EG网关网口连接触控一体机操作说明V1.0 20210809

蓝蜂物联网 蓝蜂物联网 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 1.2k累计阅读 1.2k平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄10年
关注
原创 最新推荐文章于 2026-11-09 17:46:39 发布 1.2k 阅读 AI 写同款· GEO 优化 ›
光电式烟雾传感器实战指南(一) 光迷宫设计与散射原理篇 本文深入解析了光电式烟雾传感器的核心部件——光迷宫的设计原理与光散射机制。文章详细阐述了如何通过精心设计的光学结构实现‘透气不透光’，并重点探讨了前向散射（尤其是135°角）在提升烟雾监测系统灵敏度与可靠性中的关键作用，为DIY爱好者提供了从理论到实践的完整指南。 阅读详情

前言：工业现场中，很多情况下都会使用触摸屏连接PLC这一套设备，此一体机是将触摸屏和PLC两款设备集成到一起，可以简化现场设备结构，方便维护。同时，使用蓝蜂 EG系列网关，可以实现远程在线监控数据。

一、准备工作

1.1 物料准备 

1、触控一体机一台（以下用LF-7BR为例）。

2、EG系列网关一台，天线和电源适配器（以下用EG20网关作为实例）。

3、SIM卡一张，有流量，大卡(移动联通电信)。

4、联网电脑一台（装有STEP-7 Micro WIN SP9编程软件和MCGS嵌入版7.7软件）

5、电工工具、导线若干。

物料准备如下

 

 

1.2 EG20网关准备工作

我们需要对网关（其他EG系列网关类似，以下均以EG20网关来介绍）连接天线、插上SIM卡（移动/联通/电信流量卡，大卡）或者使用能够上网的网线插入EG20的WAN口、连接12V或24V的电源适配器。

1.3 触控一体机与EG20网关接线

EG20网关的LAN口与触控一体机的LAN口相连，如图所示：

注LF-7BR通讯口参数如下：

  • A1、B1为COM1，对应PLC通讯端口0，可用来对PLC下载程序。可以在PLC编写modbus-RTU协议程序与EG网关通讯。
  • A2、B2为COM2，对应PLC通讯端口1，和触摸屏的COM2，此口在内部将PLC和触摸屏连接起来。 
  • A3、B3对应触摸屏COM3，此串口可外接使用。可以在触摸屏设置modbus-RTU协议与EG网关通讯。
  • USB用于对触摸屏下载程序。
  • LAN可用于对触摸屏下载程序，不能用于对PLC下载程序。同时可以在触摸屏设置modbus-TCP协议与EG20通讯。

二、配置触摸屏modbus协议

步骤一：新建一个【通用TCP/IP父设备】，在此基础上添加【ModbusTCPIP数据转发设备】驱动。IP地址以192.168.0.190为例。注意：此地址必须与触摸屏硬件IP地址一致，否则不能通讯。

步骤二：点击【ModbusTCPIP数据转发设备】编辑变量，可根据实际需求自行修改，只有在此处添加的变量才能通过Modbus进行转发，EG网关才能采集数据。完成后点击确认即可。

步骤三：点击【用户窗口】根据自己的需求做触摸屏的交互画面。

 

步骤四：配置通讯参数，如下图所示，配置完成后点击【通讯测试】。测试正常后即可点击【工程下载】将做好的程序下载进去即可。

三、EMCP平台设置

在对EMCP平台进行设置之前，由于需要使用网口通讯，首先确认EG20网关和触控一体机触摸屏的网口是否接线无误。

接线方式：网关的LAN口连接一体机触摸屏的LAN口。

用管理员账号登录EMCP平台www.lfemcp.com （建议使用360浏览器极速模式、谷歌浏览器（Google Chrome）或者支持Chromium内核的浏览器），对EMCP云平台进行设置。登录EMCP后首先进入设备列表显示页面，因为我们未创建任何设备，所以是一个空页面。

3.1 新增EG设备

步骤：点击【后台管理】（只有管理账号才有此权限）→【设备中心】→【EG设备管理】→【+新增】→填写设备信息→点击【保存】。其中，【设备名称】必填，其余选项均可不填。

3.2 远程配置网关

远程配置最主要两个地方需要配置，一是配置网关LAN口通讯参数，二是在平台上创建触控一体机的设备驱动，下面分步骤对此功能进行讲解。注：网关只有在线后才可以进行远程配置。

3.2.1 绑定网关

步骤：点击【保存并下一步】后进入【②：网关、仪表管理】，填写【SN编号】和【验证码】→【保存并下一步】。

SN和验证码在网关的机壳标签上，SN为12位纯阿拉伯数字，验证码为6位纯大写英文字母。【备注】可以根据需求填写，编辑完成后点击【保存并下一步】。

此时在右侧“网关基本信息中”可以看到绑定的网关是否连接到平台（成功登录平台可以看到“在线”绿色字样，如果不成功则显示“离线”灰色字样，此时请检查网络或网络信号）。

3.2.2 通讯参数设置

我们要使用LAN口和触控一体机进行通讯，所以我们要设置EG20网关的LAN口通讯参数。

步骤：点击【通讯口设置】→选择【LAN口设置】→选择【手动设置IP】→填写【IP地址】、【子网掩码】→点击【保存】。IP地址需要与触控一体机中Modbus转发设置的IP地址一致。

3.2.3 创建设备驱动

在通讯参数设置完成后，点击界面中央的【添加驱动】→填写设备驱动信息→【保存】。或者点击【+新增】也可以进行添加驱动的操作。

基本配置介绍：

【通讯口】：在下拉选项中选择LAN。

【通讯口配置】：此按钮可设置通讯口参数，和之前的步骤设置相同，如果之前设置过，则不需要再次点击填写。

【驱动名称】：必填项，自定义即可。

【品牌】、【型号】：必填项，如图所示，分别选择“通用ModBus设备”和“Modbus TCP”。

【设备地址】：必填项，为网关所连设备的Modbus从站地址（范围1-255），此地址必须和触控一体机中触摸屏设置的modbus转发中的“设备地址”一致，所以图中设置为1。

高级配置介绍：

【最小采集时间】：是网关采集设备数据的时间间隔，单位：ms。如设置1000ms，即网关1s采集一次设备数据。

【通讯等待时间】：网关接收通讯数据等待时间。可根据需要进行调整，默认1000ms。

【16位整型】、【32位整型】、【32位浮点型】：是指对应数据类型的解码顺序。如果厂家给的表格没有标明，建议不要进行修改，直接选择默认即可。

【分块采集方式】：0— 按最大长度分块：采集分块按最大块长处理, 对地址不连续但地址相近的多个分块,分为一块一次性读取,以优化采集效率；1— 按连续地址分块：采集分块按地址连续性处理,对地址不连续的多个分块, 每次只采集连续地址,不做优化处理。直接选择默认即可。

【4区16位写功能码】：写4区单字时功能码的选择。直接选择默认即可。

3.3 添加变量

步骤：点击【步骤③：变量管理】→【+添加变量】→填写变量信息→【保存】。

【仪表、PLC】：选择刚才创建的“触控一体机”驱动即可。

【变量名称】：自定义即可，必填项。

【单位】：自定义即可，选填项。在列表展示时，变量会带上单位展示。

【寄存器类型】：为模块读取设备MODBUS寄存区的标志符。“线圈（0x）”对应“[0区]输出继电器”，“离散输入（1x）”对应“[1区]输入继电器”，“保持寄存器（4x）”对应“[4区]输出寄存器”，“输入寄存器（3x）”对应“[3区]输入寄存器”。

【寄存器地址】：地址填写时不带寄存区标志符。如触摸屏中寄存器地址为4WUB001，【寄存器类型】选“保持寄存器（4x）”，【寄存器地址】写“1”即可。

【读写方式】：可选择变量的读写方式，根据需求修改。注意离散输入和输入寄存器不能选择“读写”。

【数据类型】：根据需要选填即可。

点击高级配置有如下显示：

【小数位数】：根据需要选填即可。

【死区设置】：根据需要填写即可。更详细的说明请参考后面的“？”帮助。

【采集公式】【写入公式】：根据需要填写即可。更详细的说明请参考后面的“？”帮助。

【状态列表】：可将数值直接与文本映射。如值为“10”，映射字段为“设备故障状态”，则当采集到变量的值为“10”时，会直接在设备监控和历史报表中显示“设备故障状态”。

添加完成后变量管理如下图所示，此时可以点击【数据调试】按钮检查数据是否正确，减少切换前台看数据的次数，同时可以点击右上方的【预览】，快速进入前台监控界面进行查看。

注意：数据调试中采集到的数据是没有经过公式计算的。如果需要查看公式计算后的数据，请点击【预览】直接进入前台查看，或点击【设备监控】→【EG设备管理】找到对应设备查看。

3.4 报警信息设置

可以根据需要给变量设置报警，当产生报警时，会在电脑网页端进行报警展示，在手机APP和微信进行报警推送。设置步骤：点击需要报警的变量后面的【报警】→【新增】→填写报警信息与条件→【确定】。如下图所示：

3.5 历史报表管理

创建完变量后可以点击“④历史报表管理”根据自己的需求创建历史报表。【历史报表】可以满足不同的应用场景下，来记录历史数据，【历史曲线】是根据报表生成的曲线，方便客户以曲线形式查看变量变化趋势。如下图界面所示：

周期存储：按照固定时间间隔，定时对数据存储记录。

条件存储：当某一变量到达一定条件，对部分数据进行“间隔存储”或“单次存储”。

变化存储：当某一变量变化超出一定范围后（高低限），对部分数据进行单次记录（如：某一数据报警后对关联数据进行记录）。

3.6 画面组态

点击【⑤组态管理】即可进入组态管理界面，此处可以设置数据监控中的展示方式（组态展示或列表展示，默认为组态展示）。可以在此处选择使用组态展示形式来展示对应数据规则。

如下图界面所示：

点击界面中间的组态界面列表后方的【编辑】项，进入编辑页面。通过组态编辑页面我们可以任意绘制图片、文字、数显框、按钮、指示灯、管道、设备等控件，详细功能请参考《EG设备组态编辑使用说明》。

四、实验效果

用户登录EMCP平台（www.lfemcp.com），点击“触控一体机”设备的图片或设备名称进入设备即可查看、修改相关数据。

  • 五、附录

  • 5.1 触控一体机PLC程序下载

方法一、本地串口下载

PLC下载程序采用485通讯接口，可选用USB转485模块或USB转232+232转485模块下载，编程软件为V4.0 STEP 7 MicroWIN SP9进行PLC程序编程和下载。

芯片型号必须为FT232RL，否则会下载失败。如果有需求，可以联系我公司商务人员，或者自行购买。

淘宝链接：

https://item.taobao.com/item.htm?spm=a1z09.2.0.0.83fd2e8dcKDo6d&id=558809288073&_u=u2iqg0rub626

步骤一：接线如图所示：

对PLC下载程序，需要使用USB转485模块连接PLC通讯端口0（A1,B1）。USB转485模块的A+接一体机A1，B+接一体机B1。然后将USB转485插到电脑上。

步骤二、检查电脑是否识别USB转485，如果不识别，请重新插拔或者重装驱动。本机为COM8，使用时请以实际电脑串口为准。

步骤三、软件配置

打开STEP 7 Micro WIN SP9软件→点击【设置PG/PC接口】→在弹出窗口中选择【PC/PPI cable PPI.1】→点击【属性】→点击【本地连接】→选择通讯端口，本机为COM8→点击【OK】。

点击【通信】→在弹出界面中点击【双击刷新】测试是否能够识别到PLC，如果不能识别，请检查PG/PC接口设置是否正确，接线是否正确。

等待软件搜索PLC。

点击PLC即可完成通讯设置，此时可以将做好的程序下载到PLC中，可根据自己的需求自行下载。

方法二、远程下载

使用EG20网关可以实现对此PLC进行远程下载，具体操作见《EG20串口下载PLC程序操作说明V1.0》。

5.2 触控一体机-触摸屏程序下载

触摸屏下载程序可以使用网线下载，或者使用USB下载。和一般触摸屏下载程序方法无异。下文以网线下载程序为例。编程软件使用昆仑通泰MCGS嵌入版7.7。组态时型号选择分辨率为800*480即可。

方法一、本地网口下载

步骤一：使用网线将触摸屏和电脑连接，此触摸屏IP地址设置为192.168.0.190，可以在触摸屏硬件中进行修改。电脑修改成与触摸屏同一网段的IP地址。

 

步骤二：做触摸屏与PLC通讯的程序

如下图所示，在【设备窗口】中创建【西门子_S7200PPI】的串口驱动。触控一体机内部已经将触摸屏的COM2和PLC连接上，所以用户无需另行接线，可以直接使用。同时【基本属性】界面中串口端口号必须选择COM2。其余参数需要与PLC一致，PLC默认波特率为9600， 8位数据位 偶校验 1位停止位。

步骤三：点击【西门子_S7200PPI】编辑变量，可根据实际需求自行修改。完成后点击确认即可。

步骤四：配置通讯参数，如下图所示，配置完成后点击【通讯测试】。测试正常后即可点击【工程下载】将做好的程序下载进去即可。

方法二、远程下载

使用EG20网关可实现对触摸屏的远程程序下载，具体方法见《EG20网口远程下载程序操作说明V1.0》。

注：触摸屏支持USB下载，如有需求自行学习。

标签
#物联网 #plc #远程控制 #自动化
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
ESP32 WIFI 智能巡线小车设计与实现（四足 / 四轮通用） 本文设计的 ESP32 WIFI 智能巡线小车，硬件模块化、软件轻量化，兼容四足与四轮两种结构，实现了自动巡线与 WIFI 远程控制双功能。系统成本低、易上手，适合嵌入式初学者学习 WIFI 通信、传感器应用、运动控制等核心知识点，也可在此基础上扩展蓝牙控制、避障、视觉识别等功能。 阅读详情

相关推荐

DELL服务器BIOS下配置RAID阵列

dell服务器配置raid阵列

weixin_58250887的博客 1万+

注塑机数据采集网关 ZK-D1/D3：读取控制器哪些数据对接 MES/IoT 平台

ZK-D1/D3数据采集网关可统一接入多品牌注塑机，采集设备状态、生产计数、工艺参数、报警及能耗等核心数据，通过MQTT/HTTP等协议标准化上传至MES/IoT平台。实现“一次接入、统一建模”，支撑OEE分析、产量看板、质量追溯与故障闭环管理。关键在于规范数据映射、合理设置采集频率、保障时间同步与安全传输，最终将设备数据转化为生产效率与质量管理价值。

专业采集注塑机数据，为mes系统提供数据服务！ 492

new delete 详解

常规的new 和 delete 当需要内存时，可以使用new申请内存，但在用完内存时应当使用delete 去归还内存，以防止内存泄漏，具体使用方案见下面代码： int* ps = new int ; // 使用new 申明变量空间 ... ... delete ps ; '// delete 删除所申明的变量空间 上述代码将删除ps 指针指向的内存空间，但不会删除指针本身，即仍然可以使用该指针去指向其他int 类型的变量。new 和 delete 一定需要成对的使用否则极易发生内存泄漏。 注意：不

qq_42138448的博客 6938

009基于物联网的智能厨房安全监测系统

本文讲解物联网毕业设计选题《基于物联网的智能厨房安全监测系统》的实现：ESP32 搭配 MQ-2 燃气传感器采集可燃气体浓度、DHT11 采集温湿度，按浓度区分预警与危险两级做分级声光报警；危险时自动驱动常闭电磁阀切断气源，并通过 WiFi 推送告警到微信，数据上传云平台留存，隐患排除后可按键复位。内容含硬件清单与接线、传感器预热与阈值标定、分级报警与危险锁存设计、.h/.c 分离的多模块代码，并附测试验收、开题表述与答辩问答。照着做即可。

x1649545783的博客 362

802.1AS-2011_Gptp协议栈

GPTP（广义时钟同步协议，或IEEE 802.1AS）的基本功能是确保局域网中所有的时钟都同步，并提供时间信息。这种协议用于在局域网中进行同步和时间对齐，其目的是确保网络中各设备的时间一致性。

weixin_49041703的博客 2542

ESP32S3学习——i2c,点亮0.96寸oled

ESP32S3学习——i2c,点亮0.96寸oled

HandBAI的博客 1万+

井下视频监控系统，物联网卡打通矿山可视化远程感知链路

物联网卡专为工业设备设计，区别于普通手机流量卡，具备长时间在线、低掉线率、专网隔离、流量定向管理等特点，可以为分散的井下视频点位提供稳定的数据回传通道。如果全部依靠光纤铺设，面对临时掘进面、移动作业点位、偏远小型硐室，布线难度大，一旦巷道塌方、管路挤压，光纤极易断裂，造成监控点位离线。这种场景下，依托物联网卡搭建无线传输通道，成为有线网络重要的补充方案。而工业物联网卡支持专用 APN，链路隔离，降低外部网络带来的安全风险，同时支持设备在线状态监测，一旦摄像仪掉线，后台可以快速识别故障点位，安排运维排查。

sms159753的博客 578

TOPSIS与熵权法实战：从数学建模到Python实现（附国赛案例分析）

本文详细解析了TOPSIS（逼近理想解排序法）与熵权法在数学建模中的协同应用，并通过Python代码实现完整流程。文章以国赛案例为背景，从指标正向化、数据标准化、熵权法计算客观权重，到TOPSIS综合排序，手把手指导如何解决多指标决策问题，为数据分析与建模提供了一套可复用的实战工具箱。

weixin_29079643的博客 245

井下风速传感器远程监测，物联网卡筑牢矿井通风感知链路

工业物联网卡支持专网接入，链路独立，具备更长在线保活机制，丢包率更低，还可以对设备进行卡机绑定，降低被盗用、篡改的风险。传统方案大多依靠有线线缆接入井下安全监控分站，再经由主干光纤上传调度主机，这套方案成熟，但在部分偏远测风点、临时巷道、移动测风站点，有线布线会遇到不少难题，物联网卡则为这类场景提供了一条轻量化远程传输路径。物联网卡降低无线测点部署门槛，让很多原本难以布线的位置也能够实现远程在线监测，丰富通风感知网络，为矿山一通三防数字化改造提供有力支撑，也是矿山物联网感知体系中非常重要的通信载体。

2601_96879660的博客 320

STK12与Python联合仿真（一）：环境搭建

STK仿真python接口，安装与测试

qq_42635142的博客 1万+

DeepSeek+Cline：开启自动化编程新纪元

随着 AI 技术不断进步，编程领域迎来效率变革。DeepSeek 与 Cline 的结合，成为自动化编程的强大工具。DeepSeek 凭借先进的自然语言处理能力，能精准理解编程需求；Cline 作为 VSCode 插件，可实现代码生成、调试、注释等功能的无缝衔接。本文详细阐述二者安装配置、实战操作流程，涵盖从基础代码生成到复杂项目开发的应用技巧，同时解答常见问题，帮助开发者快速掌握这对 “智能搭档”，提升编程效率，解锁自动化编程的无限可能。

邓邓子的博客 6254

IoT 固件安全与 Pwn 实战学习笔记

本文基于D-Link DCS-935L固件（版本1.09.02）分析漏洞CVE-2025-10779，系统梳理从固件解包到栈溢出利用的全流程。通过binwalk提取根文件系统，结合inittab与rcS定位HTTP/HNAP服务；利用httpd.ini映射路由，确认/HNAP1/可被外部访问；在MIPS大端架构下，使用qemu-mips-L+GDB调试运行CGI程序，发现strcpy(haystack, getenv("HNAP_AUTH"))存在无边界复制漏洞。通过构造含空格分隔符的载

2503_91800161的博客 380

【嵌入式】AMIC和DMIC（什么是数字麦和模拟麦）

最近在做一个关于MIC的项目，同事不太清楚AMIC和DMIC的区别，又有高手详细解释了其原理，在此整理记录一下，方便后续查阅。

Bigan(安)的博客 8549

个人全栈物联网系统阶段性总结报告02

你目前已经成功搭建了一个完全自主可控[感知端] ESP32-C3 (ESPectre 固件)├─ 人体感知：Wi-Fi CSI 信号分析 (无摄像头隔空探测)├─ 数据采集：芯片内置温度传感器├─ 执行控制：GPIO12(云端受控灯)、GPIO13(雷达联动灯)││[传输管] 云服务器 EMQX 消息代理├─ 主题路由：espectre/# (雷达数据) | sensors/# (环境数据) | device/control (控制指令)│↓。

weixin_45018584的博客 221

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具，可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

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")

【RHCA+】iotop命令（实时监控磁盘IO）

目录：RHCA+ -> 12 系统监控 -> 43 iotop命令（实时监控磁盘IO） ”[root@wuzuniao ~]# yum -y install iotop #安装工具。[root@wuzuniao ~]# iotop #实时监控磁盘io。语法格式：iotop。

282

假人有限元模型

假人模型，车辆碰撞假人有限元模型，适合做乘员安全的研究者利用

注塑机数据采集网关 ZK-D1/D3 如何与 MES/IOT 平台对接并展示数据

本文系统阐述注塑车间数据采集难题及ZK-D1/D3网关解决方案，聚焦设备异构协议统一、数据建模规范与四层链路对接。通过明确设备唯一标识、统一命名规则与上行协议选择，实现多品牌注塑机数据标准化采集与传输。结合MQTT/HTTP/OPCUA多协议支持，构建从设备层到MES/IOT平台的完整链路，支撑实时看板、历史趋势、OEE分析与报警管理。强调前期标准化与端到端验证的重要性，确保数据可靠落地，赋能智能制造。

专业采集注塑机数据，为mes系统提供数据服务！ 235

WINCC7.3破解文件

WINCC7.3硬件够破解文件，有需要的下载！WINCC7.3硬件够破解文件，有需要的下载！

定位数据怎么推给 IoT 平台？消息协议选型与接入准备

园区定位数据推送方式应基于消费方数量、实时性、数据量级与网络条件选择：多系统、高频小数据量且弱网络场景推荐消息中间件（发布订阅）；单系统、内网环境可选接口回调或定时拉取。需合理设计主题结构，保障数据一致性与幂等性，提前规划鉴权、监控与异常处理机制。建议先小范围验证端到端性能，再逐步扩展，具体协议与规范以项目交付文档为准。

QXWZ_的博客 117

〖物联网终端实战 01〗UWB 室内高精度定位：仓储 AGV 与人员的厘米级轨迹追踪

UWB实现仓库厘米级定位，突破GPS盲区。通过TDOA算法结合泰勒展开与加权最小二乘求解非线性方程，实现高精度定位；针对金属遮挡导致的NLOS误差，采用CIR特征判别、多基站冗余与运动模型融合进行抑制；物理坐标需经标定映射至WMS逻辑坐标，并定期复核。工程中须注意基站密度、时间同步与系统校验，避免定位漂移。精准定位依赖算法与细节把控，非仅设备之功。

Eyf • 半字节的博客 389

实验室温湿度如何实时监测？无线传感器 + IoT 平台实现异常告警

实验室环境直接影响实验开展、试剂样品储存与精密仪器运行。本文以"无线传感器 + 工业 IoT 智能网关 + IoT 管理平台"三层架构为主线，梳理实验室环境在线监测的完整落地方案：感知层如何按需选型、传输层如何打通数据链路、平台层如何实现实时监测、异常告警与历史追溯，并给出告警处置的闭环流程与部署建议。

2601_96665029的博客 269

越华环保集团碳惠小屋｜面向碳普惠场景的 IoT 终端与碳数据链路设计方案

越华环保集团碳惠小屋这套 IoT 碳数据方案，把物联网感知技术和碳普惠业务规则深度绑定，补齐了碳普惠线下可信数据源短板。相比通用回收设备，它的核心价值在于标准化碳数据链路与可对接上层碳普惠平台的开放能力。随着各地碳普惠数字化建设提速，对合规、可溯源线下采集终端需求持续增长。这套架构具备良好扩展性，后续可以继续接入骑行、节水节电等更多低碳感知终端，作为统一的公众低碳数据采集底座，支撑区域碳普惠数字化体系持续迭代升级。

MuMuMu1223的博客 191

根治协议碎片化：JVS-IOT‘产品-物模型’双轨抽象实现设备接入零代码适配

本文以技术实践视角解析JVS-IOT如何通过‘产品’（协议契约模板）与‘物模型’（语义标准化层）双轨抽象，解决工业IoT中多协议混杂、点位语义不一致导致的重复开发与高维护成本问题；结合通信建模、JSON映射规则和数字孪生体生成逻辑，提供可复用、可验证、可闭环的设备接入落地路径。

537

【成品设计】基于物联网的旅游生态农业互动系统

本系统基于物联网技术，实现旅游生态农业的智能化互动管理。通过传感器实时监测温湿度、光照、土壤湿度等环境参数，自动控制浇水与RGB补光，并支持游客语音指令操作。系统每秒读卡触发语音交互，每5秒上传数据至云端，关键操作实时追溯，兼具自动化与人机互动功能，提升农业体验与管理效率。

Dev_XH 's HOME 45

物联网大屏怎么搭：9 张真实模板逐屏拆解——设备台账、管网工艺、告警闭环各就各位

物联网大屏最容易做成图标大杂烩：设备不台账化、场景不空间化、告警没闭环。这篇用 9 块真实模板拆解四类物联屏，每屏给谁看、看什么、难点在哪，收拢成三要素规律和选型清单。

QianhangQianping的博客 179

IoT架构实战：基于毫米波雷达与边缘计算的公厕异常滞留预警系统设计

该方案有效解决了隐私保护与安全监管的矛盾。通过边缘计算将算力下沉，既降低了主干网带宽成本，又保障了极端网络环境下的报警可靠性，是智慧市政物联网落地的优秀实践。

sxyxhwl的博客 120

Edge AI 与 IoT 全栈：云端时序数据库 + Grafana 看板，把数据变成洞察

搭"云端接收 + 时序数据库 + Grafana 看板 + 告警"完整链路，浏览器实时看每台站的温度湿度气压曲线，并在高温/降雨/低电量时告警。重点回答被搞错的问题——为什么气象数据必须用时序库而非 MySQL，给时序库选型（InfluxDB vs TDengine）、Docker 部署、Python 落库、Grafana 看板与告警的完整可复现代码。

雨1986的博客 589

SL651与MQTT在水利物联网中的协议定位与选型依据

在水利物联网建设中，SL651与MQTT并非二选一关系，而是按业务边界协同使用：SL651保障水文数据上报的行业合规性与系统兼容性，适用于存量遥测站及上级接收系统对接；MQTT则提供灵活、高效的通用消息传输机制，适配新型感知设备接入与平台间数据分发。面对多厂家、多规约并存的现实，平台应具备多协议统一接入能力，通过协议适配实现数据归一化管理。选型关键在于评估平台的集成能力、运维成本与业务闭环支撑水平，而非单一协议偏好。

QXWZ_的博客 253
上一篇： 一键远程管理多个泵房供水设备
下一篇： 远程监控云平台，让你的数据无处可藏！
点赞 22
评论 0
书签 书签 18
蓝蜂物联网
蓝蜂物联网
博客等级 码龄10年 1699粉丝 486原创
+ 关注
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
 
表情包 插入表情
表情包 代码片
 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
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