三极管实用解析一

晶体管或许可以说是整个电子信息系统以及集成电路的基石。三极管电路也是最为常见的电路模块,其应用也极为灵活。我记得前几年看过晶体管设计一书中,有一段话我一直印象很深刻,大致意思是说,如果想制作一个电路,只需要将几个IC组合起来,起振复位上电源大体就可以简单地完成了。

但是,如果掌握了晶体管和MOS管的相关知识后,对于电路系统的认识将会大为不同。因为,以IC为单位作为黑盒子来考虑,此时IC被一定程度上认为是理想器件,但是,以单个晶体管放大电路为例,电压增益是有限的,输入电流是以基极电流的形式存在并不是理想放大器的0电流,但是我们懂得晶体管后,我们可以知道其内部结构,通过内部结构,我们结合外部电路,能够帮助我们更好的理解分析,调试电路。

1. 三极管的开关电路

开关电路应用的普遍性就不用我多讲了。输入电压Vin控制三极管开关的开启(open) 与闭合(closed) 动作,当三极管呈开启状态时,负载电流便被阻断,反之,当三极管呈闭合状态时,电流便可以流通。详细的说,当Vin为低电压时,由于基极没有电流,因此集电极亦无电流,致使连接于集电极端的负载亦没有电流,而相当于开关的开启,此时三极管工作在截止(cut off)区。

同理,当Vin为高电压时,由于有基极电流流动,因此使集电极流过更大的放大电流,因此负载回路便被导通,而相当于开关的闭合,此时三极管工作在饱和区(saturation)。

图1 基本三极管开关

一般而言,可以假设当三极管开关导通时,其基极与射极之间是完全短路的。

应用实例:

下图是英特尔公司某块主板中电路图的一部分,就是一个典型的三极管应用电路。

图2 三极管开关电路应用实例

电路分析:

当A为高电平时,三极管1导通,所以输出B点跟发射极电平相同,为低电平;因为B为低电平,所以三极管2截止,输出C为高电平。

当A为低电平时,三极管1截止,所以输出B点为高电平;因为B为高电平,所以三极管2导通,输出C为低电平。

2. 三极管的推挽型射极跟随器

由于射极带负载电阻的射极跟随器,在输出很大电流时也就是阻抗较低情况时,输出波形的负半轴会被截去,不能得到完整的输出最大电压而失真。为提升性能并改善这个缺点将发射极负载电阻换成PNP管的射极跟随器电路称之为推挽射极跟随器。

【电路分析】

由于上边的NPN晶体管将电流“吐出来”给负载(对应推,source current),PNP晶体管从负载将电流“吸进来”(对应挽,sink current),所以称为推挽(push-pull)。但是此电路的缺点是在0V附近晶体管都截止,会产生交越失真。推挽电路以及拉电流、灌电流是实际工程系统中非常重要的概念,通过此电路学习理解此概念非常易懂。

交越失真是指正弦波的上下侧没有连接上的那部分,此失真的原因在于晶体管的基极都是连在一起的,所以基极电位是一样的。当输入信号在0V附近时,基极-发射极间没有电位差,因此没有基极电流的流动。也就是,此时两个晶体管都是截止的,并没有工作。

另外,即便是基极上加上了输入信号,对上侧在基极电位比发射极电位高0.6V以前,也不会工作。反之,对于下侧晶体管的基极只有比发射极低0.6V以后才能工作。所以,体现在波形上就会产生一个交越失真的盲区。

不过,此电流稍加修改就是一个很好用的电路了,思路很简单,用两个二极管在每个晶体管的基极上加上大概0.6V的二极管的正向压降--补偿电压,就可以抵消晶体管的盲区了。如下图所示:

此电路用两个二极管的压降抵消晶体管的基极-发射极间的电压Vbe,可以认为晶体管的空载电流几乎为0。所以当不存在信号时,就也没有晶体管的发热问题。顺便提一下,这个电路中在输出状态总有一个晶体管处于截止状态的电路称之为B类放大器,举一反三的,如果只有一个管子且晶体管常进行工作的电路称之为A类放大器。

这样一来,射极跟随器-推挽电路-拉电流,灌电流-A类放大器,B类放大器,这些知识就可以串起来了,那么有没有想过同样非常常用的D类放大器?又有什么样的特点呢?

原文地址:https://www.cnblogs.com/isAndyWu/p/9593932.html

时间: 2024-11-09 00:53:58

三极管实用解析一的相关文章

正则表达式解析 & awk/sed/grep实用实例总结文档

##正则表达式特殊字符解析 "^" 匹配行首 "$" 匹配行尾 "^$" 匹配整行为空,空行 grep -v "^$"    打印非空的行 "."  代表且只能代表任意一个字符 "*" 重复0个或多个前面一个的字符.例如"o*",重复一个或多个o ".*"  匹配所有字符.延伸: "^.*" -->以任意多个字符开头.&q

Qt5 http/HTTPS访问 以及JSON解析的实用

实用QT5访问HTTP/以及HTTPS协议访问 并且调用Json解析 1 #include "mywidget.h" 2 #include "ui_mywidget.h" 3 #include <QUrl> 4 #include <QDebug> 5 #include <QByteArray> 6 #include <QSslConfiguration> 7 #include <QJsonDocument>

分享《机器学习:实用案例解析》中文版PDF+英文版PDF+源代码

下载:https://pan.baidu.com/s/1-TzAIfMvJosL9-vk5Ft5kQ 更多资料分享:http://blog.51cto.com/3215120 <机器学习:实用案例解析>中文版PDF+英文版PDF+源代码R语言版的机器学习:中文版PDF,302页,带目录和书签:英文版PDF,322页,带目录和书签:配套源代码. 中文版如图所示: 原文地址:http://blog.51cto.com/3215120/2313183

[读书笔记]机器学习:实用案例解析(4)

第4章  排序:智能收件箱 有监督学习与无监督学习:有监督学习已有明确的输出实例:无监督学习在开始处理数据时预先并没有已知的输出实例. 理论上邮件的优先级特征: 社交特征:收件人与发件人之间的交互程度 内容特征:收件人对邮件采取行为(回复.标记等)与某些特征词之间相关 线程特征:记录用户在当前线程下的交互行为 标签特征:检查用户通过过滤器给邮件赋予的标签(标记) 由于数据量不足,本文用于替代的优先级特征:(需要抽取的元素) 社交特征:来自某一发件人的邮件量(发件人地址) 时间量度:(接受时间日期

最近采集写的一个超简单实用的HTML解析类

1. [文件] HtmlDom.php <?php$oldSetting = libxml_use_internal_errors( true ); libxml_clear_errors();/** *  * -+----------------------------------- * |PHP5 Framework - 2011 * |Web Site: www.iblue.cc * |E-mail: [email protected] * |Date: 2012-10-12 * -+--

黄聪:HtmlAgilityPack,C#实用的HTML解析类简介

HtmlAgilityPack是.net下的一个HTML解析类库.支持用XPath来解析HTML.这个意义不小,为什么呢?因为对于页面上的元素的xpath某些强大的浏览器能够直接获取得到,并不需要手动写.节约了大半写正则表达式的时间,当然正则表达式有时候在进一步获取的时候还需要写,但是通过xpath解析之后,正则表达式已经要匹配的范围已经非常小了.而且,不用正则表达式在整个页面源代码上匹配,速度也会有提升.总而言之,通过该类库,先通过浏览器获取到xpath获取到节点内容然后再通过正则表达式匹配到

一个类文件搞定SQL条件映射解析,实现轻量简单实用ORM功能

个人觉得轻简级的ORM既要支持强类型编码,又要有执行效率,还要通俗易懂给开发者友好提示,结合Expression可轻松定制自己所需要功能. 表达式解析代码: 1 using System; 2 using System.Collections; 3 using System.Collections.Generic; 4 using System.Data.Common; 5 using System.Linq; 6 using System.Linq.Expressions; 7 using S

[读书笔记]机器学习:实用案例解析(5)

第5章  回归模型:预测网页访问量 回归模型:用已知数据集预测另外一个数据集,已知数据集称为输入,也叫预测变量或特征,想要预测的数据称为输出.回归模型与分类模型的不同之处在于回归模型的输出是有意义的数值. 基准模型:用均值作为预测 #machine learing for heckers #chapter 5 library(ggplot2) ages <- read.csv('ML_for_Hackers/05-Regression/data/longevity.csv') #密度图 ggpl

[读书笔记]机器学习:实用案例解析(7)

第7章  优化:密码破译 优化简介:最优点(optimum),优化(optimization) 本章研究的问题:构建一个简单的密码破译系统,把解密一串密文当做一个优化问题. 优化方法:网格搜索(grid search),主要问题是1.步长的选择:2.维度灾难(Curse of Dimensionality):问题规模过大 optim函数:比网格搜索更快,可以通过已经计算出的信息推断出下一步的方向,同时对所有变量一起优化.(根据书中后文,可能的原理是根据导数得出下一步的进行方向,因为该函数对于不可