汇川机器人软件RobotLab常规操作

汇川机器人软件RobotLab常规操作

一.权限管理注意事项

1.1 软件登录权限管理

连接上软件后,修改轴参数、点位数据需要权限。点击人物图标,登录对应的权限,管理员权限登录密码6个0。

1.2机器人控制权限管理

点击“锁”,打开机器人控制权配置页面。

选择“InoRoboLabt”,机器人受编程软件控制,使用软件可手动移动点位、示教位置信息。

选择“远程IO单元”,机器人受外部设备控制如PLC、上位机,机器人进入自动模式,收到交互信号就按照程序执行。

选择“远程以太网客户端”,机器人受远程客户短控制,用于查找问题、远程调试。

二、 使用过渡点注意事项

程序中点到点直线运动会有机构干涉或有安全风险时,使用过渡点在运动规避风险。

使用过渡点时,注意指令的工具坐标系,选择正确的Wobj工具好,否则运动出错有撞机风险。

如下图所示为例,wobj0为A工位,wobj1为B工位,注意在“轴控制面板”中选择对应工具坐标号

三、使用全局点位移动注意事项

双击左侧“P.pts”,打开全局点位列表。

程序使用全局点位移动一般有两种形式

1)程序调用编号走位,如Movj P[0]

2)程序调用自定义标签名,如Movj P_Home

在程序内使用指令进行点位移动、示教过程中,注意检查运动方式、标签和描述内容。

四、点位示教注意事项

打开“轴控制面板”,选择正确的直角坐标系和工具号(例如拧紧工位工位一选择0号,工位二选择1号),速度不可设置过高。

注意不能切换工具号和用户号时,检查机器人是否在示教模式并且主任务处于运行中,或再现模式时下也不支持切换。

选择寸动模式,点击X、Y、Z、R将机器人移动到目标位置

在程序中点击右键,选择“查看点数据”,在打开的程序位置点中,右键选中空白行,点击“取当前点”,则机器人当前位置信息就存入系统中。

注意要编辑合适的标签名,提示当前点位的功能,方便程序阅读。

五、全局变量监控注意事项

程序中包含大量的全局变量(定义的Global变量)

在全局监控表中单个添加时名字输入错误时会导致添加失败,可在程序内添加监控。

可在程序内选中变量,鼠标点击右键,选择“添加到全局变量监控”。

注意变量值显示为“未识别”时,检查当前程序块运行是否包含此变量,否则无法从控制器查询到数值,监控列表中变量值必须在值被有效刷新的时候才能查看到。

六、程序备份注意事项

点击“配置文件备份”,选择保存路径,输入文件名后确认,待系统提示“备份配置文件完成”则表示备份完成。

注意不能将多台机器人的配置文件相互导入,会导致机器人的出厂设置参数改变,后果不可预料。导入后降低程序运行速度和轴移动速度,验证配置是否正确。

Read more

‌低代码/无代码测试工具:机遇与局限

‌低代码/无代码测试工具:机遇与局限

数字化转型下的测试革命‌ 在2026年的软件开发生态中,低代码/无代码(LCNC)测试工具已成为测试从业者不可忽视的力量。这类工具通过可视化界面和预构建模块,让用户无需编写复杂代码即可执行测试任务,显著加速测试周期。据Gartner预测,到2026年,超过50%的企业测试工作将依赖LCNC平台,尤其随着AI和云计算的融合,工具智能化水平大幅提升。然而,这一趋势也带来争议:是解放测试效率的“神器”,还是隐藏局限的“双刃剑”?本文从机遇与局限双维度,为软件测试从业者提供深度解析,助力决策与创新。 ‌第一部分:低代码/无代码测试工具的机遇‌ LCNC工具为测试从业者带来多重机遇,核心在于提升效率、降低门槛和赋能协作。 1. ‌加速测试自动化与缩短交付周期‌ * ‌效率提升‌:传统编码测试需要数周开发脚本,而LCNC工具(如Katalon或Testim)通过拖放界面实现分钟级测试用例创建。例如,2025年Forrester报告显示,采用LCNC工具的企业测试周期缩短40%,缺陷修复时间减少30%。这对敏捷和DevOps团队至关重要,支持持续集成/持续部署(CI/CD)流水线,

零基础入门:连接烟雾传感器至智能家居网关

以下是对您提供的博文内容进行 深度润色与结构重构后的技术文章 。本次优化严格遵循您的全部要求: * ✅ 彻底去除AI痕迹 :全文以一位有10年嵌入式+IoT系统开发经验的工程师口吻撰写,语言自然、节奏松弛、逻辑递进,穿插真实调试经历与踩坑反思; * ✅ 摒弃模板化标题与“总-分-总”结构 :不再使用“引言/概述/总结”等机械框架,而是以一个具体问题切入,层层展开,结尾落在可延伸的技术思考上,不设结论段; * ✅ 强化教学感与实操温度 :关键步骤加入“我当时怎么调通的”“客户现场报错第一反应是什么”等一线视角;寄存器配置、电平匹配、MQTT Topic命名等细节全部还原真实工程语境; * ✅ 语言精炼有力,术语解释即用即释 :不堆砌概念,所有专业词(如ZCL、APS、Binding Table)都在首次出现时用一句话讲清它“在这件事里到底起什么作用”; * ✅ 保留并增强所有技术干货 :原表格、代码、参数对比全部保留,但表述更紧凑、重点更锋利;新增2处典型误操作还原(如“为什么接了上拉电阻还是抖?

西门子大型程序及Fanuc机器人焊装系统集成 - 包含多项Profinet通讯与智能模块

西门子大型程序及Fanuc机器人焊装系统集成 - 包含多项Profinet通讯与智能模块

西门子大型程序fanuc机器人焊装 包括1台 西门子1500PLC程序,2台触摸屏TP1500程序,9个智能远程终端ET200SP Profinet连接 15个Festo智能模块Profinet通讯 10台Fanuc发那科机器人Profinet通讯 3台G120变频器Profinet通讯 2台智能电能管理仪表PAC3200 4个GRAPH顺控程序 图尔克RFID总线模组通讯 和MES系统通讯,西门子安全模块 内含GSD文件,可供其他项目使用 程序经典,结构清晰,SCL算法,堆栈,梯形图,结构化编程,想学习项目累计经验时间可以借鉴思路博途v15.1以上可以打开。 最近在搞一个挺有意思的项目,用西门子1500PLC搭了个Fanuc机器人焊装产线。这系统里光Profinet设备就三十多个,从ET200SP到发那科机器人,再带G120变频器,活脱脱一个工业通讯大杂烩。但别被设备数量吓到,程序结构可是清清爽爽,就像老司机整理的衣柜——该挂的挂,该叠的叠。 先说这程序里的SCL算法,比老式梯形图利索多了。举个栗子,处理机器人故障信号时用了堆栈结构: VAR_TEMP AlarmStack :

具身智能演示深解---从盲行到跑酷:深度视觉如何赋予足式机器人极限运动能力

具身智能演示深解---从盲行到跑酷:深度视觉如何赋予足式机器人极限运动能力

1. 引言:为什么需要深度视觉 在过去数年间,基于强化学习的足式机器人运动控制取得了长足进展。早期的工作——以ETH的legged_gym框架和IsaacGym并行训练环境为代表——已经证明,仅依靠本体感知(关节编码器、IMU等)就能训练出在连续复杂地形上鲁棒行走的策略。这类方法通常被称为"Blind Locomotion",即机器人不借助任何外部视觉传感器,完全依赖对自身状态的感知来适应地形变化。DreamWaQ(KAIST, ICRA 2023)等工作进一步证明,通过非对称Actor-Critic框架配合隐式地形估计,四足机器人甚至可以在户外多样地形上实现长距离鲁棒行走。 然而,Blind Locomotion存在一个根本性的局限:机器人无法预知前方地形的具体形态。当面对跳箱、深沟、高台阶等需要提前规划动量和轨迹的极限地形时,纯本体感知的策略往往力不从心。跑酷(Parkour)场景要求机器人在接近障碍物之前就判断出障碍物的高度、宽度和距离,并据此调整步态、积累动量、选择起跳时机。这些决策必须依赖对前方环境的主动感知——深度视觉由此成为从"能走"到"能跑酷&