全文获取类型
收费全文 | 101篇 |
免费 | 8篇 |
国内免费 | 2篇 |
专业分类
电工技术 | 3篇 |
综合类 | 4篇 |
化学工业 | 1篇 |
金属工艺 | 23篇 |
机械仪表 | 46篇 |
能源动力 | 1篇 |
无线电 | 8篇 |
一般工业技术 | 21篇 |
自动化技术 | 4篇 |
出版年
2023年 | 2篇 |
2022年 | 6篇 |
2021年 | 8篇 |
2020年 | 7篇 |
2019年 | 3篇 |
2018年 | 6篇 |
2017年 | 4篇 |
2016年 | 1篇 |
2015年 | 2篇 |
2014年 | 5篇 |
2013年 | 3篇 |
2012年 | 6篇 |
2011年 | 6篇 |
2010年 | 6篇 |
2009年 | 4篇 |
2008年 | 5篇 |
2007年 | 4篇 |
2006年 | 1篇 |
2005年 | 3篇 |
2004年 | 7篇 |
2003年 | 3篇 |
2002年 | 1篇 |
2001年 | 3篇 |
2000年 | 5篇 |
1999年 | 7篇 |
1998年 | 3篇 |
排序方式: 共有111条查询结果,搜索用时 250 毫秒
81.
82.
逆向工程曲面构建与快速成型 总被引:1,自引:1,他引:0
逆向工程与快速成型技术相结合,能快速实现模型的复制,改变了传统的产品开发设计和制造模式。快速成型要求曲面必须保证一定的制作精度和光顺性,本文基于Imageware软件,结合具体的案例,就曲面构建方法和曲面的拼接质量影响因素进行了探讨,提出了较为完整的曲面逆向构建及快速成型的技术途径。 相似文献
83.
正确识别空凋电机的噪声类型是改善其噪声效果的重要前提,采用一种集特征提取与识别于一体的神经网络来解决这种识别问题。此网络利用Mexican hat小波作为母小波,同时将基于小波变换的特征提取过程融人为神经网络的一部分,网络学习时可针对输入信号对小波尺度和平移参数进行自适应调整,以实现对信号特征信息的充分获取。给出了此网络的学习算法。利用这一网络对空调电机的三种噪声信号即电磁噪声、不平衡噪声、轴承噪声信号进行了学习和识别,结果表明,学习后的网络以很高的可靠性准确地识别出了电机的不同噪声类型。 相似文献
84.
山西省晋中供电分公司是山西省电力公司直属大型二类供电企业,担负着山西电网南北联络和晋中11个县(市、区)的供电任务,现有全民职工3046人,下辖11个供电支公司,17个直属单位,8个多经企业,拥有500kV变电站1座,220kV变电站5座,110kV变电站22座,35kV变电站56座,35kV以上线路2695km,国有资产24.97亿元。山西省晋中供电分公司始终坚持把安全生产放在各项工作的首位,以“保人身、保电网、保设备”为中心,坚持“以人为本、强化机制、重在预防”的原则。加强企业的安全管理,并从规章制度、安全投入、培训教育、隐患整治等多方面强化安全防范措施… 相似文献
85.
86.
在 STFT 的基础上提出了一种时间重分配多同步压缩变换(TMSST)结合相关峭度的柔性薄壁轴承故障特征提取方法。该方法通过对 STFT 结果使用压缩算子提高其时频聚集性;结合相关峭度准则选择最佳频率点处的脉冲特征;对脉冲特征分析得到其冲击频率特性。将所述方法用于柔性薄壁轴承内外圈故障信号特征提取,并将其与 S 变换结合相关峭度进行对比,结果证明所提方法在成功提取故障特征的同时能更好地反映故障特征频率的时变性,为轴承故障诊断提供了一种时频分析的新视角。 相似文献
87.
针对机械早期故障引起的冲击特征微弱,易受强背景信号和噪声的干扰而难以提取的问题,提出一种奇异值分解(Singular Value Decomposition,SVD)差分谱与S变换相结合的微弱冲击特征提取方法。将原始信号构造成Hankel矩阵,采用SVD对重构矩阵进行分解;利用奇异值差分谱确定降噪阶次进行降噪;采用S变换对降噪后的信号进行时频分析,提取信号中的微弱冲击特征信息。通过数值仿真和实际轴承故障数据的对比,表明该方法可有效辨别轴承振动信号中故障引起的早期微弱冲击特征,为轴承故障诊断提供先验信息。 相似文献
88.
89.
基于小波—奇异值分解差分谱的弱故障特征提取方法 总被引:15,自引:0,他引:15
对于一些复杂信号中的弱故障特征信息,以往的两种小波—奇异值分解(Singular value decompositiom,SVD)组合模式的特征提取效果不佳,从小波的频率窗特性出发分析了出现这种问题的原因,进而对复杂信号的奇异值分布规律进行研究,据此提出一种新的小波-SVD差分谱组合模式。对原始信号做小波分解得到一系列细节信号后,不再将这些信号简单地排列成矩阵,而是利用每个细节信号构造特定结构的Hankel矩阵,再通过SVD对每个矩阵做正交化分解,并利用奇异值差分谱来选择特征奇异值进行SVD重构,由此实现对弱故障特征信息的提取。对一个轴承振动信号的处理结果证实该方法对复杂信号中的弱故障特征信息具有优良的提取效果,其获得的故障特征波形非常清晰,克服了以往小波-SVD组合模式对弱故障特征提取效果不佳的缺陷。 相似文献
90.