商鋪名稱：廣州鴻懿電氣設備有限公司
聯系人：徐生（先生）
聯系手機：
固定電話：
企業郵箱：1535756443@qq.com
聯系地址：廣州市白云區鶴龍街鶴龍一路208號YH城C座408
郵編：330000
聯系我時，請說是在線纜網上看到的，謝謝！
|
|
SIMATIC ET 200SP Open 控制器，CPU 1515SP PC. +HMI 2048PT，4 GB RAM， 30 GB CFAST 帶有 預裝 WES 7 P 64 Bit， 帶 S7-1500 軟件控制器 預裝 CPU 1505SP， 帶 WinCC Runtime Advanced 預裝 V14 帶 2048 功率標簽許可證， 接口： 1個 CFAST 插槽，1個 SD/MMC 插槽， 1個接口，用于 ET 200SP 總線 適配器 PROFINET， 1個 10/100/1000 MBit/s 以太網 ， 3個 USB， 1個 DVI-I 圖像卡接口， 文檔在 DVD 上， 恢復盤 DVD | |
| 一般信息 | ||
| 產品類型標志 | CPU 1515SP PC | |
| 硬件功能狀態 | FS05 | |
| 固件版本 | V2.1 | |
| 附帶程序包的 | ||
| ● STEP 7 TIA 端口，可組態 / 已集成，自版本 | 14 版 SP1 | |
| 安裝的軟件 | ||
| ● 可視化 | WinCC Runtime Advanced V14 SP1 | |
| ● 控制 | S7-1500 軟件控制器 CPU 1505SP V2.1 | |
| 配置控制 | ||
| 通過數據組 | 是 | |
| 操作元件 | ||
| 運行模式開關 | 1 | |
| 電源電壓 | ||
| 電源的電壓類型 | 24 V DC | |
| 允許范圍，下限 (DC) | 19.2 V | |
| 允許范圍，上限 (DC) | 28.8 V | |
| 反極性保護 | 是 | |
| 電源和電壓斷路跨接 | ||
| ● 停電/斷電跨接時間 | 5 ms | |
| 輸入電流 | ||
| 耗用電流（額定值） | 1.5 A; 處理器滿負載，包括 ET 200SP 模塊并使用 USB | |
| 耗用電流（空載），典型值 | 0.6 A | |
| 接通電流，最大值 | 4.7 A; 額定值 | |
| 功率 | ||
| 消耗的有效功率，最大值 | 36 W; 包括 ET 200SP 模塊并使用 USB | |
| 背板總線上的饋電功率 | 8.75 W | |
| 功率損失 | ||
| 功率損失，典型值 | 15 W; 無 ET 200SP 模塊，未使用 USB | |
| 中央處理器 | ||
| 處理器類型 | 雙核 1 GHz，AMD G 系列 APU T40E | |
| 存儲器 | ||
| 存儲器類型 | DDR3-SDRAM | |
| 主存儲器 | 4 GB RAM | |
| CFast 存儲卡 | 是; 30 GB 閃存 | |
| 需要 SIMATIC 存儲卡 | 否 | |
| 閃存盤 | 30 GB | |
| 工作存儲器 | ||
| ● 集成（用于程序） | 1 Mbyte | |
| ● 集成（用于數據） | 5 Mbyte | |
| ● 集成（用于 CPU Runtime 的 CPU 功能庫） | 10 Mbyte | |
| 裝載存儲器 | ||
| ● 內置（在 PC 的大容量存儲器中） | 320 Mbyte | |
| 緩沖 | ||
| ● 帶不間斷電源 | 是; 所有被聲明為剩余的存儲區域 | |
| ● 帶非易失性存儲器 | 是 | |
| CPU-處理時間 | ||
| 對于位運算，典型值 | 10 ns | |
| 對于字運算，典型值 | 12 ns | |
| 對于定點運算，典型值 | 16 ns | |
| 對于浮點運算，典型值 | 64 ns | |
這款機器人也許看起來其貌不揚，但是根據新的測試方法，它是目前最靈巧的機器，擁有多項技能，比如對你的垃圾抽屜進行分類整理，速度和技巧驚人。
這種靈巧性的關鍵不在于它的機械抓手，而在于它的大腦。該機器人基于名為Dex-Net的軟件拾取物體，即使物體非常奇怪，其確定效率也非常高，令人難以置信。
這臺新機器人由加州大學伯克利分校教授Ken Goldberg和他的一名研究生Jeff Mahler建造。 Goldberg專注于人工智能，他在由麻省理工科技評論組織的舊金山EmTech Digital展覽會上展示了機器人的最新版本。
Goldberg的機器人比以前開發的任何東西都更接近于人類的熟練程度。而具備高靈活性的工業機器人可以在倉庫、工廠、醫院、家庭場景中找到用武之地。
Dex-Net特別聰明的一點是它學習抓取的能力。該軟件嘗試在虛擬環境中拾取物品，通過反復試錯來訓練深度神經網絡。即使在模擬中，這也是一項艱巨的任務。但更重要的是，Dex-Net可以將它從之前看到的一個物品推廣到新的物品。如果不確定應該如何抓住一個物品，機器人甚至會推動這件物品以更好地觀察它。
世界上最靈活機器人問世，5年內將超越人類
