STEP 7 Basic/Professional (TIA PORTAL) V14 Yükleme Gereksinimleri

Aşağıdaki bilgiler ve STEP 7 Basic/Professional (TIA PORTAL) V14 kurulum gereksinimleri hakkında genel bilgiler sunmaktadır.


STEP 7 (TIA Portalı) V14 SP1'i kurma gereksinimleri Ürün Bilgileri'nde ve el kitaplarında mevcuttur: STEP 7 Professional / Basic V14 SP1'in yayınlanması


1- Sistem Gereksinimleri
STEP 7 Professional / Basic V14 SP1, aşağıdaki işletim sistemleriyle kullanım için yayımlanmıştır (yalnızca 64 bit):

Windows 7 (64-bit)
Windows 7 Home Premium SP1 (STEP 7 Basic only)
Windows 7 Professional SP1
Windows 7 Enterprise SP1
Windows 7 Ultimate SP1

Windows 8.1 (64-bit)
Windows 8.1 (STEP 7 Basic only)
Windows 8.1 Professional
Windows 8.1 Enterprise

Windows 10 (64-bit, new with V14 SP1)
Windows 10 Home Version 1607 (STEP 7 Basic only)
Windows 10 Professional Version 1607
Windows 10 Enterprise Version 1607
Windows 10 Enterprise 2016 LTSB
Windows 10 Enterprise 2015 LTSB

Windows Server (64-bit)
Windows Server 2008 R2 StdE SP1 (STEP 7 Professional only)
Windows Server 2012 R2 StdE
Windows Server 2016 Standard

2- Donanım Gereksinimleri
Aşağıdaki tablo STEP 7 Professional / Basic V14 SP1'i çalıştırmak için önerilen minimum donanım gereksinimlerini göstermektedir.

Bilgisayar: SIMATIC Field PG M5 Advanced veya daha üstü veya benzer bir PC.
İşlemci: Intel® Core™ i5-6440EQ (2.7 GHz) veya benzeri
Ana hafıza: 16 GB veya daha fazla (büyük projeler için 32 GB)
Sabit disk: En az 50 GB boş depolama kapasitesine sahip SSD
Network: 1 Gigabit (çok kullanıcılı)
Ekran: 15,6 " Full HD ekran (1920 x 1080 veya daha yüksek çözünürlük)

3- Diğer ürünlerle uyumluluk
STEP 7 Professional / Basic V14 SP1, WinCC, Startdrive, SIMOCODE ES ve SOFT STARTER ESV14 SP1 ve SIMOTION SCOUT TIA V5.1 ile birlikte tek bir framework'te çalışır.

STEP 7 Professional / Basic V14 SP1 (WinCC Basic V14 SP1 Dahil);
"STEP 7 V11 to V13 SP2, STEP 7 V5.5 SP4 (STEP 7 V5.6), STEP 7 Micro/WIN V4.0 SP9, WinCC flexible 2008 SP3 ve WinCC (V7.3'den itibaren)" versiyonları ile aynı bilgisayara kurulabilir.

Yalnızca TIA Portalı V13 SP1 projeleri (son güncelleme önerilir) TIA Portal V14'e yükseltilecek bir proje özelliğine sahiptir. Mümkün olan en iyi desteği sağlamak için V13 SP2'nin en yeni sürümü V14 SP1 ürünleriyle birlikte verilir. Bir uyumluluk modu desteklenmiyor.

4- Desteklenen  Sanal Platformlar
VMware vSphere Hypervisor (ESXi) 6.0
VMware Workstation 12.5
VMware Player 12.5
Microsoft Hyper-V Server 2016

5- Ana işletim sistemi olarak sanal platformlar için desteklenen işletim sistemleri
Windows 7 Professional/Ultimate/Enterprise SP1 (64-bit)
Windows 10 Professional/Enterprise Version 1607
Windows 10 Enterprise 2016 LTSB
Windows Server 2016 (64-bit)

6- Güvenlik Programları
Aşağıdaki güvenlik programları STEP 7 V14 SP1 ile test edilmiştir.

Virüs Tarayıcılar:
Symantec Endpoint Protection 12.1
Trend Micro Office Scan Corporate Edition 11.0
McAfee VirusScan Enterprise 8.8
Kaspersky Anti-Virus 2016
Windows Defender (as of Windows 8.1)
Qihoo “360 Total Security Essential” 9.7
Şifreleme Yazılımı:
Microsoft Bitlocker
Host tabanlı Saldırı Tespit Sistemi:
McAfee Application Control 6.2.0

https://twitter.com/naturaotomasyon

https://www.facebook.com/naturateknik

https://twitter.com/ViCaHeNNN

iPhone X Ram Temizleme

iPhone'unuz Yavaş Çalışıyor ise Daha Hızlı Çalışması için RAM temizlemeyi deneyin.

iPhone X'den önce bu işlem "Assistive Touch" özelliğini açmadan da yapılabiliyordu. Fakat X'de ana ekran tuşu olmadığı için öncelikle "Ayarlar>Genel>Erişilebilirlik>Assistive Touch" etkinleştirmemiz gerekiyor. Daha sonra "Ayarlar>Genel>Sistemi Kapat" seçeneğini seçip kaydırma ekranı geldiğinde Assistive Touch'ı kullanarak ana ekran tuşuna basılı tutuyoruz.

Windows 10 Otomatik Güncelleştirmelerin Kapatılması, Ayarlanması

çalıştır'a "gpedit.msc" yazıp tamam diyerek yerel grup ilkesi düzenleyicisini aç

>Bilgisayar Yapılandırması

                >Yönetim Şablonları

                               >Windows Bileşenleri

                                               >Windows Update

"Otomatik Güncelleştirmeleri Yapılandır" kısmından gerekli ayarlar yapılır.

İsteğe göre 2-3-4-5 seçeneklerinden biri seçilebilir.

Evolutionary Strategies Module Homework

1.     FONKSİYON İÇİN ÇÖZÜMLER

MATLAB SCRİPT KODU:

function z = Pfunction(x,y)

    z = (4 - 2.1*x.^2 + x.^4/3).*x.^2 + x.*y +(-4+4*y.^2).*y.^2;

end

oldBest_Person=100;

for t=1:10

iteration=500;

Parent_No=10;

Child_No=5;

Gama=1;

fprintf('\n Parent_No=%d, Child_No=%d, İterasyon=%d, Gama=%d \n',Parent_No,Child_No,iteration,Gama);

    seed=t;

    for i=1:Parent_No               

    %Ebeveynler belirleniyor.

    P_X(i) = rand()*((rand()>0.5)*2-1)*3;

    P_Y(i) = rand()*((rand()>0.5)*2-1)*2;

    %Ebeveynlerin uygunluğu hesaplanıyor.

    P_Fitness(i)=Pfunction(P_X(i),P_Y(i));

    end

   

    for m=1:iteration

        S=0; %succes variable       

        k=1;       

        %Her bir ebeveynden çocuk üretme.      

        for i=1:Parent_No

            for j=1:Child_No

                % Move Hareket Miktarı Belirleniyor.

                Move_X = rand()*((rand()>0.5)*2-1)*Gama;

                Move_Y = rand()*((rand()>0.5)*2-1)*Gama;

               

                % Ebeveynlerden çocuklar üretiliyor.

                C_X(k) = P_X(i) + Move_X;

                C_Y(k) = P_Y(i) + Move_Y;

               

                %Sınırların dışına çıkılması engelleniyor.

                if C_X(k)<-3 || C_X(k)>3

                C_X(k) = rand()*((rand()>0.5)*2-1)*3;

                end       

                if C_Y(k)<-2 || C_Y(k)>2

                C_Y(k) = rand()*((rand()>0.5)*2-1)*2;

                end

               

                % Çocukların uygunluk değerleri hesaplanıyor.

                C_Fitness(k) = Pfunction(C_X(k),C_Y(k));

               

                % Succes değerinin belirlenmesi.

                if P_Fitness(i) > C_Fitness(k)

                    S = S+1;

                end

                k=k+1;

            end

        end

       

        % Çocukların uygunluk değerleri küçükten büyüğe sıralanıyor.

        C_F = sort(C_Fitness);        

        C_Fitness_Best= C_F(:,1:Parent_No); %En uygun çocuklar alınıyor.

       

        % En uygun çocukların sıralamasına uygun olarak X,Y değerleride sıralanıyor.

        for i=1:Parent_No

            for j=1:k-1

                if C_Fitness_Best(i) == C_Fitness(j)

                    C_Best_X(i) = C_X(j);

                    C_Best_Y(i) = C_Y(j);

                end

            end

        end

       

        SR = S/Child_No*Parent_No; %success rate

        if SR>0.2

            Gama=0.85*Gama;

        elseif SR<0.2

            Gama=Gama/0.85;

        end

       

        % En uygun çocuklar ve ebeveynler ile bir aile oluşturuluyor.

        F_Fitness = [C_Fitness_Best, P_Fitness];

        F_X = [C_Best_X, P_X];

        F_Y = [C_Best_Y, P_Y];

       

        % Bireylerin uygunluk değerleri küçükten büyüğe sıralanıyor.

        F_F = sort(F_Fitness);       

        F_Fitness_Best= F_F(:,1:Parent_No); %En iyi bireyler seçiliyor.

       

        % En iyi bireyler sıralamasına uygun olarak X,Y değerleride sıralanıyor.

        for i=1:Parent_No

            for j=1:2*Parent_No

                if F_Fitness_Best(i) == F_Fitness(j)

                    F_Best_X(i) = F_X(j);

                    F_Best_Y(i) = F_Y(j);

                end

            end

        end

       

        % En uygun bireyler yeni ebeveynler olarak seçiliyor.

        P_X = F_Best_X;

        P_Y = F_Best_Y;

        P_Fitness = F_Fitness_Best;

       

        % Yeni ebevenylerin en iyisi belirleniyor.                     

        P_F =  sort(P_Fitness);

        Best_Person(m) = P_F(1);

        % Yakınsama grafiği için önceki en iyi Ebeveyn ile kıyaslama yapılıyor.

        if Best_Person(m) < oldBest_Person

        Yakinsama_iterasyonu = m;

        oldBest_Person = Best_Person(m);

        end       

    end

   

    % Yeni ebevenylerin en iyisinin X Y değerleri bulunuyor.

    G_P = Best_Person(m);

    for i=1:Parent_No

        if G_P == P_Fitness(i)

            G_P_X = P_X(i);

            G_P_Y = P_Y(i);

        end

    end

    % Her bir Seed değeri için sonuçlar Ekrana Yazdırılıyor.

    fprintf('Seed %d, G_P = %f, GlobalX = %f, GlobalY = %f \n',seed,G_P,G_P_X,G_P_Y);

end

% Fonksiyon Çizimi

dx = 0.05; %Çizim Sıklığı

Xlimits = -2:dx:2; % Çizim X ekseni sınırları

Ylimits = -1.5:dx:1.5; % Çizim Y ekseni sınırları

[X,Y] = meshgrid(Xlimits,Ylimits);

Z = Pfunction(X,Y);

subplot(211); surf(Y,X,-Z);

grid on;

xlabel('x');

ylabel('y');

zlabel('z');

hold on

%bulunan f değerinin çizilen grafik üzerince işaretlenmesi.

subplot(211); plot3(G_P_Y,G_P_X,-G_P, 'b*');

%Yakınsama grafiğinin çizdirilmesi.

it=1:iteration;

subplot(212); plot(it,Best_Person),xlabel('iterasyon sayısı'), ylabel('Global_Z')

hold on;

plot(Yakinsama_iterasyonu,Best_Person(Yakinsama_iterasyonu),'b*')

grid on;

PROGRAMIN KOŞTURULMASI:

Örnek:1

Yakınsama Grafiği: 

Örnek:2 

Yakınsama Grafiği: 

10 Farklı Seed Değeri İçin Sonuçlar:

2.     FONKSİYON İÇİN ÇÖZÜMLER

MATLAB SCRİPT KODU:

function z = Pfunction2(x,y)

z=-( (sin(x) .* (sin((1 * x.^2)/pi)).^20) + (sin(y) .* (sin((2 * y.^2)/pi)).^20) );

end

oldBest_Person=100;

for t=1:1

iteration=1000;

Parent_No=20;

Child_No=10;

Gama=1;

fprintf('\n Parent_No=%d, Child_No=%d, İterasyon=%d, Gama=%d \n',Parent_No,Child_No,iteration,Gama);

    seed=t;

    for i=1:Parent_No               

    %Ebeveynler belirleniyor.

    P_X(i) = rand()*pi;

    P_Y(i) = rand()*pi;

    %Ebeveynlerin uygunluğu hesaplanıyor.

    P_Fitness(i)=Pfunction2(P_X(i),P_Y(i));

    end

   

    for m=1:iteration

        S=0; %succes variable       

        k=1;

       

        %Her bir ebeveynden çocuk üretme.      

        for i=1:Parent_No

            for j=1:Child_No

                % Move Hareket Miktarı Belirleniyor.

                Move_X = rand()*((rand()>0.5)*2-1)*Gama;

                Move_Y = rand()*((rand()>0.5)*2-1)*Gama;

               

                % Ebeveynlerden çocuklar üretiliyor.

                C_X(k) = P_X(i) + Move_X;

                C_Y(k) = P_Y(i) + Move_Y;

               

                %Sınırların dışına çıkılması engelleniyor.

                if C_X(k)<-3 || C_X(k)>3

                C_X(k) = rand()*pi;

                end       

                if C_Y(k)<-2 || C_Y(k)>2

                C_Y(k) = rand()*pi;

                end

                

                % Çocukların uygunluk değerleri hesaplanıyor.

                C_Fitness(k) = Pfunction2(C_X(k),C_Y(k));

               

                % Succes değerinin belirlenmesi.               

                if P_Fitness(i) > C_Fitness(k)

                    S = S+1;

                end

                k=k+1;

            end

        end

       

        % Çocukların uygunluk değerleri küçükten büyüğe sıralanıyor.

        C_F = sort(C_Fitness);        

        C_Fitness_Best= C_F(:,1:Parent_No); %En uygun çocuklar alınıyor.

       

        % En uygun çocukların sıralamasına uygun olarak X,Y değerleride sıralanıyor.

        for i=1:Parent_No

            for j=1:k-1

                if C_Fitness_Best(i) == C_Fitness(j)

                    C_Best_X(i) = C_X(j);

                    C_Best_Y(i) = C_Y(j);

                end

            end

        end

       

        SR = S/Child_No*Parent_No; %success rate

        if SR>0.2

            Gama=0.85*Gama;

        elseif SR<0.2

            Gama=Gama/0.85;

        end

       

        % En uygun çocuklar ve ebeveynler ile bir aile oluşturuluyor.

        F_Fitness = [C_Fitness_Best, P_Fitness];

        F_X = [C_Best_X, P_X];

        F_Y = [C_Best_Y, P_Y];

       

        % Bireylerin uygunluk değerleri küçükten büyüğe sıralanıyor.

        F_F = sort(F_Fitness);       

        F_Fitness_Best= F_F(:,1:Parent_No); %En iyi bireyler seçiliyor.

       

        % En iyi bireyler sıralamasına uygun olarak X,Y değerleride sıralanıyor.

        for i=1:Parent_No

            for j=1:2*Parent_No

                if F_Fitness_Best(i) == F_Fitness(j)

                    F_Best_X(i) = F_X(j);

                    F_Best_Y(i) = F_Y(j);

                end

            end

        end

       

        % En uygun bireyler yeni ebeveynler olarak seçiliyor.

        P_X = F_Best_X;

        P_Y = F_Best_Y;

        P_Fitness = F_Fitness_Best;

       

        % Yeni ebevenylerin en iyisi belirleniyor.                   

        P_F =  sort(P_Fitness);

        Best_Person(m) = P_F(1);

        % Yakınsama grafiği için önceki en iyi Ebeveyn ile kıyaslama yapılıyor.

        if Best_Person(m) < oldBest_Person

        Yakinsama_iterasyonu = m;

        oldBest_Person = Best_Person(m);

        end       

    end

   

    % Yeni ebevenylerin en iyisinin X Y değerleri bulunuyor.

    G_P = Best_Person(m);

    for i=1:Parent_No

        if G_P == P_Fitness(i)

            G_P_X = P_X(i);

            G_P_Y = P_Y(i);

        end

    end 

    % Her bir Seed değeri için sonuçlar Ekrana Yazdırılıyor.

    fprintf('Seed %d, G_P = %f, GlobalX = %f, GlobalY = %f \n',seed,G_P,G_P_X,G_P_Y);

end

%fonksiyonun çizdirilmesi

[x,y]=meshgrid(0:0.05:pi,0:0.05:pi);

z=Pfunction2(x,y);

subplot(211); surf(x,y,z);

hold on

%bulunan f değerinin çizilen grafik üzerince işaretlenmesi.

subplot(211); plot3(G_P_X,G_P_Y,G_P, 'b*');

%Yakınsama grafiğinin çizdirilmesi.

it=1:iteration;

subplot(212); plot(it,Best_Person),xlabel('iterasyon sayısı'), ylabel('Global_Z')

hold on;

plot(Yakinsama_iterasyonu,Best_Person(Yakinsama_iterasyonu),'b*')

grid on;

PROGRAMIN KOŞTURULMASI:

Örnek:1

Yakınsama Grafiği: 

Örnek:2

Yakınsama Grafiği: 

10 Farklı Seed Değeri İçin Sonuçlar: