Ubuntu-Rockchip项目中Rock 5B Plus的Radxa 25W POE HAT风扇问题解析
问题背景
在Ubuntu-Rockchip项目中,用户报告了Rock 5B Plus单板计算机在使用Radxa 25W POE HAT时遇到的风扇不工作问题。该问题出现在Ubuntu 24.04 LTS(Noble Numbat)系统上,内核版本为6.1.0-1021-rockchip。
技术分析
Radxa 25W POE HAT是一个为Rock 5B系列设计的电源和散热解决方案,包含POE供电和主动散热功能。正常情况下,当系统温度升高时,HAT上的风扇应自动启动以降低温度。但在当前配置下,风扇完全无响应。
从设备树(Device Tree)配置来看,问题可能源于以下几个方面:
-
设备树覆盖层不匹配:Ubuntu 24.04使用的6.x内核与之前为5.x内核设计的设备树覆盖层存在兼容性问题。
-
PWM控制信号问题:风扇通过PWM信号控制,但当前的设备树配置可能没有正确初始化PWM控制器。
-
冷却映射配置差异:Ubuntu Rockchip中的Rock 5B设备树使用了不同的冷却映射配置,导致现有的覆盖层无法正常工作。
解决方案探讨
设备树覆盖层编译
要解决这个问题,需要为6.x内核编译新的设备树覆盖层。关键步骤如下:
- 获取正确的内核头文件和源代码
- 使用Radxa提供的覆盖层仓库中的配置
- 编译生成新的.dtbo文件
设备树配置要点
正确的设备树配置应包含以下关键部分:
/dts-v1/;
/plugin/;
#include <dt-bindings/gpio/gpio.h>
#include <dt-bindings/pinctrl/rockchip.h>
#include <dt-bindings/pwm/pwm.h>
#include <dt-bindings/thermal/thermal.h>
/ {
metadata {
title = "Enable Radxa 25W PoE+ HAT";
compatible = "radxa,rock-5b", "radxa,rock-5b-plus";
};
};
&{/} {
radxa_pow_w1: radxa-poe-w1 {
compatible = "w1-gpio";
gpios = <&gpio3 RK_PC3 GPIO_ACTIVE_HIGH>;
status = "okay";
};
radxa_poe_fan: radxa-poe-fan {
compatible = "pwm-fan";
#cooling-cells = <2>;
cooling-levels = <0 64 128 192 255>;
pwms = <&pwm8 0 40000 PWM_POLARITY_INVERTED>;
};
};
&pwm8 {
status = "okay";
pinctrl-0 = <&pwm8m0_pins>;
};
&soc_thermal {
cooling-maps {
map4 {
cooling-device = <&fan0 THERMAL_NO_LIMIT THERMAL_NO_LIMIT>,
<&radxa_poe_fan THERMAL_NO_LIMIT THERMAL_NO_LIMIT>;
};
map5 {
cooling-device = <&fan0 THERMAL_NO_LIMIT THERMAL_NO_LIMIT>,
<&radxa_poe_fan THERMAL_NO_LIMIT THERMAL_NO_LIMIT>;
};
};
};
实施步骤
-
获取必要的工具和源代码:
- 安装设备树编译器(dtc)
- 获取Radxa提供的覆盖层仓库
-
编译设备树覆盖层:
dtc -@ -I dts -O dtb -o rock-5b-radxa-25w-poe.dtbo rock-5b-radxa-25w-poe.dts -
部署覆盖层:
- 将生成的.dtbo文件复制到固件目录
- 更新extlinux.conf配置文件
-
重启系统使更改生效
潜在问题与注意事项
-
内核版本兼容性:确保使用的设备树编译器版本与目标内核版本兼容。
-
GPIO引脚冲突:检查是否有其他设备或功能占用了POE HAT所需的GPIO引脚。
-
热管理策略:验证系统的热管理策略是否与POE HAT的冷却要求匹配。
-
电源管理:确保POE供电能够提供足够的功率,特别是在高负载情况下。
结论
解决Rock 5B Plus上Radxa 25W POE HAT风扇不工作的问题,关键在于为当前内核版本提供正确的设备树配置。通过编译和部署适当的设备树覆盖层,可以恢复风扇的正常功能,确保系统在高负载情况下的稳定运行。对于Ubuntu 24.04用户,需要特别注意6.x内核与之前版本在设备树配置上的差异。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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