LTC3719驱动高效42A电源

低成本、低剖面、高效率的42安电源为AMD Hammer处理器供电

简介

新的 AMD Hammer 处理器需要能够在极低输出电压(0.8V 至 1.55V)下提供超过 40A 电流的电源。LTC3719 多相控制器满足这些要求。LTC3719 是一种电流模式、两相 VID 可编程控制器,可驱动两个同步降压级,彼此相位相差 180 度。这种两相架构在不提高开关频率的情况下减少了输入和输出电容器的数量。相对较低的开关频率以及集成的大电流 MOSFET 驱动器保持了高效率并减小了整体解决方案的尺寸。

由于实现了输出电流纹波抵消,可以使用较低感值的电感器,从而获得更快的瞬态负载响应和更小的电感器尺寸。为了进一步减少所需的输入和输出电容,控制器的开关频率可与来自另一个LTC多相控制器的外部开关信号同步,从而增加DC/DC转换器相位的数量。为了确保各输出相位之间的电流均等分配,通过电流检测电阻对电感器电流进行检测。优异的电流均分效果消除了因相位电流不平衡导致的热过应力问题。因此,MOSFET和电感器无需过度设计,电压调节模块可在无需散热片的情况下可靠运行。

示意图0

内部差分放大器与轻载工作模式

内部差分放大器可在负载点真正远程检测稳压电源的正负输出端子,满足大电流应用的要求。内部5位VID可编程衰减器符合AMD Hammer处理器VID表(0.8V至1.55V)。

LTC3719还包含两种可选的轻载工作模式:断续导通模式和突发模式操作,以提高轻载效率。采用LTC3719的电源设计高效、低剖面且低成本。

输出电容要求主要由 AMD Hammer 处理器 VRM 设计指南中规定的电压调节模块(VRM)和瞬态负载测试电路的输出电容网络的总等效串联电阻(ESR)决定。在 VRM 输出端使用了十个低外形陶瓷电容(22uF/6.3V,X5R)。负载瞬变期间的最大输出电压变化小于 100mVP_P。本设计采用了主动电压定位技术,以减少输出电容数量且不会带来额外效率损失(有关主动电压定位的更多细节,请参见设计解决方案10)。

设计示例

图11.1展示了一个两相42A AMD Hammer处理器电源。该电源仅使用一个集成电路、十个小型SO‐8封装的MOSFET和两个 1uH低剖面表面贴装电感器,对于12V输入和1.55V/42A输出的情况,效率优于86%。图11.2显示了在3A到42A的宽负载范围内,效率始终保持较高水平。电压调节模块(VRM)上最高的元件是输出电感器,其高度低于6mm。

图11.3 显示了一个实测负载瞬态波形。负载电流阶跃为 20A,变化率为 30A/us。

LTC3719是一款满足AMD Hammer处理器VRM要求的低压大电流电源,可实现低剖面和高效率设计。在输入和输出电容器、电感器以及散热器方面的成本节约有助于降低整体电源的成本。对于多CPU应用,可将多个LTC1629‐6s与一个LTC3719结合使用,以增加输出相数,最多12相;最终供电电流可达200A。有关多相操作的更多信息,请参见LTC3719数据手册和应用笔记77。

根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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