线性谐振传动器如何工作
2025-09-23 来源:elecfans
线性谐振传动器(LRA)是在单个轴上产生振荡力的振动电机。与直流偏心旋转质量(ERM)电机不同,线性谐振传动器依靠交流电压来驱动压靠与弹簧连接的移动质量块的音圈。当音圈在弹簧的共振频率下被驱动时,整个传动器以可感知的力振动。虽然可以通过改变交流输入来调节线性谐振传动器的频率和振幅,但是传动器必须在其谐振频率下被驱动,以产生大电流有意义的力。
在产生振动,压靠移动质量块时,音圈在装置内部保持静止。通过相对于弹簧向上和向下驱动磁体,LRA作为整体发生移位,产生振动。基础机制类似于扬声器产生声音。在扬声器中,通过将交流电频率和振幅转变为振动频率和振幅使空气通过锥体并且以不同的频率发生位移。在内部,扬声器通过以快速变化的交流电移动磁铁质量块来完成该任务。与可以以任意频率驱动的扬声器不同,LRA在特定频率范围内的触觉应用才是有用的。
除了将由音圈产生的力直接传递到皮肤,该装置还通过利用弹簧的共振频率来优化功耗。如果音圈在弹簧的共振频率下推动磁铁质量块抵靠弹簧,则装置可以更有效地产生更高振幅的振动。由于音圈由交流电驱动,对振动的期望频率和振幅进行建模,可以独立地修改频率和振幅。这不同于ERM电机,ERM电机与所产生振动的两个性质耦合。
尽管频率可以改变,但是LRA通常将在窄频率范围内操作以优化其功耗——如果装置在弹簧谐振频率下被驱动,则产生相等幅度的振动将消耗更少的功率。无论如何,这种改进本身提供了优于ERM电机的独特优势:随时间变化强度的精确波形可以在具有固定频率的LRA中再现,而ERM电机中的变化强度的波形也将产生变化的振动频率。
LRA的典型起动时间约为10ms,是ERM电机产生振动所需时间的一小部分。当电流施加到装置内的音圈时,磁铁质量块立即移动,产生这种不可思议的速度。在ERM电机中,只有在电机达到运行速度之后才能产生振动——即使在过度驱动电机产生更快的加速度时,电机在达到期望的振动强度之前可能需要20-50ms。不幸的是,LRA的停止时间明显长于ERM电机。由于运行期间内部弹簧中持续存储动能,LRA可能需要300 ms的时间来停止振动。值得庆幸的是,主动制动机构也可以用于LRA,通过执行提供给传动器的交流信号的180度相移,可以通过产生与振荡弹簧相反的力非常快速地(在大约10ms内)停止振动。
许多现代手机使用LRA而不是其他类型的振动电机,以便以更小的功率产生更宽范围的振动触觉效应。像视频游戏控制器等其他消费电子产品也利用线性谐振传动器来为触摸板提供触觉反馈。
该分线板适用于使用LRA的设备的模拟原型。上述分线板可以很容易地与任何电子原型平台进行集成。您还可以在线查找分线板的其他变体。
现成的芯片可以简化一些应用的开发过程。TI的DRV2605和DRV2605等触觉驱动器可驱动LRA以及ERM电机。当我们设计具有丰富触觉反馈的可穿戴设备Moment时,我们使用DRV2605在四个线性谐振传动器提供沉浸式触觉效果
Moment转动使用精确定时的触觉效果来产生在皮肤上的运动感觉。这为创建信息的触觉表达提供了独特的机会——例如,内置的触觉罗盘可以使用户总是感觉到真正北方的位置。Moment还配备了一个计时器,将时间的流逝转变为在用户手腕上移动的感觉,提高他们对不同任务花费多少时间的意识。DRV2605使我们可以快速对器件进行原型设计,开发这些独特的应用,而不必担心驱动LRA的复杂性。
由于DRV2605简化了以正确谐振频率驱动LRA的过程,因此我们能够更快地对硬件设计的其他部分进行迭代。此外,通过其I2C接口将 DRV2605实现为具有微控制器的电路非常简单,而且占用空间小,除了驱动器芯片之外仅需要去耦电容器。为您的设计选择LRA也可以帮助提高精度和寿命。
尽管线性谐振传动器在定制设计中似乎很难实现,但是如TIDRV2605等触觉驱动器芯片可以简化过程,提高性能并降低总体功耗。
TI的驱动器旨在驱动触觉传动器,通过消除不必要的功能和软件控制简化设计过程。提高性能和简化设计涉及到几项功能。例如,自动闭环反馈改进了ERM和LRA的响应。自动校准检测和配置每个传动器的闭环反馈系数,并且自谐振检测感测LRA的谐振频率。
因为根据用户的需要定制,LRA可以提供更好的整体触觉体验。LRA还在不断发展,努力降低功耗和电路板占用面积,同时产生更敏锐、更强的触觉效果。
由于我们更多地依赖电子用户界面,我们需要触觉反馈来帮助我们了解系统正在做什么。触觉技术不仅使我们获得更令人满意的体验,还有助于改善控制,扩展功能和增强系统用户的安全性,同时帮助制造商区将其产品差异化。
- 嵌入式的风向变了:2026纽伦堡嵌入式展透露这些趋势
- 高通确认不在GDC 2026发布新款骁龙G系列掌机处理器SoC
- 行业评论 从工具到平台:如何化解跨架构时代的工程开发和管理难题
- 面向嵌入式部署的神经网络优化:模型压缩深度解析
- 摩尔线程MTT S5000全面适配Qwen3.5三款新模型
- Mujoco中添加Apriltag标签并实现相机识别教程
- 英飞凌与宝马集团携手合作,基于Neue Klasse架构塑造软件定义汽车的未来
- 阿里达摩院发布玄铁C950,打破全球RISC-V CPU性能纪录
- 物理AI仿真新突破:摩尔线程与五一视界共建全栈国产化生态
- 爆火的OpenClaw! 告别云端,米尔RK3576开发板本地部署
- 边缘计算主机盒选购指南:五大核心指标解析
- Arm AGI CPU 更多细节:台积电 3nm 制程、Neoverse V3 微架构
- Arm AGI CPU 重磅发布:构筑代理式 AI 云时代的芯片基石
- Arm 拓展其计算平台矩阵,首次跨足芯片产品
- 阿里达摩院发布RISC-V CPU玄铁C950,首次原生支持千亿参数大模型
- 边缘 AI 加速的 Arm® Cortex® ‑M0+ MCU 如何为电子产品注入更强智能
- 阿里达摩院发布玄铁C950,打破全球RISC-V CPU性能纪录
- VPU中的“六边形战士”:安谋科技Arm China发布“玲珑”V560/V760 VPU IP
- 利用锚定可信平台模块(TPM)的FPGA构建人形机器人安全




