【入门到实战】OpenHarmony南向子系统开发:充电限流限压定制开发指南

鸿蒙OpenHarmony【充电限流限压定制开发】子系统电源管理 OpenHarmony默认提供了充电限流限压的特性。在对终端设备进行充电时,由于环境影响,可能会导致电池温度过高,因此需要对充电电流或电压进行限制,从而保证终端设备使用的安全性。但是充电时的电流电压对安全性的影响在不同的产品上规格是不同的,产品希望根据产品的设计规格来定制此特性。为此OpenHarmony提供了充电限流限压的定制方式,产品定制开发者可根据产品的设计规格来定制此特性。 阅读详情

往期鸿蒙5.0全套实战文章必看:(文中附带全栈鸿蒙5.0学习资料)


充电限流限压定制开发

简介

OpenHarmony默认提供了充电限流限压的特性。在对终端设备进行充电时,由于环境影响,可能会导致电池温度过高,因此需要对充电电流或电压进行限制,从而保证终端设备使用的安全性。但是充电时的电流电压对安全性的影响在不同的产品上规格是不同的,产品希望根据产品的设计规格来定制此特性。为此OpenHarmony提供了充电限流限压的定制方式,产品定制开发者可根据产品的设计规格来定制此特性。

约束与限制

配置策略: 产品定制的配置路径,需要根据配置策略决定。本开发指导中的定制路径以/vendor进行举例,请开发者根据具体的产品配置策略,修改定制路径。

开发指导

搭建环境

设备要求:

标准系统开发板,如DAYU200/Hi3516DV300开源套件。

环境要求:

Linux调测环境,相关要求和配置可参考《快速入门》。

开发步骤

本文以DAYU200为例介绍充电限流限压的定制方法。

  1. 在产品目录(/vendor/hihope/rk3568)下创建battery文件夹。

  2. 参考默认充电限流限压配置文件夹创建目标文件夹,并安装到//vendor/hihope/rk3568/battery目录下,文件格式如下:

    profile
    ├── BUILD.gn
    ├── battery_config.json
    
  3. 参考默认充电限流限压的配置文件夹中的battery_config.json编写定制的battery_config.json,包含定制后的充电限流限压配置如下:

    {
        "charger": {
            "current_limit":{
                "path": "/data/service/el0/battery/current_limit"
            },
            "voltage_limit":{
                "path": "/data/service/el0/battery/voltage_limit"
            }
        }
    }
    
  4. 参考默认充电限流限压的配置文件夹中的BUILD.gn编写BUILD.gn文件,将battery_config.json打包到//vendor/etc/battery目录下,配置如下:

    import("//build/ohos.gni")                #引用build/ohos.gni
    
    ohos_prebuilt_etc("battery_config") {
        source = "battery_config.json"
        relative_install_dir = "battery"
        install_images = [ chipset_base_dir ] #安装到vendor目录下的必要配置
        part_name = "product_rk3568"          #part_name为product_rk3568,以实现后续编译
    }
    
  5. 将编译目标添加到/vendor/hihope/rk3568目录下ohos.build的"module_list"中,例如:

    {
    "parts": {
        "product_rk3568": {
        "module_list": [
            "//vendor/hihope/rk3568/default_app_config:default_app_config",
            "//vendor/hihope/rk3568/image_conf:custom_image_conf",
            "//vendor/hihope/rk3568/preinstall-config:preinstall-config",
            "//vendor/hihope/rk3568/resourceschedule:resourceschedule",
            "//vendor/hihope/rk3568/etc:product_etc_conf",
            "//vendor/hihope/rk3568/battery/profile:battery_config" #添加battery_config的编译
        ]
        }
    },
    "subsystem": "product_hihope"
    }
    

    “//vendor/hihope/rk3568/battery/”为文件夹路径,“profile”为创建的文件夹名字,“battery_config”为编译目标。

  6. 参考《快速入门》编译定制版本,编译命令如下:

    ./build.sh --product-name rk3568 --ccache
    
  7. 将定制版本烧录到DAYU200开发板中。

调测验证

  1. 编译battery对应的hats测试用例,编译命令与框架搭建参考XTS子系统。

  2. 用框架执行测试,输出测试报告。

    battery_limit_current_test_report

参考

开发过程中可参考默认充电限流限压的配置文件夹中的battery_config.json

默认配置:

{
    "charger": {
        "current_limit":{
            "path": "/data/service/el0/battery/current_limit"
        },
        "voltage_limit":{
            "path": "/data/service/el0/battery/voltage_limit"
        }
    }
}

打包路径:/system/etc/battery

OpenHarmony开发板自动熄屏问题解决:修改屏幕超时设置与持久化配置 在嵌入式系统开发中,电源管理策略是影响设备续航与用户体验的关键技术之一。其核心原理是通过监控用户交互事件,结合预设的超时阈值来控制设备状态切换,以达到节能目的。对于开发者而言,灵活配置这些参数能极大提升调试效率,尤其在需要长时间观察屏幕的鸿蒙应用开发场景中。OpenHarmony作为新一代分布式操作系统,其电源管理模块通过系统设置数据库存储相关配置,开发者可通过命令行工具直接调整。本文以触觉智能开发板为例,详细解析如何通过修改 `screen_off_timeout` 参数,并利用初始化脚本实现配置持久化, 阅读详情

相关推荐

rk3568 OpenHarmony4.0 如何去除锁屏

下载OpenHarmony4.0release的源码,删除源码目录下applications\standard\hap下的SystemUI-ScreenLock.hap。OpenHarmony4.0开机或者息屏按电源键进入时需要上滑解锁屏幕,其实没有什么大的作用。(1)找到并删除或注释掉 预置SystemUI-ScreenLock.hap的相关代码,如下所示。(2)找到并删除或注释与Screenlock依赖的相关代码,如下列代码中的红色部分。那么如何去调这个锁屏效果呢,本给出一个方法。

Devlin_的博客 2354

openharmony3.1(鸿蒙)解决休眠问题

openharmony 休眠

jn_IT的博客 2371

鸿蒙(OpenHarmony)开发实现 息屏/亮屏 详情

实现点击关闭屏幕,定时5秒后唤醒屏幕。

afufufufu的博客 1047

OpenHarmony 关闭息屏方式总结

OpenHarmony 关闭息屏方式总结

Abner_Crazy的博客 4192

rk3568 OpenHarmony4.0睡眠息屏时间设置

(1)rk3568 OpenHarmony4.0release系统设置没有屏幕睡眠时间的设置,虽然可以通过命令行命令:power-shell setmode 602开启不息屏设置,但是重启后,又会进入默认睡眠息屏时间。(2)模仿手机系统设置应用,可以添加一个自动息屏时间设置,选择设备在一段时间不进行人操作时,进入睡眠息屏设置。

Devlin_的博客 1535

OpenHarmony南向设备开发:子系统开发-电量与LED灯颜色的定制开发

OpenHarmony默认提供了电量与LED灯颜色的映射关系。

初一十五的博客 865

OpenHarmony 禁用默认的睡眠设置模式

OpenHarmony 默认状态下会在启动后未操作的一段时间进入睡眠模式,该模式下屏幕会自动息屏。但是我们在调试过程中不希望进入睡眠模式,所以需要进行一些参数修改。OpenHarmony 默认情况下的 hilog 是关闭的,导致其中很多的信息虽然打印出了 log ,但是会发现其中关键数据信息显示成了。针对这种情况,其实主要原因是 hilog 没有开启明文 log 输出。修改 OpenHarmony 源代码中的。,修改其中的如下内容即可。

跑不了的你的博客 1274

如何在OpenHarmony 4.1R上设置系统默认不锁屏(修改系统锁屏应用)

weixin_58069108的博客 1255

OpenHarmony南向设备开发:子系统开发-充电限流限压定制开发

OpenHarmony默认提供了充电限流限压的特性。

初一十五的博客 834

OpenHarmony以及HarmonyOS应用监听亮屏息屏

表示设备屏幕关闭且设备处于睡眠状态的普通事件的动作。表示设备屏幕打开且设备处于交互状态的公共事件的操作。

龚礼鹏的博客 812

ADS 2024实战:手把手教你搞定CGH40010F的Doherty功放仿真与版图(附避坑指南)

本文详细介绍了使用ADS 2024进行CGH40010F Doherty功放从仿真到版图的全流程设计,涵盖器件建模、稳定性分析、负载牵引匹配和版图联合仿真等关键步骤。特别针对新手常见问题提供避坑指南,帮助工程师高效完成射频功放设计,提升5G基站和雷达系统的性能。

weixin_42528191的博客 222

深入 OpenHarmony 内核:设备待机管理模块的休眠调度与资源节能技术

WORKING = 0, // 工作状态:设备正常使用DARK = 1, // 暗屏状态:屏幕关闭但设备活跃NAP = 2, // 小憩状态:轻度休眠,快速唤醒MAINTENANCE = 3, // 维护状态:执行系统维护任务SLEEP = 4, // 睡眠状态:深度休眠,最大省电CONNECTION = 0, // 连接阶段SYS_RES_LIGHT = 1, // 系统资源轻度限制APP_RES_LIGHT = 2, // 应用资源轻度限制END = 3, // 结束阶段。

m0_67505153的博客 887

GD32F303串口DMA发送数据避坑指南:为什么你的发送函数会卡住?

本文深入解析GD32F303单片机串口DMA发送数据时常见的卡死问题,提供详细的避坑指南。从DMA传输完成中断时序、发送状态管理到双通道DMA的特别注意事项,全面剖析问题根源并给出解决方案,帮助开发者构建健壮的DMA发送机制。

weixin_27038245的博客 298

OpenHarmony子系统开发 - 电池管理(二)

OpenHarmony默认提供了充电类型的特性。在对终端设备进行充电时,可以使用不同的充电器类型,如有线快充、无线快充等。系统可以根据当前的充电类型展示相应的动画或处理相关业务,但是不同产品支持的充电类型不同,需要根据产品的设计规格来定制此特性。为此OpenHarmony提供了充电类型的定制方式,产品定制开发者可根据产品的设计规格来定制此特性。

__Benco的博客 1267

RoboDK 自定义机器人

本文介绍了如何在RoboDK中自定义机器人模型的方法。主要内容包括:1)通过CAD软件处理3D模型后导入RoboDK,使用分割工具简化模型结构;2)配置机器人的DH参数和关节运动范围;3)验证机器人运动效果后导出.robot文件。该方法可使自制机器人获得与ABB等商用机器人相同的仿真和控制功能。文章详细说明了模型处理、参数设置和验证的完整流程,为机器人开发者提供了实用的技术指导。

zhbi98 的技术 Blogs 2666

常用的数据结构以及常用的算法

常用的数据结构以及常用的算法 常用数据结构 数据结构是计算机存储、组织数据的方式。 数据结构是指相互之间存在一种或多种特定关系的数据元素的集合。 通常情况下,精心选择的数据结构可以带来更高的运行或者存储效率。 数据结构往往同高效的检索算法和索引技术有关。 一、线性表 线性结构: 最常用、最简单的一种数据结构。 线性表: 典型的线性结构。基本特点是线性表中的 数据元素有序且有限。结构中: ① 存在一个唯一的被称为“第一个”的数据元素; ② 存在一个唯一的被称为“最后一个”的数据元素; ③ 除第一个元素外,每

qq_47605698的博客 1455

OpenHarmony子系统开发 - 电源管理(一)

当前OpenHarmony灭屏后会启动运行锁循环检测线程,然后默认进入休眠状态。不同设备的灭屏方式不相同,可能为合盖灭屏、超时灭屏、盖屏灭屏或是按电源键灭屏等;灭屏后的默认行为也不相同,可能为无动作、将屏幕下电,或是进入休眠状态等。为此,OpenHarmony提供电源默认休眠行为的定制方式,产品可以根据具体的设计规格来定制此特性。

__Benco的博客 1816

openEuler 22.03 安装及配置Gitlab容器

在 openEuler 22.03 上安装及配置Gitlab容器

轻步玉阶 3318

OpenHarmony 电源管理模块状态转换分析

OpenHarmony电源管理服务组件提供系统电源状态管理功能,包括重启系统、休眠运行锁管理和电源状态查询。该组件采用分层架构设计,包含NAPI层、Native层、服务层和测试框架,支持从用户活动触发状态转换(如亮屏/灭屏)到系统级电源管理(如合盖睡眠、强制睡眠)。主要状态包括AWAKE(亮屏)、INACTIVE(灭屏)和SLEEP(S3休眠),通过超时机制和事件驱动实现状态自动切换,同时支持运行锁机制保持设备唤醒。该组件是OpenHarmony电源管理子系统的重要组成部分,与显示管理、电池管理等模块协同工

ccf19881030的专栏 665

【AI智能体】Coze 打通MySql实现数据报表展示应用搭建详解

Coze 打通MySql实现数据报表展示应用搭建详解

congge 3857

【AVRCP】规范精讲[19]: 媒体属性全解析,让你的蓝牙设备显示完整歌曲信息

AVRCP协议中的媒体属性是蓝牙音频设备传输歌曲元数据的关键,包含标题、艺术家、专辑等32位ID标识的键值对信息。规范要求字符串属性必须使用UTF-8编码,但乱码问题频发(如中文显示异常),主因是设备未遵循编码标准或使用GBK等非规范格式。常见问题包括信息不全(仅显示标题)、封面缺失(因带宽限制或格式不支持)及更新延迟(通知机制未启用)。解决方案包括强制UTF-8编码、优化封面大小(如300x300像素JPEG)、主动请求缺失属性。Android示例代码展示了通过广播接收器解析媒体属性的方法。

byte轻骑兵的技术小窝 1万+

OpenHarmony如何控制屏幕亮度

/ 必须要指定初始进度 total?: number;style?type?value:表示当前进度,取值范围[0, 100],当超过 100 时无效。total:表示进度条总进度,默认值为100。type、style:设置进度条的样式,style从 API 8 起使用type代替,定义了以下 种样式:Linear:进度条样式为条形进度条。Eclipse:进度条样式为圆形进度条。Ring:环形进度条。ScaleRing:环形刻度进度条。Capsule:胶囊样式进度条。

坚果的博客 6546

RAG面试内容整理-7. 多轮问答与上下文拼接策略

在对话式的RAG应用中,多轮问答需要处理上下文相关性问题:用户的提问往往依赖于之前的对话内容。为正确理解用户每一轮的问题,系统需要保留和传递对话历史信息。

不务正业的猿 380

OpenHarmony5.0永不熄屏修改

只需要修改base/powermgr/power_manager/services/native/include/power_state_machine.h文件DEFAULT_DISPLAY_OFF_TIME的值为-1,即可完成永不熄屏的修改。openHarmony4.1修改power_mode_config.xml文件使到机器永不熄屏。但是5.0上此修改失效了。经过查找,默认屏幕超时时间为30秒。

随风而动 1264

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

Hi3516A开发--RTC电路

一、概述1、RTC 芯片分类常见的 RTC 芯片,大致可分为三类:非集成 RTC:只有 RTC 计时电路,不集成晶体、不集成温度补偿电路。这类芯片的计时精度主要取决于外接晶体的精度,而且受温度影响较大。通常在室温环境下,计时精度较高;随着温度升高或降低,计时偏差逐渐增大。集成晶体的 RTC:将 RTC 计时电路与晶体集成,但没有温度补偿电路。这类芯片在室温环境下,计时精度更高。但仍然无法消除温度的

不积跬步,无以至千里 9714

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

openharmony之充电空闲状态定制开发

OpenHarmony系统默认集成充电空闲状态检测功能。该功能通过综合评估设备热等级、电池电量、充电状态及充电电流等参数,判断设备是否满足空闲状态条件,从而触发后台任务执行。由于不同设备的硬件特性存在差异,各产品需根据实际设计需求进行定制化配置。本指导文档以DAYU200开发套件为例,详细说明定制开发流程,开发者可根据具体产品需求调整实现方案。在产品专属目录下创建温控配置目录: 2. 配置文件准备 从默认配置目录获取模板文件: 3. 配置参数说明 XML配置文件包含以下关键参数:打包路径:/vendor/e

m0_67505153的博客 924

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

上一篇: 【入门到实战】OpenHarmony南向子系统开发:电量等级定制开发指南
下一篇: 【入门到实战】OpenHarmony南向子系统开发:充电类型定制开发指南
懂你的大海
博客等级 码龄6年 9049粉丝 1381原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值