全文获取类型
收费全文 | 76篇 |
免费 | 3篇 |
国内免费 | 13篇 |
专业分类
电工技术 | 2篇 |
综合类 | 9篇 |
化学工业 | 3篇 |
金属工艺 | 25篇 |
机械仪表 | 23篇 |
石油天然气 | 1篇 |
无线电 | 3篇 |
一般工业技术 | 10篇 |
冶金工业 | 1篇 |
自动化技术 | 15篇 |
出版年
2023年 | 5篇 |
2022年 | 4篇 |
2021年 | 7篇 |
2020年 | 11篇 |
2019年 | 7篇 |
2018年 | 13篇 |
2017年 | 1篇 |
2016年 | 2篇 |
2015年 | 7篇 |
2014年 | 3篇 |
2013年 | 3篇 |
2012年 | 6篇 |
2011年 | 2篇 |
2010年 | 4篇 |
2009年 | 4篇 |
2008年 | 3篇 |
2007年 | 6篇 |
2006年 | 2篇 |
2005年 | 1篇 |
2004年 | 1篇 |
排序方式: 共有92条查询结果,搜索用时 93 毫秒
1.
为了对加工过程中刀具的磨损状态进行监测,针对麻花钻的磨损形式,提出基于机器视觉的加工刀具磨损监测方法. 根据磨损刀具图像的灰度分布特点,提出基于积分图加速和Turky bi-weight核函数的非局部均值去噪方法;采用单、双阈值大津法获取磨损区域的灰度区间,实现对图像的自适应对比度增强;提出基于形态学重构方法的磨损区域局部极值点提取方法,有效完成对磨损区域的检测和边界提取. 该刀具磨损检测方法成功应用于麻花钻头磨损状态的监测过程,实验结果表明,相较于目前已有的机器视觉监测方法,所提出的方法具有更高的检测精度和效率,准确地提取磨损轮廓,从而有效实现对刀具磨损状态的监测和自动化监控加工过程,达到降低人工成本和产品不合格率的目的. 相似文献
2.
为了探测和识别半导体晶圆生产线上的晶圆表面缺陷,及时诊断出半导体晶圆制造过程的故障源,提出一套晶圆表面缺陷检测与识别系统。该系统首先采用层次聚类法将晶圆表面的局部缺陷划分为缺陷簇,并提出一种基于轮廓系数标准的最优缺陷簇数目判定方法,提升了缺陷簇识别性能。针对晶圆表面常见的线形、曲线形和椭球形缺陷模式,该系统充分考虑数据在空间子流形上的分布,采用基于流形调节的局部连续高斯模型(LCGMM),同时加入主曲线模型,实现了对晶圆表面局部缺陷模式分布的统计描述建模。在完成初始建模识别的基础上,进一步提出集成LCGMM和主曲线模型的混合模型,对晶圆表面所有的缺陷模式进行建模识别,以提高缺陷模式识别的准确性。通过仿真案例和工业案例的实验结果,证明了该系统的有效性与实用性。 相似文献
3.
一维振动信号常常被用于齿轮箱的监测与故障诊断中,使得能及时地对齿轮箱维护以减少损失。因此,从一维振动信号中提取出关键故障特征决定了故障诊断模型的准确性与可靠性。典型的深度神经网络(deep neural network, DNN),如卷积神经网络已经在故障诊断中表现出良好的性能并得到了广泛的应用,但其监督式训练方式往往需要大量的标签数据而限制了其可应用性。因此,提出一种新的深度神经网络模型,一维残差卷积自编码器(1-dimension residual convolutional auto-encoder,1DRCAE),成功应用于振动信号的无监督学习及故障特征提取,显著提高了齿轮箱的故障诊断率。首先,提出了一维卷积层与自编码器的有效集成方法,形成了深度一维卷积自编码器;其次,引入残差学习机制训练一维卷积自编码器,实现对一维振动信号有效地特征提取;最后,基于编码器提取的特征,使用少量标签数据进行分类微调实现齿轮箱故障模式识别。通过齿轮箱试验台采集的传感器数据进行实验验证表明,这种无监督学习方法具有良好的去噪能力和故障特征提取能力,其特征提取效果好于典型的深度神经网络,如深度置信网络(Deepbeliefnetwork,DBN)和堆叠自编码网络(Stackedauto-encoders,SAE),同时故障诊断效果也优于一维卷积神经网络(1-dimension convolutional neural network, 1DCNN)。 相似文献
5.
为了提高客户留存,银行要对流失客户进行预测,将用户召回时间提前,降低客户流失率.首先通过SMOTE算法处理数据集不平衡问题,并参考随机森林特征重要性排序以及皮尔逊相关系数进行特征选取,最后选取特征属性19个,并利用随机森林模型对测试集进行训练,通过网格搜索法寻找最优参数,并利用精准率、召回率、F1和ROC曲线对模型进行评估,得到面积AUC值为0.77,分类效果良好,可以用于预测. 相似文献
6.
复杂零部件生产通常需要经过混合式多阶段加工,加工过程中的误差种类多样且在多道工序间传递累积。为确保复杂产品的加工质量,提出了一种加权自调节偏差传递网络模型与误差溯源方法。该方法首先基于实际误差信息、质量特征信息与加工工艺构建加权自调节偏差传递网络。通过引入加权LeaderRank排序算法,识别混合式多阶段加工过程中易导致产品质量失控的关键加工特征。然后采用遍历回溯算法识别误差传播路径并提出ContributionIndex指标识别导致关键加工特征质量偏差的关键误差源,确定需要重点监测的加工工序及设备节点。以有代表性的具有多阶段加工过程的主轴承盖为研究对象,验证了该方法能有效建模复杂加工过程偏差流,辨别加工过程中的关键薄弱节点及其误差源。 相似文献
7.
为了有效识别晶圆图缺陷模式并及时诊断制造过程的故障源,提出基于迁移学习和深度森林集成的DenseNet-GCForest晶圆图缺陷模式识别模型. 为了解决深度学习模型训练困难和晶圆图缺陷类型数目不平衡的问题,利用迁移学习将深度卷积神经网络DenseNet在ImageNet上预训练的网络权重参数迁移至本模型并重新设计分类层,以减少深度网络模型的训练时间并提高模型的特征提取能力;基于DenseNet网络提取的高维抽象晶圆图特征,引入深度森林模型进行晶圆图特征缺陷模式识别. 工业案例的实验验证结果表明,该方法的识别准确率达到了96.8%,并提高了识别效率,其性能优于典型的卷积神经网络以及其他常用识别方法. 相似文献
8.
以石英玻璃粉为基体,热固性硅树脂为增塑剂,利用压注方法制备了多孔硅基陶瓷型芯,研究了烧结温度和保温时间对样品性能的影响。研究结果表明:随着烧结温度的升高,反玻璃化进程加快,在烧结温度1250℃,随着保温时间的延长,玻璃相发生了转变,逐渐析出方石英,且含量不断增加;样品的线收缩率和失重随烧结温度的升高略微增加,但烧结时间的影响较小。样品的失重主要是由于硅树脂的分解引起的。在1250℃烧结10 h后,得到样品的收缩率为0.93%,显气孔率为32.8%,抗弯强度为9.08 MPa。 相似文献
9.
基于DMAIC流程,全面分析手机摄像头模组的生产流程,找出影响良率的关键因素,即摄像头模组在点胶过程中溢胶出现黑点.对点胶的生产过程进行分析,利用Pareto图、因果矩阵、FAMA等找出产生溢胶的主要原因,运用Gage R&R确保测量胶高和粘合力的系统的稳定性,通过正态性检验、CPK等进行过程能力分析,通过残差分析找出溢胶的关键因素即胶量、针头气压、烤炉温度,然后进行DOE试验设计,确定出最佳参数,通过SPC控制图确保了产品处于受控状态,使摄像头模组点胶过程中出现溢胶的产品报废问题基本消除,提高了产品良率. 相似文献
10.
以氧化铝粉末为基体,添加具有粘结性和一定陶瓷产率的硅树脂粉末,通过干压成型和无压烧结制备出氧化铝基陶瓷型芯,重点研究了硅树脂添加量对氧化铝基陶瓷型芯性能的影响。结果表明:硅树脂在裂解过程中会形成二氧化硅,二氧化硅与氧化铝基体发生反应形成新相莫来石。由于硅树脂在交联和裂解过程中会释放大量气体,导致烧结体失重,且气体的逸出会抑制由烧结引起的收缩,因此,随着硅树脂添加量增加,产生的气体量增加,烧结体的失重率增加,收缩率降低。硅树脂含量的增加使得烧结体的气孔率变大和体积密度减小,烧结体的室温抗弯强度逐渐减小。硅树脂的添加虽然降低了其室温强度,但是保证了陶瓷型芯的尺寸精度。 相似文献