全文获取类型
收费全文 | 5446篇 |
免费 | 247篇 |
国内免费 | 59篇 |
专业分类
电工技术 | 208篇 |
综合类 | 288篇 |
化学工业 | 123篇 |
金属工艺 | 248篇 |
机械仪表 | 3441篇 |
建筑科学 | 71篇 |
矿业工程 | 251篇 |
能源动力 | 48篇 |
轻工业 | 71篇 |
水利工程 | 12篇 |
石油天然气 | 40篇 |
武器工业 | 20篇 |
无线电 | 47篇 |
一般工业技术 | 568篇 |
冶金工业 | 121篇 |
原子能技术 | 1篇 |
自动化技术 | 194篇 |
出版年
2024年 | 48篇 |
2023年 | 342篇 |
2022年 | 251篇 |
2021年 | 291篇 |
2020年 | 206篇 |
2019年 | 169篇 |
2018年 | 99篇 |
2017年 | 123篇 |
2016年 | 122篇 |
2015年 | 161篇 |
2014年 | 264篇 |
2013年 | 192篇 |
2012年 | 240篇 |
2011年 | 234篇 |
2010年 | 280篇 |
2009年 | 266篇 |
2008年 | 260篇 |
2007年 | 275篇 |
2006年 | 258篇 |
2005年 | 252篇 |
2004年 | 144篇 |
2003年 | 131篇 |
2002年 | 111篇 |
2001年 | 121篇 |
2000年 | 95篇 |
1999年 | 110篇 |
1998年 | 82篇 |
1997年 | 76篇 |
1996年 | 74篇 |
1995年 | 75篇 |
1994年 | 72篇 |
1993年 | 68篇 |
1992年 | 57篇 |
1991年 | 75篇 |
1990年 | 61篇 |
1989年 | 61篇 |
1988年 | 3篇 |
1986年 | 1篇 |
1985年 | 1篇 |
1965年 | 1篇 |
排序方式: 共有5752条查询结果,搜索用时 265 毫秒
91.
针对滚动轴承的故障特点,提出了一种小波包分析、粗糙集理论和神经网络相结合的轴承诊断方法.利用小波包变换对信号进行适当层次的小波包分解,对信号的频带进行精细的分割,以各个频带信号能量的分布情况作为故障特征量,形成故障诊断决策表;接着根据粗糙集理论进行处理得到更为简明的最优诊断规则;然后根据约简结果,建立了神经网络故障诊断系统;最后以诊断实例验证了该方法的有效性和可行性. 相似文献
92.
基于EMD与神经网络的滚动轴承故障诊断方法 总被引:27,自引:17,他引:27
针对滚动轴承故障振动信号的非平稳特征,提出了一种基于经验模态分解(Empirical Mode Decomposition,简称EMD)和神经网络的滚动轴承故障诊断方法。该方法首先对原始信号进行了经验模态分解,将其分解为多个平稳的固有模态函数(Intrinsic Mode function,简称IMF)之和,再选取若干个包含主要故障信息的IMF分量进行进一步分析,由于滚动轴承发生故障时,加速度振动信号各频带的能量会发生变化,因而可从各IMF分量中提取能量特征参数作为神经网络的输入参数来识别滚动轴承的故障类型。对滚动轴承的正常状态、内圈故障和外圈故障信号的分析结果表明,以EMD为预处理器提取各频带能量作为特征参数的神经网络诊断方法比以小波包分析为预处理器的神经网络诊断方法有更高的故障识别率,可以准确、有效地识别滚动轴承的工作状态和故障类型。 相似文献
93.
94.
提出了基于EMD(Empirical mode decomposition)和奇异值分解技术的滚动轴承故障诊断方法。采用EMD方法将滚动轴承振动信号分解成若干个基本模式分量(Intrinsic mode function,IMF)之和,并形成初始特征向量矩阵。然后对初始特征向量矩阵进行奇异值分解得到矩阵的奇异值,将其作为滚动轴承振动信号的状态特征向量,通过建立Mahalanobis距离判剐函数判断滚动轴承的工作状态和故障类型。实验数据的分析结果表明,本文方法能有效地应用于滚动轴承故障诊断。 相似文献
95.
96.
简要介绍电机滚动轴承的寿命及其计算公式,通过理论计算了解电机轴承的使用寿命情况以便定期更换,避免因轴承损坏而造成电机烧坏。 相似文献
97.
98.
99.
针对天钢集团公司炼铁厂烧结车间265m^2烧结机主传动柔性减速机出现的吊挂滚动轴承损坏和传动异响问题,分析了烧结机传动装置定位轴承受力情况,找出产生故障的原因,提出具体的改进措施和改造方案。经实践表明,效果良好。 相似文献
100.
文中针对滚动轴承振动信号的强噪声背景以及故障样本不易大量获取的问题,提出了一种基于形态非抽样小波与灰色关联度的滚动轴承故障诊断方法。形态非抽样小波克服了传统形态小波由于采用抽样方式分解而造成的信息丢失问题,具有良好的特征提取和抗噪性能。灰色关联度分析方法对小样本模式识别问题具有良好的分类效果,适用于滚动轴承的故障模式识别。文中首先利用差值形态滤波能够提取信号冲击成分的特点,提出一种多尺度形态非抽样小波方法提取滚动轴承故障特征,然后将形态非抽样小波分解后近似信号的归一化特征能量作为特征向量,最后通过比较待识别样本与标准故障模式的灰色关联度来对故障模式进行分类。实例表明该方法可取得良好的效果。 相似文献