DS200TCQAG1BEC

DS200TCQAG1BEC当工控触摸屏固件版本太低时导致工控触摸屏乱跳失灵
    现象：工业触摸屏可以正常使用，但是按下区域和响应区域成镜像反，例如按左边区域右边响应，按右边区域左边响应
    问题分析：工业触摸屏局部区域可以使用只是按下去不准确，但是但是中断正常，报点位置镜像反，引起此现象可能是工业触摸屏固件太老，当前驱动不匹配引起的 。
    根本原因：工业触摸屏固件不匹配
    改进措施：升级工业触摸屏固件
那么给电机加油的周期是多久？加注量是？选择什么样的油脂？加注量一般为1/2~2/3，加少了润滑效果不好，加多了会造成电机轴承过热；一般二极电机半年加注一次，四极以上电机一年加注一次，也可以根据有些电机厂对轴承要求的时间加注，他们一般都按运行小时计算。
同样道理，在相同频率下，发动机越大，输出功率越大，这也是为什么柴油机个头都比汽油大的原因，个儿大劲儿大的柴油机才能带动公交卡车等重型汽车。



同理，电动机（或者说一切转动机械）既要求个头小，要求输出功率大，只有一个办法——提高转速，这也就是为什么交流电频率不能太低的原因，因为我们需要个头小但功率大的电动机。


变频空调也是同样的道理，通过变换交流电的频率，来控制空调压缩机的输出功率。之，功率与频率在一定范围内正相关。


再说说频率大了会怎么样？比如定在400Hz怎么样？



两个问题，一是线路和设备的损耗增加，二是发电机转速过快。



先来讲损耗，输电线路、变电设备、用电设备，都是有电抗的，电抗与频率成正比，频率越高，电抗越大，消耗的无功就越大，能传递的有功功率就越少。目前50Hz输电线路的电抗约0.4欧姆，约是电阻的10倍，如果提高到400Hz，那电抗将是3.2欧姆，约是电阻的80倍。对于高压输电线路，降低电抗是提高输电功率的关键。


与电抗相对应的还有容抗，容抗和频率成反比，频率越高，容抗越小，线路的泄漏电流越大。如果频率高了，则线路的泄漏电流也会增加。



另一个问题是发电机的转速。现在的发电机组基本是单级机，也就是一对磁极。为了发出50Hz的电，转子每分钟转速要达到3000转。汽车发动机转速达到3000转时，就能明显感觉引擎在振动作响了，转到六七千转时，你就会觉得发动机快跳出引擎盖了。



汽车发动机尚且如此，更何况是一个重达百吨的实心铁疙瘩转子与汽轮机，这也是发电厂的噪音很大的原因。一个重达百吨的钢转子每分钟转3000转谈何容易，如果频率再高三四倍，估计发电机能飞出厂房了。

如此重的转子具有相当大的惯性，这也是电力系统被称为惯性系统，能保持安全稳定运行的前提。同样也是为什么风电和太阳能这种间歇性电源对传统电源提出挑战的原因。



因为风光变化很快，几十吨重的转子由于巨大的惯性，要减少出力或增加出力的速度很慢（爬坡率的概念），跟不上风电和光伏发电的变化，所以有时不得不弃风和弃光。



由此可见

频率不能太低的原因：变压器能效率高，电动机可以个头小功率大。

频率不能太高的原因：线路和设备可以损耗小，发电机转速不必过高。

因此根据经验和惯，我们的电能就被定在在50或60Hz。

位于广东省东莞市核心地带，投资100多亿元，是集商务办公、购物休闲、酒店服务、金融服务等元素于一体的城市综合体。国贸中心由T1-T5五座塔楼和一座商业裙楼组成，其中T2塔楼以423米的高度成为目前东莞*高楼。项目建成后，国贸中心将帮助东莞从单纯加工制造，向贸易内销转型，搭建起更广阔的平台，推动东莞实现产业转型升级。



近期，ABB为东莞国贸中心提供了*的电气解决方案和i-bus智能建筑控制系统。在设备层，通过低压设备，打造安全、可靠、稳定的配电系统；在控制层，提供i-bus系统，实现对公共区域场景化的灯光控制，创造更智能、更舒适的生活空间， 同时满足绿色低碳的环境要求，减少建筑物的碳排放。在项目中，涉及1000多个回路，相比传统照明解决方案，预计可节能30%以上。国贸中心项目定位一线城市综合体，用电负荷大，用电设备种类多。其中的高层建筑体量巨大、功能复杂，在配电系统的选择上需要满足更严苛的标准。根据客户需求，ABB梳理出由空气断路器、塑壳断路器、微型断路器、双电源转换开关、隔离开关熔断器等组成的低压元器件产品组合。即使在大负荷的情况下，也能确保国贸中心配电系统的安全、稳定运行。



此外，客户提出楼宇智能控制系统不仅需具备照明控制等基本功能，还需具备稳定性、节能性与可拓展性，保证与时俱进。ABB i-bus®智能建筑控制系统通过实时监控、场景控制、定时控制等功能，对不同区域，按照不同时间段设定场景，满足客户节能降耗的要求。与此同时, ABB i-bus®智能建筑控制系统通过光纤传输方案，与楼宇自控系统集成，在监控中心远程控制不同区域的照明，满足了客户对公共区域各类场景的统一控制的要求, 让国贸中心塔楼全面智能升级。取指令与输出指令（LD/LDI/LDP/LDF/OUT）
2016年3月，AlphaGo与职业围棋选手的对局引发了人们对于人工智能的高度关注。计算机在一个*的非常复杂的计算与智力任务中，打败了人类的*选手，靠的是类人脑的智能吗？从系统的结构看，AlphaGo结合了深度神经网络训练与蒙特卡洛模拟[1]。广义的说，深度神经网络是类脑的计算形式，而蒙特卡洛方法则是发挥机器运算速度的优势，模拟出数量巨大的可能性用以进一步判断，这现在看来不是大脑工作的机制。所以AlphaGo 可以说是结合了类脑与非类脑的计算与智能，*发挥其各自特长所取得的*。除了AlphaGo 所运用的深度神经网络之外，现在研究的类脑计算和智能还有哪些方面？可能会在不久的将来带来什么样的突破呢？
     1、接口丰富，支持以太网、串口、CAN口、IO口等设备接入及以太网、2G/3G/4G全网通网络接入；
2、内嵌上百种工业协议，支持99%以上PLC及绝大多数工业设备接入；
3、8GB本地存储+SD卡支待，支持本地数据缓存及离线应用；
4、三合一串口，支持RS485/RS232/RS422三种电气接口；
5、支持边缘计算，在物联网边缘节点实现数据优化、实时响应、敏捷连接、模型分析等业务，有效分担云端计算资源 支持多台设备同时接入；
6、支持DC9~36V宽压输入，适应多种复杂工业现场；
7、支持LED灯自定义，用户可根据需要定义LED灯（如设备状态、边缘计算结果等）；
8、无需客户端，支持按需连接的远程上传、下载，有效节省网络流量；
9、支持网关健康自诊断，快捷检测网关故障；
10、支持多种标准的VPN (PPTP/ L2TP/IPSec/OpenVPN) ；
11、支持网络主备模式，根据网络情况智能切换网络接入方式（支持智能网络诊断）；
12、强大的云端软件中心支持，可根据实际应用场景安装对应的固件、应用等；
13、支持多种远程控制模式（无密码／有密码／禁用），同时具备物理远程控制开关，一键开关远程控制功能；
14、支持多链接井发数据采集；
15、支持4G流量详情分析及流量控制；
16、支持网关远程管理；支持网络自恢复；
17、支持基站和GPS混合定位模式及本地WEB端GPS位置呈现；
18、支持本地WEB端点表配置，支持本地组态设计和呈现；
19、工业级边缘计算网关,数据采集*支持5000点；
20、支持数据多路转发和第三方平台接入。   一般地说，类脑计算是指借鉴大脑中进行信息处理的基本规律，在硬件实现与软件算法等多个层面，对于现有的计算体系与系统做出本质的变革，从而实现在计算能耗、计算能力与计算效率等诸多方面的大幅改进。过去几十年来通讯与计算机技术的长足发展带来了信息化革命，但现有计算系统仍然面临2个严重的发展瓶颈：一是系统能耗过高，二是对于人脑能轻松胜任的认知任务（比如语言及复杂场景的理解等）处理能力不足，难以支撑高水平的智能。大脑在这两个方面的明显优势使得借鉴大脑成了一个非常有前景的方向。类脑计算是生命科学，特别是脑科学与信息技术的高度交叉和融合，其技术内涵包括对于大脑信息处理原理的深入理解，在此基础上开发*的处理器、算法和系统集成架构，并将其运用于新一代人工智能、大数据处理、人机交互等广泛的领域。类脑计算技术有望使人工信息处理系统以非常低的能耗，产生出可以与人脑相比拟的智能。很多人认为，这一方向的实质进展将可能真正开启智能化革命的序幕，从而对社会生产生活带来深刻地变革[2] 类脑计算的研究大致可以分为神经科学的研究、特别是大脑信息处理基本原理的研究，类脑计算器件（硬件）的研究和类脑学与处理算法（软件）的研究3个方面。在神经科学领域，过去几十年间，特别是过去10年左右的时间，取得了非常快速的发展。现在对于大脑的工作原理已经积累了丰富的知识，这为类脑计算的发展提供了重要的生物学基础。人脑是一个由近千亿的神经元通过数百万亿的接触位点（突触）所构成的复杂网络。感觉、运动、认知等各种脑功能的实现，其物质基础都是信息在这一巨大的网络当中的有序传递与处理。通过几代神经科学家的努力，目前对于单个神经元的结构与功能已经有较多了解。但对于功能相对简单的神经元如何通过网络组织起来，形成我们现在所知的*为高效的信息处理系统，还有很多问题尚待解决。脑网络在微观水平上表现为神经突触所构成的连接，在介观水平上表现为单个神经元之间所构成的连接，在宏观水平上则表现为由脑区和亚区所构成的连接。在不同尺度的脑网络上所进行的信息处理既存在重要差别，又相互紧密联系，是一个统一的整体。目前神经科学的研究热点就主要集中于在上述各层面解析脑网络的结构，观察脑网络的活动，*终阐明脑网络的功能，即信息存储、传递与处理的机制。要实现这一目标，需要突破的关键技术是对于脑网络结构的与快速测定，脑网络活动的大规模检测与调控，以及对于这些海量数据的高效分析，此外也亟需在实验数据的约束下，建立适当的模型和理论，形成对脑信息处理的完整认识[3]。  类脑计算器件研究的初衷是在不影响性能的前提下，大大降低功耗，或者在相似功耗下，极大提高速度。现代计算机虽然具有惊人的运算能力与运算速度，但与之相伴的是高昂的能量消耗。大型计算机的功耗往往在兆瓦量级以上，与之相比，成年人大脑的功耗只有大约20 W。巨大的能耗严重限制了系统进一步向微型化的方向发展（因为难以散热），也会使得复杂的嵌入式应用和远程应用，比如宇航探索，缺乏足够的计算能力支持（因为难以携带足够的能源）。现代计算机能耗高的一个重要原因是计算机普遍采用的冯.诺依曼架构。冯氏架构中，信息处理单元与存储单元是分离的，这样在运算过程中，势必要经常将数据在处理单元与存储单元之间进行传递，这一看似简单的过程却能贡献系统近50%的功耗。与之相比，在生物脑中，信息的处理是在神经网络中实现，而数据本身则是分布式的存储于网络的各个节点（比如由神经元内的离子浓度表征）以及节点之间的连接（比如由突触的强弱表征）上，运算和存储在结构上是高度一体化的。这样，用少量甚至单个电子器件模仿单个神经元的功能，而将数量巨大的电子“神经元”以类脑的方式形成大规模并行处理的网络，以进行计算，就成为了非常有吸引力的方向。目前研究的热点包括寻找更适合的器件以模拟单个神经元（比如忆阻器），设计非冯氏体系为基础的处理器等。近来IBM公司研发的TrueNorth芯片是这一领域的代表性进展，由于使用了非冯氏结构体系和其他一系列措施，实现了对于功耗近2个数量级的降低（图1）[4]。另外的重要进展还包括研发处理器，针对深度神经网络等类脑算法进行专门优化，以提高速度、降低功耗[5]，由于这一领域的算法已在图像、语音识别等方面有成熟的应用，此类处理器有望能较早投入实际运用。
        能够大大降低能耗或是加快速度的类脑的处理器对于实现更高水平的智能无疑会有很大的帮助，但要真正实现类人水平的通用人工智能，除了需要这样的硬件基础外，关键还需要理解生物脑对于信息所做的计算，即类脑的处理及学算法。对于此研究方向，一个常见的顾虑是：现在神经科学对于大脑工作机制的了解还远远不够，这样是否能够开展有效的类脑算法研究？对此，我们可以从现在获得广泛*的深度神经网络获得一些启示。从神经元的连接模式到训练规则等很多方面看，深度神经网络距离真实的脑网络还有相当距离，但它在本质上借鉴了脑网络的多层结构（即“深度”一词的来源），而大脑中，特别是视觉通路的多层、分步处理结构是神经科学中早已获得的基本知识。这说明，我们并不需要完全了解了脑的工作原理之后才能研究类脑的算法。相反，真正具有启发意义的，很可能是相对基本的原则。