ADAM5000:工业数据采集与控制系统的详尽解析

3 下载量 23 浏览量 更新于2024-08-26 收藏 1.1MB PDF 举报
ADAM-5000系列是研华公司推出的一款高效能的数据采集和控制系统,专为工业环境设计,其特点是耐用性强、模块化配置以及丰富的I/O功能。该系列设备主要由系统本体和I/O模块构成,其中系统核心为CPU板,负责执行基本功能,而I/O模块则根据需求提供不同的输入输出接口。 系统本身的硬件组件包括电源板、CPU板、多槽底座(如4槽或8槽版本)、232串口和一对485通讯接口,这使得ADAM-5000能够实现对多种设备的连接和数据交换。系统采用多点RS-485网络架构,便于与主机或其他远程设备通信,同时也支持ADAM-4000-5000Utility工具进行配置和测试。 I/O模块是ADAM-5000的核心扩展部分,提供了丰富的功能选项。例如,模拟量输入模块用于处理传感器数据,如ADAM-5013是3通道RTD热电阻输入模块,适用于PT100或Ni热电阻,具备多种输入电压和电流范围,同时具有高达8000样本/秒的采样速率。ADAM-5017/H是16位8通道差动输入模块,支持可编程的输入范围,包括电压、电流和光电隔离保护。另外,ADAM-5018则是7通道热偶输入模块,同样支持可调整的输入范围,适合于多种热电偶类型的应用。 这些模块不仅支持DI/DO/AI/AO功能,还可能包含计数器等功能,允许用户根据实际工况灵活选择和组合,以满足不同工业自动化场景的需求。此外,ADAM-5000系列还提供DLL函数库供开发者调用,方便用户进行编程,以及OPCServer接口,以便与其他软件无缝集成,提升整体系统的兼容性和效率。 ADAM-5000系列以其高度灵活性、可靠性和强大的功能,是工业自动化控制和数据采集的理想选择,适用于需要精确测量和控制的领域,如过程控制、能源管理、制造业等。通过结合研华提供的技术资料和工具,用户可以轻松地定制和部署适合特定应用的解决方案。

import numpy as np import tensorflow as tf from tensorflow import keras import matplotlib.pyplot as plt Let us define a plt function for simplicity def plt_loss(x,training_metric,testing_metric,ax,colors = ['b']): ax.plot(x,training_metric,'b',label = 'Train') ax.plot(x,testing_metric,'k',label = 'Test') ax.set_xlabel('Epochs') ax.set_ylabel('Accuracy') plt.legend() plt.grid() plt.show() tf.keras.utils.set_random_seed(1) We import the Minist Dataset using Keras.datasets (train_data, train_labels), (test_data, test_labels) = keras.datasets.mnist.load_data() We first vectorize the image (28*28) into a vector (784) train_data = train_data.reshape(train_data.shape[0],train_data.shape[1]train_data.shape[2]) # 60000784 test_data = test_data.reshape(test_data.shape[0],test_data.shape[1]test_data.shape[2]) # 10000784 We next change label number to a 10 dimensional vector, e.g., 1-> train_labels = keras.utils.to_categorical(train_labels,10) test_labels = keras.utils.to_categorical(test_labels,10) start to build a MLP model N_batch_size = 5000 N_epochs = 100 lr = 0.01 we build a three layer model, 784 -> 64 -> 10 MLP_3 = keras.models.Sequential([ keras.layers.Dense(128, input_shape=(784,),activation='relu'), keras.layers.Dense(64, activation='relu'), keras.layers.Dense(10,activation='softmax') ]) MLP_3.compile( optimizer=keras.optimizers.Adam(lr), loss= 'categorical_crossentropy', metrics = ['accuracy'] ) History = MLP_3.fit(train_data,train_labels, batch_size = N_batch_size, epochs = N_epochs,validation_data=(test_data,test_labels), shuffle=False) train_acc = History.history['accuracy'] test_acc = History.history对于该模型,使用不同数量的训练数据(5000,10000,15000,…,60000,公差=5000的等差数列),绘制训练集和测试集准确率(纵轴)关于训练数据大小(横轴)的曲线

2023-06-01 上传