全文获取类型
收费全文 | 142篇 |
免费 | 37篇 |
国内免费 | 4篇 |
专业分类
综合类 | 13篇 |
化学工业 | 1篇 |
金属工艺 | 2篇 |
机械仪表 | 99篇 |
建筑科学 | 2篇 |
能源动力 | 4篇 |
无线电 | 4篇 |
一般工业技术 | 53篇 |
自动化技术 | 5篇 |
出版年
2024年 | 4篇 |
2023年 | 8篇 |
2022年 | 7篇 |
2021年 | 13篇 |
2020年 | 8篇 |
2019年 | 8篇 |
2018年 | 5篇 |
2017年 | 3篇 |
2016年 | 3篇 |
2015年 | 11篇 |
2014年 | 14篇 |
2013年 | 10篇 |
2012年 | 16篇 |
2011年 | 10篇 |
2010年 | 11篇 |
2009年 | 8篇 |
2008年 | 12篇 |
2007年 | 4篇 |
2006年 | 2篇 |
2005年 | 4篇 |
2004年 | 1篇 |
2003年 | 6篇 |
2002年 | 4篇 |
2001年 | 2篇 |
2000年 | 6篇 |
1999年 | 2篇 |
1998年 | 1篇 |
排序方式: 共有183条查询结果,搜索用时 31 毫秒
21.
22.
基于Elman神经网络的旋转机械故障诊断 总被引:1,自引:0,他引:1
提出了一种基于Elman神经网络的旋转机械故障诊断模型.该诊断模型综合了经验模态分解在故障特征提取和Elman网络在故障模式识别方面的优势,对故障信号进行经验模态分解,再对表征故障调制特征的本征模态函数计算瞬时幅值欧式范数构成特征矢量,将特征矢量输入到训练好的Elman神经网络中进行故障诊断.通过深沟球轴承故障诊断实例验证了所提故障诊断模型的有效性. 相似文献
23.
基于EEMD的振动信号自适应降噪方法 总被引:6,自引:4,他引:2
摘 要:应用集合经验模式分解(Ensemble empirical mode decomposition ,EEMD)能有效抑制模态混叠的特性,根据白噪声经经验模式分解(Empirical mode decomposition, EMD)后其固有模式函数(intrinsic mode functions ,IMF)分量的能量密度与其平均周期的乘积为一常量这一特点设计了自动选择IMF分量重构信号的算法,提出了基于EEMD的振动信号自适应降噪方法。对仿真信号和滚动轴承振动信号的降噪结果表明了该降噪方法的可行性和有效性。 相似文献
24.
25.
基于相关系数的EEMD转子信号降噪方法 总被引:3,自引:0,他引:3
针对转子振动信号周期性强的特点,应用集合经验模式分解(ensemble empirical mode decomposition,简称EEMD)对转子振动信号降噪过程中固有模式函数(intrinsic mode functions,简称IMF)分量的选取问题,提出了基于相关系数的EEMD降噪方法。首先,对原始信号进行EEMD分解得到IMF分量,并计算各IMF分量自相关函数与原信号自相关函数的相关系数;然后,根据相关系数选择相应的IMF分量重构信号最终达到对原信号降噪的目的;最后,对比了EEMD过程中不同加噪次数对降噪效率和效果的影响,给出了加噪次数的设置方法。仿真信号和转子振动信号的降噪结果表明了该降噪方法的可行性和有效性。 相似文献
26.
设备管理数据库与预测维修系统的开发 总被引:2,自引:0,他引:2
介绍了如何利用计算机硬、软件组成设备管理中的预测维修、状态监测、故障诊断等系统,并结合实例探讨了设备数据库与预测维修系统的开发研制。 相似文献
27.
28.
针对行星齿轮箱中各部件所激起的振动成分混叠、早期故障特征经常被较强的各级齿轮谐波成分以及环境噪声所湮没的问题,提出一种多共振分量融合卷积神经网络(multi-resonance component fusion based convolutional neural network,简称MRCF-CNN)的行星齿轮箱故障诊断方法。首先,对振动信号进行共振稀疏分解,得到包含齿轮谐波成分的高共振分量和可能包含轴承故障冲击成分的低共振分量;其次,构建多共振分量融合卷积神经网络,将得到的高、低共振分量和原始振动信号进行自适应的特征级融合,通过有监督的方式训练模型并进行行星齿轮箱故障诊断。对行星齿轮箱实验数据的分析结果表明,该方法能够有效分类行星齿轮箱中滚动轴承和齿轮的故障,成功对行星齿轮箱故障进行诊断,同时能够进一步增强卷积神经网络对振动信号所蕴含的故障信息的辨识能力。 相似文献
29.
针对机械振动无线传感器网络因拓扑不均衡导致传输时延和网络传输能耗增加的问题,提出了一种基于模糊层次分析(fuzzy analytic hierarchy process,简称FAHP)的均衡拓扑构建方法,该方法由构建模糊判断矩阵和计算权重向量组成。首先,传感器节点进行簇内通信获取信标广播信息,将信标节点网络决策因子统一量纲化,利用网络决策因子构建模糊判断矩阵;其次,检验模糊判断矩阵一致性,采用行和归一化处理或拉格朗日最小二乘法计算权重向量;最后,传感器节点通过权重向量计算出各个信标节点综合权值,关联最优信标节点为父节点加入网络,将提出的模糊层次分析拓扑构建方法与基于链路质量单准则构建网络拓扑机制进行对比。实验结果表明,该方法能有效改善传输时延和机械振动无线传感器节点网络寿命。 相似文献
30.
为了解决当前人工智能预测方法在滚动轴承状态趋势预测中预测精度较差、计算效率较低的问题,提出基于强化学习单元匹配循环神经网络(RLUMRNN)的滚动轴承状态趋势预测新方法。先采用滑动平均奇异谱熵作为滚动轴承状态退化特征,再将该特征作为RLUMRNN的输入完成滚动轴承状态趋势预测。在RLUMRNN中,利用最小二乘线性回归法构造单调趋势识别器,将轴承整体的状态退化趋势分为上升、下降、平稳3种单调趋势单元,并通过强化学习为每一种单调趋势单元选择一个隐层数和隐层节点数与其相适应的循环神经网络,从而改善了RLUMRNN的非线性逼近能力和泛化性能;用3种单调趋势单元和不同隐层数、隐层节点数分别表示Q值表的状态和动作,并构造关于循环神经网络输出误差的新型奖励函数,以明确强化学习的目标,从而减小循环神经网络的输出误差,避免在Q值表更新过程中使Agent(即决策函数)盲目搜索,提高了RLUMRNN的收敛速度。通过双列滚子轴承状态趋势预测实例验证了该方法具有较高的预测精度和计算效率。 相似文献