logo
publist
写文章

简介

该用户还未填写简介

擅长的技术栈

可提供的服务

暂无可提供的服务

三菱PLC项目案例之手轮发脉冲控制三轴伺服电机

三菱PLC项目案例之手轮发脉冲控制三轴伺服电机器件:三菱FX3UPLC,威纶通触摸屏,三菱伺服,5轴手轮等。控制方式:PLC接收手轮发出的脉冲同步控制3轴三菱伺服电机。功能:只要PLC发脉冲口和手轮轴数足够,最多可以同步控制5轴。说明:是程序,手轮发脉冲控制伺服电机的编程方式,非硬件。程序有详细注释,伺服驱动器设置参数说明,接线图等。此案例中的倍率只做屏显示,可以直接应用到项目中去。

#mysql
这个Transformer-BiGRU模型有点东西,把注意力机制和双向门控循环玩得挺溜。咱们先看核心代码片段

最后说说这个模型的适用场景:适合15-50个特征的中等规模多变量预测,样本量建议在5000条以上。实测用霜冰算法优化学习率能提升约3%的MAE指标。多变量单输出回归,回归预测也可以加好友换成分类或时间序列单列预测(售前选一种),回归效果如图1所示~多变量单输出回归,回归预测也可以加好友换成分类或时间序列单列预测(售前选一种),回归效果如图1所示~4.模型只是提供一个衡量数据集精度的方法,因此无法保

文章图片
#实时互动
MPC模型预测控制系列之C++实现

本文介绍了在Linux环境下使用C++实现多种MPC控制策略的方法,包括带约束、带状态观测器以及鲁棒MPC等。通过使用Eigen和OSQP库,结合自编的MPC增益矩阵求解文件,能够有效地实现这些MPC算法。这些实现主要用于学习MPC系列算法思想以及OSQP的实现方式,基于单入多出的二阶系统数值算例,为MPC的学习和研究提供了一个良好的起点。

文章图片
#嵌入式硬件
外转子无刷直流电机温度场瞬态热仿真

最高温出现在绕组端部(102℃),与红外热像仪实测的98℃偏差在可接受范围。外转子结构最大的特点就是磁钢嵌在旋转外壳内部,仿真时要重点处理气隙区域的传热。外转子无刷电机在高速运转时,转子表面的涡流损耗和绕组铜耗会产生大量热量。电机端部绕组的对流换热系数需要特别处理,实测数据表明自然对流时h=8~12 W/(m²·K),强迫风冷可以到25以上。这段代码实现了前2秒h从25线性增长到35的渐变过程,模

文章图片
#beautifulsoup
三菱FX1N与台达MS300变频器485通讯程序搭建指南

三菱FX1N与台达MS300变频器485通讯程序可直接拿来实用了,三菱FX PLC与台达变频器modbus RTU通讯采用器件:三菱FX1N 24MT PLC,1个FX1N 485BD板,1个台达MS300系列变频器。也可以是FX2N,FX2N 485BD功能:进行频率设定,频率读取,正反转启停。触摸屏采用MCGS。附送威纶通程序说明:PLC通讯程序和触摸屏程序,带注释。在自动化控制领域,不同设备

文章图片
#动态规划
信捷 XC3 与 5 台台达 MS300 通讯实战指南

信捷XC3与5台台达MS300通讯程序可直接用于生产的程序,程序带注释,并附送触摸屏程序,有接线方式和设置,通讯地址说明等。程序采用轮询,可靠稳定器件:信捷XC3的PLC,5台台达MS300系列变频器,昆仑通态7062KD功能:实现频率设定,启停控制,实际频率读取等,状态读取指示在自动化控制领域,不同设备之间的稳定通讯至关重要。

文章图片
#web3.py
ResNet18深度学习网络在MNIST手写数字数据库中的识别:Matlab仿真

整个过程跑下来发现,虽然用ResNet18处理MNIST有点杀鸡用牛刀,但残差连接确实能加速训练收敛。有意思的是把图片强行拉伸到224x224后,网络前几层的特征图会保留更多细节,这对识别边缘尖锐的手写数字反而有帮助。MNIST手写数字识别算是深度学习界的"Hello World"了,不过这次咱们用ResNet18来整点不一样的。注意Matlab的加法层要处理两个输入源的连接,这里用connect

文章图片
#javascript
深度强化学习电气工程复现文章,适合小白学习 关键词:能量管理 深度学习 强化学习 深度强化学习...

本项目旨在通过深度强化学习(DRL)算法解决电气工程中的能量管理优化问题,核心目标是实现分布式能源系统(含柴油发电机、蓄电池、电网交互)的高效调度,最小化运行成本并降低发电与负荷的不平衡度。项目提供了完整的强化学习训练、测试、结果分析流程,支持多种主流DRL算法对比,并与传统优化方法(Pyomo+Gurobi)进行性能验证。

文章图片
DL00338-使用序列到序列深度学习方法自动睡眠阶段评分 深度学习方法,用于使用单通道脑电图...

睡眠阶段评分这事吧,传统方法费时费力还容易出错。现在单通道EEG设备越来越普及,正好适合用序列到序列模型搞点事情——毕竟睡眠阶段本来就是时间序列问题。最后说点坑:别迷信公开数据集的表现,实际应用时设备差异能让你掉10个点准确率。这里有个小技巧:解码器直接复用编码器的全部输出,而不是传统seq2seq的逐步解码。这操作相当于把长序列切成多个小时间窗,既能保留局部特征又减少计算量。深度学习方法,用于使

文章图片
#word2vec
直接上干货。今天咱们用Verilog在Basys3上实现一个能追着单色物体跑的视觉系统。别看乒乓球运动轨迹飘忽,抓住这几个关键点就能让FPGA死死咬住目标

最后来个联调技巧:在Vivado里设置ILA抓取图像处理中间信号,直接叠在VGA画面上显示阈值范围和质心位置,比用SignalTap逐帧分析效率高十倍。当看到红色标记框稳稳套住乱窜的乒乓球时,就知道这波稳了。注意除法运算这里直接用了IP核,自己写迭代除法器会严重拖慢时序。调试时发现乒乓球的HSV值在特定光照下会漂移,所以预留了多个预设档位,现场调试时哪个档位锁定效果好用哪个。基于FPGA的视觉跟踪

#powerbi
    共 53 条
  • 1
  • 2
  • 3
  • 6
  • 请选择