全文获取类型
收费全文 | 27549篇 |
免费 | 2050篇 |
国内免费 | 1052篇 |
学科分类
工业技术 | 30651篇 |
出版年
2024年 | 217篇 |
2023年 | 960篇 |
2022年 | 838篇 |
2021年 | 932篇 |
2020年 | 862篇 |
2019年 | 889篇 |
2018年 | 455篇 |
2017年 | 677篇 |
2016年 | 753篇 |
2015年 | 953篇 |
2014年 | 1603篇 |
2013年 | 1325篇 |
2012年 | 1496篇 |
2011年 | 1510篇 |
2010年 | 1506篇 |
2009年 | 1460篇 |
2008年 | 1535篇 |
2007年 | 1535篇 |
2006年 | 1432篇 |
2005年 | 1259篇 |
2004年 | 1308篇 |
2003年 | 1150篇 |
2002年 | 938篇 |
2001年 | 861篇 |
2000年 | 690篇 |
1999年 | 663篇 |
1998年 | 524篇 |
1997年 | 454篇 |
1996年 | 449篇 |
1995年 | 396篇 |
1994年 | 294篇 |
1993年 | 245篇 |
1992年 | 149篇 |
1991年 | 84篇 |
1990年 | 109篇 |
1989年 | 114篇 |
1988年 | 17篇 |
1987年 | 4篇 |
1986年 | 2篇 |
1959年 | 1篇 |
1951年 | 2篇 |
排序方式: 共有10000条查询结果,搜索用时 15 毫秒
12.
13.
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
14.
15.
16.
针对强背景噪声环境下滚动轴承故障特征难以提取的问题,提出一种基于最大相关峭度反褶积(MCKD)与傅里叶分解方法(FDM)相结合的滚动轴承故障诊断方法。首先采用MCKD对振动信号去噪、提取与故障相关的冲击成分;其次,采用FDM对去噪信号进行分解,得到若干个瞬时频率具有物理意义的傅里叶固有频带函数和一个残余分量之和;第三,依据各个模态与去噪信号的相关性提取包含故障信息的最优模态分量,并对它们进行重构;最后,计算重构信号的包络谱,从谱图中读取故障信息。将所提故障诊断方法应用于滚动轴承故障仿真和实验数据分析,并通过与现有方法进行对比,结果表明,该方法优于所对比的方法。 相似文献
19.