研华AMAX-175X系列用户手册：运动控制解决方案

需积分: 9 0 下载量 115 浏览量 更新于2024-07-16 收藏 1.28MB PDF 举报
"AMAX-175X系列是研华公司出品的一款轴控卡，主要应用于运动控制领域。用户手册包含两大部分，分别是简介和硬件详细功能介绍。AMAX-175X系列支持OpenFrame Type 32-ch AMONet和RS-485隔离数字I/O从机模块。产品手册提供了关于该系列产品的准确和可靠信息，但Advantech公司不承担因使用手册信息导致的任何侵权责任。此外，手册中提及的AMONet、AMAX-1752、AMAX-1754和AMAX-1756是研华公司的商标，而Intel和Pentium是Intel公司的商标，Microsoft Windows和MS-DOS是微软公司的注册商标。研华公司为该产品提供两年的产品保修服务。" 详细知识点： 1. **AMAX-175X系列轴控卡**：这是研华公司推出的一系列轴控卡，主要用于运动控制系统，能够实现精确的电机控制和复杂的运动路径规划。 2. **OpenFrame Type 32-ch AMONet**：这表明AMAX-175X系列支持OpenFrame结构，是一种开放式框架设计，可提供32通道的AMONet接口。AMONet可能是研华公司的专有通信协议，用于设备间的高效数据传输和协调。 3. **RS-485隔离数字I/O从机模块**：RS-485是一种工业标准串行通信接口，具有良好的抗干扰性和远距离传输能力。隔离数字I/O模块意味着输入和输出端口之间有电气隔离，能防止电源故障或电磁干扰对系统其他部分的影响。 4. **用户手册结构**：手册分为简介和硬件详细功能介绍两部分，简介可能包含产品概述、特点和基本操作，而硬件详细功能介绍则深入讲解硬件组件、接口、配置和设置方法。 5. **版权和法律声明**：Advantech保留随时改进产品而不预先通知的权利，并强调未经许可，不得复制、翻译或传播手册内容。此外，Advantech不对因使用手册信息导致的第三方权利侵犯承担责任。 6. **商标和品牌**：AMONet、AMAX-1752、AMAX-1754和AMAX-1756是研华公司的商标，强调了其知识产权。同时，手册提及其他知名品牌的商标，如Intel、Pentium、Microsoft Windows和MS-DOS，这些都是其各自所有者的财产。 7. **产品保修**：研华公司为AMAX-175X系列提供两年的保修服务，这意味着在保修期内，如果产品出现非人为损坏，公司将负责修理或更换。 AMAX-175X系列轴控卡是研华公司在运动控制领域的专业解决方案，用户手册为用户提供全面的产品信息和支持，帮助用户理解和操作这些高性能的控制卡。

SG-3032JC_IcpdfCom_1114680.pdf

2013-03-21 上传
- **电流消耗：** 5µAmax - **占空比：** 40%至60% - **输出电压：** - 高电平：VDD-0.4V最小 - 低电平：0.4V最大 - **负载条件：** 无负载条件 - **上升时间：** 100ns最大 - **下降时间：** 100ns最大 - **启动...

研华ADAM-4000系列用户手册

2019-03-31 上传
研华ADAM-4000系列用户手册主要涉及的内容知识点包括研华ADAM-4000系列AD采集控制模块的详细功能介绍、接线说明、编程指南以及通信使用方法，并且包含一些实际工程应用的案例分析。用户手册还提供了产品的版权声明、...

解释：def conjugate_gradient(fun, grad, x0, iterations, tol): """ Minimization of scalar function of one or more variables using the conjugate gradient algorithm. Parameters ---------- fun : function Objective function. grad : function Gradient function of objective function. x0 : numpy.array, size=9 Initial value of the parameters to be estimated. iterations : int Maximum iterations of optimization algorithms. tol : float Tolerance of optimization algorithms. Returns ------- xk : numpy.array, size=9 Parameters wstimated by optimization algorithms. fval : float Objective function value at xk. grad_val : float Gradient value of objective function at xk. grad_log : numpy.array The record of gradient of objective function of each iteration. """ fval = None grad_val = None x_log = [] y_log = [] grad_log = [] x0 = asarray(x0).flatten() # iterations = len(x0) * 200 old_fval = fun(x0) gfk = grad(x0) k = 0 xk = x0 # Sets the initial step guess to dx ~ 1 old_old_fval = old_fval + np.linalg.norm(gfk) / 2 pk = -gfk x_log = np.append(x_log, xk.T) y_log = np.append(y_log, fun(xk)) grad_log = np.append(grad_log, np.linalg.norm(xk - x_log[-1:])) gnorm = np.amax(np.abs(gfk)) sigma_3 = 0.01 while (gnorm > tol) and (k < iterations): deltak = np.dot(gfk, gfk) cached_step = [None] def polak_ribiere_powell_step(alpha, gfkp1=None): xkp1 = xk + alpha * pk if gfkp1 is None: gfkp1 = grad(xkp1) yk = gfkp1 - gfk beta_k = max(0, np.dot(yk, gfkp1) / deltak) pkp1 = -gfkp1 + beta_k * pk gnorm = np.amax(np.abs(gfkp1)) return (alpha, xkp1, pkp1, gfkp1, gnorm) def descent_condition(alpha, xkp1, fp1, gfkp1): # Polak-Ribiere+ needs an explicit check of a sufficient # descent condition, which is not guaranteed by strong Wolfe. # # See Gilbert & Nocedal, "Global convergence properties of # conjugate gradient methods for optimization", # SIAM J. Optimization 2, 21 (1992). cached_step[:] = polak_ribiere_powell_step(alpha, gfkp1) alpha, xk, pk, gfk, gnorm = cached_step # Accept step if it leads to convergence. if gnorm <= tol: return True # Accept step if sufficient descent condition applies. return np.dot(pk, gfk) <= -sigma_3 * np.dot(gfk, gfk) try: alpha_k, fc, gc, old_fval, old_old_fval, gfkp1 = \ _line_search_wolfe12(fun, grad, xk, pk, gfk, old_fval, old_old_fval, c2=0.4, amin=1e-100, amax=1e100, extra_condition=descent_condition) except _LineSearchError: break # Reuse already computed results if possible if alpha_k == cached_step[0]: alpha_k, xk, pk, gfk, gnorm = cached_step else: alpha_k, xk, pk, gfk, gnorm = polak_ribiere_powell_step(alpha_k, gfkp1) k += 1 grad_log = np.append(grad_log, np.linalg.norm(xk - x_log[-1:])) x_log = np.append(x_log, xk.T) y_log = np.append(y_log, fun(xk)) fval = old_fval grad_val = grad_log[-1] return xk, fval, grad_val, x_log, y_log, grad_log

2023-06-06 上传
这是一个使用共轭梯度算法来最小化一个标量函数的函数。它的输入包括一个目标函数，一个梯度函数，一个初始值，迭代次数和容差。返回值包括参数的估计值，目标函数在该点的值，目标函数在该点的梯度值以及每次迭代中...

ml50x_schematics.pdf

2019-11-02 上传
根据提供的文件信息“ml50x_schematics.pdf”，我们可以推断这是一份与硬件设计相关的文档，旨在为设计人员提供详细的电路图和技术规范。该文档涵盖了多种硬件组件及其连接方式，这对于理解整个系统的架构非常有帮助...

point_cloud = np.asarray(cloud.points) # 1、获取点云数据边界 x_min, y_min, z_min = np.amin(point_cloud, axis=0) x_max, y_max, z_max = np.amax(point_cloud, axis=0) # 2、计算格网行列数 width = np.ceil((x_max - x_min) / step) height = np.ceil((y_max - y_min) / step) print("格网的大小为： {} x {}".format(width, height)) # 3、计算每个点的格网索引 h = list() # h 为保存索引的列表 for i in range(len(point_cloud)): col = np.ceil((point_cloud[i][0] - x_min) / step) row = np.ceil((point_cloud[i][1] - y_min) / step) h.append((row-1) * width + col) h = np.array(h) # 4、计算每个格网里点的高差、坡度 h_indice = np.argsort(h) # 返回h里面的元素按从小到大排序的索引 h_sorted = h[h_indice]这段代码的计算工程

2023-06-09 上传
1. 获取点云数据的边界（x、y、z的最小值和最大值）。 2. 根据设定的步长step计算出网格的行列数。 3. 遍历点云数据，计算每个点所在的网格索引，将索引保存在列表h中。 4. 对列表h进行排序，得到排序后的索引...

解释：def steepest_descent(fun, grad, x0, iterations, tol): """ Minimization of scalar function of one or more variables using the steepest descent algorithm. Parameters ---------- fun : function Objective function. grad : function Gradient function of objective function. x0 : numpy.array, size=9 Initial value of the parameters to be estimated. iterations : int Maximum iterations of optimization algorithms. tol : float Tolerance of optimization algorithms. Returns ------- xk : numpy.array, size=9 Parameters wstimated by optimization algorithms. fval : float Objective function value at xk. grad_val : float Gradient value of objective function at xk. grad_log : numpy.array The record of gradient of objective function of each iteration. """ fval = None grad_val = None x_log = [] y_log = [] grad_log = [] x0 = asarray(x0).flatten() # iterations = len(x0) * 200 old_fval = fun(x0) gfk = grad(x0) k = 0 old_old_fval = old_fval + np.linalg.norm(gfk) / 2 xk = x0 x_log = np.append(x_log, xk.T) y_log = np.append(y_log, fun(xk)) grad_log = np.append(grad_log, np.linalg.norm(xk - x_log[-1:])) gnorm = np.amax(np.abs(gfk)) while (gnorm > tol) and (k < iterations): pk = -gfk try: alpha, fc, gc, old_fval, old_old_fval, gfkp1 = _line_search_wolfe12(fun, grad, xk, pk, gfk, old_fval, old_old_fval, amin=1e-100, amax=1e100) except _LineSearchError: break xk = xk + alpha * pk k += 1 grad_log = np.append(grad_log, np.linalg.norm(xk - x_log[-1:])) x_log = np.append(x_log, xk.T) y_log = np.append(y_log, fun(xk)) if (gnorm <= tol): break fval = old_fval grad_val = grad_log[-1] return xk, fval, grad_val, x_log, y_log, grad_log

2023-06-06 上传
函数的返回值包括参数估计的值xk，目标函数在xk处的值fval，目标函数在xk处的梯度grad_val，记录梯度的numpy数组grad_log，记录参数的numpy数组x_log和记录目标函数值的numpy数组y_log。在函数中，使用了线性搜索（_...

x_min, y_min, z_min = np.amin(point_cloud, axis=0) x_max, y_max, z_max = np.amax(point_cloud, axis=0)

2023-06-09 上传
axis=0参数指定按列进行计算，即在所有点的x、y、z三个坐标轴中分别找到最小和最大值，分别赋值给x_min、y_min、z_min和x_max、y_max、z_max变量。这可以用于确定点云数据的边界框范围，方便后续处理和可视化。

解释： while (gnorm > tol) and (k < iterations): if updateJ == 1: x_log = np.append(x_log, xk.T) yk = fun(xk) y_log = np.append(y_log, yk) J = jacobian(x0) H = np.dot(J.T, J) H_lm = H + (lamda * np.eye(9)) gfk = grad(xk) pk = - np.linalg.inv(H_lm).dot(gfk) pk = pk.A.reshape(1, -1)[0] # 二维变一维 xk1 = xk + pk fval = fun(xk1) if fval < old_fval: lamda = lamda / 10 xk = xk1 old_fval = fval updateJ = 1 else: updateJ = 0 lamda = lamda * 10 gnorm = np.amax(np.abs(gfk)) k = k + 1 grad_log = np.append(grad_log, np.linalg.norm(xk - x_log[-1:]))

2023-06-06 上传
如果 updateJ 的值为 1，则更新 x_log、y_log 和 J。其中，x_log 和 y_log 分别记录了每次迭代后的参数向量和目标函数值，J 是目标函数的雅可比矩阵，用于计算 Hessian 矩阵 H。H_lm 为加上阻尼因子的 Hessian 矩阵...

解释：def levenberg_marquardt(fun, grad, jacobian, x0, iterations, tol): """ Minimization of scalar function of one or more variables using the Levenberg-Marquardt algorithm. Parameters ---------- fun : function Objective function. grad : function Gradient function of objective function. jacobian :function function of objective function. x0 : numpy.array, size=9 Initial value of the parameters to be estimated. iterations : int Maximum iterations of optimization algorithms. tol : float Tolerance of optimization algorithms. Returns ------- xk : numpy.array, size=9 Parameters wstimated by optimization algorithms. fval : float Objective function value at xk. grad_val : float Gradient value of objective function at xk. grad_log : numpy.array The record of gradient of objective function of each iteration. """ fval = None # y的最小值 grad_val = None # 梯度的最后一次下降的值 x_log = [] # x的迭代值的数组，n*9，9个参数 y_log = [] # y的迭代值的数组，一维 grad_log = [] # 梯度下降的迭代值的数组 x0 = asarray(x0).flatten() if x0.ndim == 0: x0.shape = (1,) # iterations = len(x0) * 200 k = 1 xk = x0 updateJ = 1 lamda = 0.01 old_fval = fun(x0) gfk = grad(x0) gnorm = np.amax(np.abs(gfk)) J = [None] H = [None] while (gnorm > tol) and (k < iterations): if updateJ == 1: x_log = np.append(x_log, xk.T) yk = fun(xk) y_log = np.append(y_log, yk) J = jacobian(x0) H = np.dot(J.T, J) H_lm = H + (lamda * np.eye(9)) gfk = grad(xk) pk = - np.linalg.inv(H_lm).dot(gfk) pk = pk.A.reshape(1, -1)[0] # 二维变一维 xk1 = xk + pk fval = fun(xk1) if fval < old_fval: lamda = lamda / 10 xk = xk1 old_fval = fval updateJ = 1 else: updateJ = 0 lamda = lamda * 10 gnorm = np.amax(np.abs(gfk)) k = k + 1 grad_log = np.append(grad_log, np.linalg.norm(xk - x_log[-1:])) fval = old_fval grad_val = grad_log[-1] return xk, fval, grad_val, x_log, y_log, grad_log

2023-06-06 上传
该函数返回最小化目标函数的参数值xk，目标函数在xk处的值fval，目标函数在xk处的梯度grad_val，迭代过程中x的值的数组x_log，迭代过程中y的值的数组y_log，以及梯度下降迭代值的数组grad_log。算法的核心是通过计算...

ImportError: cannot import name 'print_log' from 'mmcv' (/home/amax/.conda/envs/liu/lib/python3.7/site-packages/mmcv/__init__.py)

2023-11-07 上传
这个错误提示表明在导入mmcv库中的print_log函数时出现了问题。可能的原因是mmcv库的版本不兼容或者该函数在该版本中已被删除。解决方案可能是更新mmcv库或者查找替代函数。您可以尝试以下解决方案： ...
HandsomeTT
  • 粉丝: 0
  • 资源: 1
上传资源 快速赚钱

最新资源