ESPEasy项目中的ADS1115电压测量与公式计算问题解析
问题背景
在ESPEasy项目中使用ADS1115模块进行电压测量时,用户遇到了一个关于电压值计算和显示精度的问题。用户通过1:10的电阻分压器测量高于30V的电压,当输入电压为12.7V时,ADS1115测量值为1.27V(经过1:10分压)。用户希望通过公式%value%*10还原原始电压值,但结果显示为13.0V而非预期的12.7V。
问题分析
经过深入分析,发现问题的根源在于ESPEasy系统中数值处理流程的设计:
-
数值处理顺序问题:系统首先对原始测量值进行四舍五入(根据设置的Decimal小数位数),然后再应用公式计算。具体表现为:
- 原始值:1.27V
- 四舍五入(1位小数):1.3V
- 公式计算:1.3*10=13.0V
-
MQTT传输问题:修复后还发现MQTT传输时仍然保留了过多小数位,导致Domoticz接收到的数值精度不一致。
-
后续发现的系统级问题:在修复过程中,还暴露了ESP32-C3设备上的任务命名保存问题和规则保存问题,这些问题与文件系统操作和ESP-IDF底层实现相关。
解决方案
开发团队针对这些问题进行了多方面的修复:
-
公式计算流程重构:调整了数值处理顺序,确保先进行公式计算,再进行四舍五入显示。
-
文件系统操作优化:针对ESP32-C3的特殊情况,优化了文件系统操作逻辑,解决了任务命名和规则保存的问题。
-
底层库更新:发现并修复了arduino-esp32库中与文件位置定位相关的bug,该bug影响了规则解析和系统稳定性。
技术建议
对于使用ESPEasy进行类似电压测量的用户,建议:
-
测量电路设计:使用分压器测量高电压时,确保分压比计算准确,并考虑电阻精度和温度系数对测量结果的影响。
-
系统配置:
- 优先使用LittleFS而非SPIFFS,特别是对于频繁写入的场景
- 定期检查文件系统剩余空间
- 考虑进行定期的文件系统维护(如导出配置后执行工厂重置)
-
硬件选择:对于ESP32-C3等较新的ESP型号,建议使用专门适配的固件版本,并关注电源质量和稳定性。
总结
本次问题排查不仅解决了ADS1115电压测量的显示精度问题,还发现了系统底层的一些潜在问题。这体现了开源项目中用户反馈的重要性,也展示了开发团队快速响应和解决问题的能力。对于用户而言,理解测量原理和系统工作流程有助于更好地配置和使用ESPEasy系统。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00