atopile项目中"不装配"与"排除BOM"功能的设计实现
2025-07-05 22:09:18作者:卓艾滢Kingsley
在电子设计自动化(EDA)工具中,管理元件装配和物料清单(BOM)是PCB设计流程中至关重要的环节。atopile项目近期针对这一需求提出了"不装配"(Do Not Populate)和"排除BOM"(Exclude From BOM)两个功能的实现方案,这些功能借鉴了KiCad等成熟EDA工具的设计理念。
功能背景与需求
在PCB设计过程中,设计人员经常需要处理以下几种特殊元件:
- 可选装配元件:某些元件可能在设计阶段不确定是否需要装配,或者留给终端用户自行决定是否安装
- 非采购元件:如安装孔、基准点等机械结构元件,它们不需要出现在物料清单中
- 测试点:仅用于测试目的,可能不需要实际装配
传统做法是通过人工标注或特殊命名约定来处理这些情况,但这种方法容易出错且难以维护。atopile提出的方案通过结构化语法将这些需求明确化。
技术实现方案
不装配(Do Not Populate)功能
"不装配"功能标记那些需要出现在BOM中但不需要实际装配的元件。典型应用场景包括:
- 预留的调试接口
- 可选功能模块
- 不同配置的替代元件
在atopile中,可以通过在元件定义中设置do_not_place属性来实现:
component DebugPort:
do_not_place = true
lcsc_id = "C12345"
mpn = "CONN-001"
pin1 ~ pin 1
这种实现方式与KiCad的"DNP"(Do Not Populate)标记功能类似,在BOM中会明确标注这些元件,但指示装配厂不要实际安装。
排除BOM(Exclude From BOM)功能
"排除BOM"功能用于那些完全不应该出现在物料清单中的元件。常见用例包括:
- 机械安装孔
- 基准点(Fiducial)
- 测试点
- 纯机械结构件
在atopile中的实现方式如下:
component MountingHole:
exclude_from_bom = true
footprint = "MountingHole:3mm"
这种元件不会出现在最终BOM中,也不会触发"缺少MPN"的警告信息,因为它们本质上不属于需要采购的电子元件。
设计考量与技术优势
- 明确的语义区分:通过两个独立属性明确区分"不装配"和"排除BOM"两种不同需求,避免混淆
- 结构化语法:采用属性赋值的直观方式,便于工具解析和人工阅读
- 兼容性考虑:属性命名参考了行业通用术语(KiCad),降低学习成本
- 自动化处理:为后续BOM生成和装配指导文件生成提供明确的机器可读指令
实际应用建议
在实际项目中使用这些功能时,建议:
- 对调试接口和可选功能使用"不装配"标记
- 机械相关元件统一使用"排除BOM"标记
- 在项目文档中明确标注这些特殊元件的设计意图
- 在BOM导出后验证特殊元件的处理是否符合预期
这些功能的引入使得atopile在电子设计管理方面更加完善,能够更好地支持复杂项目的需求,特别是在需要多种配置或预留设计余量的场景下。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
392
3.89 K
暂无简介
Dart
671
156
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
React Native鸿蒙化仓库
JavaScript
261
322
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
661
311
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.2 K
654
无需学习 Kubernetes 的容器平台,在 Kubernetes 上构建、部署、组装和管理应用,无需 K8s 专业知识,全流程图形化管理
Go
15
1