菲尼克斯电源UNO2-PS/1AC/24DC/120W - 1110466

菲尼克斯电源UNO2-PS/1AC/24DC/120W-1110466是一款35mm宽度的初级开关电源,具备高效率和宽温工作范围,适用于DIN导轨安装。其浮动DCOK继电器触点便于电压监控,特别适合空间有限且需户外安装的场合。此外,该系列还包括其他型号如UNO-PS/1AC/15DC/30W-2903000等,均为紧凑设计,节省控制柜空间。
摘要由CSDN通过智能技术生成

菲尼克斯电源UNO2-PS/1AC/24DC/120W - 1110466

初级开关电源, UNO POWER, 螺钉连接, DIN导轨安装, 输入: 1相, 输出: 24 V DC / 5 A

优势

总宽度极窄,仅35 mm,可节省控制柜内空间
效率极高,可节省能源
-25°C … +70°C的宽温范围,适合户外安装
具有浮动DC OK继电器触点,简单实现输出电压监控

尺寸
宽度 35 mm
高度 130 mm
深度 129 mm
125 mm (设备深度(DIN导轨安装式))

右侧/左侧安装距离(有效,无效) 0 mm / 0 mm (POut ≥50% )
顶部/底部安装距离(有效,无效) 30 mm / 30 mm (POut ≥50% )

环境条件
环境温度(运行) -25 °C … 70 °C (> 55 °C降低额定值: 2,5 %/K)
环境温度(调试类型测试) -40 °C
环境温度(存放/运输) -40 °C … 85 °C
允许的最大相对湿度(操作) ≤ 95 % (25°C时,无冷凝)
最大高度 ≤ 4000 m (> 2000 m,衰减: 10 %/1000 m)
污染等级 2
气候等级 3K3(符合EN 60721标准)

菲尼克斯UNO-PS/1AC/15DC/30W - 2903000
菲尼克斯UNO-PS/1AC/ 5DC/ 40W - 2904375
菲尼克斯QUINT-PS/1AC/24DC/40

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
基于YOLOv9实现工业布匹缺陷(破洞、污渍)检测系统python源码+详细运行教程+训练好的模型+评估 【使用教程】 一、环境配置 1、建议下载anaconda和pycharm 在anaconda中配置好环境,然后直接导入到pycharm中,在pycharm中运行项目 anaconda和pycharm安装及环境配置参考网上博客,有很多博主介绍 2、在anacodna中安装requirements.txt中的软件包 命令为:pip install -r requirements.txt 或者改成清华源后再执行以上命令,这样安装要快一些 软件包都安装成功后才算成功 3、安装好软件包后,把anaconda中对应的python导入到pycharm中即可(不难,参考网上博客) 二、环境配置好后,开始训练(也可以训练自己数据集) 1、数据集准备 需要准备yolo格式的目标检测数据集,如果不清楚yolo数据集格式,或者有其他数据训练需求,请看博主yolo格式各种数据集集合链接:https://blog.csdn.net/DeepLearning_/article/details/127276492 里面涵盖了上百种yolo数据集,且在不断更新,基本都是实际项目使用。来自于网上收集、实际场景采集制作等,自己使用labelimg标注工具标注的。数据集质量绝对有保证! 本项目所使用的数据集,见csdn该资源下载页面中的介绍栏,里面有对应的下载链接,下载后可直接使用。 2、数据准备好,开始修改配置文件 参考代码中data文件夹下的banana_ripe.yaml,可以自己新建一个不同名称的yaml文件 train:训练集的图片路径 val:验证集的图片路径 names: 0: very-ripe 类别1 1: immature 类别2 2: mid-ripe 类别3 格式按照banana_ripe.yaml照葫芦画瓢就行,不需要过多参考网上的 3、修改train_dual.py中的配置参数,开始训练模型 方式一: 修改点: a.--weights参数,填入'yolov9-s.pt',博主训练的是yolov9-s,根据自己需求可自定义 b.--cfg参数,填入 models/detect/yolov9-c.yaml c.--data参数,填入data/banana_ripe.yaml,可自定义自己的yaml路径 d.--hyp参数,填入hyp.scratch-high.yaml e.--epochs参数,填入100或者200都行,根据自己的数据集可改 f.--batch-size参数,根据自己的电脑性能(显存大小)自定义修改 g.--device参数,一张显卡的话,就填0。没显卡,使用cpu训练,就填cpu h.--close-mosaic参数,填入15 以上修改好,直接pycharm中运行train_dual.py开始训练 方式二: 命令行方式,在pycharm中的终端窗口输入如下命令,可根据自己情况修改参数 官方示例:python train_dual.py --workers 8 --device 0 --batch 16 --data data/coco.yaml --img 640 --cfg models/detect/yolov9-c.yaml --weights '' --name yolov9-c --hyp hyp.scratch-high.yaml --min-items 0 --epochs 500 --close-mosaic 15 训练完会在runs/train文件下生成对应的训练文件及模型,后续测试可以拿来用。 三、测试 1、训练完,测试 修改detect_dual.py中的参数 --weights,改成上面训练得到的best.pt对应的路径 --source,需要测试的数据图片存放的位置,代码中的test_imgs --conf-thres,置信度阈值,自定义修改 --iou-thres,iou阈值,自定义修改 其他默认即可 pycharm中运行detect_dual.py 在runs/detect文件夹下存放检测结果图片或者视频 【特别说明】 *项目内容完全原创,请勿对项目进行外传,或者进行违法等商业行为! 【备注】 1、该资源内项目代码都经过测试运行成功,功能ok的情况下才上传的,请放心下载使用!有问题请及时沟通交流。 2、适用人群:计算机相关专业(如计科、信息安全、数据科学与大数据技术、人工智能、通信、物联网、自动化、电子信息等)在校学生、专业老师或者企业员工下载使用。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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