FANUC机器人通过PNS功能实现自动运行

FANUC机器人RSR与PNS启动机制深度解析 在工业机器人控制系统中,远程程序启动涉及安全授权与精准寻址两大核心能力。RSR(Remote Start Request)本质是基于硬件信号与参数双重校验的启动许可机制,确保外部设备(如PLC)仅在满足安全条件时才能触发执行;PNS(Program Name Selection)则通过三位数字编码实现轻量级、毫秒级的程序索引,规避字符串解析开销。二者协同构成‘请求-应答’式控制协议,既保障产线柔性调度能力,又符合IEC 61508功能安全要求。典型应用场景包括汽车焊装线多工位协同、电池PACK厂零停机换型、 阅读详情
AI摘要

本文详细介绍了如何通过FANUC机器人的PNS功能实现自动运行,包括信号控制、遥控状态成立条件、CMDENBL信号注意事项等,并提供了程序恢复运行的启动顺序和PNS号码的选择与设定步骤,旨在帮助用户更好地理解和操作FANUC机器人系统。

一、通过PNS功能实现自动运转

(1)信号控制

  1. 程序号码选择(PNS)功能,根据程序号码选择信号(PNS1~8输入、PNSTROBE输入)选择程序。程序处在暂停中或执行中的情况下忽略该信号。
  2. 自动运转启动信号(PROD_START输入),从第1行启动当前所选的程序。程序处在暂停中或执行中的情况下忽略该信号。
  3. 通过循环停止信号(CSTOPI输入)来结束当前执行中的程序。

     -若系统设定菜单“用CSTOPI信号强制自己中止程序”设定为“无效”,则在程序结束之前执行当前执行中的程序,而后强制结束改程序。通过RSR来解除处于待命状态的程序。(标准设定)

     -若系统设定菜单“用CSTOPI信号强制自己中止程序”设定为“有效”,则立即强制结束当前执行中的程序。通过RSR来解除处于待命状态的程序。

(2)遥控状态成立条件

通过外围设备I/O输入来启动程序时,需要将机器人置于遥控状态。遥控状态是指如下遥控条件成立时的状态。

  • 示教器的有效开关断开。
  • 遥控信号(SI[2])处于ON。
  • 外围设备I/O的*SFSPD输入处在ON。
  • 外围设备I/O的ENBL输入处在ON。
  • 系统变量$RMT_MASTER为0(外围设备)。

注:$RMT_MASTER的设定为,0:外围设备、1:CRT/KB、2:主计算机、3:无遥控装置。

此外,要启动包含动作(组)的程序,还需要使以下动作条件成立。

  • 外围设备I/O的HOLD输入处在ON。
  • 伺服电源已经接通(非报警状态)。

为表示上述条件已经成立的事实,输出CMDEENBL。该信号在以下条件成立时被输出。

  • 遥控条件成立。
  • 可动作条件成立
  • 选定了连续运转方式(单步运行无效)

注:系统设定画面上的“外部START信号(暂停状态)”被设定为“有效”的情况下,启动信号只对暂停中的程序有效。标准设定为“无效”。

(3)CMDENBL信号注意事项

CMDENBL信号无法接通、和虽然CMDENBL信号已经接通但是无法进行外部启动的情况下,请进行如下确认。

FANUC机器人RSR与PNS功能深度解析及实战应用指南 本文深度解析FANUC机器人RSR与PNS功能的核心价值及实战应用,涵盖硬件配置、信号映射、典型应用场景和高频故障排查。通过汽车焊装产线和3C行业快速换型等案例,展示如何利用RSR顺序执行和PNS直接跳转功能提升产线效率,并分享高级应用技巧与系统集成建议。 阅读详情

相关推荐

PLC通过PNS与FUNUC机器人通信

该模式下PLC IO与FUNUC外围设备控制接口(DI、DO)端子排连接,FUNUC将UI、UO分配给DI、DO实现PLC IO与机器人UOP通信。 FUNUC外围设备控制接口(CRMA15、CRMA16),机架号为48,插槽为1。 一、外围设备与机器人的IO分配 外围设备控制接口的信号的标准分配为DI[81-88]、DI[101-120]和DO[81-84]、 DO[101-120],即28个输入口和24个输出口,分配如下: 二、机器人DI、DO分配 三、机器人UI、UO分配 ..

Illusssion的博客 2172

FANUC机器人RSR/PNS远程程序切换机制全解析与实操指南

在工业自动化产线中,机器人远程控制是提升柔性与换型效率的关键技术。PLC与机器人之间的信号交互,通常依赖UOP(Universal Operator Panel)体系实现无人工干预的程序调度。RSR(Robot Start Request)与PNS(Program Number Select)正是FANUC机器人实现远程启动与程序号选择的两种核心机制:RSR通过脉冲信号触发固定程序启动,PNS通过二进制组合信号灵活映射255个程序号。理解两者的差异与配合关系,是电气工程师设计远程控制逻辑的基础。本文从信号配

weixin_29183637的博客 294

FANUC机器人PNS自动运行方式详细介绍

FANUC机器人PNS自动运行方式详细介绍

Robot_PLC_HMI_Automation 4905

FANUC机器人启动方式RSR和PNS的区别

FANUC机器人启动方式RSR和PNS的区别 RSR方式启动 输入信号UI【9】~UI【16】,对应着RSR1~RSR8,一共可以启动8个程序。例如:在只有一个主程序的情况下,若采用UI【9】来启动RSR1程序名为RSR0001的主程序,当机器人准备完成时,收到UI【9】得电ON的脉冲信号,主程序即开始启动,与UI【10】~UI【16】的信号状态无关。 PNS方式启动 输入信号UI【9】~UI【16】,对应着PNS1~PNS255,一共可以启动255个程序。计算方法是UI【9】到UI【16】的ON和

Robot_PLC_HMI_Automation 1万+

FANUC机器人启动方式RSR和PNS的比较

FANUC是一家知名的机器人制造商,提供了多种机器人控制系统和启动方式。FANUC机器人的RSR和PNS启动方式在功能和应用上有所区别。RSR启动方式适用于远程控制和监控机器人,而PNS启动方式适用于选择和执行机器人程序。根据具体的需求和应用场景,可以灵活选择适合的启动方式来操作FANUC机器人。RSR启动方式的优点是可以方便地进行远程监控和控制,使得机器人的调试和维护更加灵活便捷。PNS启动方式的优点是可以根据需要灵活地选择要执行的程序,适用于多程序的场景。FANUC机器人启动方式RSR和PNS的比较。

CyberBytezZ的博客 3391

FANUC机器人UI[4]_CSTOPI循环停止信号使用时的注意事项

FANUC机器人UI[4]_CSTOPI循环停止信号使用时的注意事项

Robot_PLC_HMI_Automation 3265

FANUC机器人STYLE自动运行方式详细介绍

FANUC机器人STYLE自动运行方式详细介绍

Robot_PLC_HMI_Automation 3759

FANUC机器人UOP信号(UI+UO)功能详细介绍

FANUC机器人UOP信号(UI+UO)功能详细介绍

Robot_PLC_HMI_Automation 1万+

fanuc机器人基于程序号码选择(PNS)的自动运转

程序号码选择(PNS),是可通过外围设备I/O来选择程序的一种功能。程序通过8个程序号码选择输入信号(PNS1~8 输入)来指定。程序号码选择(PNS),是从遥控装置通过外围设备I/O选择或核实程序的一种功能。 PNS程序号码通过8 个 PNS1~8 输入信号来指定。

haier123888的博客 9390

FANUC机器人PNS功能详解:PLC远程选择程序与自动启动配置指南

在工业自动化中,通过PLC对机器人进行远程控制是实现柔性生产的基础。FANUC机器人的外部启动功能除了常规的CYCLE START方式外,还支持RSR和PNS两种程序选择模式,其中PNS(Program Number Select)利用8位二进制信号,可将程序选择范围扩展至255个,解决了多品种产线频繁换型的痛点。理解PNS的信号时序与UOP映射,是确保远程启动可靠性的关键。PNS广泛应用于汽车制造、3C装配等需要快速切换工艺的场合。本文围绕PNS的配置步骤、TP程序组织、PLC下发时序以及常见调试问题展开

weixin_29182481的博客 410

FANUC机器人PNS自动运行设置全解析:从信号原理到R-30iB实操

工业机器人自动运行是产线集成的核心需求,而PLC远程控制机器人执行指定程序是其中的关键环节。FANUC机器人通过PNS(程序号选择)机制,利用UOP信号组将程序号编码传输给控制器,实现动态选程序与自动启动。这种基于标准数字量信号的方案,无需操作工守在示教器旁,即可灵活切换多品种工艺,尤其适合汽车焊装线、多机床上下料等场景。本文结合R-30iB控制柜,详解PNS信号编码规则、启动时序、参数配置及PLC逻辑设计,帮助工程师快速掌握从接线到联调的完整流程。

weixin_29188997的博客 349

FANUC机器人PNS程序号选择配置指南:从PLC通信到调试实战

工业机器人在自动化产线中承担着精准、高效的执行任务,而如何让机器人按需自动切换不同程序,成为柔性生产的关键技术之一。PLC作为产线调度核心,通过现场总线与机器人控制器进行信号交互,其中PNS(Program Number Select)模式是FANUC机器人实现远程程序调度的标准机制。本文从PNS与RSR的功能差异入手,讲解其底层原理,并围绕R-30iB控制器展开完整的配置流程,涵盖通信模块选型、UI/UO信号映射、系统参数启用、主程序调度设计以及安全启动时序。同时针对现场常见的程序号错位、远程启动无响应、

weixin_29174013的博客 348

FANUC机器人RSR与PNS远程启动:信号链路、配置步骤与现场排障

在工业自动化产线中,机器人远程启动是PLC与机器人控制柜协同工作的核心功能之一。FANUC机器人提供的RSR与PNS(PSN)两种程序选择方式,分别代表“一键启动”与“先确认再启动”两种逻辑路径。理解二者的信号握手、IO映射及程序编号配置,是实施外部启动的前提。本文从程序号选择与启动请求的基本概念出发,拆解UOP信号的传递链路,梳理控制柜中的参数配置入口,并结合汽车焊接线、物流分拣等典型应用场景,给出调试阶段常见的IMSTP报警、确认信号不返回、地址映射错位等问题的排查顺序。掌握这些内容,工程师可快速定位远

weixin_31858171的博客 332

FANUC机器人自动运行(PNS)设置指导手册.docx

FANUC机器人自动运行(PNS)设置指导手册

FANUC机器人UI4-CSTOPI循环停止信号使用时的注意事项.docx

FANUC机器人UI[4]_CSTOPI循环停止信号使用时的注意事项

FANUC机器人Config配置中各项参数的功能描述及设定.docx

FANUC机器人Config配置中各项参数的功能描述及设定

FANUC机器人PNS自动运行方式详细介绍.docx

FANUC机器人PNS自动运行方式详细介绍 PNS启动方式 详细介绍

实测避坑:用SGM61720做BUCK电路,SW引脚电压尖峰怎么压下去?

本文针对SGM61720在BUCK电路中SW引脚电压尖峰问题,提供实测避坑指南。通过分析电压尖峰、过冲等核心问题,详细讲解自举电阻调整、RC缓冲电路计算和PCB走线优化三大解决方案,帮助工程师有效降低SW引脚电压尖峰,提升系统稳定性和EMI性能。

weixin_42634811的博客 215

【OpenArm|Control】openarm机械臂ROS2仿真控制

openarm_ros2 存储库包含用于 ros2_control 的包集合。 它抽象化了硬件控制,将手臂公开为接收位置、速度和扭矩命令并输出关节状态的接口。 openarm_bringup 包提供了通过包与 ROS2 控制框架集成的启动文件。该软件包提供启动文件和配置,用于启动硬件接口、加载控制器以及将物理臂连接到 ROS2 生态系统。启动后,您可以使用标准 ROS2 控制工具和接口来命令手臂并接收反馈。openarm_bringup bringup 包支持模拟硬件(用于模拟/测试)和通过硬件插件的真实

ai领域探索者,欢迎一起交流,目前从事具身智能行业。 2959

Sentaurus TCAD建模:宽温区n型FinFET模型校准与低温仿真分析

本文基于Sentaurus TCAD平台,建立了n型FinFET的宽温区(233K-393K)仿真模型,解决了低温(73K-193K)仿真失效问题。研究对比了Sprocess工艺仿真与SDE几何建模两种方法,分析了载流子冻析效应、不完全电离和迁移率退化等低温物理机制。通过优化模型参数,实现了在233K、313K和393K条件下仿真误差小于10%,并建立了符合物理趋势的低温外推模型。研究提供了完整的Sentaurus TCAD代码实现,包括器件结构定义、物理模型配置和温度相关参数校准,为宽温区FinFET仿真

huanghm88的专栏 267

PCL 点云圆柱形邻域搜索【2026最新版】

圆柱形邻域搜索是KD-tree算法在点云数据处理中的扩展应用,在一些特定场景应用中具有无与伦比的优势。博客长期更新,本文最近一次更新时间为:2026年5月4日。

点云侠的博客 3453

【Windows Server 2019】Active Directory Certificate Services 证书颁发机构的安装,配置和管理Ⅰ——AD CS的安装和配置

博文主要介绍了Windows Server 2019的证书颁发机构的安装和配置方法。

VMware, Windows, Linux, Cisco, Container, Kubernetes, Kali 4833

【DRAM存储器六十七】DDR5介绍--训练相关之write leveling

详述DDR5 write leveling细节

highman110的博客 297

心理学量表汇总 50多个 附下载

目录一、心理健康与精神病态量表二、行为问题量表三、人格评估量表四、智力测验一、心理健康与精神病态量表1.一般症状自评量表(SCL-90)症状自评量表 (The self-report symptom inventory ,Symptom checklist ,90,简称 SCL90) 有 90 个评定项目 , 每个项目分五级评分 , 包含了比较广泛的精神病症状学内容, 从感觉、 情 感、思维、意识、行为直至生活习惯、人际关系、饮食等均有涉及,能准确刻划被试的自觉 症状,能较好地反映被试的问题及其严重程度和变

南七小僧的学海无涯 1906

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

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")

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

上一篇: S7-1200PLC与MCGS触摸屏通讯
下一篇: S7-1200与HIKVISION相机TCP通讯
JIN_NE
博客等级 码龄5年 31粉丝 3原创
评论 3
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 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