使用W5500与外网通信故障解决(MAC地址问题)

在蒲城项目的调试时,AMS500发现一个致命的问题,就是:在局域网跨网段通信时候和中心服务器不能通信,但是在一个HUB下是没有问题的,以前的串口服务器有过类似的问题出现,解决方法说是芯片的问题,结果也不了了之,换了芯片正常。

我们的网络通信芯片选择W5500,其中的MAC地址采用的是CPU的序列号作为Mac地址的问题就出在这,我们在使用的时候MAC地址的第一个必须是偶数,我们忽视了。 

现象描述:使用W5500进行以太网设计,用网线直接连接设备通信正常,使用家用无线路由器(自己用TP-Link做的实验),无论是外网访问内网,还是内网访问外网均正常。但是,在现场环境中,不能跨路由通信,现场环境使用的三层交换机是华为的S5720S。现场有正常能够使用的设备,将自己的设备的IP地址、子网掩码、网关与该设备设置的一致,并用同一个网口都不能正常通信。

问题解决:最后将问题锁定在MAC地址上,下图是我的设备的MAC地址,其关键点在于MAC地址的第1字节,具体解释如下。

MAC地址基本含义

MAC(Medium/Media Access Control)地址,用来表示互联网上每一个站点的标识符,采用十六进制数表示,共六个字节(48位)。其中,前三个字节是由IEEE的注册管理机构RA负责给不同厂家分配的代码(高位24位),也称为"编制上唯一的标识符"(Organizationally Un

STM32驱动W5500动态分配IP TM32驱动W5500动态分配IP 1.W5500简介    W5500 是一款全硬件 TCP/IP 嵌入式以太网控制器,为嵌入式系统提供了更加简易的互联网连接方案。 W5500 集成了 TCP/IP 协议栈, 10/100M 以太网数据链路层(MAC)及物理层(PHY) ,使得用户使用单芯片就能够在他们的应用中拓展网络连接。    久经市场考验的 WIZnet 全硬件 TCP/IP 协议栈支TCP,UDP,IPv4,ICMP,ARP,IGMP 以及 PPPoE 协议。 W5500 内嵌 32K 字节片上 阅读详情

相关推荐

基于STM32F103与W5500的SPI以太网通信实战指南

本文详细介绍了基于STM32F103与W5500的SPI以太网通信实战指南,涵盖硬件连接、初始化配置、寄存器解析及TCP通信技巧。通过SPI接口实现高效稳定的以太网通信,特别适合嵌入式开发者快速掌握W5500的应用与优化方法。

weixin_33688840的博客 299

ESP32-S3与W5500以太网通信实战:从SPI接线到静态IP配置

在嵌入式联网场景中,以太网通信一直是工业设备高可靠传输的首选。ESP32-S3作为AIoT主力芯片,虽然未内置以太网MAC,但通过SPI接口外挂W5500硬件TCP/IP协议栈芯片,即可轻松实现有线网络接入。W5500集成了MAC、PHY和TCP/IP协议栈,将底层网络协议处理从CPU中解放出来,显著降低资源开销,特别适合Modbus TCP、MQTT等标准工业协议的应用。本文从SPI总线接线、驱动初始化、静态IP配置到典型故障排查,系统梳理了ESP32-S3与W5500的完整工程实践路径,并针对电源纹波、

weixin_30342363的博客 254

基于STM32与W5500的嵌入式以太网通信实战指南

本文详细介绍了基于STM32微控制器与W5500硬件协议栈芯片实现嵌入式以太网通信的完整实战方案。文章深入剖析了W5500作为硬件协议栈的优势,提供了从硬件SPI连接、驱动开发、网络参数配置到实现稳定TCP服务器的全流程指南,并分享了多Socket管理、数据缓冲区优化等进阶技巧与常见问题排查方法,旨在帮助开发者快速构建稳定可靠的嵌入式网络设备。

weixin_29161785的博客 145

STM32H743与W5500以太网通信避坑指南:从Ping通到稳定运行

嵌入式以太网通信中,硬件TCP/IP协议栈芯片与MCU的SPI接口配合是常见方案。通过SPI读写寄存器实现网络协议硬件卸载,可降低CPU负载并提升实时性。在工业网关、边缘采集器等场景下,稳定的以太网连接至关重要。STM32H743与W5500的组合能快速构建Modbus TCP从站或数据采集终端,但需注意时钟配置、FreeRTOS任务划分及SPI时序等细节。本文梳理了从硬件连接到驱动移植的完整避坑经验,帮助开发者实现长期稳定通信。

weixin_29185167的博客 229

基于STM32与W5500的SPI以太网通讯实战:从硬件连接到数据收发

本文详细介绍了基于STM32与W5500的SPI以太网通讯实战,涵盖硬件连接、SPI接口配置、寄存器初始化及TCP客户端数据收发等关键步骤。通过具体代码示例和调试经验,帮助开发者快速实现稳定可靠的以太网通讯,特别适合嵌入式系统开发者参考。

weixin_29191669的博客 710

W5500MAC地址设定又出问题了

MAC地址一共6个字节,前3字节称为OUI,是由IEEE组织注册给网络设备生产商的;每个厂商拥有一个或多个OUI,彼此不同。后三字节则是由网络设备生产商分配给自己生产的每一个拥有MAC地址的设备,互不重复。 原理就是根据MAC地址前3字节来判断的,前3个字节、对应制造商的名称。 比如说,我们这个网络大家都不用苹果的设备,那么我所有stm32的mac地址的前三位都可以设置成苹果的MAC地址范围,这样就保证了后续无论什么设备接入进来,都不用担心mac地址冲突的问题了。 MAC地址查询 - 根据网卡M.

zxm8513CSDN博客 4231

基于硬件TCP/IP控制器(W5500)的高速采样及传输——MCU(STM32-DMA(SPI,AD))

到此为止,以太网外部平台搭建成功,剩下来的就是根据自己需求以及W5500手册更改野火提供程序。

nxin168的博客 4174

W5500硬件协议栈在STM32物联网通信中的工程实践

硬件TCP/IP协议栈是嵌入式设备实现低资源占用、高确定性网络通信的关键技术路径。其核心原理在于将MAC、PHY接口与TCP/UDP/ICMP等协议逻辑固化于专用芯片,由硬件自主完成三次握手、重传、超时检测等状态机运算,大幅降低MCU软件协议栈的CPU与内存开销。该技术显著提升工业物联网场景下的实时性与可靠性,广泛应用于智能电表、环境监测、风电监控等对稳定性要求严苛的领域。本文聚焦W5500这一典型代表,在STM32平台深入剖析DHCP状态机建模、SOCKET连接管理、零拷贝接收、硬件心跳保活及多级异常自愈

weixin_36178216的博客 39

STM32F407与W5500以太网通信:SPI驱动与TCP/IP硬协议栈实战

嵌入式以太网通信是物联网设备实现远程数据采集与设备联网的基础技术。其核心原理是通过微控制器(MCU)与以太网控制器芯片协同工作,在硬件或软件层面实现TCP/IP协议栈,完成网络数据包的封装与解析。这项技术的核心价值在于为资源受限的嵌入式系统提供了稳定、高效的网络接入能力,广泛应用于工业控制、智能家居、远程监控等场景。其中,SPI(串行外设接口)作为MCU与外部芯片通信的关键总线,其驱动稳定性直接决定了整个网络模块的可靠性。而W5500这类集成硬件TCP/IP协议栈的以太网控制器,通过将复杂的网络协议处理交由

weixin_30983965的博客 325

STM32F407VE+W5500硬件协议栈以太网通信工程详解

在嵌入式系统中,以太网通信通常面临协议栈复杂、CPU负载高和实时性受限等挑战。硬件协议栈芯片W5500通过SPI接口与MCU协作,将TCP/IP协议处理下沉至芯片内部,有效降低主控负担并提升响应确定性。STM32F407VE凭借丰富的SPI外设和充足算力,成为实现这类方案的常见平台。本文以W5500驱动移植为主线,讲解SPI时序配置、寄存器调试、Socket初始化和链路验证等工程实践,并给出数据采集网关、工业设备联网及远程监控等应用场景下的避坑建议。适合希望绕过裸机协议栈、快速构建稳定以太网链路的嵌入式开发

weixin_29170327的博客 278

STM32F4 与 W5500 以太网通信实战:Socket 管理、断线重连与吞吐量测试

嵌入式以太网通信中,硬件 TCP/IP 协议栈芯片通过 SPI 接口与 MCU 协同工作,将网络协议处理从软件转移到硬件,从而降低主控资源占用并提升连接稳定性。其原理在于芯片内部集成 MAC 与 PHY,MCU 仅需读写 Socket 寄存器即可完成数据收发。这种架构在工业网关、串口服务器等场景中价值显著,尤其适合需要长连接与异常自恢复的应用。围绕 W5500 与 STM32F4 的配合,SPI 模式选型、Socket 缓冲区分配、断线重连状态机设计以及吞吐量波动观察成为工程实践中的关键环节,直接关系到以太

weixin_31774841的博客 108

ubuntu安装英伟达显卡驱动后wifi消失解决方法

ubuntu安装英伟达显卡驱动后(比如4090和3090等),会把wifi和蓝牙驱动去除,导致wifi无法连接。需要重新下载驱动安装。

人工智能(AI)技术,大模型技术,深度学习,机器学习,计算机视觉,AI工具实践应用等分享 3906

告别手动归档:基于Allegro Skill的XTools一键生成Gerber与生产文件实践

本文详细介绍了基于Allegro Skill的XTools工具如何实现一键生成Gerber与生产文件,大幅提升PCB设计效率。通过自动化流程,解决了传统手动归档中的重复劳动、人为失误和标准不统一等问题,特别适合需要频繁输出生产文件的工程师。文章包含安装配置、实战操作、问题排查及进阶技巧,帮助用户快速掌握这一高效工具。

weixin_30505225的博客 462

PWM与光耦的完美联姻:低成本4-20mA转换方案揭秘

本文揭秘了PWM与光耦结合的低成本4-20mA转换方案,适用于工业自动化领域。通过PWM信号控制输出电流,光耦实现电气隔离,该方案成本低廉、电路简单且隔离可靠。文章详细介绍了两种经典电路实现方案,包括四光耦线性模式方案和PWM控制LM317方案,并提供了实战技巧与优化策略,帮助中小企业和电子DIY爱好者构建经济高效的4-20mA转换系统。

weixin_29229055的博客 541

用Origin快速拟合荧光寿命、PL Decay (TRPL)数据分析处理

用Origin快速拟合荧光寿命、PL Decay (TRPL)数据分析处理

A20802013的博客 2万+

ACT代码梳理:新手学具身智能,不需要学会一堆理论,先跑起来再说

我是一个刚接触具身智能的小白。第一次看 ACT 项目,什么 Transformer、VAE、Mujoco、rollout,全是天书。但我没打算先把理论补完。太难,也太慢。我的策略是:直接上手,边做边学,卡在哪就学到哪。这篇文章是我的第一站——带你一起看懂 ACT 项目的整体架构,了解它的核心模块和流程。开始前,我列了 本文出现的18 个关键词,是我一开始完全搞不懂的。你可以先扫一眼,如果不认识的超过 10 个,那我们就是同路人,可以放心往下看了。

qq_17405041的博客 1210

从“手扫感应灯”拆解开始:聊聊三极管放大电路在生活中的那些实用设计

本文通过拆解手扫感应灯,深入探讨了三极管放大电路在日常生活中的实用设计。从红外信号放大到环境干扰应对,详细解析了电路配置技巧和调试方法,并延伸至声控灯、电容感应等智能家居应用,帮助读者理解并掌握三极管放大电路的核心原理与实践技巧。

weixin_42627853的博客 391

瑞芯微RK3588/RK3576平台采集BT1120(fpga)驱动调试记录

本文介绍了在RK3576/RK3588平台上采集FPGA传输的BT1120数据的方法。主要内容包括:1)硬件连接需确认管脚复用和图像格式(通常为uyvy_2x8);2)设备树配置要点,如I2C总线设置、BT1120模式指定等;3)驱动适配注意事项,包括时钟极性、分辨率格式等关键参数;4)测试方法,通过media-ctl和v4l2-ctl工具验证数据采集。文中特别指出RK3576和RK3588配置的通用性,并提供了常见问题的排查思路。

bingdund的博客 926

ABAP 里解构引用操作符 ->* 的使用方法详解

解除引用操作符->*可用于将“类型为REF TO …的引用变量”的值(即该引用所指向内存)取出,从而访问其实际值或内部组件。具体地,若dref是一个“引用变量”,则表达式dref->*代表对该引用进行“解除引用”,使得程序按静态类型将其视为实际类型的值对象。例如,若lr类型声明为,则lr->*表示“将 lr 引用的INT4对象看作INT4类型并访问其值”。注:若 “数据引用变量” 的静态类型是通用类型DATA,则只能在这种上下文中使用->*。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 483

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

上一篇: AMS500项目现场调试发现并解决重大BUG
下一篇: MDK中AT45DB161驱动程序
zxm8513
博客等级 码龄19年 1560粉丝 442原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

zxm8513

你我共同努力,铸就技术丰碑。

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值