AD19进阶技巧:精准控制PCB 3D视图中的元器件显示与隐藏

AD19新手避坑指南:手把手教你从零创建自定义元器件库(原理图+PCB封装) 本文为AD19新手提供创建自定义元器件库的详细指南,涵盖原理图库和PCB封装的常见问题与解决方案。从工具栏恢复、管脚方向设置到焊盘匹配和3D模型对接,手把手教你避开高频雷区,提升设计效率。特别适合被版本差异困扰的Altium Designer初学者快速掌握库创建技巧。 阅读详情

1. 为什么需要控制3D视图中的元器件显示?

在PCB设计过程中,3D视图功能可以说是Altium Designer最实用的特性之一。记得我刚入行时,第一次看到PCB的3D效果图,那种立体呈现的震撼感至今难忘。但真正开始用3D视图做设计检查时,才发现当板子上的元件密密麻麻堆在一起,想要看清某个特定区域或元件简直像在玩"大家来找茬"。

举个例子,上周我在检查一块工业控制板时,板子上有200多个元件,其中几个关键芯片被大型散热器和连接器挡得严严实实。这时候如果不会精准控制元件的显示与隐藏,要么就得不停旋转视图找角度,要么就得回到2D视图去确认,效率低得让人抓狂。这就是为什么掌握3D视图的显示控制技巧如此重要——它能让设计审查效率提升至少3倍。

2. 基础隐藏方法:逐个元件操作

2.1 通过属性面板禁用3D模型

最直接的方法就是通过元件属性来操作。在PCB编辑器中选中目标元件,右键选择Properties打开属性面板。在Models标签页里,你会看到这个元件关联的所有3D模型,每个模型前面都有个复选框。取消勾选,这个模型的3D显示就会立即消失。

我常用这个方法处理一些临时性的查看需求。比如要检查U1芯片下方的走线,但U1的封装比较大,遮挡视线。这时只需禁用U1的3D模型,就能一目了然。操作完成后记得重新勾选,避免遗漏。

2.2 使用层控制全局隐藏

按快捷键L调出层与颜色面板,这里可以控制整个PCB的显示状态。在3D视图下,你会发现面板中多了几个3D相关的选项。比如可以关闭所有元件的3D体显示,或者只显示特定类型的3D模型。

这个方法适合批量操作。有次我设计的一块板子用了大量0402封装的电阻电容,在3D视图中形成了一片"草丛",严重影响查看。通过层控制一次性隐藏所有被动元件的3D显示,问题迎刃而解。但要注意,这种方法是全局性的,无法针对特定元件。

3. 高级查询语言精准控制

3.1 初识查询语言

Altium的查询语言(Query Language)是个被严重低估的功能。它就像PCB设计的SQL,能让你用逻辑表达式精准定位目标对象。在View Confi

AD20元器件库创建全攻略:从原理图符号到PCB封装规范绘制 在电子设计自动化(EDA)领域,元器件库是连接原理图设计与PCB布局的基石。其核心原理在于通过统一的标识符,将逻辑功能的原理图符号与物理连接的PCB封装精确关联,构成可复用的设计单元。规范化的库管理不仅能提升设计效率,更是确保电路板可制造性与可靠性的关键技术。在工程实践中,诸如“原理图转PCB报错”、“封装对位不准”等常见问题,往往源于库创建阶段对栅格设置、引脚映射等细节的疏忽。以Altium Designer(AD)为代表的EDA工具,通过集成库项目将符号、封装、3D模型等信息打包管理,有效避免了版本混乱 阅读详情

相关推荐

别再手动画封装了!用立创EDA专业版+FreeCAD,5分钟搞定AD可用的3D封装库

本文揭秘了利用立创EDA专业版与FreeCAD快速生成AD兼容3D封装库的高效工作流。通过立创商城的200万+标准元器件封装数据,工程师可在5分钟内完成从选型到导出AD可用封装库的全流程,大幅提升PCB设计效率。重点解析了格式兼容性处理、FreeCAD模型优化技巧及AD中的批量集成方法,帮助工程师告别手动封装创建的耗时与风险。

weixin_33737134的博客 389

Altium Designer 17安装全指南:从环境初始化到PCB编辑器可用

Altium Designer(AD)是电子设计自动化(EDA)领域的核心PCB设计工具,其安装并非简单复制文件,而是涉及Windows系统服务注册、硬件加速配置、库路径初始化等底层环境构建。AD17作为经典稳定版本,依赖Visual C++ 2013、DirectX 11.1及完整组件集成,缺失任一环节将导致原理图加载失败、PCB边框无法识别、3D视图黑屏或Gerber导出异常等工程级问题。掌握安装前系统准备(关闭Defender、清理注册表、禁用快速启动)、安装中关键选项(Custom模式、PCB Ad

weixin_34417183的博客 442

AD25安装避坑指南:系统校准、授权服务与硬件兼容性全解析

Altium Designer作为专业PCB设计平台,其安装本质是工作环境的系统级校准,而非普通软件部署。AD25重构了授权架构,采用Go语言容器化守护进程(altium-license-daemon.exe)并强制TLS 1.2+通信,对Windows版本、.NET Framework 4.8.1、DirectX 12 Feature Level 11_0及本地管理员权限提出硬性要求。技术价值在于提升多核渲染稳定性与设备指纹级授权管控,支撑高速DDR布线、3D封装协同装配等高阶场景。典型应用包括企业批量部

weixin_34060299的博客 341

Altium Designer 21性能优化揭秘:如何让PCB设计速度飞起来

本文深入解析Altium Designer 21(AD21)在PCB设计中的性能优化策略,涵盖64位架构、多线程优化及硬件配置黄金组合。通过实战案例展示如何提升大型项目设计效率,包括内存管理、任务并行化和智能负载均衡等关键技术,助力硬件开发人员突破性能瓶颈。

weixin_29185493的博客 382

Altium Designer 20装配变量实战:多SKU量产的单源真相体系

装配变量是面向制造的硬件设计核心机制,本质是通过单一PCB源文件驱动多个物理可制造版本,实现BOM、丝印、网络与3D模型的条件化输出。其技术原理基于‘单源真相’架构,将变体逻辑从人工维护(Excel/多工程)升级为软件原生控制,显著降低ECO变更出错率并保障DFM合规性。在工业、医疗、汽车电子等多认证、多配置场景中,装配变量支撑CE/FCC/EMC等差异化落地,成为Altium Designer 20区别于旧版本的关键能力。本文聚焦AD20装配变量的模块级建模、丝印动态控制、Gerber条件生成及PLM/M

weixin_34205826的博客 823

Altium Designer杂项连接器库真实用法解析

Altium Designer中的‘杂项连接器’并非可下载的独立资源,而是随安装自动生成、需手动启用的本地化原理图与PCB封装库(SchLib/PcbLib)。其底层依赖预编译IntLib但实际调用的是用户目录下的可编辑源文件,技术价值在于提供符合IPC-7351等工业标准的标准化接口模型。典型应用场景包括DB9、USB-A、RJ45、SMA等常用连接器的快速调用与封装变体管理。理解其‘安装层-用户层-工程层’三级库架构,是避免版本错配、路径失效与搜索无果等高频问题的关键。本文聚焦Altium Design

weixin_33796205的博客 332

【信息科学与工程学】【通信工程】 第九十二 OTN网络 01 各类函数01

​​硬件选型​​​高实时场景​​:选用带硬件加密的边缘网关(如华为OceanConnect),协议转换延迟<5ms​​AI训练场景​​:采用GPU裸金属服务器(NVIDIA A100),缩短模型训练时间50%以上​​安全优先级​​​Level 1​​:传输加密(TLS)+ 设备身份认证(防止非法接入)​​Level 2​​:操作审计日志 + 双因子认证(防范内部威胁)​​Level 3​​:网络分区分域 + 工业防火墙(隔离关键控制网)​​实施路径​​​阶段1​。

weixin_49199313的博客 1264

【信息科学与工程学】计算机科学与自动化 第二百零一十一 软件开发模型01

编号类型模型领域模型中的知识点/因素/参数关联知识和法律法规1传统顺序模型瀑布模型 (Waterfall)通用软件开发、硬件紧密耦合系统、政府/军工项目、需求稳定的传统信息系统严格线性阶段:可行性研究→需求分析(SRS,含功能/非功能/接口/约束,使用IEEE 830模板)→系统设计(概要设计HLD:架构、模块划分、数据库ER图;详细设计LLD:伪代码、类图、接口定义)→实现(编码规范、代码审查、静态分析工具SonarQube)→测试(单元测试JUnit、集成测试、系统测试、验收测试UAT,测试计划提前编写

weixin_49199313的博客 184

嵌入式八股文-ARM

嵌入式八股文总结(ARM篇)-优快云博客现象:I2C死锁就是时钟线SCL一直处于高电平,数据线SDA一直处于低电平。从机拉低数据线SDA时(发送应答信号给主机时或发送数据0时)主机意外复位,主机复位后时钟线SCL就为高电平了,此时,SCL为高电平而SDA为低电平,主机就以为有其他设备占有了总线,而SCL为高电平时 数据位SDA不允许有变化,意思是:主机就一直等待时钟线SDA拉高,而从机就一直等待时钟线SCL拉高 就造成了死锁的现象。解决方法:1.选择带有复位功能的从设备,复位后SDA被拉高。

m0_63127436的博客 1263

从原理图到PCB:Cadence Allegro 17.4网表同步全流程详解(含第三方网表配置)

本文详细解析了Cadence Allegro 17.4中从Orcad原理图到PCB布局的网表同步全流程。核心内容包括标准的第一方网表同步步骤,以及针对第三方网表导入时关键的封装库路径配置方法,并提供了常见同步错误的排查思路,帮助工程师高效、准确地完成设计数据传递,确保PCB设计顺利开局。

salt9的博客 657

对于基本的捕鱼游戏设计思路(五)——鱼

今天讲捕鱼游戏里鱼的部分,也是比较关键的一部分。 一步一步来,先分析游戏,首先鱼是从屏幕外生成,然后它有个移动的动作,而且分为不同的类型。 然后就可以进入代码部分,首先设置一个计时器,控制时间生成鱼,而鱼分种类,所以就用到随机函数,随机输出一个值,传入switch语句,从而生成不同的鱼。 void GameScene::xiaoyuupdate(float dt){ Size visibl

Cineze的博客 1万+

反射机制——通过反射调用service中方法

需求:现在有一群service接口,有同一个方法名称,内部逻辑除了调用不同的调用自身的方法外其他基本都一致,那现在就需要一个独立的方法来勾勒出这个方法 1.SpringContextUtil package com.XXX.report.util; import org.apache.log4j.Logger; import org.springframework.beans.BeansE...

东天里的冬天 8525

Python量化- Black-Litterman 模型

​​​​​​​Black-Litterman 模型由 Fischer Black 和 Robert Litterman 于 1992 年开发,采用贝叶斯方法进行资产配置。该模型通过结合先前的回报估计(可以从多个来源得出)并结合投资者对未来回报的独特预期来优化分配权重。

探索人工智能领域 1031

AutoSAR系列讲解(入门篇)2.2-SWC的类型

该章讲解了两种SWC的分类,并且映射到实际的工程中应该是具体的什么文件类型

雪云飞星的博客 4万+

【RT-DETR涨点改进】全网独家首发、特征融合改进篇 | AAAI 2026 | 引入CDEM交叉动态增强模块,双向引导和融合,在低光图像增强中有效提升了图像的亮度,提升小目标和暗目标的检测准确率

本文提出了一种基于CDEM(交叉动态增强模块)改进的rtdetr网络模型,有效提升了在低光和复杂环境下的目标检测性能。CDEM模块通过动态增强亮度与色彩特征,改善图像输入质量,增强细节和对比度。该模块具有轻量级结构,易于集成到现有模型中,能够显著提升小目标和暗目标的检测准确率与鲁棒性。文章详细介绍了CDEM模块的结构原理、实现方法,并提供了完整的代码实现和配置指南,包括三种改进版本的YAML配置文件。实验结果表明,该方法在图像增强和目标检测任务中均取得了优异性能。

Ai缝合怪、助力小伙伴高效发论文 145

<PLC><西门子><工控>西门子博图V18中使用SCL语言编写一个CRC16-modbus校验程序

西门子官方对于SCL语言的介绍如下:SCL 编程语言SCL 编程语言SCL(Structured Control Language,结构化控制语言)是一种基于 PASCAL 的高级编程语言。这种语言基于标准DIN EN 61131-3(国际标准为 IEC 1131-3)。根据该标准,可对用于可编程逻辑控制器的编程语言进行标准化。SCL 编程语言实现了该标准中定义的 ST 语言 (结构化文本) 的PLCopen 初级水平。语言元素。

用沸腾的热血,支付我们的人生吧! 1441

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")

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

上一篇: 从Matlab到PyTorch:如何用d2l包跨越深度学习入门鸿沟
下一篇: 模拟乘法器:从四象限运算到现代通信系统的隐形英雄
java5
博客等级 码龄22年 85粉丝 2103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  | 博主筛选后可见
 
 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