使用西门子博途TIA及仿真软件S7-PLCSIM Advanced通过Kepware OPCUA通讯与Fanuc ROBOGUIDE软件连接进行虚拟仿真调试机器人

优质文章学习记录

— 4 min read
使用西门子博途TIA及仿真软件S7-PLCSIM Advanced通过Kepware OPCUA通讯与Fanuc ROBOGUIDE软件连接进行虚拟仿真调试机器人

前言

使用ROBOGUIDE软件调试机器人时，与PLC通讯那端的调试使我很头痛，包含激活机器人启动回HOME等功能很难单独使用ROBOGUIDE实现（我想应该归咎于我比较菜），此时又需要建立新的PLC控制FANUC机器人的库就做了尝试用OPC搭建仿真环境的测试。测试成功用起来还不错。

配置TIA程序

·创建PLC，例1515。开启OPC服务器。

OPC配置如下：

在TIA中为添加Fanuc机器人组态

以上为在TIA中OPC作为服务器的配置。

配置S7-PLCSIM Advanced V3.0

 ·建立仿真PLC注意开Online Access。

  输入PLC名称和IP地址，启动后将TIA中的PLC程序和配置下载到PLCSIM中。

配置kepware

·由于S7-1500作为OPC服务器，因此需要将kepware设置为客户端

·先配置OPCUA项目属性

新建客户端配置属性

项目中属性要开允许匿名访问。客户端要输入opc服务器地址就是TIA配置的地址。

·建立S7-1500通讯的变量

查看变量通讯状态。Quality为良好为通讯正常，Unknow为连接失败。

配置Fanuc调试软件ROBOGUIDE

·添加外部设备

选择OPC Server，配置通讯属性

给Fanuc机器人配置UI/UO、DI/DO、GI/GO用于Fanuc的IO逻辑

例：

以上可根据需求修改。

·配置外部IO

  右键选择外部设备I/O连接

注意输出和输入选择的设备类型。

理论可直接配置一个WORD进行整体传输，未做测试。

·配置完成开始连接外部设备

连接完成后可以在外部设备I/O连接界面中的值监控当前变量输入和输出端的状态以确保通讯正确

Read more

【AIGC】结构化的力量：ChatGPT 如何实现高效信息管理

【AIGC】结构化的力量：ChatGPT 如何实现高效信息管理

博客主页： [小ᶻ☡꙳ᵃⁱᵍᶜ꙳]本文专栏: AIGC |ChatGPT 文章目录 * 💯前言 * 💯结构化的定义 （Structuration: Definition） * 1. 结构化的定义 * 2. 结构化的示例 * 3. 技术领域中的结构化数据 * 💯有序的规则的重要性 （Importance of Orderly Rules） * 1. 信息的组织和转变 * 2. 字典中的例子 * 3. 规则的有序性 * 4. 生活中的例子 * 💯结构化的实际应用 （Practical Applications of Structuration） * 1. 结构化的广泛应用 * 2. 现代科技领域中的重要性 * 3. 结构化的意义 * 💯小结 💯前言 在人工智能生成内容（AIGC）的浪潮中，信息的高效组织和管理成为突破瓶颈的关键能力。结构化，作为一种通过明确规则和逻辑对信息进行处理的方法，不仅奠定了高效信息管理的基础，

AI写作大师Qwen3-4B部署：本地开发环境配置

AI写作大师Qwen3-4B部署：本地开发环境配置 1. 引言 1.1 学习目标 本文将详细介绍如何在本地开发环境中部署 Qwen3-4B-Instruct 模型，构建一个功能完整的 AI 写作与代码生成系统。通过本教程，读者将掌握从环境准备到服务启动的全流程操作，最终实现基于 CPU 的高性能推理应用。 完成本教程后，您将能够： * 成功部署 Qwen3-4B-Instruct 模型 * 启动并访问集成 WebUI 的交互界面 * 执行复杂任务如 Python 程序生成、长文本创作等 * 理解模型在 CPU 环境下的优化策略 1.2 前置知识 建议读者具备以下基础： * 基本的命令行操作能力（Linux/macOS/Windows） * 对 Docker 或 Python 虚拟环境有一定了解 * 了解大语言模型的基本概念（如 token、inference、
Llama-2-7b 昇腾 NPU 测评总结：核心性能数据、场景适配建议与硬件选型参考

Llama-2-7b 昇腾 NPU 测评总结：核心性能数据、场景适配建议与硬件选型参考

Llama-2-7b 昇腾 NPU 测评总结：核心性能数据、场景适配建议与硬件选型参考 背景与测评目标 本文为适配大模型国产化部署需求，以 Llama-2-7b 为对象，在 GitCode Notebook 昇腾 NPU 环境中完成从依赖安装到模型部署的全流程落地，并通过六大维度测评验证：单请求吞吐量稳定 15.6-17.6 tokens / 秒，batch=4 时总吞吐量达 63.33 tokens / 秒，16GB 显存即可支撑高并发，最终提供可复现的部署方案、性能基准数据及硬件选型建议，助力高效落地国产算力大模型应用。 昇腾 NPU ：以华为自研达芬奇架构为核心，高效张量计算适配大模型全场景；搭载 CANN 架构简化开发，支持量化与混合并行技术平衡算力与能耗，深度兼容开源生态适配国产化需求 Llama-2-7B 模型：Meta 开源 70

Ollama 底层的 llama.cpp 和 GGUF

GGUF = 大模型权重的「通用压缩格式」（类似视频的 MP4，适配所有播放器） llama.cpp = 跑 GGUF 格式模型的「轻量级推理引擎」（类似视频播放器，能在低配电脑上流畅播 MP4） 两者配合：GGUF 让模型体积变小、适配性强，llama.cpp 让模型能在 CPU / 低配 GPU 上快速跑 这也是 Ollama 能做到 “一键本地运行” 的底层原因 GGUF 详解：大模型的 “通用压缩包” 核心定义 GGUF（Generic GGML Format）是 GGML 格式的升级版，是专门为大模型权重设计的二进制存储格式 核心目标是「通用、高效、压缩」 GGML 是什么？