全文获取类型
收费全文 | 127篇 |
免费 | 15篇 |
专业分类
电工技术 | 12篇 |
综合类 | 6篇 |
化学工业 | 1篇 |
金属工艺 | 3篇 |
机械仪表 | 41篇 |
建筑科学 | 7篇 |
能源动力 | 2篇 |
轻工业 | 1篇 |
水利工程 | 7篇 |
石油天然气 | 2篇 |
武器工业 | 1篇 |
无线电 | 4篇 |
一般工业技术 | 25篇 |
冶金工业 | 2篇 |
自动化技术 | 28篇 |
出版年
2023年 | 3篇 |
2022年 | 5篇 |
2021年 | 3篇 |
2019年 | 6篇 |
2018年 | 6篇 |
2017年 | 10篇 |
2016年 | 8篇 |
2015年 | 9篇 |
2014年 | 3篇 |
2013年 | 6篇 |
2012年 | 5篇 |
2011年 | 1篇 |
2010年 | 2篇 |
2009年 | 14篇 |
2008年 | 3篇 |
2007年 | 3篇 |
2006年 | 4篇 |
2005年 | 5篇 |
2004年 | 7篇 |
2003年 | 9篇 |
2002年 | 5篇 |
2001年 | 8篇 |
2000年 | 4篇 |
1999年 | 5篇 |
1998年 | 1篇 |
1996年 | 2篇 |
1995年 | 1篇 |
1994年 | 1篇 |
1992年 | 1篇 |
1991年 | 1篇 |
1990年 | 1篇 |
排序方式: 共有142条查询结果,搜索用时 15 毫秒
51.
空腹受弯钢构件板件设计的若干问题研究 总被引:3,自引:0,他引:3
应用轴压格构柱的有关规定,确定了空腹受弯钢构件孔口上方受压T形截面杆件的最大长细比和开口宽度的最大值;为确保板件具有一定的刚度和强度,提出了空腹受弯钢构件孔口上方腹板和孔间腹板的最小尺寸以及孔间腹板的强度验算式;基于薄板的弹性稳定理论,确定了在纯弯状态下空腹受弯钢构件孔口上方腹板和孔间腹板的最大高厚比. 相似文献
52.
针对小电流系统发生故障时,各线路零序电流的非平稳、非线性等复杂特性,给出一种基于经验模态分解(empirical mode decomposition,EMD)和Duffing振子检测的方法。EMD方法具有很好的自适应性,而Duffing振子系统对于与内驱动力同频的外界信号具有高度敏感性。首先对故障零序电流进行EMD分解,提取出第1个内禀模态函数作为故障零序电流特征量;然后提出特征量中的五次谐波分量,将其输入到Duffing振子中,通过系统相图变化来确定当前线路是否发生故障。对各条线路进行不同条件下故障模拟,仿真结果证明了该算法的可靠性。 相似文献
53.
为了提高复杂机械故障诊断的确诊率,提出了一种基于改进人工蜂群算法(improved artificial bee colony,IABC)优化LSSVM多分类器组的故障诊断模型。该模型利用多特征提取方法,获取了较为完备的时频域特征信息,同时选择具有较强搜索能力和快速收敛性的IABC算法优化了LSSVM分类器的参数,提高了分类效率,在诊断决策层,利用评估矩阵进行了多分类器诊断结果的融合决策。通过与传统方法的对比表明:该诊断模型不仅能获取完备的故障特征信息,而且能更快地获取LSSVM最优分类参数;同时,基于评估矩阵的融合决策能够充分考虑各子分类器的性能差异,保证了诊断决策的高效精确。多种数据仿真表明,该诊断模型适用于机械故障诊断。
相似文献
54.
提出一种基于总体平均经验模式分解(Ensemble Empirical Mode of Decomposition EEMD)和关联维数相结合的小电流接地故障选线新方法。EEMD对非线性、非平稳信号的处理,不仅能达到与(Empirical Mode Decomposition EMD)相同的分解效果,同时又能有效地抑制模式混叠,非常适用于对小电流接地故障信号的处理。关联维数是在故障诊断领域中应用最广泛的一种分形维数。关联维数作为反映系统状态的特征量,能定量分析故障状态,提高故障诊断能力。在计算关联维数前,需要进行相空间重构,采用极大联合熵算法求取最佳延迟时间,相比以往用互信息求取延迟时间的方法而言,该方法简化了算法,缩短了计算关联维数的时间。最后采用G-P算法计算零序电流相关分量的关联维数,通过比较关联维数,实现故障选线。实验结果表明上述方法能够快速准确地选出故障线路,为小电流接地故障选线提供了一种有效的新方法。 相似文献
55.
56.
57.
58.
59.
故障诊断的关键是特征向量提取和分类器的选择, 提出一种综合运用多特征提取和多分类器组融合决策的故障诊断算法. 多特征提取选择小波包变换、总体平均经验模式分解方法(Empirical Mode Decomposition, EEMD)和改进小波能熵方法, 得到三组不同的故障特征信息; 将这三组特征信息输入由3个最小二乘支持向量机(Least Square Support Vector Machine, LS-SVM)组成的分类器组进行初步诊断; 采用自整定权值的决策模板法(Self-adjusting weighted Decision Templates, SWDT)进行多分类器诊断结果的融合决策. 实验证明, 该方法能实现轴承不同故障类型, 尤其是复合故障的可靠识别, 验证了该算法提取轴承故障特征信息的完备性, 以及分类器组融合决策的可靠性. 相似文献
60.