news 2026/7/15 20:50:06

[APM32F1] APM32F103 CAN 丢包元凶:省成本用 HSI

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
[APM32F1] APM32F103 CAN 丢包元凶:省成本用 HSI

一、概述

近期有客户在基于 APM32F103 的电动两轮车项目研发中,遭遇了CAN 通信频繁丢包的棘手问题:调试时发现,F103 每发送7-8 帧数据,往往仅能收到 1 帧来自电机控制器的回复。
经笔者现场排查分析,原因挺典型:为了抠成本,客户把CAN的时钟源换成了内部 HSI,没按常规用外部晶振。现在做产品是真卷,成本能省一点是一点,但这细节没把控好就出问题了。
好在沟通后,客户同意后面评估改版,换成外部晶振。不过眼下这批小批量货得先 “救火”,所以我用了F103 的 demo 复现问题,也整理了些解决思路,给大伙儿碰到类似情况时当个参考。
二、问题分析
1、出现问题后客户第一时间进行交叉验证,问题定位到芯片。现场使用逻辑分析仪解析CAN报文无应答。

2、现场和客户沟通了解到CAN时钟来源是HSI,初步排查大概率是因为系统时钟偏差导致,后面使用热风枪100多℃在芯片环绕加热,波形有改善,后面CAN波形正常了,进一步证明了是系统时钟偏差导致。

3、最后的软件解决方案是参考F103用户手册说明,软件系统在发送3次CAN报文后,仍没有接收到应答,软件步进调节HSITRM。现±5内扫频式步进,如果还是没有改善,再增大范围至±16。

4、HSITRM调节方式是芯片CAN发送0x55(0101 0101b)或0xAA(1010 1010b)数据,调节HSITRM值,让一高一低的频率接近250KHz,占空比接近50%。

三、验证

1、F103 demo使用内部晶振常温下,发送CAN报文——数据正常(注:小编手上的芯片常温特性比较好)

2、F103 demo 使用内部晶振热风枪100℃吹芯片表面,发送CAN报文——数据异常

3、F103 demo使用外部晶振常温下,发送CAN报文——数据正常

4、F103 demo 使用外部晶振热风枪100℃吹芯片表面,发送CAN报文——数据正常

5、F103 demo使用内部晶振常温下,修改HSITM,发送CAN报文——数据异常

6、F103 demo使用内部晶振热风枪100℃吹芯片表面,修改HSITM,发送CAN报文——数据正常

四、总结

通过上面验证的1、2、5、6点可以发现温度确实会对应HSI频率有影响;通过3和4点可以发现外部晶振时钟来源,CAN波特率几乎不受外部温度影响;通过5和6点对比可以发现,微调HSITM值可以让芯片HSISCK时钟频率更加接近目标值,这样芯片CAN正常接收了。
作为FAE每天都会遇到各种疑难杂症,不是在救火就是在救火的路上,有些是对芯片应用不深入了解使用导致,有些是为了扣成本搞掉了核心关键的器件或外围造成。
现极海推出了F402系列,性能比F103更好,价格更有优势,助力客户降成。(相关F103移植到F402说明可以参考小编往期文章https://bbs.21ic.com/icview-3447448-1-1.html


---------------------
作者:gdygn007
链接:https://bbs.21ic.com/icview-3488334-1-1.html
来源:21ic.com
此文章已获得原创/原创奖标签,著作权归21ic所有,任何人未经允许禁止转载。

版权声明: 本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若内容造成侵权/违法违规/事实不符,请联系邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
网站建设 2026/7/13 4:00:02

03.统计学机器学习

统计学机器学习 简介:什么是机器学习中的统计思维? 在当今的生成式 AI 时代,我们看到从业者构建机器学习 (ML) 模型,从简单的回归到复杂而精密的神经网络和生成式大型语言模型 (LLM)。我们还看到数据科学和数据分析被广泛用于预测客户流失、推荐系统和其他用例。然而,尽管…

作者头像 李华
网站建设 2026/7/15 4:23:16

[Poi2011]Lightning Conductor题解

P3515 [POI 2011] Lightning Conductor 题目描述 逐渐变化的气候迫使 Byteburg 当局建造一个巨大的避雷针,以保护城市内的所有建筑物。 这些建筑物沿着一条街道排成一行,编号从 111 到 nnn。 建筑物和避雷针的高度是非负整数。 Byteburg 的资金有限…

作者头像 李华
网站建设 2026/7/15 9:45:50

一文读懂大模型:收藏级教程,助你从入门到精通

大模型是基于Transformer架构的深度学习分支,通过预训练和微调两阶段构建。GPT和BERT分别基于Transformer的解码器和编码器,利用自注意力机制捕捉语言上下文。大模型能理解和生成人类语言,本地部署可减少延迟并保护数据隐私,是企业…

作者头像 李华