组态王变量变化率的应用技巧

来源 :金属加工:冷加工 | 被引量 : 0次 | 上传用户:zw840909
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
当PLC输出数据时,某些关键数据会清零或无法找到相应的地址,探讨用组态王开发监控系统变量变化率的方法来解决此问题。
其他文献
结合实例介绍了杭州汽轮机厂利用SolidWorks与PLM系统实现三维工装参数化模板设计与应用的过程。实际应用表明,三维工装参数化模板的使用能够提高工作效率,降低生产成本。
介绍了带缺齿的渐开线花键的功能,通过分析带有位置要求的异形花键结构,采用多工位立式拉床、渐开线拉刀及夹具,完成有角度要求的缺齿内花键的加工,可一次拉削成形,生产效率高。
针对滚动轴承早期故障冲击特征微弱且故障信息难以识别的问题,提出了一种最小熵解卷积(MED)与可调品质因子小波变换(TQWT)相结合的滚动轴承早期故障冲击特征提取方法。由于(MED)能够突出信号中的冲击特征成分,首先对振动信号进行MED预处理,使受到传输路径影响的微弱冲击成分得到一定程度的增强。再利用TQWT对预处理后的信号进行分解重构,得到若干个子带信号。对比不同品质因子Q下的各子带信号峭度值,根据峭度最大原则确定子带中的最佳分量并对其进行包络谱分析,从而根据轴承故障特征频率确定轴承健康状态。仿真信号验证
数控立式车削中心VTC-160E在加工过程中出现工作台卡死故障,经工作台传动机构的拆卸检查和分析后,发现由于工作台齿轮传动的润滑系统出现堵塞,导致工作台传动Ⅱ轴轴承损坏,齿轮无法旋转。此次设备工作台拆卸、安装以及调试工作均自主完成,设备运行效果良好。
针对双臂机器人协作空间及其机构参数优化问题,以6R双臂服务机器人为研究对象,根据D-H参数求出运动学正解,利用蒙特卡洛法求解双臂各自的工作空间,以协作空间最大为优化目标,求解机械臂机构最优参数,通过MATLAB进行编程对具体运算结果进行验证。结果表明,在一定约束之内,以双臂机器人协作空间最大为目标,优化机构连杆长度和关节范围大小,对双臂服务机器人的设计改进有着重要意义,为后续的双臂协调操作奠定了基础。
为实现磷锗锌(ZnGeP_( 2))晶体超精密切削,提高表面加工质量,获得纳米级的超光滑表面,基于纳米压痕实验计算出磷锗锌晶体表面脆塑转变临界深度。在此深度内切削材料产生脆塑转变,并以塑性方式去除。在此基础上,采用单点金刚石飞切机床DFC600A开展磷锗锌晶体超精密切削。通过控制切削深度低于磷锗锌晶体脆塑转变临界深度,使材料表面仅发生塑性变形,实现了晶体表面纳米级光滑表面加工,表面粗糙度达1.01 nm,达到了对磷锗锌晶体表面的加工要求,验证了方法的有效性。
金属带式无级变速器(CVT)的带轮变形会导致金属带沿着带轮锥面发生径向偏移,从而使得系统产生摩擦损失,严重影响变速机构的传动效率。以某国产CVT为研究对象,建立了带轮变形摩擦损失模型并利用ANSYS软件对金属带式无级变速器传动部分进行有限元仿真分析。分析结果表明:速比是影响带轮变形的主要因素,带轮锥面最大变形量随着工作半径减小而逐渐减小。同时,从摩擦损失模型可以看出发生在带轮工作半径上的最大变形量是影响摩擦损失的主要因素,带轮摩擦损失在传动比较大或较小时达到最大值,并且随着输入转矩的增加摩擦损失也随之而增
针对目前爬壁机器人自身重量过重、机身结构过于复杂的问题,提出一种爬壁机器人吸附结构变密度拓扑优化法。通过对爬壁机器人吸附于壁面时影响较大的主要结构部件进行三维建模,引入变密度拓扑优化法对所选用的部件在Ansys Workbench软件中进行结构优化。根据机器人工作实际情况设置边界条件和载荷,合理去除爬壁机器人主体部件中对结构强度影响不大的区域。根据优化结果重建模型并和原始结构模型进行应力分析对比,从而实现对爬壁机器人主体结构的拓扑优化。将优化后的吸附面结构与优化前的吸附面结构在ANSYS中对比,在保证爬壁
为探究渐开线花键副在微动工况下的磨损行为,对花键副材料20CrMoH进行磨损实验,得到不同工况下花键副材料20CrMoH的磨损系数。实验结果表明:在同一振动频率下,材料微动磨损系数随着法向正压力的增大而增大;在同一法向正压力下,材料的微动磨损系数随着振动频率的增大而增大。采用有限元与Archard理论相结合的方式对花键副材料磨损量进行预测,并与磨损实验结果进行对比,验证了该预测方法的可行性。为寻找改善花键副齿面磨损的方法与思路,进行花键副参数优化,以花键副齿面磨损量最小为目标寻求侧隙、修形量、夹角这3个参
本文基于工程实测数据,在分析其序列性质的基础上,提出了基于时序神经网络方法的盾构掘进速率预测方法,并在天津地铁9号线这一实际工程算例中对所提出的方法的有效性进行验证,讨论比较了Simple RNN、LSTM与GRU这3种不同时序神经网络算法的掘进速率预测表现。结果表明,本文提出的基于时序神经网络的盾构掘进速率预测方法能够较好地分析掘进中积累的工程实测数据中的序列性质,从而对前方掘进速率进行预测,且比具有“门”性质的LSTM与GRU方法表现出了更好的预测效果。