全文获取类型
收费全文 | 61篇 |
免费 | 5篇 |
国内免费 | 4篇 |
专业分类
电工技术 | 2篇 |
综合类 | 3篇 |
化学工业 | 2篇 |
金属工艺 | 5篇 |
机械仪表 | 11篇 |
建筑科学 | 2篇 |
矿业工程 | 3篇 |
轻工业 | 2篇 |
水利工程 | 1篇 |
石油天然气 | 3篇 |
武器工业 | 2篇 |
无线电 | 4篇 |
一般工业技术 | 10篇 |
冶金工业 | 1篇 |
自动化技术 | 19篇 |
出版年
2024年 | 1篇 |
2023年 | 2篇 |
2022年 | 4篇 |
2021年 | 1篇 |
2020年 | 3篇 |
2018年 | 3篇 |
2017年 | 2篇 |
2015年 | 1篇 |
2014年 | 4篇 |
2013年 | 4篇 |
2012年 | 3篇 |
2011年 | 4篇 |
2010年 | 8篇 |
2009年 | 6篇 |
2008年 | 3篇 |
2006年 | 3篇 |
2004年 | 4篇 |
2003年 | 8篇 |
2002年 | 3篇 |
2001年 | 1篇 |
2000年 | 2篇 |
排序方式: 共有70条查询结果,搜索用时 15 毫秒
11.
12.
齿轮箱在实际生产中面临复杂多变的工况,其部件的故障特征随工况发生改变,常规方法在变工况下难以有效识别故障。针对该问题,提出一种基于信息融合和卷积神经网络(IFCNN)的故障诊断方法。IFCNN使用多传感器信息融合和多域特征融合改进卷积神经网络(CNN),首先将不同位置的加速度传感器采集到的振动信号转换成频域、时频域信息,将来自不同传感器的信息融合,然后用CNN对故障信号的频域、时频域信息分别进行特征提取和多域特征融合,结合注意力机制选择重要特征进行故障分类。多组实验结果表明,IFCNN在变工况场景下,可有效提取齿轮箱振动信号的故障特征,12组变工况实验平均识别准确率为98.38%,明显高于所提出的对比方法。 相似文献
13.
深度学习以其强大的自适应特征提取和分类能力在机械大数据处理方面取得了丰硕的成果,由于电机结构的复杂性,其信号表现出的非平稳、非线性和复杂多样等特点,使得传统分类方法中的Softmax分类器+交叉熵损失函数对电机故障诊断力不从心。根据电机信号非平稳、数据量大等特点,结合短时傅里叶变换(STFT)与深度学习中的卷积神经网络(CNN)算法和Triplet Loss三元组思想,提出了深度度量学习电机故障诊断方法。该方法能将电机故障信号转换成时频谱图,同时构建CNN,将预处理后的样本用于CNN的训练,采用Triplet Loss作为损失函数度量故障数据高维特征间的距离,并结合标签有监督地微调整个网络,从而实现准确的电机故障诊断。实验表明该方法在处理复杂数据时能够度量特征在高维空间中的距离,高效完成故障诊断任务,弥补了交叉熵函数的不足。 相似文献
14.
15.
随着信息技术及网络技术的发展以及三网融合的推进,一方面极大地促进了新媒体的发畏,为国家政治、经济、军事、文化发展提供了良好的宣传作用,另一方面也为非法内容的传播提供了土壤.从法律法规、信息技术两个角度阐述了新媒体的监管方法和策略,为管理者制定合理政策提供了参考. 相似文献
16.
针对火电厂原设计为氢钠串联软化水系统 ,由于地下水质较差 ,致使锅炉经常发生腐蚀爆管 事故 ,造成汽机调速系统卡死 ,极大地威胁生产安全。研究改进软化水为一级除盐系统 ,不仅 消除了安全生产的隐患 ,同时还改变了外水水质 ,取得了良好的经济效益和环境效益。 相似文献
17.
18.
由于电机内部结构的复杂性,使得其故障特征与故障类型之间存在较强的非线性关系;目前用于异步电机故障诊断的方法都是人工手动提取特征,这需要大量的先验知识、丰富的信号处理理论和实际经验作为支撑,诊断效率不高;同时用于模式识别时的样本量过少,会导致网络过拟合等问题。针对以上问题,提出了基于短时傅里叶变换(short-time fourier transform,简称STFT)和卷积神经网络(convolutional neural networks,简称CNN)的电机故障诊断方法。该方法以单一振动信号为监测信号,使用STFT将故障信号转换成时频谱图,构建大量不同故障样本,以确保样本多样性,提高网络鲁棒性。将预处理后的样本作为CNN的输入,有监督地调整网络参数,以实现准确的电机故障诊断。将所提出的STFT+CNN算法分别与传统的电机故障诊断方法及堆叠降噪自编码进行比较分析。试验结果表明,该方法能够更有效地进行电机故障诊断。 相似文献
19.
20.
一种新的旋转机械升降速阶段振动信号的瞬时频率估计算法 总被引:1,自引:0,他引:1
传统的短时傅里叶变换(Shorr-time Fouriertransform,STFT)峰值搜索法对高噪声、强干扰信号进行瞬时频率估计的结果往往偏离真实值误差较大,且对复杂的旋转机械设备产生的振动信号不能实现参考轴的瞬时频率估计.针对旋转机械升降速阶段振动信号的特点,提出一种新的旋转机械升降速阶段振动信号瞬时频率估计算法--STFT Viterbi拟合法(STF_TViterbi algofithm fit,STFT_VF).该方法采用STFT对振动信号进行时频分析,从而得到时间离散点和频率离散点组成的网格面,然后运用Viterbi算法实现对参考轴信号的瞬时频率估计.STFT VF方法极大地降低了噪声和干扰对瞬时频率估计结果的影响,实现了对复杂旋转机械振动信号的瞬时频率估计,且结果精度高.仿真和实际测试试验验证了本方法的正确性. 相似文献