DZB-217中间继电器 DC220V 0.25A 板前

JOSEF_cnrelay 2024-07-04 10:56:02














系列型号:

DZB-210中间继电器;DZB-213中间继电器;
DZB-214中间继电器;DZB-217中间继电器;
DZB-220中间继电器;DZB-226中间继电器;
DZB-228中间继电器;DZB-230中间继电器;
DZB-233中间继电器;DZB-240中间继电器;
DZB-243中间继电器;DZB-257中间继电器;
DZB-259中间继电器;DZB-262中间继电器;
DZB-278中间继电器;DZB-284中间继电器;
DZB-250中间继电器;DZB-260中间继电器;
DZB-270中间继电器;

 

1、应用

DZB系列继电器为微型端子排结构的继电器,用于继电保护回路中。
2、型号

3、主要性能
3.1 元件采用进口密封型继电器,防潮、防尘、不断线、可靠性高。
3.2 本继电器适用于端子排的各种布置。
3.3 继电器电气机械寿命长。
3.4 触点容量大,触点接触电阻小。
3.5 绝缘耐压水平高。
4、技术条件
4.1 环境基准条件
环境温度:20±2℃
相对湿度:45%~75%
大气压力:86~106Kpa
4.2 正常使用条件
环境温度:-10℃~+50℃
环境相对湿度:不大于 90%
大气压力:86~110Kpa
储存和运输过程中极限温度:-25℃~+70℃
使用地点的海拔高度:不大于 2500 米
使用环境的周围介质无爆炸危险;不含有腐蚀性气体;所含导电尘埃的浓度不应使绝缘水平降低到允许极限值以下。
4.3 大功耗:额定电压 220VDC 下不大于 2W。
额定电压 220VAC 下不大于 3VA。
大功率启动继电器:大于 5W。
5、特性参数
5.1 供电电源允许波动范围:0.8~1.15 倍额定电压。
直流额定电压:220V、110V、48V
交流额定电压:220V
5.2 触点大容量:
切断负载能力:直流 250V 以下,τ=5ms,感性负载 50W,阻性负载 150W;
交流 250V 以下,负载 1200VA;
允许长期接通电流:5A。
5.3 绝缘电阻:用 1000V 摇表测量各引出端子对端子导轨之间的绝缘电阻不小于 10MΩ。
5.4 绝缘耐压:各引出端子对端子导轨能承受工频电压 2000V,同组触点间能承受工频电压 1000V,历时一分钟无击穿。
5.5 电气寿命:触点在额定负荷下为一万次。
5.6 机械寿命:触点在空载状态下为三百万次。
6、结构型式:WZY(端子排)型
采用通用安装脚,可卡装在导轨上;可插拔式端子及面罩,既方便、安全又防尘、防潮、美观。

7、使用
 在使用继电器前应检查继电器在运输和储藏过程中是否损坏,继电器螺丝紧固件应无松动。
8、端子接线图




9、订货须知

   订货时须注明继电器型号规格、结构形式代号、板前或板后接线方式、数量及其它要求。

...全文
25 回复 打赏 收藏 转发到动态 举报
AI 作业
写回复
用AI写文章
回复
切换为时间正序
请发表友善的回复…
发表回复
资源下载链接为: https://pan.quark.cn/s/abbae039bf2a 在计算机视觉领域,实时目标跟踪是许多应用的核心任务,例如监控系统、自动驾驶汽车和无人机导航等。本文将重点介绍一种在2017年备受关注的高效目标跟踪算法——BACF(Boosted Adaptive Clustering Filter)。该算法因其卓越的实时性和高精度而脱颖而出,其核心代码是用MATLAB编写的。 BACF算法全称为Boosted Adaptive Clustering Filter,是基于卡尔曼滤波器改进的一种算法。传统卡尔曼滤波在处理复杂背景和目标形变时存在局限性,而BACF通过引入自适应聚类和Boosting策略,显著提升了对目标特征的捕获和跟踪能力。 自适应聚类是BACF算法的关键技术之一。它通过动态更新特征空间中的聚类中心,更准确地捕捉目标的外观变化,从而在光照变化、遮挡和目标形变等复杂情况下保持跟踪的稳定性。此外,BACF还采用了Boosting策略。Boosting是一种集成学习方法,通过组合多个弱分类器形成强分类器。在BACF中,Boosting用于优化目标检测性能,动态调整特征权重,强化对目标识别贡献大的特征,从而提高跟踪精度。BACF算法在设计时充分考虑了计算效率,能够在保持高精度的同时实现快速实时的目标跟踪,这对于需要快速响应的应用场景(如视频监控和自动驾驶)至关重要。 MATLAB作为一种强大的数学计算和数据分析工具,非常适合用于算法的原型开发和测试。BACF算法的MATLAB实现提供了清晰的代码结构,方便研究人员理解其工作原理并进行优化和扩展。通常,BACF的MATLAB源码包含以下部分:主函数(实现整个跟踪算法的核心代码)、特征提取模块(从视频帧中提取目标特征的子程序)、聚类算法(实现自适应聚类过程)、Boosting算法(包含特征权重更新的代
内容概要:本书《Deep Reinforcement Learning with Guaranteed Performance》探讨了基于李雅普诺夫方法的深度强化学习及其在非线性系统最优控制中的应用。书中提出了一种近似最优自适应控制方法,结合泰勒展开、神经网络、估计器设计及滑模控制思想,解决了不同场景下的跟踪控制问题。该方法不仅保证了性能指标的渐近收敛,还确保了跟踪误差的渐近收敛至零。此外,书中还涉及了执行器饱和、冗余解析等问题,并提出了新的冗余解析方法,验证了所提方法的有效性和优越性。 适合人群:研究生及以上学历的研究人员,特别是从事自适应/最优控制、机器人学和动态神经网络领域的学术界和工业界研究人员。 使用场景及目标:①研究非线性系统的最优控制问题,特别是在存在输入约束和系统动力学的情况下;②解决带有参数不确定性的线性和非线性系统的跟踪控制问题;③探索基于李雅普诺夫方法的深度强化学习在非线性系统控制中的应用;④设计和验证针对冗余机械臂的新型冗余解析方法。 其他说明:本书分为七章,每章内容相对独立,便于读者理解。书中不仅提供了理论分析,还通过实际应用(如欠驱动船舶、冗余机械臂)验证了所提方法的有效性。此外,作者鼓励读者通过仿真和实验进一步验证书中提出的理论和技术。

14

社区成员

发帖
与我相关
我的任务
社区描述
上海约瑟电器有限公司 综合运营
实时互动 企业社区 上海·浦东新区
社区管理员
  • 上海约瑟电器有限公司 综合运营
  • josefYUESE
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告
暂无公告

试试用AI创作助手写篇文章吧