。

　　科技发展的速度已经远远超过人类目前所想象的范围。在人工智能不断完善和日趋成熟的科技背景下，机器人成为人工智能领域强有力的科技杰作。 　　从“人工智能”一词提出到发展到现在应用于工业机器人领域，已经过去六十多个年头。六十年来，世界各国从未放下对人工智能领域的研究。在工业领域，货物机器人走进工厂；在生活领域，机器人服务员配菜送菜，且按照事先输入的指令服务顾客；在艺术领域，能歌善舞的机器人出现在了2016年的春晚上。 　　继第一个工业革命、第二次工业革命、第三次工业革命之后，人工智能领域的机器人则不断推进第四次工业革命的进程。以机器人为科技代表的“工业4.0”则是技术革命领域的革新，条件日趋成熟。 　　在第二届世界互联网大会开幕式上，机器人展便是人工智能领域研究的一大亮点。在2015年，国家就将人工智能做为新产业，将发展人工智能提升到国家战略层。人工智能领域研究的重要性不言而喻。未来五年，我国人工智能产业规模持续增长，并向更广领域延伸。 　　人工智能催发出“机器人战士”，科技发展的速度超出人的想象力。机器人已不单纯服务在工业和社会生活领域，而是走向更广泛的领域——未来战场。美国、韩国、以色列等发到国家都已经开始着手研究机器人战士系列，来应对未来战争的局势。以韩国的“杀人机器人”、以色列的“机器人战车系列”。 　　尤其以美军武实力再上一层，最新研发的人型机器人“阿特拉斯”，可以由人类精密操控，自由穿梭战场，连人类进不了的地方也阻挡不了他，如此强大的战争机器，似乎也将引领新一波军备竞赛。” 美国机器人战士亮相 　　以人工智能领域研究的机器人延伸到汽车领域——无人驾驶技术。无人驾驶技术是人工智能发展的终极结果，标志着以人工智能化应用的科研力量已经取得不凡的成果。 　　人工智能领域研究出了机器人，已经延伸到无人驾驶技术汽车领域。但随着人工智能的加速普及，互联网科技巨头的加速推动，汽车智能产业的日趋成熟，自动驾驶产业步伐必将加速发展。有分析人士认为，有望3—5年实现商业化。 　　百度的无人驾驶技术、长安集团无人驾驶技术实力、保千里基于“光学成像+夜视技术+仿生智能算法”为核心技术的汽车夜视、主动安全、智能驾驶系统等已经开始在人工智能领域投入巨资。未来以人工智能为代表的无人驾驶技术已经规模化增长。 　　人工智能推动无人驾驶技术的诞生，是科技发展的结果。在当前的技术背景下，人工智能个无人驾驶技术的完美结合，成果将会越来越多。 　　人工智能领域的加速前进则是物联网诞生的雏形。科技发展这么多年，已经对社会各个方面产生了不可磨灭的影响和作用。从传统技术的革新，到新技术领域的应用，都是人工智能引发的一些列成果。在互联网的背景下，物联网进一步发展，则是人对物、物体对物体扥感应，更加智能和先进。 　　技术一直在发展，没有人能够否定科技所带来的实质性变革。每当一种新鲜事物诞生的时候，就必然有传统的东西在阻挠，但是时间可以改变很多东西。 　　在过去的六十多年，人工智能发展缓慢，但总体上一直是发展前进的。因为科学家们深信，科技总是不断前进，技术不断飞跃，人类社会总是一直向前发展的。 　　由机器人所引发的人工智能领域：机器人战士、再到无人驾驶技术，已经走过了相当长的一段历史时期。 　　人工智能领域无论出现什么技术成果，都是科技发展的必然结果。科技发展的速度和发展的惊人成绩总是超过人类的想象力。

　　BackChannel 的一篇来自 Steven Levy 的文章描述了 Google 从培训、雇佣、管理、技术等各个方面的措施和转变，并且介绍了机器学习在 Google 崛起的历史、克服的阻力、以及势不可挡的未来。 　　Google 正在打造机器学习的“忍者团队” 　　Carson Colgate，一名 Google 机器学习队伍的新成员。     　Carson Holgate 正在训练自己成为一名“忍者”。 　　她今年 26 岁，之前已经在跆拳道里拿过一个二级的黑带。 这次，她要做的是在算法上成为一名“忍者”。 她在 Google 的 Android 部门担任工程师，现在则被收录到 Google 内部的一个机器学习“忍者项目”。这个项目只招收了 18 个人，这 18 个人却都是 Google 各个产品部门的精英。他们将要把学习到的人工智能技巧，用于打造他们各自负责的产品。 　　在 Google 负责内部机器学习、管理此“忍者项目”的产品经理 Christine Robson 说：“这个项目邀请 Google 全公司对机器学习感兴趣的工程师， 与机器学习团队一起学习 6 个月，跟导师取取经，做一些项目，然后开展和实施项目，从中学习经验和教训。” 　　很多年来，机器学习被认为是一个只有技术精英才懂的技术

　　北京时间 9 月 8 日凌晨 1 点，苹果将在美国旧金山 Bill Graham Civic Auditorium 举办了今年的秋季发布会。全世界果粉翘首以盼的 iPhone 7/iPhone 7 Plus 正式发布。 　　而除了这些备受期待的硬件产品，苹果在人工智能上的布局似乎更容易让人忽略。事实上，除了众所周知的 Siri，人工智能正在苹果的产品和服务中扮演着无处不在的“大脑”角色。 　　无处不在的“苹果大脑” 　　在去年的谷歌年度媒体会议上，谷歌前 CEO Eric Schmidt 曾表示，谷歌在机器学习上的应用已经在邮件、图片及语音识别上为用户体验带来了极大的提升，其中，Gmail 甚至已经能识别出 99% 的垃圾邮件。但绝大多数用户却感觉不到这种体验提升的存在： 　　“即便有，也只是在搜索服务中能够明显感觉到。” 　　苹果也面临着同样的问题。虽然 iPhone 的用户能明显感觉到手机性能上用户体验的提升，但与绝大多数人认知相反的是，苹果的机器学习远不止应用在 Siri 上。 　　 　　识别陌生来电、在解锁后列出你最常使用的应用，或者在提醒事项中标记了一个约会，以及自动显示附近标记的酒店，这些在苹果全面应用机器学习及神经网络后，都能处理得游刃有余。 　　在某些层面，苹果人工智能有关的发布，很大程度借鉴了微软的Cortana。苹果高管表示，Siri 正走向桌面：不久，用户就可以和苹果电脑对话，就像和手机对话一样。 　　和 Cortana 类似，Siri 也能扫描用户的通讯情况并给出建议。假如系统发现两位用户正在通过文本信息讨论约会事宜，系统会自动弹出一个台历图示，这样，用户就可以在文本线程中实现会面安排。苹果也会推荐相关的对话 emoji，在新的操作系统中，这一功能会变得更加有趣。 　　 　　而和谷歌类似的是，苹果现在可以用面部识别技术扫描你的照片，给相册中的人物分类。假如祖父照片散落在相册各处，面部识别技术可以帮你找出祖父照片，并将它们分组集中起来，如此以来，整理回忆，你无需亲自动手。而脸书的自动面部识别技术已经面世好几年了。 　　值得一提的是，通过让用户在单一应用中尽可能完成更多的任务，苹果也在尽力减轻用户的应用程序疲劳症——无需离开文本信息对话就叫 Uber，在 iMessage 中就可以完成这一任务。想从电脑给某人发文本信息？ 　　现在，你可以告诉 Siri 这么做。公司也试着减轻用户的密码疲劳症，你可以用苹果手表登陆电脑，这样就不用再输入一次密码。而且，苹果支付市场也会进一步得到扩展，现在可以在桌面上使用 Apple Pay，而且对象涉及很多商业网站。这也意味着，那些偏爱使用苹果的用户在面对一大串商户时，不用再费力地进入并保存信息用卡信息。 　　而除了在 Mac 的桌面系统上加入 Siri 外，苹果还允许开发者在自己的 App 中接入 Siri 的语音功能。苹果用户不久后就能通过直接与 Siri 对话，使用 Slack、Uber 或者 Skype 了。 　　此外，苹果也在其新的战略产品 Apple Watch 上深度应用了机器学习，包括在 iPhone 上早已应用的用户行为检测和相机人脸识别功能。 　　总体而言，越来越多的用户正在与技术对话：谷歌最近说，大约 20% 的谷歌询问来自语音，而不是键盘输入。虽然一年多以前，Cortana 已经赋予用户与台式电脑对话的能力，但是，苹果的优势是能够将这一流行移动工具整合到桌面，实现不同设备间的无缝对接。而这些的最终目标是实现用智能助手连接一切服务，这也是谷歌和 Facebook 纷纷开源 bots 平台的原因。 　　在未来，以 Siri 为代表的苹果人工智能技术和可能会成为帮用户连接服务的“大脑”。

摩尔定律是半导体的经典理论之一，提出者是Intel联合创始人戈登摩尔，他断言“大约每两年，晶体管密度就会增加1倍”。 在今年9月份的“精尖制造日”上，Intel对外重申，摩尔定律在可观察的未来都不会失效。同时，他们还将摩尔定律解释为一种经济视角，即每两年，单位晶体管的成本会缩减1半。 观点出来后也得到了很多大佬的反驳，已经明确表态的有NVIDIA CEO黄仁勋和台积电董事长张忠谋。不过，张忠谋和黄仁勋的看法不完全一致，后者称定律已然失效，而张老爷子的态度是，会在2025年遇到极大挑战。 本月21日，在与阿里CTO王坚交流时，联发科董事长蔡明介也亮明了自己的观点。 图片来自联发科官网 据Digitimes报道，蔡明介认为，摩尔定律最多还能引领半导体界两代，也就是7nm和5nm。到了3nm之后将遇到极大的困难和瓶颈。 资料显示，Intel一般会选择预研2～3代工艺，所以7nm是比较稳健的，但5nm／3nm仍遭遇比较多的困难，比较初级。 Intel曾透露自己正解决3nm的八大难题，包括纳米线晶体管、III－V材料、3D堆叠、密集内存、密集互联、极紫外光刻（EUV）、自旋电子学、神经元计算等。 另外，IBM也在加速推进终极绝缘体气隙（air gap）的开发，这是5nm之后制程节点的必备。

近日富士康即将IPO上市引起相关行业投资者热切关注，在这272.532亿元总投资金额背后，富士康要布局怎样的电子智能制造工业4.0生态圈？ 募资用途 富士康招股书披露，募集资金主要用于八个项目：工业互联网、云计算、数据中心、通信网络、物联网、智能制造新技术、智能制造升级、智能制造产能扩建等，详细投资情况如下表： （点击图片可放大看） 从上面可以看出，富士康未来将在工业互联网、5G网络与传统业务电子制造结合，在技术升级与发展并驾齐驱中，不断扩大电子设备智能制造，逐渐形成了一个高效、完善的全产业链的紧密互联体系。将通信网络设备制造业务与上游供应商、下游品牌商建立长期稳定的供应链合作关系，通过对整个供应链的资源整合、关系协调和流程优化，实现集团各成员的共赢。 经营状况 据招股书披露，富士康是全球领先的通信网络设备、云服务设备、精密工具及工业机器人专业设计制造服务商，为客户提供以工业互联网平台为核心的新形态电子设备产品智能制造服务。公司致力于为企业提供以自动化、网络化、平台化、大数据为基础的科技服务综合解决方案，引领传统制造向智能制造的转型；并以此为基础构建云计算、移动终端、物联网、大数据、人工智能、高速网络和机器人为技术平台的“先进制造+工业互联网”新生态。 富士康主要从事各类电子设备产品的设计、研发、制造与销售业务，依托于工业互联网为全球知名客户提供智能制造和科技服务解决方案。主要产品涵盖通信网络设备、云服务设备、精密工具和工业机器人。相关产品主要应用于智能手机、宽带和无线网络、多媒体服务运营商的基础建设、电信运营商的基础建设、互联网增值服务商所需终端产品、企业网络及数据中心的基础建设以及精密核心零组件的自动化智能制造等。 近三年富士康实现营业收入分别为27,28.00亿元、2727.13亿元及3545.44亿元，其中2016年营业收入较2015年微降0.03%，2017年营业收入较2016年增长30.01%；实现营业利润分别为171.88亿元172.70亿元和199.57亿元；实现归属于母公司股东的净利润分别为143.50亿元、143.66亿元和158.68亿元，其中2016年归属于母公司股东的净利润较2015年增长0.11%，2017年归属于母公司股东的净利润较2016年增长10.45%。 从上图可以看出，富士康近年的营收一直处于稳步快速增长态势，然而营业利润与归属于上市公司的净利润却难有巨大的突破，这与富士康所在的电子行业有紧密关系，据了解，近年来全球电子通信类产品市场普遍呈现出产品种类多元化、外观个性化的特征，新产品层出不穷，市场需求不断增长，竞争日益激烈，导致市场整体净利率增幅逐渐放缓，因此富士康在今年通过募资投入工业互联网、通信网络等扩大企业横向方向，谋求新的发展是明智的选择。

在刚过去的周末，科创板再迎来两大新进展： 1．上交所正式发布《保荐人通过上海证券交易所科创板股票发行上市审核系统办理业务指南》； 2．上交所举行设立科创板并试点注册制会员准备工作座谈会。 在科创板相关指引或业务指南正式公布的同时，今日上交所正式开放受理审核科创板股票发行上市申请文件。这就意味着，首批申请拟科创板上市企业在今天揭晓。 据统计，目前已经有11家企业明确公告申请科创板上市，分别是启明医疗、聚辰半导体、新光光电、申联生物、华夏天信、赛特斯、金达莱、江苏北人、大力电工、先临三维及复旦张江。保荐机构方面，中金公司、中信建投证券、国信证券、中泰证券、平安证券均有公告申请的辅导项目。这些券商的辅导项目在首批科创板IPO名单中能占几成，值得市场持续期待。

极紫外光刻技术，成为潜在的摩尔定律的救世主已经很久了。 十几年前，路线图要求EUV于2011年到货。直到去年它才开始运行。 EUV源已达到半导体制造所需的200瓦级。然而，暴露的光致抗蚀剂的缺陷限制了当前7纳米节点的产量，并且未来的5和3纳米节点将面临更大的问题。现在，基于最先进激光器的新型实验室EUV源为开发人员提供了更高的空间和时间分辨率，以便他们理解并解决这些问题。 将光刻技术移至EUV波段意味着材料和光源都发生了巨大变化。新的13．5纳米EUV等离子体源取代了193纳米的紫外激光器。随着波长减小，光子能量增加，因此来自新激光驱动的等离子体EUV源的每个光子携带的能量是来自旧激光源的光子的14倍。更高能量的光子需要新的光刻胶材料，这是一个目前仍在研究中的具有挑战性的化学问题。新开发的光刻胶似乎存在随机缺陷，称为“随机打印故障”。这个问题已经成为EUV光刻技术的首要问题，比利时IMEC探索材料首席科学家John Petersen说  。 “我们需要了解正在发生的事情的真实化学性质，”IMEC材料和分析小组主任Paul van der Heide说。为此，该公司与位于科罗拉多州博尔德的KMLabs合作，  在比利时建立了一个高分辨率的EUV成像和超短脉冲实验室。 彼得森和其他人在 2月25日至28日在圣何塞举行的SPIE高级光刻会议上描述了该设施。 照片：KMLabsKMLabs用于极紫外显微镜的桌面高次谐波源 由KMLabs构建的系统通过将来自红外激光器的高功率脉冲聚焦到气体中来产生EUV脉冲，以产生激光的高次谐波。该过程产生的脉冲持续时间为皮秒（10 －12）至阿秒（10 －18），波长可在6．5和47纳米之间调节。可调波长和可调脉冲长度使得高次谐波源比用于曝光光致抗蚀剂的更亮等离子体源更好地进行测量。谐波产生还可以产生类似激光的EUV光，它可以提供非常高的分辨率，并且无需镜头即可成像 － 这是一个很大的优势，因为固态镜头无法聚焦EUV光。该  结果是一个功能强大的测量工具 这也可以执行其他测量，现在需要像同步加速器这样的大量来源。 高谐波输出足够亮，可在微米级区域进行高分辨率干涉成像，并具有低至8 nm的特性。它还可以观察材料中极快的分子动力学和电离过程，这对理解化学过程至关重要。许多材料供应商正在测试抗蚀剂下面的薄层沉积以改善其性能，但他们缺乏探测暴露层时发生的情况的方法。“我们可以通过这个实验室来探讨这一点，”彼得森说。 该设施还可以探测麻烦的随机抗蚀剂故障，提供可以帮助研究人员预防它们的数据。之后的下一步将是识别并试图修复其他产生噪声的麻烦效应，这些效应产生的噪声高于由单个EUV光子的高能量引起的不可避免的光子散射噪声。这种散粒底噪声可能会导致缩小到小于3 nm节点的几何尺寸。 但是，新的EUV系统有其自身的局限性。“我们是测量源，而不是制造光刻技术的来源，”KMLabs首席执行官Kevin Fahey说。对于芯片制造来说，光束太弱了，但它可以聚焦到足够明亮地照射微米级区域，以便进行亚波长分辨率的高分辨率干涉成像以测试抗蚀剂。 KMLabs联合创始人亨利卡普滕说：“使用高次谐波产生光刻并不是不可能的，但它需要重大的新发展，可能需要几十年的时间。”

工业控制应用中常常涉及到一个非常重要的环节——数据或者控制信号的长距离准确传输。当今主流数字集成电路芯片往往采用CMOS或者TTL电平作为数据交互的载体，即使对于一般的工业环境而言，仅仅依靠这两种电平信号来传输数据都是难以实现整个系统的。RS-232和RS-422/485的引入使真正的工业控制(特别是恶劣的环境的控制)变为可能。在恶劣的工业环境中，按照电平噪声设计容限,RS-232的有效传输距离为10 m左右，RS-422/485也能够在100 m内取得良好的数据传输效果。这种电平信号的传输距离受物理通道的影响较大，容易受到信道容抗衰减，使传输距离受限。若将电平信号转换为电流信号，以电流作为载体进行数据传输，一方面可以增大信号的噪声容限，另一方面也可以提高信号的抗衰减能力。 1 电流环电路原理 按照欧姆定律U=IR可知,电平信号与对应的电流信号由回路中的阻抗（容抗/感抗）来决定。控制器输出的信号功率限制了信号的传输距离，因而可以通过一个晶体放大器来提升信号的驱动能力，如图1所示。当Q1基极输入为0时，Q1截止，集电极没有电流流过；当Q1的输入为1时，电流由VCC流经R3、传输电缆R2、Q1、R1,最后回到接收端，形成电流回路。在接收端由电压比较器U1获取电阻R3上的压降，从而形成输出电平信号。由欧姆定律得知:当R3上没有电流流过时，R3两端压降为0，比较器U1的输出也降为0；当R3上有电流流过时，R3上的压降为U1形成输入，从而U1也将输出高电平[1]。 由图1可知,数据转移中的电流I=IQ(IQ为晶体管的集电极电流),同时受到Q1、线路阻抗R2和R3以及电源VCC的影响。一旦选定足使Q1进入饱和状态的VCC(主要由线路的直流阻抗决定),则IQ的大小由Q1的基极输入决定；同时忽略U1的输入阻抗，则U1的输入电压Ud=IQR3。只要恰当地选定R3，数据的传输将不受外界噪声的影响。为防止误操作，可以设定U1输入的门限或者调整R3大小，来提高系统可靠性[2]。 在工业控制中，电气隔离是保证整个系统可靠运行的重要措施之一，而图1所示的原理没有任何隔离，不适合直接在实际的工业控制系统中应用。 为避免图1中系统执行部分对控制器的干扰，常用光电隔离的方法来抑制系统执行部分的电气噪声。图2给出了一种改进后的电流环电路（方框中表示电路中的数据传输的物理通道）[3]，包括两个方向的数据传输电路：发送数据时，TX端的数据控制U1中的发光二极管开关，从而控制U2上发光二极管电流的通断，最终使数据到达RX1端；同样的工作原理，接收数据时可由RX端读取经U4、R4、R5、C3、C1、U3等传送来的数据。由此，可实现发送端和接受端电气的完全隔离，且通过电流的方式实现了数据的远距离传输。同样，只要保证VCC一定的稳定性，高频噪声或者电网的波动无法形成传输回路的电流，可以降低传输物理通道中数据受到干扰的可能性。 从图2可知，数据的单向传输虽然可以取得良好的隔离和抗干扰的效果，但是需要两根导线来完成。如果距离较远，这种方式显得很不经济。 图3给出了一种经济型的电路。当在控制近端发送数据时,U2中光电管的输出由TXD输出来控制，电流流经控制器远端U1中的发光二极管；若此时远端U2作为使能端，则RXD能够接收到来自控制器近端的信息[4]。同理，RXD可以读取来自控制器远端由TXD发送过来的信息。与图2所示电路相比，该电路节约了物理通道，但只能实现半双工通信。 2 工程使用电路 图4和图5示意了工程上远距离串行通信的使用电路，在图3电路的基础上增加了逻辑门、晶体管等器件，增强了驱动能力，提高了系统的可靠性。其中，RXD为读取数据端、TXD为发送数据端、SEL_CH为通道的控制逻辑。在此基础上可以将多个通道进行并联，由主控制器通过SEL_CH通道选择逻辑，以查询的方式实现与多个终端的通信。 图6显示了处理器通过上述电路与5个终端实现串行数据交互的原理。该电路在实际工程上用于对多个终端设备进行数据采集和控制,在通信速率为19.2 kb/s，距离300 m时取得非常稳定的效果。 由基本电路理论可知，交流信号传输过程中，主要受信道的感抗、容抗影响。在整个数据的物理通道上，相对容抗而言，感抗非常小。故传输速率主要受光电耦合器件、晶体管的容抗影响。因此，恰当地选择这些器件，降低传输通道的容抗,有利于提高系统的数据交互速率和稳定性。 工程应用结果表明，以电流作为载体来进行工业控制中的数据交互，具有很强的抗噪声和电源波动干扰的能力。在物理上采用两线实现数据交互，降低了对通信电缆的要求，也比差分电平信号传输更经济。图5所示的电路在工程实践中用来实现中央控制机与多个终端设备串口数据交互，并取得了成功。该电路并不局限于串口数据的交互，通过略加变换也可以应用到eCan、Spi、I2C等总线中。 参考文献[1] MAXIM. High-efficiency, current-mode, inverting PWM controller[S]. 2001.[2] SORENSEN J. Direct-access arrangements are crucial to successful embedded-modem designs[J].Electronic Design, 2001.[3] 沈国伟，费元春．HART通信协议在现场仪表远程通信中的实现[J]．今日电子，2003(11)：22-24．[4] 阳宪惠．现场总线技术及其应用[M]．北京：清华大学出版社，1999． 电流传感器相关文章:电流传感器原理