全文获取类型
收费全文 | 39篇 |
免费 | 4篇 |
国内免费 | 2篇 |
专业分类
电工技术 | 5篇 |
综合类 | 1篇 |
化学工业 | 3篇 |
机械仪表 | 2篇 |
矿业工程 | 1篇 |
能源动力 | 3篇 |
轻工业 | 8篇 |
一般工业技术 | 5篇 |
冶金工业 | 6篇 |
自动化技术 | 11篇 |
出版年
2023年 | 5篇 |
2022年 | 2篇 |
2021年 | 2篇 |
2020年 | 4篇 |
2019年 | 2篇 |
2018年 | 1篇 |
2016年 | 1篇 |
2015年 | 1篇 |
2013年 | 2篇 |
2012年 | 2篇 |
2011年 | 1篇 |
2010年 | 1篇 |
2009年 | 8篇 |
2008年 | 4篇 |
2005年 | 1篇 |
2004年 | 1篇 |
2001年 | 1篇 |
2000年 | 1篇 |
1999年 | 1篇 |
1996年 | 1篇 |
1993年 | 1篇 |
1992年 | 1篇 |
1988年 | 1篇 |
排序方式: 共有45条查询结果,搜索用时 15 毫秒
41.
风电机组在实际运行过程由于运行环境影响及人为调控等因素影响,导致风功率曲线中存在大量异常运行数据,给风电机组的监测与控制带来严重干扰。提出一种基于变点分组(Change Point)和Copula理论组合的两阶段异常数据清洗算法。根据风电机组异常运行数据的分布特征和产生原因,将异常数据划分为堆积型异常数据和分散型异常数据;利用变点算法最大限度的清洗大部分堆积形异常数据和少量分散型异常数据,提高正常数据占比;结合Copula函数计算风速和功率的依赖关系,并依据依赖关系建立基于Copula的概率功率曲线,进一步清洗剩余分散型异常数据。通过内蒙古某风电场实际运行数据验证了算法的有效性,结果表明清洗效果好,可有效识别出三类异常数据,具有一定的工程实用价值。 相似文献
42.
针对滚动轴承复合故障振动信号非平稳、非线性特性且不同类型故障之间相互耦合,使得传统方法对复合故障冲击特征难以提取的问题,提出了一种基于自适应信号稀疏共振分解(ARSSD)和多点峭度最优最小熵解卷积修正(MK-MOMEDA)的故障诊断新方法。使用ARSSD分析故障信号,并定义一个新的复合指标作为目标函数,利用布谷鸟寻优算法(CSA)对高、低品质因子进行优化选择,获得包含瞬态冲击成分的最优低共振分量;计算其多点峭度谱,提取低共振分量中包含的故障冲击周期成分;之后设定适当的周期区间,进行解卷积运算分离不同的故障特征;通过包络解调,分析谱图中突出的故障特征频率进而识别故障类型。实验平台模拟了滚动轴承两种和三种故障的复合情况,并对所提算法进行了验证,结果表明该方法可有效的从复合故障中提取出各类故障特征,实现故障诊断。 相似文献
43.
伊犁新天煤化工有限责任公司20×108 m3/a煤制天然气装置内低位热能较为富裕,针对低位热能的回收利用,经分析与研究,提出了酚回收系统3个系列外送150℃冷凝液加热水塔进料(通过增设低位热能换热器实现)以及第三换热站(冬季)采暖系统改用118℃冷凝液加热采暖回水的优化技改方案。2022年9月,150℃冷凝液、118℃冷凝液低位热能回收利用技改实施后,水塔运行工况稳定、(冬季)第三换热站采暖系统运行稳定,减少了0.5 MPa、158℃低压蒸汽用量,降低了循环水系统电耗,助力了煤制天然气装置的安全、稳定、优质运行。 相似文献
44.
针对以往风电机组数字孪生建模受不同研究目的或单一软件的功能限制,难以建立风电机组整机模型的问题,提出一种新的风电机组孪生建模方法。该方法首先依托FAST风速性能模块,建立稳态风模型、随机湍流风模型以及风电场实时风速模型;接着采用空气动力学模块和结构动力学模块分别搭建风电机组叶片、塔架等关键部件的几何与动力学模型;最后在Simulink中搭建风电机组电气系统模型及控制策略,由此构建完整的风电机组孪生模型。将该孪生建模方法分别用于WindPACT 1.5 MW双馈风电机组与某风电场Fuhrl?nder 2.5 MW双馈风电机组并进行验证。结果表明:孪生模型在不同风速模型下,各重要生产参数相比设计标准及实际运行数据均具有较高的准确性。此外,通过对风电机组数字孪生系统实时仿真和现场不可测数据的孪生模拟,也进一步表明孪生模型具有可行性和有效性。 相似文献
45.
当前基于深度学习的旋转机械故障诊断技术,凭借其强大的逐层加工和内置特征变换功能受到广泛关注,然而传统用于故障诊断的深度网络需要大量标签数据,且诊断结果依赖于标签的数量和准确性。为此,提出一种基于中心损失-改进卷积自编码器(center loss-improved convolutional auto-encoder, CL-ICAE)的半监督故障诊断方法。该方法首先利用连续小波变换将故障信号转换为时频图,细化故障特征表征;之后构建改进的卷积自编码器网络结构,并引入批量归一化(batch normalization, BN)和Dropout,在特征提取阶段防止过拟合;之后在分类阶段,通过将中心损失(center loss)引入Softmax损失函数,构建联合损失函数,使故障特征实现类内距离更小,特征差异更大,进一步提高分类精度。最后,将所提方法通过凯斯西储大学轴承数据集和轴承故障试验平台进行验证,结果表明在少量标签样本情况下,均可实现有效的故障诊断,提升诊断准确率。 相似文献