全文获取类型
收费全文 | 63篇 |
免费 | 9篇 |
国内免费 | 3篇 |
专业分类
电工技术 | 11篇 |
综合类 | 8篇 |
化学工业 | 3篇 |
金属工艺 | 1篇 |
机械仪表 | 9篇 |
建筑科学 | 6篇 |
能源动力 | 2篇 |
轻工业 | 4篇 |
水利工程 | 1篇 |
石油天然气 | 5篇 |
无线电 | 8篇 |
一般工业技术 | 5篇 |
冶金工业 | 2篇 |
自动化技术 | 10篇 |
出版年
2024年 | 1篇 |
2023年 | 5篇 |
2022年 | 8篇 |
2021年 | 8篇 |
2020年 | 2篇 |
2019年 | 3篇 |
2018年 | 2篇 |
2017年 | 1篇 |
2016年 | 1篇 |
2015年 | 1篇 |
2014年 | 6篇 |
2013年 | 4篇 |
2012年 | 2篇 |
2011年 | 5篇 |
2010年 | 3篇 |
2009年 | 4篇 |
2008年 | 1篇 |
2007年 | 4篇 |
2006年 | 3篇 |
2005年 | 1篇 |
2004年 | 1篇 |
2003年 | 5篇 |
1998年 | 1篇 |
1993年 | 2篇 |
1991年 | 1篇 |
排序方式: 共有75条查询结果,搜索用时 15 毫秒
1.
针对滚动轴承存在性能退化渐变故障和突发故障两种模式下的剩余使用寿命(remaining useful life,简称RUL)预测困难的问题,提出一种结合卷积神经网络(convolution neural networks,简称CNN)和长短时记忆(long short term memory,简称LSTM)神经网络的滚... 相似文献
2.
基于EMD和奇异值分解的心律失常分类方法 总被引:1,自引:0,他引:1
基于经验模态分解(Empirical Mode Decomposition,简称EMD)和奇异值分解(Singular Value Decomposition,简称SVD)理论,提出一种新的心律失常类型分类方法.首先,利用经验模态分解方法自适应地将心电信号(ECG)分解为一组固有模态函数(Intrinsic Mode Function,简称IMF)和一个残余分量,解决了目前广泛应用的小波分解方法中小波基选取困难以及分解结果不唯一的难题.利用这组固有模态函数构造初始特征向量矩阵,对初始特征向量矩阵进行奇异值分解,得到矩阵的奇异值.奇异值是矩阵的固有特征,具有较好的稳定性,根据奇异值计算奇异熵.最后依据奇异熵和马氏距离判别函数对心电信号的心律失常类型进行分类.实验结果表明,本方法能方便有效地对心律失常类型进行识别判断,可用于心电信号病理辅助诊断领域. 相似文献
3.
具有间断事件检测和分离的经验模态分解方法 总被引:2,自引:0,他引:2
针对在经验模态分解(EMD)筛选过程中间断信号引起的模态混叠问题,提出了一种新的解决方法.该方法为根据间断过程信号与正常背景信号时间尺度的不同,利用固有模态函数(IMF)的瞬时频率特性实现间断信号的精确定位,依据定位的间断信号段经端点延拓重新做EMD分离出间断信号,从而在后续的EMD中消除该间断信号的影响.将该方法与小波法消除间断信号的结果进行了比较,显示其滤除结果的信号失真较小,并可将间断信号分解为一固有模态函数. 相似文献
4.
5.
基于优化集合EMD的滚动轴承故障位置及性能退化程度诊断方法 总被引:3,自引:0,他引:3
为了更有效地同时诊断出滚动轴承故障位置及不同性能退化程度,提出了对滚动轴承不同状态振动信号进行特征提取和智能分类的故障诊断方法.该方法对各状态振动信号进行集合经验模态分解,但其效果依赖于总体平均次数和加入噪声的大小这2个重要参数,因此,提出集合经验模态分解中加入白噪声的准则.将分解后的一系列固有模态函数结合奇异值分解获取各状态的奇异值,并组成特征向量矩阵.将其输入到改进的超球结构多类支持向量机进行分类,从而实现滚动轴承正常、不同故障位置及性能退化程度的多状态同时智能诊断.实验结果表明,提出的集合经验模态分解方法中加入白噪声准则,可避免人为确定分解参数,提高其分解效率.基于优化参数的集合经验模态分解结合奇异值分解的智能诊断方法比已有的基于经验模态分解结合自回归模型的诊断方法识别率高. 相似文献
6.
前言黑龙江省双鸭山发电厂3号机为引进前苏联10台215MWK—21.5—130—1型凝汽式汽轮机中的第九台。安装过程中发现;该汽轮机高压缸下缸体喷嘴前第二螺孔处结合面过窄,宽度只有13mm;汽缸结合面高低不平,特别是下缸体靠近喷嘴处有4处凹 相似文献
7.
8.
9.
基于深度在线迁移的变负载下滚动轴承故障诊断方法 总被引:1,自引:0,他引:1
针对变负载条件下滚动轴承源域与目标域中相同状态的数据特征分布差异性较大,目标域数据按照序列方式在线获取时,数据更新需重新训练模型的问题,提出一种深度在线迁移的CNN-ISVM(convolutional neural networks-incremental support vector machine)变负载下滚动轴... 相似文献
10.
为了降低滚动轴承故障智能分类的训练时间并提高分类精度,提出了一种滚动轴承正常、内、外环故障及不同故障严重程度的多状态分类方法。该方法首先采用峭度值结合相关系数法确定集合经验模态分解结果中包含主要状态信息的固有模态函数;再将其组成特征矩阵,利用奇异值分解所得奇异值作为特征向量;最后在采用改进分类规则的超球多类支持向量机分类时,提出由各状态超球球心间距中的最值来确定多类分类器核参数的选取范围,缩小选取区间,最终实现滚动轴承的多状态分类。实验结果表明,提出的滚动轴承多状态分类方法可以减少分类器的训练时间,提高分类精度。 相似文献