深圳市惠新晨电子有限公司

深圳市惠新晨电子有限公司专注高性能高品质高性价比LED照明DC-DC宽电压输入降压恒流电源管理芯片市场，对LED照明市场有着深入的了解及丰富的经验，专注电源行业10年，实力厂家，硬件设施齐全，工程资源充足，提供强大的技术支持，协助Lay板，调试直至产品可以大批量量产，以及帮忙过，提供样品、方案开发以及技术支持惠新晨电子备货实力强，可以做月结，是值得信赖合作的实力供应商

X30概述：

X30 是一款外围电路简洁低成本高性能的三通道线性降压LED恒流驱动器，适用于5-46V输入电压范围的LED 恒流照明领域。

X30 PWM 端口支持高辉调光，能够响应60ns  小脉宽的PWM 调光信号。

X30采用我司算法，为客户提供 佳解决方案， 大限度发挥灯具优势，以实现景观舞台灯高辉的调光效果，65535（256*256）级高辉调光。X30 PWM 端口为高电平时，芯片正常工作。为低电平时，芯片输出关闭。芯片采用线性恒流控制算法，只需两颗电阻与一颗电容，就能实现LED 恒流，且保证输出电流恒流精度≤±3％，通道之间电流偏差≤±1%；外围电路简洁，系统稳定可靠。

X30的三路输出电流都通过REXT 端口电阻来设定，电流 大能到350mA。而且，每一路电流能够独立进行PWM 高辉调光，实现65536:1 调光比。PWM 端口默认上拉，内部自带100uA 上拉能力

X30特点：

RGB调光无频闪/PWM调光无频闪

支持高辉调光，65536:1 调光比

输入电压范围：5-46V

三路分别独立恒流输出

每一路电流 高可达350mA

每一路独立PWM 调光

输出电流20~350mA

内置5V 稳压管

恒流精度≤3%

过温降电流降功率保护

易过EMI

抗干扰能力强

调光一致性好

封装：ESOP8

应用领域：

景观亮化LED 照明

DMX512 芯片外扩流应用

高端汽车车灯LED 照明

低压商业LED 照明

游戏机LED灯、儿童车灯、广告牌、广告招牌、珠宝装饰照明、背光源、软灯条等

X30应用说明：

X30 是一款外围电路简单的多功能平均电流型LED 恒流驱动器，适用于5-46V 电压范围的低压线性恒流LED 驱动领域。X30 采用了LDO 线性恒流控制，外围不需要传统开关电源的电感和续流二极管，输出电流精度在±3％以内；外围电路更加简洁可靠。

惠新晨电子X30完全替代SM15133、SM15633 、SM1501、SM15122S、SM15102S、SM15103E、SM15133E、SM15105N、SM15633E、SM15106T，脚位一样，PIN对PIN完全兼容替代，无需改动任何元器件，调光效果更好，价格更优，性价比更高，欢迎申请样品测试，提供DEMO测试及技术支持

注：

惠新晨电子另外几款支持高灰度65536调光比的非线性恒流的DC-DC降压恒流共阳极调光无频闪驱动芯片选型：

LED景观装饰照明领域，目前主要以串行控制为主，以级联的方式进行控制，每个灯的信号线采用一进一出方案。代表产品有早期的595及兼容芯片和后期的单线串行芯片。这种方案虽然调试简单易用，但存在很大的弊端，即信号线采用一进一出方式，导致当某个灯出现故障，影响后面一串灯正常工作，必须要更换维护，造成了整个工程的造价成本升高。因信号线采用TTL传输，灯与灯之间的距离只能在1米以内。

基于上述缺点，DMX512方案有效解决串行传输问题，因为DMX512是并联传输，坏了一个灯不影响其它灯具，同时又是国际标准协议，具有很好的稳定性、可靠性和通用性。目前DMX512方案都是基于单片机软件模拟DMX512协议而成，这种方案特点是每个单片机芯片必须软件编程和烧录，需要外围电路配套，原理图设计复杂，方案成本高，必须要单片机工程师开发编程。传统DMX512不支持双向通信，每个灯具都要单独写地址等原因，加大工程安装维护难度。

我司针对上述问题开发了一套DMX512单芯片解决方案。在线自动写址，采用独有增强型写址技术，支持点间距100米以内级连在线写址，广泛应用于景观装饰领域。

巨量数据 / 大数据 (BigData) 伴随光纤、移动宽带网络普及、电商、物联网发展快速聚集，预计 2020 年数据量将  过 40ZB ，相对 2010 年增长到 40 倍， 1ZB 数据意味着福斯电视 (FoxTV) 热门影集《 24 》连续播放 1.25 亿年，可见数据爆炸 出想象；人们对数据结构化的技术推陈出新，如 NoSQL\MongoDB 等；通过良好的数据分类与标注，搭配搜索引擎与算法，让数据平台快速找到海量数据背后的隐藏的规律信息。

3. 运算能力 (ComputePower)

2012 年微软人工智能平台辨识单个猫需要 16000 颗传统 CPU 的运算能力才能达成，但类似的工作， 2016 年采用绘图芯片 GPU 大概只需要 2 颗。

就一个复杂棋局而言， AlphaGO 代下一盘棋需要 1920CPUs 和 280GPUs ，同时有 64 个搜索线程； Alpha 第二代需要 50 个 TPU(1 个 TPU 算力大致相对于 10 个同级别 GPU) ；随着 AI 算力的大幅提升，算力仍然是 AI 的

大成本，据统计，算力成本 ( 包括底层的硬件， GPU/CPU/FPGA 以及其他信号处理等半导体成本、能耗成本 ) 占 AI 成本在 70% 左右， AlphaGo 下一盘棋，其背后的服务器的总耗电量折算成电费是 3000 美元；计算的时大量耗热，通过吹风才能散热。算法、数据库基本可以实现平台化、软件化、工具化，边际成本趋向为 O ，决定 AI 普及的是算力和对应的能耗。

将算力低成本化，是 AI 与 IoT 融合并落地到具体场景，加速 AI 渗透到社会各角度，使能行业发展的关键，也是 AIoT 智联网规模发展的支点。其中，新出现的 AI 嵌入式芯片将 FPGA 发挥了主导作用。

AI 爆发之前，嵌入式芯片在物联网领域早已广泛应用，用于传感与智能硬件，通常采用 CPU 进行计算， CPU 特点兼顾计算和控制， 70% 晶体管用来构建 Cache 还有一部分控制单元，芯片设计用来处理复杂逻辑和提高指令的执行效率， CPU 计算通用性强，适用于处理计算复杂度高业务、串行数据处理，但计算性能一般。提升 CPU 性能需要增加 CPU 核数、提高 CPU 频率，或者修改 CPU 架构增加计算单元

FMA(fusedmultiply-add) 个数实现，提升算力同时也带来了高计算成本与能耗。

随着 AI 快速发展应用，尤其是图像处理数据量大，快速响应， CPU 不再是好的选择。 GPU 芯片逐渐成为深度神经网络 (DNN

， DeepNeuralNetwork) 计算的主流。