畢業(yè)設(shè)計（論文）-豐裕煤礦排水控制系統(tǒng)PLC控制與組態(tài)

山西工程技術(shù)學(xué)院畢業(yè)設(shè)計說明書全套圖紙加V信153893706或扣3346389411畢業(yè)生姓名：張帆專業(yè)：機械電子工程學(xué)號：180533020指導(dǎo)教師：劉愛萍所屬系（部）：機械電子工程系二〇二〇年五月山西工程技術(shù)學(xué)院畢業(yè)設(shè)計（指導(dǎo)教師）評閱書題目：豐裕煤礦排水控制系統(tǒng)PLC控制與組態(tài)機械電子工程系機械電子工程專業(yè)姓名張帆設(shè)計時間：年月日~年月日評閱意見：成績：指導(dǎo)教師：（簽字）職務(wù)：2020年月日 山西工程技術(shù)學(xué)院畢業(yè)設(shè)計（同行教師）評閱書題目：豐裕煤礦排水控制系統(tǒng)PLC控制與組態(tài)機械電子工程系機械電子工程專業(yè)姓名張帆設(shè)計時間：年月日~年月日評閱意見：評分內(nèi)容具體要求分值得分說明書工作量字數(shù)2.5萬字以上得20分；2萬字以上，不足2.5萬字得15分；2萬字以下的10分。20圖紙工作量圖紙折合4張A0及以上得20分；不足4張A0，達3張以上，得15分；3張以下得10分。20說明書質(zhì)量內(nèi)容完整，裝訂順序正確，結(jié)構(gòu)合理，文字通順；目錄、字體、字號、行距等符合要求，公式、插圖、表格使用合理；文獻翻譯質(zhì)量、篇幅符合規(guī)定要求。存在0—2處錯誤得30分；3—5處錯誤得20分；5處以上得15分。30圖紙質(zhì)量圖紙組成元素完整，表達方式合理，圖框、標題欄、線型、線寬及字體字號符合相關(guān)標準。存在0—2處錯誤得30分；3—5處錯誤得20分；5處以上得15分。30總分（百分制）100成績：評閱教師：（簽字）職務(wù)：2020年月日

山西工程技術(shù)學(xué)院畢業(yè)設(shè)計答辯記錄及成績評定表機械電子工程系機械電子工程專業(yè)姓名張帆答辯內(nèi)容問題摘要答辯情況記錄員：（簽名）成績評定指導(dǎo)教師成績評閱教師成績答辯組評定成績綜合成績注：評定成績?yōu)?00分制，指導(dǎo)教師為20%，評閱教師為30%，答辯組為50%。專業(yè)答辯組組長：（簽名）2020年月日程序設(shè)計5.1編程軟件STEP7--Micro/WIN概述STEP7--Micro/WIN編程軟件是基于Windows的應(yīng)用軟件，由西門子公司專為s7-200系列可編程控制器設(shè)計開發(fā)，它功能強大，主要為用戶開發(fā)控制程序使用，同時也可以實時監(jiān)控用戶程序的執(zhí)行狀態(tài)。它是西門子s7-200用戶不可缺少的開發(fā)工具。現(xiàn)在加上中文程序后，可在全中文的界面下進行操作，用戶使用起來更加方便。操作主界面如圖5-1所示。5.1.1STEP7-Micro/WIN簡單介紹STEP7-Micro/WIN編程軟件的基本功能是協(xié)助用戶完成應(yīng)用軟件的開發(fā)，其主要實現(xiàn)以下功能。在脫機(離線)方式下創(chuàng)建用戶程序，修改和編輯原有的用戶程序。在脫機方式時，計算機與PLC斷開連接，此時能完成大部分的基本功能，如編程、編譯、調(diào)試和系統(tǒng)組態(tài)等，但所有的程序和參數(shù)都只能存放在計算機的磁盤上。在聯(lián)機(在線)方式下可以對與計算機建立通信關(guān)系的PLC直接進行各種操作，如上載、下載用戶程序和組態(tài)數(shù)據(jù)等。在編輯程序的過程中進行語法檢查，可以避免一些語法錯誤和數(shù)據(jù)類型方面的錯誤。經(jīng)語法檢查后，梯形圖中錯誤處的下方自動加紅色波浪線，語句表的錯誤行前自動畫上紅色叉，且在錯誤處加上紅色波浪線。對用戶程序進行文檔管理，加密處理等。以STEP7-Micro/WIN創(chuàng)建程序，為接通STEP7--Micro/WIN，可雙擊STEP7--Micro/WIN圖標，或選擇開始（Start）>SIMATIC>STEP7Micro/WIN4.0菜單命令。如圖4-1所示，STEP7--Micro/WIN項目窗口將提供用于創(chuàng)建控制程序的便利工作空間。工具欄將提供快捷鍵按鈕，用于經(jīng)常使用的菜單命令，可顯示或隱藏工具欄的任何按鈕。瀏覽條給出了多組圖標，用于訪問STEP7--Micro/WIN的不同編程特性。指令樹將顯示用于創(chuàng)建控制程序的所有項目對象和指令?？蓪蝹€的指令從指令樹拖放到程序中，或雙擊某個指令，以便將其插入到程序編輯器中光標的當前位置。程序編輯器包括程序邏輯和局部變量表，可在其中分配臨時局部變量的符號名。子程序和中斷程序在程序編輯器窗口的底部均按標簽顯示。單擊標簽可在子程序、中斷程序和主程序之間來回變換。STEP7--Micro/WIN提供了用于創(chuàng)建程序的三個編輯器：梯形圖（LAD）、語句表（STL）和功能塊圖（FBD）。盡管有某些限制，在這些程序編輯器的任何一個中編寫的程序均可用其它程序編輯器進行瀏覽和編輯。用的比較多的是梯形圖（LAD）編程語言。下面詳細介紹梯形圖的特點。圖5-1編程軟件STEP7--Micro/WIN主界面5.1.2梯形圖語言特點梯形圖是使用得最多的圖形編程語言，被稱為PLC的第一編程語言。梯形圖與電器控制系統(tǒng)的電路圖很相似，具有直觀易懂的優(yōu)點，很容易被工廠電氣人員掌握，特別適用于開關(guān)量邏輯控制。梯形圖常被稱為電路或程序，梯形圖的設(shè)計稱為編程。梯形圖程序設(shè)計語言是用梯形圖的圖形符號來描述程序的一種程序設(shè)計語言。采用梯形圖程序設(shè)計語言，程序采用梯形圖的形式描述。這種程序設(shè)計語言采用因果關(guān)系來描述事件發(fā)生的條件和結(jié)果。每個梯級是一個因果關(guān)系。在梯級中，描述事件發(fā)生的條件表示在左面，事件發(fā)生的結(jié)果表示在后面。梯形圖程序設(shè)計語言是最常用的一種程序設(shè)計語言。它來源于繼電器邏輯控制系統(tǒng)的描述。

在工業(yè)過程控制領(lǐng)域，電氣技術(shù)人員對繼電器邏輯控制技術(shù)較為熟悉，因此，由這種邏輯控制技術(shù)發(fā)展而來的梯形圖受到了歡迎，并得到了廣泛的應(yīng)用。梯形圖程序設(shè)計語言的特點是：（1）與電氣操作原理圖相對應(yīng)，具有直觀性和對應(yīng)性；

（2）與原有繼電器邏輯控制技術(shù)相一致，對電氣技術(shù)人員來說，易于撐握和學(xué)習(xí)；

（3）與原有的繼電器邏輯控制技術(shù)的不同點是，梯形圖中的能流（Power

FLow）不是實際意義的電流，內(nèi)部的繼電器也不是實際存在的繼電器，因此，應(yīng)用時，需與原有繼電器邏輯控制技術(shù)的有關(guān)概念區(qū)別對待；

（4）與布爾助記符程序設(shè)計語言有一一對應(yīng)關(guān)系，便于相互的轉(zhuǎn)換和程序的檢查。5.1.3STEP7-Micro/WIN參數(shù)設(shè)置（通訊設(shè)置）我的項目中PLC要與電腦正確通信，安裝完STEP7-Micro/WIN編程軟件且設(shè)置好硬件后，可以按下列步驟進行通訊設(shè)置。（1）在STEP7-Micro/WIN運行時單擊通訊圖標，或從“視圖”菜單中選擇選項“通信”，則會出現(xiàn)一個通信對話框（如圖5-2所示）。圖5-2通信參數(shù)設(shè)置（2）在對話框中雙擊PC/PPI電纜的圖標，將出現(xiàn)PG/PC接口對話框或者直接單擊“檢視”欄中單擊“設(shè)置PG/PC接口”也行。如圖5-3所示。圖5-3PG/PC接口對話框（3）單擊Properties按鈕，將出現(xiàn)接口屬性對話框，檢查各參數(shù)的屬性是否正確，其中通信波特率默認值為9.6kbps（如圖5-4所示）。圖5-4通信參數(shù)設(shè)置5.2控制流程圖關(guān)于流程圖圖示是否有國際間認同定義，似乎沒有一致的定論。以目前微軟產(chǎn)品應(yīng)用最多，當然國際上也有專業(yè)的,國內(nèi)也有些產(chǎn)品，因此我的做法是基礎(chǔ)圖示，如開始(六角菱型)、過程(四方型)、決策(菱型)、終止(隋園型)掌握著，其它也就自已和別人知道什么意義就可以，當然能自已在流程圖面上說明圖示定義那就更好，一般是表示原定的程序。不管什么符號，都需要給它定義，定義行為是由制定人予以完成的，要完成這項工作不應(yīng)該先定義符號代表什么，而應(yīng)該在做到組織結(jié)構(gòu)或者作業(yè)流程心中有數(shù)后進行歸類，根據(jù)歸類采用不同的符號加以區(qū)分。國際通用的流程圖形態(tài)和程序:開始(六角菱型)、過程(四方型)、決策(菱型)、終止(橢圓型)在作管理業(yè)務(wù)流程圖時國際通用的形態(tài)；方框是流程的描述；菱形是檢查、審批、審核(一般要有回路的)；橢圓一般用作一個流程的終結(jié)；小圓是表示按順序數(shù)據(jù)的流程；豎文件框式的一般是表示原定的程序；兩邊文件框式的一般是表示留下來的資料數(shù)據(jù)的存儲等等。我制作的控制系統(tǒng)流程圖如圖5-5所示。大體流程為開機初始化，使用SM0.1開機運行一個掃描周期，進行參數(shù)設(shè)定，設(shè)定液位測量范圍，預(yù)設(shè)0到100%。設(shè)定下限液位，預(yù)設(shè)5%；設(shè)定中限液位，預(yù)設(shè)50%；設(shè)定高限液位，預(yù)設(shè)80%。 系統(tǒng)初始化后，進行超聲波液位讀取，將讀取的0到32000的整數(shù)，轉(zhuǎn)成液位測量范圍的液位，用于控制泵啟動和停止。 選擇自動手動操作模式，選擇手動模式，則通過外部的按鈕單獨啟動和停止各個泵。選擇自動模式，按啟動按鈕，啟動系統(tǒng)，自動運行指示燈點亮。 比較液位，液位低于下限液位，則停止所有泵運行。 液位高于下限，高于中限液位，則泵1有故障，啟動泵3，泵1無故障，啟動泵1。泵1按星三角啟動和運行，泵3直接啟動。 液位高于中限，高于上限液位，則假設(shè)泵1有故障，啟動泵3，假設(shè)泵1無故障，啟動泵1；假設(shè)泵2有故障，啟動泵3，假設(shè)泵2無故障，啟動泵2。泵1、泵2按星三角啟動和運行，泵3直接啟動。 有故障則進行報警，有急停，則緊急停止系統(tǒng)，進行報警。按停止按鈕，結(jié)束系統(tǒng)。（如圖5-5控制系統(tǒng)流程圖）是啟動初始化？否是啟動初始化？否是設(shè)定參數(shù)超聲液位讀取轉(zhuǎn)換，比較系統(tǒng)自動運行否開始否故障是是停止否結(jié)束報警自動手動手動手動控制自動否水位<下限是停止排水水位>=中限是否1號水泵排水水位>=上限是否1水泵故障否是3號水泵排水1號水泵排水1泵故障否是3號泵排水2號水泵排水2泵故障否是3號泵排水圖5-5控制系統(tǒng)流程圖5.3PLC梯形圖程序1ORGANIZATION_BLOCK(組織塊）主程序:OB1（1）Network1開機初始化，調(diào)用子程序SBR0，進行參數(shù)設(shè)定。（2）Network2調(diào)用子程序SBR1，進行模擬量輸入處理，將超聲波液位轉(zhuǎn)成工程單位。（3）Network3 自動運行燈。按啟動按鈕SB1，I0.0常開觸點閉合，Q0.7線圈得電，Q0.7常開觸點閉合，進行自鎖，啟動系統(tǒng)，自動運行指示燈點亮。按停止按鈕SB2，I0.1常閉觸點斷開，則Q0.7線圈失電，停止系統(tǒng)。或者，發(fā)生緊急情況，按下緊急停止按鈕SB3，I0.2常閉觸點斷開，則Q0.7線圈失電，緊急停止系統(tǒng)。或者，選擇手動模式，I0.3常閉觸點斷開，則Q0.7線圈失電，自動停止系統(tǒng)。（4）Network4 故障指示燈。有急停，I0.2為ON；或者檢測到水泵1電機故障，I1.2為ON；或者檢測到水泵2電機故障，I1.3為ON；或者檢測到水泵3電機故障，I1.4為ON；則Q1.0線圈得電，點亮故障指示燈。（5）Network5 啟動1泵。系統(tǒng)啟動，Q0.7為ON，檢測到超聲波液位VD0大于或者等于設(shè)定的中限液位VD104，則Q0.0線圈得電，Q0.0常開觸點閉合，啟動1號泵主接觸器，并保持。直到液位低于下限VD100，VD0>VD100條件不成立，則Q0.0線圈失電，停止泵1自動運行。或者檢測到1號泵電機過載，I1.2常閉觸點斷開，則Q0.0線圈失電，停止1號泵。或者，檢測到有急停，I0.2常閉觸點斷開，Q0.0線圈失電，停止1號泵自動運行。 或者選擇手動模式，I0.3常開觸點閉合，按手動啟動1號泵按鈕，I0.4常開觸點閉合，則Q0.0線圈得電，Q0.0常開觸點閉合，進行自鎖，啟動1號泵。按下1號泵停止按鈕，I0.5常閉觸點斷開，則Q0.0線圈失電，手動停止1號泵?；蛘邫z測到1號泵過載，I1.2常閉觸點斷開，或者有急停I0.2常閉觸點斷開，Q0.0線圈失電，停止1號泵手動運行。（6）Network6 啟動2泵。系統(tǒng)啟動，Q0.7常開觸點閉合，檢測到超聲波液位VD0大于或者等于設(shè)定的上限液位VD108，則Q0.3線圈得電，Q0.3常開觸點閉合，啟動2號泵主接觸器，并保持。直到液位低于中限液位設(shè)定VD104，VD0>VD104條件不成立，則Q0.3線圈失電，停止2號泵自動運行。或者檢測到2號泵電機發(fā)生過載故障，I1.3常閉觸點斷開，則Q0.3線圈失電，停止2號泵自動運行?；蛘撸瑱z測到發(fā)生了急停，I0.2常閉觸點斷開，Q0.3線圈失電，停止2號泵自動運行。 或者選擇手動模式，I0.3為ON，按手動啟動21號泵按鈕，I0.6為ON，則Q0.3線圈得電，Q0.3常開觸點閉合，進行自鎖，啟動2號泵手動運行。按下2號泵停止按鈕，I0.7常閉觸點斷開，則Q0.3線圈失電，手動停止2號泵手動運行。或者檢測到2號泵過載故障，I1.3常閉觸點斷開，或者發(fā)生急停故障，I0.2常閉觸點斷開，Q0.3線圈失電，停止2號泵手動運行。（7）Network7泵3使能條件，3號泵沒有故障，I1.4常閉觸點接通，同時沒有急停，I0.2常閉觸點接通，則M0.0線圈得電，M0.0常開觸點閉合，這段程序是為了縮短泵3啟動程序長度定義。（8）Network8 啟動3泵。系統(tǒng)自動運行，Q0.7為ON，VD0>=VD104，超聲波液位大于或者等于設(shè)定的中限液位，檢測到1號泵故障，I1.2為ON，則Q0.6線圈得電，Q0.6常開觸點閉合，因為1號泵故障，啟動備用3號泵。直到VD0>VD100條件不成立，液位低于或者等于下限液位，則Q0.6線圈失電，停止泵3自動運行?；驒z測到3號泵電機過載，I1.4常閉觸點斷開，M0.0常開觸點斷開，則Q0.6線圈失電，停止3號泵自動運行?；蛘撸瑱z測到發(fā)生了急停，I0.2常閉觸點斷開，Q0.6線圈失電，停止3號泵自動運行。 或者系統(tǒng)啟動，Q0.7為ON，VD0>=VD108，超聲波液位大于或者等于設(shè)定的上限液位，檢查到此時2號水泵電機故障，I1.3常開觸點閉合，則Q0.6線圈得電，Q0.6常開觸點閉合，啟動3號泵自動運行，并保持。直到VD0>VD104條件不成立，液位低于或者等于中限液位設(shè)定，則Q0.6線圈失電，停止3號泵自動運行?；驒z測到3號泵電機過載故障，I1.4常閉觸點斷開，M0.0常開觸點斷開，則Q0.6線圈失電，停止3號泵自動運行。或檢測到發(fā)生急停，I0.2常閉觸點斷開，Q0.6線圈失電，停止3號泵自動運行 或者選擇手動模式，I0.3為ON，按手動啟動3號泵按鈕，I1.0常開觸點閉合，則Q0.6線圈得電，Q0.6常開觸點閉合，進行自鎖，啟動3號泵手動運行。按下3號泵停止按鈕，I1.1常閉觸點斷開，則Q0.6線圈失電，手動停止3號泵手動運行?；蛘邫z測到3號泵發(fā)生過載，I1.4常閉觸點斷開，或者有急停故障，I0.2常閉觸點斷開，Q0.6線圈失電，停止3號泵手動運行。（9）Network9 泵1星啟動，三角運行，自動運行指示燈。泵1主接觸器啟動，Q0.0常開觸點閉合，啟動定時器T37，定時VW120設(shè)定時間，定時不到，T37常閉觸點閉合，則Q0.1線圈得電，執(zhí)行1號泵星啟動。定時到，則T37常閉觸點斷開，T37常開觸點閉合，則Q0.1線圈失電，停止1號泵星啟動，Q0.2線圈得電，執(zhí)行1號泵三角運行，同時Q1.1線圈得電，點亮1號泵運行指示燈。（10）Network10 泵2星啟動，三角運行，自動運行指示燈。泵1主接觸器啟動，Q0.3為ON，啟動2號泵星啟動定時器T38，定時VW120設(shè)定時間，T38定時不到，T38常閉觸點閉合，則Q0.4線圈得電，執(zhí)行2號泵星啟動。T38定時到，則T38常閉觸點斷開，T38常開觸點閉合，則Q0.4線圈失電，停止2號泵星啟動，Q0.5線圈得電，執(zhí)行2號泵三角運行，同時Q1.2線圈得電，點亮2號泵運行指示燈。（11）Network11 泵3自動運行指示燈。3號泵啟動，Q0.6常開觸點閉合，則Q1.3線圈得電，點亮3號泵運行指示燈。（12）Network12 泵1故障指示燈。檢查到1號泵過載故障，I1.2常開觸點閉合，則Q1.4線圈得電，點亮1號泵故障指示燈。（13）Network13泵2故障指示燈。檢查到2號泵發(fā)生過載故障，I1.3常開觸點閉合，則Q1.5線圈得電，點亮2號泵故障指示燈。（14）Network14 泵3故障指示燈。檢查到3號泵發(fā)生過載故障，I1.4常開觸點閉合，則Q1.6線圈得電，點亮3號泵故障指示燈。2SUBROUTINE_BLOCK（子程序）參數(shù)設(shè)定:SBR0（1）Network1開機初始化，設(shè)定水位下限，中限，上限值。比較VD100是否等于0，等于0表示沒設(shè)定過參數(shù)，使用預(yù)設(shè)的5.0%，不等于0表示設(shè)定過參數(shù)，不需要進行預(yù)設(shè)。同樣的，設(shè)定VD104=50%，設(shè)定VD108=80%。（2）Network2 開機初始化，設(shè)定水位測量范圍下限，預(yù)設(shè)0%，設(shè)定水位測量范圍上限，預(yù)設(shè)100%。（3）Network3開機初始化，設(shè)定星啟動定時，預(yù)設(shè)5秒3SUBROUTINE_BLOCK（子程序）模擬量讀取:SBR1Network1水位讀取，先將正數(shù)轉(zhuǎn)成雙整數(shù)，然后雙整數(shù)轉(zhuǎn)成浮點數(shù)，然后除以32000，乘以量程，加下限，得水位

6組態(tài)設(shè)計6.1通訊定義 MCGS組態(tài)軟件里，打開設(shè)備窗口，從設(shè)備工具箱中添加通用串口父設(shè)備，然后在父設(shè)備0下添加西門子_S7200PPI設(shè)備。圖6-1添加通用串口父設(shè)備0和S7200PPI設(shè)備0 雙擊添加的通用串口父設(shè)備0，打開通用串口設(shè)備屬性編輯窗口，點基本屬性頁面，進行參數(shù)設(shè)定。設(shè)定初始工作狀態(tài)為1啟動，設(shè)定最小采集周期設(shè)定1000ms，設(shè)定串口端口號為0-COM1，設(shè)定通訊波特率為6-9600。設(shè)定數(shù)據(jù)位位數(shù)為1-8位，設(shè)定停止位位數(shù)為0-1位，設(shè)定數(shù)據(jù)校驗方式為2-偶校驗，設(shè)定數(shù)據(jù)采集方式為0-同步采集。圖6-2設(shè)定串口父設(shè)備0基本屬性 雙擊設(shè)備0，西門子S7-200PPI設(shè)備，打開設(shè)備屬性設(shè)置窗口，點基本屬性頁面，進行參數(shù)基本設(shè)定。設(shè)定初始工作狀態(tài)為1-啟動，設(shè)定最小采集周期1000ms，設(shè)定設(shè)備地址為2，設(shè)定通訊等待時間500，設(shè)定快速采集次數(shù)0，設(shè)定采集方式0-分塊采集。圖6-3設(shè)定PPI設(shè)備基本參數(shù)6.2變量連接 組態(tài)中變量的數(shù)據(jù)類型與一般程序設(shè)計語言中的變量比較類似，主要有以下幾種:實型變量類似一般程序設(shè)計語言中的浮點型變量，用于表示浮點型數(shù)據(jù)，取值范圍10E-38~10E+38，有效值7位。離散變量類似一般程序設(shè)計語言中的布爾變量，只有0，1兩種取值，用于表示一些開關(guān)量。字符串型變量類似一般程序設(shè)計語言中的字符串變量,可用于記錄一些有特定含義的字符串，如名稱，密碼等，該類型變量可以進行比較運算和賦值運算。字符串長度最大值為128個字符。整數(shù)變量(LONG)類似一般程序設(shè)計語言中的有符號長整數(shù)型變量(32位)，用于表示帶符號的整型數(shù)據(jù)。變量連接在設(shè)備0，西門子S7-200PPI設(shè)備屬性設(shè)置里，點基本屬性頁面，點設(shè)置設(shè)備內(nèi)部屬性，打開西門子_S7200PPI通道屬性設(shè)置，點增加通道按鈕，添加數(shù)據(jù)通道，添加I輸入，屬性只讀；添加內(nèi)存M，屬性讀寫；添加Q輸出，屬性讀寫；添加V內(nèi)存數(shù)據(jù)，屬性讀寫。圖6-4增加通道 添加完數(shù)據(jù)通道，點確定按鈕，添加通道完成。然后打開設(shè)備屬性設(shè)置，點通道連接頁面，進行變量地址跟名稱進行連接。圖6-5變量連接 通道變量名稱連接完成后，點確定按鈕，添加變量到實時數(shù)據(jù)庫，完成后的實時數(shù)據(jù)庫如下。圖6-6實時數(shù)據(jù)庫6.3組態(tài)畫面 建立監(jiān)控畫面，建立排水模型，插入插入水泵電機1、2、3、，插入水泵1、2、3，插入各閥門，插入管道。建立啟動按鈕，停止按鈕，自動手動選擇開關(guān)，急停開關(guān)。建立自動運行指示燈，故障指示燈。建立各泵手動啟動，停止按鈕，建立各泵電機主接觸器運行指示燈，星啟動指示燈，三角運行指示燈，故障指示燈等。建立液位測量范圍上下限設(shè)定輸入框，建立液位高、中、低設(shè)定輸入框，建立液位顯示。建立畫面切換按鈕，用于切換畫面。建立連接變量，建立動畫。圖6-7連接PLC監(jiān)控畫面 建立報警畫面，插入報警控件，頂部建立報警測試按鈕。圖6-8報警畫面 建立實時曲線畫面，插入實時曲線控件，用于顯示液位實時曲線。圖6-9實時曲線畫面 建立歷史曲線畫面，插入歷史曲線控件，用于顯示液位歷史曲線。圖6-10歷史曲線畫面7系統(tǒng)測試和仿真仿真系統(tǒng)可以使用S7200SMART仿真軟件設(shè)計，進行測試，在沒有PLC的情況下，使用仿真軟件進行基本的功能測試，檢查程序，及時修改錯誤，并且可以縮短調(diào)試時間。 編程完成，進行編譯，編譯無錯誤無報警，導(dǎo)出AWL程序。打開仿真軟件，點程序菜單，載入程序，選擇導(dǎo)出的AWL程序。雙擊PLC選擇CPU226，然后雙擊擴展模塊0，選擇EM231，完成后如下圖。開始系統(tǒng)停止，STOP紅色指示燈點亮。圖7-1仿真軟件初始畫面點頂部的綠色啟動按鈕啟動PLC，PLC啟動，觀察到紅色STOP燈熄滅，綠色RUN燈點亮。進行初始化，設(shè)定參數(shù)。圖7-2啟動PLC點啟動按鈕SB1，I0.0為ON，觀察到Q0.7點亮，監(jiān)控程序Q0.7線圈得電，自動運行指示燈點亮，啟動系統(tǒng)。圖7-3啟動系統(tǒng) 模擬水位上升，拖動模擬量AI0，變成4.51V，觀察到Q0.0點亮，Q0.1點亮，Q1.1點亮，泵1主接觸器啟動，泵1星三角接觸器啟動，泵1運行指示燈點亮。啟動泵1星啟動。圖7-4泵1星啟動監(jiān)控程序，Q0.0線圈得電，Q0.0常開觸點閉合，進行自鎖，啟動泵1，并保持運行。圖7-5啟動泵1 監(jiān)控程序，觀察到泵1啟動，Q0.0常開觸點閉合，啟動定時器T37，定時VW120設(shè)定時間，設(shè)定5秒（就是50），當前定時為26（就是2.6秒）定時不到，T37常閉觸點閉合，Q0.1線圈得電，執(zhí)行泵1星啟動。圖7-6泵1星啟動泵1星啟動定時到，T37常開觸點閉合，常閉觸點斷開，Q0.1線圈失電，Q0.2線圈得電，執(zhí)行泵1三角運行。圖7-7泵1三角運行 模擬水位繼續(xù)增加，拖動AI0，變成7.54V，觀察到Q0.0點亮，Q0.2點亮，Q1.1點亮，泵1保持三角運行；Q0.3點亮，Q0.4點亮，Q1.2點亮，啟動泵2星啟動。圖7-8泵2星啟動監(jiān)控程序，觀察到啟動定時器T38，定時到27（2.7秒），不到設(shè)定VW120的（5秒），T38常閉觸點閉合，Q0.4線圈得電，啟動泵2星啟動。圖7-9泵1運行泵2星啟動 T38定時時間到，T38常閉觸點斷開，T38常開觸點閉合，Q0.5線圈得電，啟動泵2三角運行。圖7-10泵1泵2運行模擬泵2故障，點I1.3為ON，觀察到Q0.3，Q0.5，Q1.2熄滅，泵2停止，Q0.6點亮，啟動泵3，Q1.3點亮，泵3自動運行指示燈點亮，Q1.5點亮，泵2故障指示燈點亮。圖7-11泵2故障啟動泵3 模擬水位降低，拖動AI0，例如變成3.54V，觀察到Q0.6熄滅，停止泵3，Q1.3熄滅，泵3自動運行指示燈熄滅。只Q0.0點亮，Q0.2點亮，泵1保持運行。圖7-12水位降低執(zhí)行泵1運行模擬水位繼續(xù)降低，拖動AI0，例如為0.38V，則Q0.0熄滅，Q0.2熄滅，Q1.2熄滅，停止泵1。圖7-13水位降低泵1停止其他動作仿真也是類似，不再累述。

結(jié)論在劉愛萍老師和同學(xué)們的幫助下，我終于完成了基于PLC的煤礦排水系統(tǒng)的設(shè)計，本設(shè)計采用西門子的S7-200小型可編程控制器，外加EM231模擬量輸入擴展模塊，使用三臺水泵進行排水，其中二臺工作，一臺備用。通過超聲波液位傳感器檢測液位，根據(jù)實時監(jiān)測的液位，比較設(shè)定的液位下限，中限，和上限，控制水泵啟動和啟動臺數(shù)。雖然對這次的設(shè)計認真對待，但仍存在很多的不足，例如液位傳感器可以采用2套不同的傳感器，例如增加投入式液位傳感器，進行備份，仿真超時液位傳感器故障，導(dǎo)致不能使用系統(tǒng)。另外為了簡化系統(tǒng)，沒有考慮輪詢啟動，有可能導(dǎo)致1號泵運行時間過長。另外為了簡化系統(tǒng)，也沒有考慮峰平谷用電問題，用電成本較高。另外可以考慮增加上位機或者觸摸屏顯示，方便操作，直觀靈活，可隨時查詢歷史數(shù)據(jù)和實時數(shù)據(jù)，歷史報警和實時報警，進行上位機控制。 通過這次設(shè)計我也發(fā)現(xiàn)自己的很多不足之處。在設(shè)計過程中我發(fā)現(xiàn)自己考慮問題很不全面，自己的專業(yè)知識掌握的很不牢固，所掌握的計算機應(yīng)用軟件還不夠多，我希望自己的這些不足之處能在今后的工作和學(xué)習(xí)中得到改善。而且，通過這次設(shè)計，我懂得了學(xué)習(xí)的重要性，學(xué)會了堅持和努力，這將為以后的工作、學(xué)習(xí)做出了最好的榜樣！

參考文獻鄭晟、鞏建平、張學(xué).現(xiàn)代可編程序控制器原理與應(yīng)用.科學(xué)出版社，2017.顧永輝、范廷瓚.煤礦電工手冊修訂版.煤炭工業(yè)出版社，2018.莊宗元.AutoCAD使用教程.徐州：中國礦業(yè)大學(xué)出版社，2018.郁有文、常健、程繼紅.傳感器原理及工程應(yīng)用.西安電子科技大學(xué)出版社，2017侯友夫、張景松.流體力學(xué)與流體機械.中國礦業(yè)大學(xué)出版社，2019.孫尚勇.流體力學(xué)與流體機械.煤炭工業(yè)出版社，2018.齊允平.礦山流體機械.煤炭工業(yè)出版社，2017.張廣龍、史麗萍.礦井中央水泵房綜合自動化系統(tǒng)的設(shè)計模式.煤礦機電，2019.譚國俊、韓耀飛、熊樹.基于PLC的中央泵房自動化設(shè)計.工礦自動化，2019.葛鐵.煤礦井工開采排水設(shè)備自動控制系統(tǒng)的開發(fā)研究.太原理工大學(xué)，2018張從力，李新．一種采用單片機實現(xiàn)自適應(yīng)控制的方法，礦業(yè)安全與環(huán)保，2018，29(1)趙德安，劉星橋，王大承等，基于PLC的聚酯薄膜分切機放卷機張力自適應(yīng)控制系統(tǒng)，電氣傳動，2019年第1期：30—32陳宇．可編程控制器基礎(chǔ)及編程技巧．廣州：華南理工大學(xué)出版社．2017．1魏志精．可編程控制器應(yīng)用技術(shù)．北京：電子工業(yè)出版社，2017．7何衍慶，俞金壽．可編程控制器原理及應(yīng)用技巧．北京：化學(xué)工業(yè)出版社，20188．8賈愛民，應(yīng)群民，潘麗萍．可編程控制器系統(tǒng)．杭州：浙江大學(xué)出版社，2014．3宋德王主編．《可編程序控制器原理及其應(yīng)用系統(tǒng)設(shè)計技巧》，冶金工業(yè)出版社，2017。史春笑,唐雅娜.基于PLC的自動生產(chǎn)線電氣控制系統(tǒng)設(shè)計[J].科技經(jīng)濟導(dǎo)刊,2020,28張繪敏.基于S7-200PLC的遠控智能家居控制系統(tǒng)[J].機電信息,2019梁波,田亞立.基于PLC和MCGS的帶式輸送機監(jiān)控系統(tǒng)模型的設(shè)計[J].電子制作,2019S.J.Baley.PCscontrolPLCswiththirdparitysofware.ControlEngi-neering35(9),2004.MatsushitaElectricWorksLtd.AutomationControlGroup,FPOprogrammingmanual[EB/OL].2008ChetanBorse,AkshayPandhare&Randhirkumar.PLCbasedinductionmotorstartingandprotection[J],2015.NitinD.Sonawane&A.M.Jain.DesignandimplementationofPLC-basedmonitoringcontrolsystemforinductionmotor[J],2013.AkshayP.Dubey,K.Joshi,Y.Singh,NarendraS.Yadav,S.Pratyush,P.Joshi.FUZZYLOGICBASEDFAULTPROTECTION&FAULTCLASSIFICATIONSYSTEMFORINDUCTIONMOTOR[J],2013.外文文獻英文原文PLCcontrollogicerrormonitoringandpredictionusingNeuralNetworkAbstractThispaperreviewsmonitoringanderrorpredictionofPLCprogramusingNeuralNetwork.InthePLCdevicecontrolledmanufacturingline,PLCprogramholdsplaceofunderlyingcomponent.Itbecomescontrollingmechanism.Thelevelofautomationintheproductionlinereliesoncontrolmechanismpracticed.Inthemodernmanufacturing,PLCdevicescanhandlewholeproductionlinegiventhatstructuredandsmartPLCprogramisexecuted.Inotherwords,PLCprogramcanmanagewholeprocessstructureconsistingsetofprocedures.WepresentamethodtomonitorPLCprogramandPLCerrorpredictionitusingneuralnetwork.Theneuralnetworkmethodbeingpredictiveinnature,itrigorouslycanmonitorprocesssignalsfromsensors,sensedduringoperationofPLCdevicesorexecutionofPLCprogram.Subsequently,aneuralnetworkalgorithmpracticedfortheanalysisofsignals.Inthisway,thoroughmonitoringofPLCprogramcanfindpossibleerrorsfromtemporalparameters(e.g.Voltage,biasetc).Inaddition,possiblealterationsinprogramandirregularitiescanbeminimized.Thatcanresult,easilytouseinfaultdetection,maintenance,anddecisionsupportinmanufacturingorganization.Similarly,itcanlessendown-timeofmachinesandpreventpossiblerisks.Keywords:PLC；ArtificialNeuralNetwork(ANN)；Fault-detection；Errorprediction；Monitoring1.IntroductionInthemodernmanufacturing,thePLCiswell-adoptedtoarangeofautomationtasks.Thesearetypicallyindustrialprocesseswherechangestothesystemwouldbeexpectedduringitsoperationallifeandtheproductionsystemsthatfeaturecostofmaintainingisrelativelyhigherthancostofautomation[1].PLCisspecial-purposecomputer,whichisdesignedformultipleinputandoutputarrangements,extendedtemperatureranges,immunitytoelectricalnoise,andresistancetovibrationandimpact.ThereasonbehindincreasingpopularityofPLC(ProgrammableLogicController)isflexibilityincontrol;thepossiblechangesinmanufacturingcontrollingareperformedthroughPLCprogram.ThePLCprogramdeterminesautomationlevelofamanufacturingindustry.Inotherwords,thewholeprocessstructureofproductionlinecanbemodeledandcontrolledbyprovidingsetofinstructionstoPLC.Inthisway,PLCprogrambecomesunderlyingcomponentofmodernmanufacturing.However,becauseofPLCnonflexibleprogrammingsystemrelativetohighlevellanguages,theirabilityinfaultdetectionanddiagnosisislimited.ThecontinuousmonitoringofPLCprogramisvitaltodecreasemachinedown-times,safety-criticalreasonsandpreventpotentialrisks.ThediagnosisofPLCprogrambecomesdifficultbecauseofdatacharacteristicinvolvedinprocess:analoganddiscrete[2].PLCdevicesexecuteprogramsscanningcontinuouslyandoperateinvolvedmachinessendinginstructionsasI/Ointhediscreteordigitalformat.However,pressure,temperature,flow,andweightsareoftenrepresentedwithintegervalues.Hence,inputandoutputsignalsarerepresentedineitherbinaryorintegervalues;therearealwayschancesofalterationsinthevaluesintherealtimerunningproductionline.Thatis,theoriginallysoundPLCprogrammaybehaveabnormallyduetothechangesininputandoutputvalues.Usingneuralnetworkforfaultdiagnosisisnotcommonasforvisionorspeechprocessing,howevermanysuccessfulapplicationshavebeenreportednotably[3].Ann’sareaformofartificialintelligence,which,bymeansoftheirarchitecture,attempttosimulatethebiologicalstructureofthehumanbrainandnervoussystem.Althoughtheconceptofartificialneuronswasfirstintroducedin1943,researchintoapplicationsofAnn’shasblossomedsincetheintroductionoftheback-propagationtrainingalgorithmforfeed-forwardAnn’sin1986[4].Ann’smaythusbeconsideredarelativelynewtoolinthefieldofpredictionandforecasting.Whenfeed-forwardAnn’sareusedforpredictionandforecasting,themodelingphilosophyemployedissimilartothatusedinthedevelopmentofmoreconventionalstatisticalmodels.Inbothcases,thepurposeofthemodelistocapturetherelationshipbetweenahistoricalsetofmodelinputsandcorrespondingoutputs.Thisisachievedbyrepeatedlypresentingexamplesoftheinput/outputrelationshiptothemodelandadjustingthemodelcoefficientsinanattempttominimizeanerrorfunctionbetweenthehistoricaloutputsandtheoutputspredictedbythemodel.AlthoughsomeANNmodelsarenotsignificantlydifferentfromanumberofstandardstatisticalmodels,theyareextremelyvaluableastheybelongtotheclassofdatadrivenapproaches,whereasconventionalstatisticalmethodsaremodeldriven.Intheformer,thedataareusedtodeterminethestructureofthemodelaswellastheunknownmodelparameters.TheuseofANNmodelsmaythusovercomethelimitationsofthetraditionalmethods.Particularly,itisfoundsuitableforpredictionsinceneuralnetworksarebestatidentifyingpatternsortrendsindata.Inourwork,wedesignaneuralnetworkwhichistrainedusingbackpropagationlearningalgorithm.ThetrainednetworkisusedtopredictvalidPLCprogramInputandoutput(I/O)valuesanditspattern.Attheend,theperformanceofthenetworkinpredictingtheseprocessparametersisstudied.2.LiteraturereviewMoreandmoreresearchersandindustrialpartnersareattractedtothisarea,faultdetectionandmonitoringsystem.Sofar,somerelevantdiagnosticmethodshavebeenproposed.W.Hu,M.Schroeder,&A.G.Starr[5]haveproposedknowledge-basedreal-timePLCdiagnosissystem.Theirworkisfocusedonacquiringknowledgefromthepneumatic&hydrauliccircuitdiagramsandPLCprogram.Later,simply,theyretrievePLC-dataandidentifypossiblefaults.Intheprocessobservationandfaultdetection,TordAlenjung,Markus,Bengt&KnutAkesson[6]havepracticeddiscreteeventsystems.TheyhaveusedEFA(ExtendedFiniteAutomata)asmodelingtoolandfindingfaults,particularlythisworkcanbeseenmorefocusedonextensionoffiniteautomataandmodeling.Similarly,intheworkofPLCdiagnosis,Z.D.Zhou,Y.P.Chen,J.Y.H.Fuh,&A.Y.C.Neehaveapproacheddistinctmethodology,whichcombinesbothhardwareandsoftware.Theyhavepresentedworkstructurallyusinghybridstrategywithmultiplesensorsandmulti-associatedparametersinthesystem[7].However,theirworkcanbeseenasinclinedtohardwareimplementationtoavoidfaults.SomenotablyadvanceworkshasbeencarriedoutinPLCmonitoringbyHaoZhang,JianfengLu,YunjunMu,ShuogongZhang,LiangweiJiang[8].Intheirpaper,onlinemonitoringofPLChasbeenillustrated.TheyhavedevelopedBPMS(Bao-steelPLCMonitoringSystem)applicationforthemonitoringwhichrunsonPC.Although,theirworkstressesondevelopmentofPLCmonitoringsystem,detaildescriptionofmechanismisnotexplained.Recently,theuseofneuralnetworkinthediagnosisofPLCcanbeseeninthepaperofMagdyM.Abdelhmeed,HoushangDarabi[9].Particularly,theyhaveappliedRNN(RecurrentNeuralNetwork),atypeofANNfordiagnosisanddebuggingofPLCprogram.Intheirwork,theyhaveproposedanalgorithmfortheconversionofLLD(atypeofPLCprogram).Thealgorithmwithtime-delayinhiddenlayersoutputshasbeenappliedtoconvertLLDintoaRNN;subsequently,theycarryoutfaultdetectionprocessontransformeddata.Althoughtheirworkonmonitoringisin-depth,howeverinrealscenariodiagnosisworkcanbecarriedoutwithouttransformingPLCprogramintoANN.Hence,theirworkcanbeconsideredredundant.Inaddition,theapplicationofRNNbecomescomplexandtakeshighcomputingtimerelativetootherAnn’s.MostofworksondiagnosisandfaultdetectionofPLCprogramseemtobefocusedonparticularside.Mostofthemethodologiesappliedareconcernedwithdiscreteeventsystem[6],whereinrealsystemPLCinvolvescontinuousoranalogvalues.Someothersapplynewmethodshowevercomputingtimeandefficienciesareignored[9].Toovercome,thesetwomajorlimitations,fullyconnectedfeed-forwardneuralnetworkcanbeappliedforthefaultdiagnosisandmonitoringofPLC-controlledmanufacturingline.Firstofall,diagnosisprocesstakesplaceindata-valueinwhichPLCprogramrelieson.Inotherhand,feed-forwardwithwidelyusedback-propagationlearningalgorithmisusedinthiswork,explainedinsection4.3.BackgroundWhenwetalkaboutfault-detectioninPLCprogram,weparticularlyfocusontolocatealterationsinthevalidPLCprogramsequence.ThesefaultsinPLCprogramcanbefoundcontinuousobservationsofPLCprogramvariables.Inthecontrollingofmanufacturingline,PLCaredeployedwhichareprogrammable.ThevalidPLCprogramisworkingprograminrealPLCdevicewhichallowsmachinestobehavenormally,asperinstructionsgiven.BecauseofdifferentprocessparameterssuchassensorinputsthereisalwayschanceofbeingmodificationinoriginalvalidPLCprogramsequence.Inotherway,theobjectiveofmonitoringbecomesfindingerrorsoralterationsinprogramsequence.Whentherearealterationsinprogramsequencei.e.itdoesn’tmatchwithoriginalvalidprogramsequence,refersthatthereexistsfault.Inourwork,weadoptneuralnetworkformonitoringpurposeassuitablemethod,withappropriatelearningalgorithm,back-propagation.DeterminingthenetworkarchitectureisoneofthemostimportantanddifficulttasksinthedevelopmentofANNmodels.Ingreatextent,theefficiencyofANNdependsuponarchitecturemodeler,sincetherearesomejudgmentalfactorswhichhavetobedecidedondesigntimeofnetwork.Itrequirestheselectionofthenumberofhiddenlayersandthenumberofnodesineachofthese.Ithasbeenshownthatanetworkwithtwolayers,wherethehiddenlayerissigmoidandtheoutputlayerislinear,canbetrainedtoapproximateanyfunctionprovidedthatsufficientconnectionweightsareused[10,11].Consequently,weuseonehiddenlayerinthiswork.Thenumberofnodesintheinputandoutputlayersarerestrictedbythenumberofmodelinputsandoutputs.TheinputlayeroftheANNmodeldevelopedinthisworkhastwonodes,oneforrelayinputandPLCprograminputi.e.binaryvalue.Similarly,theoutputlayerhastwonodesforvalidtwobits,0&1.Thephysicalinterpretationoftheconnectionweightsisimportant;hencethesmallestnetworkthatisabletomapthedesiredrelationshipshouldbeused.Consequently,themodelthathastheoptimumnumberofnodesgivinganoptimumgeneralizationisretrainedanumberoftimeswithdifferentweightsandbiasesuntilnofurtherimprovementoccurs.ThemodelarchitectureisshownbelowinFig.1.Fig.1Two-layerfeedforwardNeuralNetwork(fullyconnected4.MethodologyThestepsfordevelopingANNmodels,asoutlinedbyMaierandDandy[12],areusedasguideinthiswork.Theseincludethedeterminationofmodelinputsandoutputs,divisionandpreprocessingoftheavailabledata,thedeterminationofappropriatenetworkarchitecture,optimizationoftheconnectiontrainingweights,stoppingcriteria,andmodelvalidation.MATLABisusedtosimulateANNoperationinthiswork.Thetrainingmethodusedinthisworkback-propagationalgorithm,isconsideredageneralizationofthedeltarulefornonlinearactivationfunctionsandmultilayernetworks.Thismethodiswidelyusedsupervisedlearningmethodbecauseofitsweighterrorcorrectrules,canbeillustratedasfollows:Thispredictionmodelcouldbedesignedasfollows.Istheestimatedoutput,andisthecorrespondingresidual,Theback-propagationtrainingalgorithmisaniterativegradientdesignedtominimizethemeansquareerrorbetweentheactualoutputofmulti-layerfeedforwardperceptionandthedesiredoutput.Itrequirescontinuousdifferentiablenon-linearity.Thefollowingassumesasigmoidlogisticnonlinearity.Step1:Initializeweightsandoffsetsallweightsandnodeoffsetstosmallrandomvalues.Step2:PresentinputanddesiredoutputsPresentacontinuousvaluedinputvectorX0,X1…..XN-1andspecifythedesiredoutputd0,d1,.dM-1.Ifthenetisusedasaclassifierthemalldesiredoutputsaretypicallysettozeroexceptforthatcorrespondingtotheclasstheinputisfrom.Thatdesiredoutputis1.Theinputcouldbenewoneachtrialorsamplesfromatrainingsetcouldbepresentedcyclicallyuntilstabilize.Step3:CalculateActualOutputUsethesigmoidnonlinearityfromaboveandformulasasinfig3tocalculateoutputy0,y1….yM-1.Step4:AdaptweightsUsearecursivealgorithmstartingattheoutputnodesandworkingbacktothefirsthiddenlayer.AdjustweightsbyInthisequationw(t)istheweightfromhiddennodeiorfromaninputtonodejattimet,w',iseithertheoutputofnodeiorisaninput,isagainterm,and,isanerrortermfornodej,ifnodejisanoutputnode,thenWhereisthedesiredoutputofnodejandistheactualoutput.Ifnodejisaninternalhiddennode,thenWherekisoverallnodesinthelayersabovenodej.Internalnodethresholdsareadaptedinasimilarmannerbyassumingtheyareconnectionweightsonlinksfromauxiliaryconstant-valuedinputs.ConvergenceissometimesfasterifamomentumtermisaddedandweightchangearesmoothedbyStep5:Repeatbygoingtostep25.Result&DiscussionTheprocessofoptimizingtheconnectionweightsisknownas‘‘training’’or‘‘learning’’.Thisisequivalenttotheparameterestimationphaseinconven