AltiumDesigner中对特定焊盘设置铺铜规则

Altium Designer中差分对规则配置与布线工程实践 差分信号是高速数字接口实现信号完整性的基础技术,其核心原理在于利用等幅反相的双线结构抑制共模噪声、提升抗干扰能力并降低电磁辐射。在PCB设计中,差分对的性能取决于特征阻抗匹配、长度匹配和耦合度控制三大刚性约束,这些参数直接映射自USB、HDMI、MIPI DSI等接口协议规范。技术价值体现在眼图张开度、误码率及EMI合规性等关键指标;典型应用场景涵盖高清视频传输、移动显示接口及高速外设互连。本文聚焦Altium Designer平台,结合RTD271主板实例,详解差分对识别、规则创建、自动配对、等长调谐与实 阅读详情
AI摘要

本文介绍如何在Rules中创建PolygonConnectStyle规则,通过选择特定网络如Net、GND和使用CustomQuery匹配HasPad条件,实现对特定元件焊盘的直接连接而非热焊盘形式,特别适用于带有底部PowerPad的DC-DC芯片。

在Rules中新建Polygon Connect Style规则,
Where The First Object Matches下拉栏分别选择Net、GND,
Where The Second Object Matches选择Custom Query,输入HasPad,再从弹出的列表中点击要操作的元件焊盘,如下图所示
在这里插入图片描述
最终格式形如下图

在这里插入图片描述
最后重新敷铜即可完成操作。若按上述图中操作,可实现GND网络中特定焊盘不采用热焊盘的形式连接而是 Direct Connet。这招对带底部PowerPad的DC-DC芯片尤其适用。
在这里插入图片描述
PowerPad上的过孔可采用Pad设计,铺铜规则可设置为下图(相同规则的焊盘采用 or 连接!)
在这里插入图片描述
在这里插入图片描述

AD设置某个焊盘铺铜连接方式 在规则中创建个别焊盘铺铜连接方式 阅读详情

相关推荐

AD实战指南:差分对规则配置与高效走线技巧

本文详细介绍了在Altium Designer中进行高速PCB设计时,差分对规则配置与高效走线的实战技巧。内容涵盖从创建差分对类、设置核心设计规则(如线宽间距与等长),到交互式布线、蛇形绕线等高级操作,并分享了利用规则向导、xSignals处理复杂拓扑等实用技巧与常见避坑指南,帮助工程师确保信号完整性并提升设计效率。

weixin_29195615的博客 547

AD对单个覆铜设置规则

AD对单个覆铜设置规则AD对单个覆铜设置间距规则在规则设置界面Clraeance新建一个规则在Where The First Object Matches选择Query Builder。在Building Query from Board界面,Condition Type / Operator选择Belongs to Polygon,Condition Value选择需要设置的覆铜。 AD对单个覆铜设置间距规则 在规则设置界面Clraeance新建一个规则 在Where The First Object

皮皮鲲的博客 7051

Altium Designer 22铺铜规则与间距设置实战指南

本文详细解析Altium Designer 22铺铜规则与间距设置的实战技巧,涵盖基础认知、间距规则配置、高频电路处理、高电压安全设置及连接方式优化。重点指导如何通过设计规则确保PCB的电气性能与可靠性,避免生产问题,提升设计效率。

sony5的博客 915

AD18——PCB Rules

设计规则=Name(设计规则名称)+Priority(优先级,数字越小优先级越高)+Enabled(使能)+Type(类型)+Category(设计规则所属的类)+Scope(设计规则作用的范围)+Attributes(属性设置) 1、概况 2、Electrical电气设计规则 2.1、Clearance——设置电路板上铜箔走线、焊盘、过孔、敷铜等具有电气意义的对象之间的安全距离 Wh...

Jandy_Young的博客 1万+

Altium Designer铺铜操作技巧:提升PCB可靠性

掌握ad画pcb中的铺铜操作,有效增强电路板散热与信号完整性,提升整体PCB可靠性,是电子设计中不可或缺的关键步骤。

weixin_26907223的博客 1181

Altium Designer 64铺铜修改高级教程

本章探讨了铺铜区域隔离技术的原理、应用以及效果评估,并详细分析了焊盘和过孔的铺铜处理方法。通过精确的铺铜工艺和设计优化,可以有效提高电路板的性能和可靠性。下一章将深入讨论铺铜规则设置与仿真验证的重要性及应用方法。

weixin_36464343的博客 1082

当前层铺铜时的规则设置

当前层铺铜时的规则设置

LIUwasai66的博客 244

【天线与电波传播】电波传播部分 第7章 电波传播的基础知识3

菲涅尔区与菲涅尔带的基本知识

Chen59_2328的博客 1602

【AD21】如何设置覆铜到信号线之间的距离

覆完铜后需要设置覆铜到信号线之间的距离,要设置新的规则, 1.在"where the first object matches"中选择"custom query",在后面填入"inpolygon" 2.在"where the second object matches"中选择"all" 3.设置最小间距为想要的值,如下图,我设置的是10mil ...

wsq_666的博客 1万+

PredFormer实战:用Transformer搞定交通流量预测(附TaxiBJ数据集代码)

本文详细介绍了如何利用PredFormer这一基于Transformer的先进模型进行交通流量预测,特别针对TaxiBJ数据集提供了完整的实战代码和优化策略。PredFormer通过门控Transformer块(GTB)的创新设计,在时空预测任务中展现出显著优势,相比传统方法将MSE降低33.1%,推理速度提升4.4倍。文章还涵盖了模型轻量化、部署优化等实用技巧,为智慧城市建设中的交通预测提供了高效解决方案。

weixin_29194817的博客 447

OpenCFD-SCU从编译到实战:用GPU加速超声速流动模拟(含Tecplot后处理教程)

本文详细介绍了OpenCFD-SCU从源码编译到GPU加速超声速流动模拟的全流程,包括环境准备、源码编译、24度压缩折角案例实战及Tecplot后处理教程。通过对比测试展示了GPU加速带来的显著性能提升,为计算流体力学研究提供了高效解决方案。

weixin_29281941的博客 378

Altium Designer规则设置技巧——铺铜时过孔和焊盘的连接形式的设置

前言: 在 PCB 设计完成后,为了加强抗干扰性,我们会经常进行一些铺铜操作,在大面积对地覆铜时,接地焊盘与该覆铜相连接,其管脚连接方式的处理需要综合考虑。从电气性能方面考虑,管脚与覆铜直接连接(Direct Connect)为好,但是直接连接的覆铜面积大,焊接时散热快,焊接温度可能达不到要求,容易造成虚焊。因此,考虑到兼顾电气性能与工艺需要,接地焊盘做成十字花焊盘连接(Relief Connect),接地过孔为直接连接。Altium Designer 在PCB覆铜时,所有的过孔和焊盘都是十字连接即Reli

HACK自控电子工作室 4万+

Stanford CS230深度学习(一)

斯坦福CS230可以作为深度学习的入门课,最近我也在跟着看视频、完成编程作业。首先列出使用的资源链接,然后给出第一课的理解和编程作业的代码。 所有资料如下: 一、课程连接: b站课堂讲授版:Stanford CS230(吴恩达 深度学习 Deep Learning | Autumn 2018)(中英双字幕) (一共10个视频,每周一个,但是每个视频对应下面的配套视频较多) Coursera配套视...

weixin_44750583的博客 2382

PCB各层介绍和AltiumDesigner画PCB时的规则设置

好久没画过板了,今天

NewThinker_wei 的专栏 6万+

Android PackageManagerService 总结(一)应用市场下载安装apk流程

前言: 本篇文章是对系统包安装流程的总结,基于Android12 上 com.android.packageinstaller 源码的分析,第三方应用商城(华为商城,小米商城,应用宝,豌豆荚,酷安等)下载安装应 用,在普通安装和静默安装app两种方式下,对代码流程的梳理和讲解。 触发安装: 当你在商城界面中点击安装按钮,应用会自动下载,下载完成后就会调起系统安装应用的界面,此种触发方式一般是通过Intent 隐式调用的,我们先阅读如下代码: ......

u012514113的专栏 1万+

AD23导出Gerber文件保姆级教程:从PCB到嘉立创下单,一步不落(附常见问题排查)

本文提供AD23导出Gerber文件的详细教程,涵盖从PCB设计检查到嘉立创下单的全流程,特别针对两层板设计场景,帮助新手工程师避免常见错误。内容包括Gerber文件生成步骤、钻孔文件设置、文件检查工具推荐以及嘉立创下单实操指南,确保PCB打样顺利。

weixin_30924239的博客 440

ad18学习笔记十八:如何单独设置某一铺铜与导线的间距

4、给新的规则取一个名称,填写注释,如果是特殊的规则要跟特殊的铺铜在名称上关联起来。网上找的很多内容都是ad18之前的旧版本,ad18对应的介绍特别少。2、选中想要单独设置的铺铜,可以根据铺铜的名称来选中。5、在下面的约束那里输入需要的约束规则。6、点击确定或者回车就完成了设置。3、点击创建间距规则。

创世纪GENESIS 6265

NL2SQL实践系列(1):深入解析Prompt工程在text2sql中的应用技巧

NL2SQL实践系列(1):深入解析Prompt工程在text2sql中的应用技巧

丨汀、的博客 4328

AltiumDesigner规则设置要点

1、 Electrical –> Clearance:调整网络之间的布线间距。可以新建一个规则,单独规定某两个网络或某个特定网络与其他网络之间或某个层上等等布线的间距。Routing –> Width:设定线宽。 Routing –>Layers:选择布线层 Routing –>RoutingViaStyle:过孔特性设置,包括其外径和孔径。 Manufacturi...

quinn1994的博客 7824

量化交易:如何在QMT中运行Python策略并在VSCode中高效调试?

哈喽,大家好,我是木头左!

木头大左的博客 3761

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

AltiumDesigner画PCB时的规则设置

转载地址:http://blog.youkuaiyun.com/newthinker_wei/article/details/23030023 PCB各层说明:   丝印层(OverLay,Silkscreen):有顶层丝印和底层丝印。用来画器件轮廓,器件编号和一些图案等。 信号层(SignalLayer):对于两层板,主要是TopLayer和Bot

moluoyu的专栏 1万+

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

Altium Designer入门学习笔记8:自动布线优化

Altium Designed 入门学习笔记8:自动布线优化 一块PCB板,元器件并不是只能布在一面上(top layer或者是bottom layer),为了优化空间可以将元件步在两边(top layer和bottom layer); 1.在画PCB时关闭GND,VCC,+5V的电源线 快捷键N-H-N(et),输入GND,VCC即可 效果如图所示: 2.对元器件进行布局 就进原则,和同一模块...

王强的博客 7446

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")

Altium Designer PCB设计规则保姆级配置指南:从线宽到铺铜,新手避坑全流程

本文提供Altium Designer PCB设计规则的保姆级配置指南,涵盖从线宽到铺铜的全流程设置,帮助新手避免常见设计错误。通过详细的规则配置步骤和实用技巧,如DRC检查、铺铜规则和平面层分割,确保设计符合电气特性和工艺要求,提升PCB设计的效率和可靠性。

weixin_33958381的博客 288

AltiumDesigner规则设置

 转自:http://blog.youkuaiyun.com/newthinker_wei/article/details/23030023 PCB各层说明:   丝印层(OverLay,Silkscreen):有顶层丝印和底层丝印。用来画器件轮廓,器件编号和一些图案等。 信号层(SignalLayer):对于两层板,主要是TopLayer和BottomLayer

子曰小玖的博客 5973

Altium Designer铺铜选不中?三步解决AD选择过滤器失效问题

铺铜(Polygon Pour)是PCB设计中实现电源完整性、EMC屏蔽和热管理的关键要素,其本质是基于多边形(Polygon)对象类型的电气铜皮区域。Altium Designer默认禁用Polygon类型的选择权限,导致用户无法点击、框选或批量操作铺铜——这并非软件Bug,而是由对象类型过滤、图层选择可见性及编辑模式抑制构成的三层选择机制共同作用的结果。理解并启用Selection Filter中的Polygon项,同步确保图层可见与编辑模式合规,即可恢复对铺铜的精准控制。该方法广泛适用于电机驱动板、开

weixin_33860553的博客 355
上一篇: Altium Designer 18中Keep-Out层画法
下一篇: STM32三线控制八个发光二极管(74HC595)
return_oops
博客等级 码龄9年 158粉丝 29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