威纶通触摸屏232脚位_【原创干货】一台威纶通触摸屏与多台三菱PLC通讯案例,欢迎收藏!...

本文详细介绍了如何使用一台威纶通触摸屏TK6100i与多台三菱PLC(FX3U和FX3G)进行通讯。通过设置触摸屏的485通讯端口,配合PLC的通讯参数,实现了一屏控制多机的功能。案例中展示了PLC的通讯设置和程序编写,以及触摸屏的画面制作,帮助读者理解这一实用技巧。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

到这里为止,我们触摸屏和PLC的设置及程序就全部完成了。大家可以照着操作下载一遍,原理是不是很简单呢? 在实际项目应用中,我们经常需要使用一台触摸屏对多台设备进行监控操作。这就是我们常说的一屏多机。它的原理其实非常简单,现在我们就通过一个案例,来演示如何实现威纶通的一屏多机。

我们以一台威纶通触摸屏TK6100i分别通讯一台FX3U和一台FX3G为例,来演示这个过程,如图所示:

a3d95d6125115bffc5f44c15e580dffc.png

威纶通触摸屏TK6100i本体带有两个通讯接头,一公一母,气针脚分布如下:

cba16291d0e358fdac48864317138287.png

83a1ca39631a659568737fd4b7cf8201.png

由上图可以看出,其公头只有232接口,而三菱串口方式为422,要选择485 4W方式,所以只能使用母头。母头COM1通讯端口支持485通讯方式两线制和四线制,即2W和4W,还有COM3的两线制。

3U的PLC,采用485BD作为连接对象,,通讯方式可选择两线制或4线制,3G的PLC为编程口通讯,只能选择4线制,本屏的母接头只有一个4线制通讯方式,故3G的PLC选择为COM1通讯端口4线制,3U的PLC为COM3通讯端口2线制。

触摸屏设置:

新建文件,选择好触摸屏型号,添加1号PLC,FX3G。PLC设置如下:

2d063812ee2af6914b5100e48ae1a486.png

点击确定后再点击新增,此时选择FX2332/485BD,设置如下:

82c62e53f4bbcb836048666bcd978745.png

设置完成后的设备如下:

6471f0d12c042aed1ef456751f5c7f56.png

PLC方面的设置:

3G的PLC,由于是编程口,不用设置

3U的PLC,采用485BD,故需要对通讯参数进行设置

打开三菱编程软件,新建3U PLC文件,打开参数设置,设置如下:

727af47f1f9d705cd2c6a68674a569d2.png

分别编写PLC的程序,我们用一个按钮点亮一个指示灯。

FX3G:

d2462746606ff0dce16beae9a3e1d01f.png

FX3U:

43e436704d8e69e801caa550c54bc7d7.png

触摸屏画面制作

控制3U PLC

新建按钮和指示灯

d8d3a347195ec28a8b2251fd4038b187.png

3cf8e0568166e2f2534feebfe7f45b63.png

控制3G PLC

新建按钮和指示灯

0cd4c39d7b6059aecbf4e7b4830568b2.png

afbdd0c5b22075085858000089194824.png

效果如下:

66e03326e7fa64c68d9ad612ed19d966.png

b932a613985f83689e42bb21c9dac31a.png

到这里为止,我们触摸屏和PLC的设置及程序就全部完成了。大家可以照着操作下载一遍,原理是不是很简单呢?

有兴趣大家可以多交流,多讨论。13729794064 蓝老师 (微信同步)

城市空气质量是人们日常生活中非常关注的一个问题,通过数据分析和机器学习可以更加准确地预测城市空气质量变化趋势,为政府和公众提供科学依据和决策支持。下面介绍如何用 Python 和 KNN 算法实现城市空气质量分析预测。 ## 数据准备 首先需要收集城市空气质量相关数据,例如空气质量指数(AQI)、二氧化硫(SO2)、氮氧化物(NOx)、PM2.5 等数据。可以从国家环境保护部等渠道获取历史数据,也可以通过传感器等设备实时采集数据。这里以北京市 2014 年至 2017 年的 AQI 数据为例。 ## 数据预处理 获取数据后需要进行数据清洗和预处理,包括删除重复数据、处理缺失值、格式转换等。同时还需要进行特征工程,提取问题相关的特征,例如时间、天气、地理位置等。这里以时间和 AQI 为特征,对数据进行预处理和特征提取。 ## KNN 算法 KNN(k-Nearest Neighbor)算法是一种简单而有效的机器学习算法,它通过计算样本之间的距离,找到目标样本最近的 k 个样本,然后根据这 k 个样本的标签进行预测。KNN 算法可以用于分类和回归问题,这里我们将其应用于回归问题,即预测 AQI 值。 ## 代码实现 下面是用 Python 和 KNN 算法实现城市空气质量分析预测的代码,其中使用了 pandas、numpy、sklearn 等常用库。 ``` import pandas as pd import numpy as np from sklearn.neighbors import KNeighborsRegressor from sklearn.model_selection import train_test_split # 读取数据 df = pd.read_csv('aqi.csv') # 删除重复数据 df.drop_duplicates(inplace=True) # 处理缺失值 df.fillna(method='ffill', inplace=True) df.fillna(method='bfill', inplace=True) # 特征提取 df['year'] = pd.to_datetime(df['time']).dt.year df['month'] = pd.to_datetime(df['time']).dt.month df['day'] = pd.to_datetime(df['time']).dt.day X = df[['year', 'month', 'day']].values y = df['aqi'].values # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0) # KNN 算法 knn = KNeighborsRegressor(n_neighbors=3) knn.fit(X_train, y_train) y_pred = knn.predict(X_test) # 结果评估 print('R2 score:', knn.score(X_test, y_test)) ``` ## 结果分析 运行代码后,可以得到预测结果的 R2 分数,用于评估模型的预测精度,分数越接近 1 表示预测精度越高。可以通过调整 KNN 算法的参数和特征工程等方法来进一步提高预测精度。 以上就是用 Python 和 KNN 算法实现城市空气质量分析预测的方法,希望能对大家有所帮助。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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