PLC的工作原理

简介: PLC采用循环执行用户程序的方式,称为循环扫描工作方式,一个循环扫描周期,主要可分为输入采样、用户程序执行和输出刷新三个阶段。

PLC采用循环执行用户程序的方式,称为循环扫描工作方式,一个循环扫描周期,主要可分为输入采样、用户程序执行和输出刷新三个阶段。PLC运行后首先执行一次启动组织块,再开始监视时间,在输入采样阶段,读取输入设备的状态,并存储到IO映像区中,之后进入执行用户程序阶段,按照从上到下从左到右的顺序依次执行用户程序,执行完用户程序,将输出映像区的结果刷新到输出设备。这一过程就是一个扫描周期,循环进行上述步骤称为循环扫描工作方式。


640.jpg


在扫描周期中的输入采样阶段,依次读入所有输入状态和数据,并将它们存入IO映像区中的相应单元内,输入采样结束后,转入用户程序执行和输出刷新阶段。在这两个阶段中,即使输入状态和数据发生变化,IO映像区中的相应单元的状态和数据也不会改变。因此如果输入是脉冲信号,该脉冲信号的宽度必须大于一个扫描周期,才能够保证在任何情况下该输入均能被读入。


640.jpg


在扫描周期中的用户程序执行阶段,PLC总是按由上而下的顺序依次扫描用户程序,再扫描每一条梯形图时,并按先左后右先上后下的顺序进行逻辑运算。 逻辑运算的结果存于映像区,上面的逻辑运算,其运算结果会对下面的逻辑运算起作用。相反下面的逻辑运算,其运算结果只能到下一个扫描周期,才能对上面的运算结果起作用。


640.jpg


在扫描周期中的输出刷新阶段,当扫描用户程序结束后,PLC就进入输出刷新阶段。在此期间,CPU按照保存在IO映像区的运算结果,刷新所有对应的输出锁存电路,再经输出电路驱动相应的外设,这时才是PLC的真正输出。


640.jpg


综合上述过程,PLC的工作特点如下:一、所有输入信号在程序处理前统一读入,并在程序处理过程中不再变化。 而程序处理的结果也是在扫描周期的最后时段统一输出,其工作特点是将一个连续的过程分解成若干静止的状态。二、PLC仅在扫描周期的起始时段读取外部输入状态,该时段相对较短,对输入信号的抗干扰能力强。三、循环扫描的工作方式,对于高速变化的过程可能漏掉变化的信号,也会带来系统响应的滞后。为克服上述问题,可利用立即输入输出脉冲捕获高速计数器或中断技术等。


640.jpg


下面我们来看一个实例,I0.1代表外部的按钮,当按钮动作后,左面的程序只需要一个扫描周期,就可以完成对M0.4的刷新,而右面的程序要经过四个扫描周期才能完成对M0.4的刷新,在扫描周期极短,无时序配合要求时,感觉不到这两个程序执行的差异。 在有时序配合的情况下,这种差异要引起注意。


640.jpg


结合PLC循环扫描工作方式分析图示双线圈输出程序。当I0.0按下时,最终输出Q0.0还是0,当I0.1按下时,最终输出Q0.0才是1。


640.jpg


下面通过示意图介绍S7-1200 PLC启动到运行的过程,启动过程中依次执行以下步骤:A、清除输入映像存储器。B、使用上一个值或替换值,对输出执行初始化。C、执行启动OB块。D、将物理输入的状态复制到输入映像存储器。F、启用将输出映像存储器的值写入到物理输出。 E、将所有中断事件存储到要在软模式下处理的队列中。运行时依次执行以下步骤:①将输出映像存储器写入物理输出。②将物理输入的状态复制到输入映像存储器。③执行程序循环OB块。④执行自检诊断。⑤请注意,在扫描周期的任何阶段,可实时处理中断和通信。


640.jpg


以上我们以西门子S7-1200为例介绍了PLC的工作原理,在后续文章中我们将继续学习S7-1200的相关知识,欢迎大家持续关注!

相关文章
|
机器学习/深度学习 算法 数据可视化
智能扑克牌识别软件(Python+YOLOv5深度学习模型+清新界面)
智能扑克牌识别软件(Python+YOLOv5深度学习模型+清新界面)
2401 0
|
3月前
|
人工智能 监控 数据可视化
Hermes和OpenClaw有什么区别?如何选择?使用阿里云轻量应用服务器部署流程简介
本文对比了Hermes与OpenClaw两款开源AI Agent框架:Hermes主打自主学习、复杂任务拆解与长期进化,适合研究型场景;OpenClaw侧重快速部署、国内IM集成与多Agent协同,适合日常办公。两者均可通过阿里云轻量应用服务器一键部署,无需编码,5分钟上线,2核4G配置低至9.9元/月。文章详细介绍了两者的技术差异、选型建议、可视化配置流程及部署优势,并梳理了阿里云百炼Token Plan、Qwen3.6全模型4.5折、先用后返最高200元等当前优惠权益,帮助用户低成本、稳定地落地AI智能体。
|
11月前
|
机器学习/深度学习 人工智能 自然语言处理
阶跃星辰开源! Step 3 :最新一代基础大模型 ,多模推理,极致效率
阶跃星辰开源新一代大模型 Step 3,采用 MoE 架构,参数量达 321B,激活参数 32B,平衡推理效率与资源利用,具备强大多模态能力,支持复杂推理与视觉分析,已在多个评测集取得领先成绩。
1685 10
|
JavaScript 前端开发 Docker
如何通过pm2以cluster模式多进程部署next.js(包括docker下的部署)
通过这些步骤,可以确保您的Next.js应用在多核服务器上高效运行,并且在Docker环境中实现高效的容器化管理。
1700 44
|
数据挖掘 项目管理
如何通过PDCA循环和团队协作工具实现高效项目管理?
2分钟带你快速了解PDCA循环,以及如何利用团队协作工具高效实现这一方法。
558 2
如何通过PDCA循环和团队协作工具实现高效项目管理?
|
数据采集 机器学习/深度学习 自然语言处理
利用阿里云实现情感分析:从理论到实践
在当今数字化时代,了解用户的情感和态度对于企业和组织来说至关重要。情感分析(Sentiment Analysis)是一种自然语言处理技术,用于识别和提取文本中的主观信息,如情感倾向和情绪状态。本文将介绍如何使用阿里云平台提供的工具和服务来实施情感分析,并探讨其在不同场景下的应用。
1357 0
利用阿里云实现情感分析:从理论到实践
|
消息中间件 NoSQL Redis
【赵渝强老师】Redis的消息发布与订阅
本文介绍了Redis实现消息队列的两种场景:发布者订阅者模式和生产者消费者模式。其中,发布者订阅者模式通过channel频道进行解耦,订阅者监听特定channel的消息,当发布者向该channel发送消息时,所有订阅者都能接收到消息。文章还提供了相关操作命令及示例代码,展示了如何使用Redis实现消息的发布与订阅。
564 0
|
机器学习/深度学习 存储 自然语言处理
基础与构建:GraphRAG架构解析及其在知识图谱中的应用
【10月更文挑战第11天】随着数据的不断增长和复杂化,传统的信息检索和生成方法面临着越来越多的挑战。特别是在处理结构化和半结构化数据时,如何高效地提取、理解和生成内容变得尤为重要。近年来,一种名为Graph Retrieval-Augmented Generation (GraphRAG) 的新架构被提出,它结合了图神经网络(GNNs)和预训练语言模型,以提高多模态数据的理解和生成能力。本文将深入探讨GraphRAG的基础原理、架构设计,并通过实际代码示例展示其在知识图谱中的应用。
2361 0