- 综合排序
- 最热优先
- 最新优先
- 来自专栏绿盟科技研究通讯
倍福PLC安全评估实战
0x01 前言 CX9020是倍福公司生产的PLC，运行Microsoft Windows Embedded Compact 7操作系统，广泛运用在运动控制领域。 下图就是安全评估的目标PLC。 由于这个倍福自带的CeRDisp不仅实现了远程桌面服务，还实现了授权功能，在用户设置密码后，使用远程桌面进行访问的时候要输入安全密码，如下图： ? ?
1.7K30发布于 2019-12-11 - 来自专栏EtherCAT
EtherCAT芯片需要倍福授权是怎么回事？
ETherCAT的全称是Ethernet for Control Automation Technology，它是最早由德国倍福公司（Beckhoff）在2003年提出，现在由 EtherCAT技术协会监管 ETG的规则是：EtherCAT是一种架构开放、但不开源的高速工业以太网通信协议，任何相关设备的开发，都需要向其获取相关授权，这个授权一般都需要从EtherCAT的专利方倍福（Beckhoff）获得。 目前市场上获得倍福正牌官方授权的厂商主要有：Microhip（美国）--LAN9252、LAN9253、LAN9254、LAN9255Ti（美国）--SitaraAM3357/9、SitaraAM4377 如果使用未获得倍福授权的ETherCAT芯片：一是性能上一般会有很大差异二是为后期获得技术支持和软件更新带来隐患三是也令国产工控设备在进军海外市场时面临合规挑战
84810编辑于 2024-07-02 - 来自专栏机器人网
倍福TwinCAT 3.1无缝集成 PLC 和机器人控制
在 2014 年慕尼黑国际机器人及自动化技术贸易博览会（Automatica 2014）上，Beckhoff 和 KUKA 展示了一个崭新的通用接口。TwinCAT 3.1 中的 PLC 软件库支持连接 KUKA 机器人的 mxAutomation 接口。 有了 mxAutomation 功能库，指令可以直接由 PLC 发送给带 KR C4 控制器的 KUKA 机器人。因此，这可能是第一次在同一个系统上给控制器和机器人简单编程 — 即无需特殊的机器人编程语言知识。 通讯通过 EtherCAT 实现，有了 T
2.2K40发布于 2018-04-12 EtherCAT联倍福，DeviceNet控气阀：一“关”解百忧
EtherCAT联倍福，DeviceNet控气阀：一“关”解百忧在高速精密加工中心轰鸣的车间里，我们的设备层存在一个棘手的“沟通”难题：倍福PLC凭借高性能EtherCAT总线掌控全局，而关键的现场执行单元 经过严格选型评估，最终确定了一款网关设备，其核心优势在于： 高效透明： 在倍福TwinCAT工程环境中可被直接识别为本地DeviceNet主站模块，配置逻辑与倍福原生I/O高度一致，大幅降低工程复杂度 倍福PLC中的控制逻辑（如M代码触发换刀、传感器联锁门控）通过网关实时、无损地转换为DeviceNet报文，驱动对应阀门动作。 它成功破解了高端PLC（倍福）与存量设备层（DeviceNet气动阀）间的协议壁垒，实现了： 数据无缝贯通： PLC指令直达末端执行器，控制更精准。
27710编辑于 2025-08-13- 来自专栏EtherCAT
ETherCAT芯片为何需要倍福授权？国产EtherCAT有哪些推荐？
EtherCAT技术是德国的倍福自动化（Beckhoff）开发，处于EtherCAT技术协会（ETG）框架之下，是一项开放但不开源的技术，任何相关设备的开发，都需要向其获取相关授权。 图片如果使用未获得倍福授权的ETherCAT芯片：一是性能上一般会有很大差异二是为后期获得技术支持和软件更新带来隐患三是也令国产工控设备在进军海外市场时面临合规挑战授权则需要从EtherCAT的专利方Beckhoff XMC4800Hilscher（德国）: netX50、 netX50、 netX90、 netX500和netX4000亚信（台）--AX58100不过近几年，随着国内EtherCAT市场的增长，很多国内的企业也开始获得了倍福的正式授权 比如苏州创耀，获得倍福正式授权，目前已推出一系列EtherCAT从控芯片，集成了从倍福自动化授权的ESC核心模块。
3.3K11编辑于 2024-07-04 - 来自专栏新智元
斯坦福新深度学习系统 NoScope：视频对象检测快1000倍
斯坦福大学的新研究构建一个名为 NoScope 的深度学习视频对象检测系统，利用视频的局部性对 CNN 模型进行优化，相比当前性能最好的 YOLOv2 或 Faster R-CNN 速度加快了1000倍， 为了解决视频增长速度与分析成本之间的巨大差距，我们构建了一个名为 NoScope 的系统，与目前的方法相比，它处理视频内容的速度要快数千倍。 本文将介绍NoScope优化的一个示例，并描述NoScope如何在模型级联中端到端地堆叠它们，以获得倍增的加速——在现实部署的网络摄像机上可提速1000倍。 这些模型端到端地堆叠，比原来的CNN要快1000倍。 利用场景特定局部性 NoScope 使用专用模型来利用场景特定局部性，或训练来从特定视频内容的角度检测特定对象的快速模型。 在NoScope中，我们利用时间局部性，将视频专用管道中差异检测和专用CNN相结合，视频检索速度比普通CNN检索提高了1000倍。也就是说，每秒处理的视频帧数超过8000帧。
1.3K50发布于 2018-03-27 - 来自专栏EtherCAT
使用未获得倍福授权的EtherCAT芯片可能面临的风险
例如，2018 年倍福曾对中国企业提起诉讼，要求停止侵权并赔偿损失。若企业在专利有效期内使用未授权芯片，可能面临追溯性法律追责。 例如，早期国产替代芯片因未获得倍福授权，实测中出现通信延迟不稳定、多节点同步失效等问题。 例如，某国内厂商因未获得倍福 IP 授权，在开发从站控制器时需自行实现 PDO 映射逻辑，最终导致产品上市时间延迟 6 个月。 3.安全漏洞与可靠性隐患未授权芯片可能缺乏倍福的安全机制（如数据帧校验和防篡改设计），易受中间人攻击或 DoS 攻击。 四、应对策略建议1.优先选择授权芯片目前获得倍福授权的厂商包括 Microchip、瑞萨、创耀科技等。
24610编辑于 2025-10-12 - 来自专栏剑指工控
倍福PLC与ET200S的PROFIBUS DP通讯（附案例下载）
打开TwinCAT3的安装路径（案例中使用的电脑默认安装在C盘），打开C盘 TwinCAT>3.1>Config>IO>Profibus，将ET200S的GSE文件拷贝在该目录下，如图1-2所示。
1.7K30发布于 2021-11-09 - 来自专栏新智元
斯坦福谷歌大脑：两次蒸馏，引导扩散模型采样提速256倍！
新智元报道 编辑：Aeneas David 【新智元导读】斯坦福、谷歌大脑新作：无需分类器，两步蒸馏，将扩散模型采样速度提升256倍。 只需4个采样步骤，就能获得与原始模型相当的FID/IS分数，而采样速度却高达256倍。 可以看到，通过改变指导权重w，研究者蒸馏的模型能够在样本多样性和质量之间进行权衡。
71420编辑于 2023-01-06 - 来自专栏工业自动化
CANopen转EtherCAT：倍福CX5140 PLC与CANopen从站的实时通信
生产线的核心控制系统采用了基于EtherCAT协议的倍福（Beckhoff）PLC作为主站，负责对整个生产线的流程进行调度和控制，确保各个工序的精准协同。 EtherCAT协议主站PLC：选用倍福（Beckhoff）的CX5140系列工业PC作为EtherCAT主站。 在配置软件中，需要设置EtherCAT从站的相关参数，包括从站地址、通信速率等，确保网关能够与倍福PLC的EtherCAT网络正确通信。 例如，将倍福PLC发出的拧紧机控制指令数据映射到CANopen网络，以便发送给博世电动拧紧机；将图尔克传感器采集到的温度、位置等数据映射到EtherCAT网络，供倍福PLC进行分析和处理。 硬件组态：在倍福TwinCAT3编程软件中，进行硬件组态操作。
54210编辑于 2025-06-11 分钟级长视频生成迎来“记忆革命”，7倍成本降低，2.2倍端到端生成速度提升!｜斯坦福&字节
MoC 能够裁剪超过 85% 的 token 对，将注意力 FLOPs 成本最多减少7倍，并在分钟级场景中实现 2.2 倍的端到端生成速度提升。 达到的效果 实现近似线性的计算扩展，大幅降低注意力计算成本（FLOPs 最多减少7倍），生成长度达到约18万token的分钟级视频。 端到端生成速度提升2.2倍，token裁剪比例超过85%，显著提高了长视频生成的训练与推理效率。 首次验证学习型稀疏上下文路由在实际应用中的有效性，以接近短视频的成本实现长上下文视频记忆。 假设本工作使用 ，，，，则可计算出： 相比之下，在相同序列上进行稠密自注意力的计算代价为： 因此，自适应上下文混合（Mixture of Contexts）层将乘加操作减少了超过 7 倍。
28410编辑于 2025-11-17- 来自专栏YOLO大作战
斯坦福最新Sophia优化器，比Adam快2倍 | 2023.5月斯坦福最新成果
1.Sophia优化器介绍 斯坦福2023.5月发表的最新研究成果，他们提出了「一种叫Sophia的优化器，相比Adam，它在LLM上能够快2倍，可以大幅降低训练成本」。
2.5K40编辑于 2023-11-03 - 来自专栏机器之心
斯坦福2018 AI指数报告出炉：DL职位需求两年增长35倍
报告特别介绍了清华大学学习 AI 课程的学生数量：2017 年人工智能+机器学习课程的入学人数比 2010 年时多 16 倍。 在全世界范围内，AI 和机器学习（ML）大学课程的入学人数都在增多，尤其值得一提的是中国的清华大学，该校 2017 年人工智能+机器学习组合课程的入学人数比 2010 年时多 16 倍。 从图中可以看出，AI 领域的论文增幅最大，比 1996 年增加了 7 倍多。 ? ICLR 2018 的出席人数是 2012 年的 20 倍，这一趋势反映了当前的人工智能更加注重深度学习和强化学习。 ?
59440发布于 2018-12-27 - 来自专栏剑指工控
西门子S7-1200与倍福PLC的PROFINET通讯（附案例下载）
JZGKCHINA 工控技术分享平台 尊重原创 勿抄袭 勿私放其他平台 01 硬件配置清单 序号 硬件名称 型号 数量 备注 1 倍福PLC CX5020-0111 M310 1 从站 2 西门子PLC
4.5K41发布于 2021-11-09 - 来自专栏芯智讯
前8月销量翻了2倍！王传福：比亚迪明年冲击400万辆
此外，在比亚迪财报电话会议上，王传福认为2023年中国整个市场新能源销量预估在900-1000万辆，而比亚迪的整车计划是400万台起，将会冲击400万台的年度销量目标。
24020编辑于 2022-09-07 - 来自专栏量子位
斯坦福博士新作：长上下文LLM推理速度提8倍
丰色 发自 凹非寺 量子位 | 公众号 QbitAI 这两天，FlashAttention团队推出了新作： 一种给Transformer架构大模型推理加速的新方法，最高可提速8倍。 提速8倍的长上下文推理方法来了 该方法被命名为Flash-Decoding。 最高提速8倍 验证环节，作者在CodeLLaMa-34b（架构与Llama 2相同）上对其解码吞吐量进行了基准测试。 FlashAttention v2 FasterTransformer：使用FasterTransformer注意力内核 最终，Flash-Decoding最高可将长序列解码速度提升8倍， Tri Dao今年博士毕业于斯坦福，7月份加盟大模型创业公司Together AI担任首席科学家。 明年9月将上任普林斯顿大学助理教授，他是FlashAttention v1和v2的主要作者。
64310编辑于 2023-10-18 - 来自专栏科控自动化
西门子1500V软PLC来了，和倍福TWINCAT一样的模式
在工业自动化领域的众多创新技术中，西门子S7-1500V无疑是一颗璀璨的明星。它作为S7-1500系列PLC（Programmable Logic Controller，可编程逻辑控制器）的衍生产品，不仅继承了前者的优秀特性，更在此基础上实现了质的飞跃，为用户带来了前所未有的便利与可能性。
2.3K12编辑于 2024-05-13 步科倍福手拉手，ModbusTCP主转EtherCAT从，伺服压接迈入新纪元
步科PLC与倍福PLC实现无缝对接，新能源伺服压接器配套产品迈入新纪元在新能源领域，技术的每一次革新都意味着生产效率的大幅提升。 近日，我们企业成功实现了步科PLC与倍福PLC之间的无缝对接，为新能源伺服压接器的配套产品带来了革命性的整合方案。 此外，它与步科和倍福PLC的兼容性也得到了验证，确保了整个系统的稳定运行。此次技术整合的成功，标志着我们在新能源伺服压接器配套产品领域迈出了坚实的一步。
18700编辑于 2025-07-25- 来自专栏Crossin的编程教室
python 图像处理：一福变五福
某宝一年一度的集五福（shua hou）活动更是成为每年的必备活动。虽然到最后每人大概也就分个两块钱，但作为一个全民话题，大多数人还是愿意凑凑热闹。 毕竟对于如今生活在大城市的人来说，集福领红包和空荡的地铁车厢或许已是最大的“年味”了。 既然是凑热闹，怎么能少得了我。前年过年我发过一篇：《一行代码扫出“敬业福”》，介绍的是 OCR 文字识别的使用。 今年再来对“福”字做文章，演示下如何用 python 的图像处理功能，把一幅“福”字图片转出 5 种不同的效果： ? 上面的效果分别用到了以下功能： 1、灰度福 这里没有选择直接将图片转出灰度图，因为这样会导致福字不明显。而是通过将红、绿、蓝三通道分离后，选择色差最大的红色通道。 img_r = cv2.flip(img, -1) 完整代码可以在公众号（Crossin的编程教室）里回复关键字：五福 以上就是我送给大家的 5 个福。试过了，都能被扫出来。我已集齐 ? ?
1K20发布于 2019-03-06 - 来自专栏机器之心
学界 | 斯坦福提出高速视频目标检测系统NoScope：速度超现有CNN上千倍
为了解决这个问题，斯坦福大学的几位研究者提出了一个名叫 NoScope 的系统，将目标检测的速度提升了数千倍。 该系统处理视频流的速度可以比当前方法快上数千倍。 端到端地堆叠起来后，这些模型的速度可以超过原 CNN 的 100-1000 倍。 如下图所示，最终结果在当前方法的基础上实现了 10000 倍的提速。 ? 左图为 NoScope 的系统示意图。右图给出了一段代表视频的速度-准确度曲线 差异检测器和专用模型都有助于这个结果。 在 NoScope 中，我们将差异检测和专用 CNN 结合到了一个特定于视频的流程中，利用时间局部性将 CNN 查询提速了超过 1000 倍。结果得到的处理流程每秒能够处理 8000 帧视频。
1.2K70发布于 2018-05-09
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号