全文获取类型
收费全文 | 27546篇 |
免费 | 2053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
81.
针对带式输送机减速器和电动机故障发生率较高,故障识别、故障维护困难的问题,提出基于BP神经网络和D-S证据理论的智能故障诊断系统。给出带式输送机故障诊断模型,并根据理论设计对减速器智能故障诊断进行实例分析。结果表明,所设计的智能故障诊断系统能够提高故障识别精度、减少故障发生率。 相似文献
82.
85.
为了对采煤机截割部传动系统故障进行监测和诊断,提出一种基于改进BP神经网络的故障诊断方法。首先分析了采煤机截割部传动系统2种故障类型及其振动频率特性,在此基础上构建了基于L-M算法的BP神经网络故障诊断模型。其次,为了更准确地获得故障子类型以及故障严重程度的预测,设计了双层故障分类器。仿真结果表明,在公认数据集上测试,该神经网络模型对故障类型的分类预测准确率达99%,在故障子类型分类预测上也取得较好的效果,特别是对无故障情况的判断准确率达到100%,平均准确率为95%。验证了该方法的优越性。 相似文献
86.
87.
在传统滚动轴承故障诊断中,绝大多数方法采用了从振动信号提取特征的诊断模式,但是这种模式必然会使原始信号降维进而导致故障信息的丢失。卷积神经网络(CNN)通过权重共享和稀疏连接直接对原始信号进行操作,实现自适应特征提取,最大化保留故障信息。受CNN原理启发,开发出了一种基于工业振动信号特征的新型诊断框架,称之为混合时间序列CNN(HTS-CNN)。首先,利用估计总体比例的方法自适应确定模型训练样本数目;其次,通过对时间序列片段进行随机组合的方式,使模型能够提取非相邻信号特征;最后,利用Softmax激活函数在模型输出端执行多分类任务。通过对凯斯西储大学及CUT-2平台轴承数据进行分析,实验结果表明:该方法能够准确、有效的对滚动轴承故障进行分类。 相似文献
88.
针对滚动轴承早期故障的有效识别,提出了一种基于VMD瞬时能量与GA优化的RBF神经网络的滚动轴承故障诊断方法,可以有效对滚动故障做出诊断。首先,VMD将滚动轴承振动信号进行分解成合适数目的本证模态函数;其次,计算本证模态函数分量的瞬时能量并组成特征向量;最后,将特征向量输入到GA优化的RBF神经网络实现轴承故障识别。通过滚动轴承故障诊断实验对该方法进行验证。结果表明,该方法识别滚动轴承故障的准确率为96.43%,较默认参数的RBF神经网络和EEMD瞬时能量与GA-RBF神经网络有明显的提高,证明了所提方法的可行性。 相似文献
89.
针对滚动轴承振动信号具有非线性、非平稳性和非高斯性,并且故障特征往往淹没于系统噪声之中而难于识别的问题,
提出了以多种群差分进化(multiple population differential evolution, MPDE) 算法来改进集合经验模式分解( ensemble empirical
mode decomposition, EEMD) 的 MPDE-EEMD 消噪方法,并与自适应共振解调技术( adaptive resonance demodulation technique,
ARDT)相结合实现故障特征提取。 首先,为了解决 EEMD 中加入参数依靠人工选择且难以准确获取的问题,建立极值点分布
特性评价函数,利用 MPDE 来寻优获取最佳白噪声幅值,实现 EEMD 自适应分解。 然后,采用峭度与相关性相结合的准则对分
解后的 IMF 分量进行自动筛选,将满足条件的有效信号进行重构,实现对原始振动信号的降噪处理。 最后,采用 ARDT 自动确
定对消噪信号进行带通滤波的带宽和中心频率,再通过包络解调提取出滤波信号的特征频率。 将轴承仿真故障信号与实际故
障信号用于算法的验证,结果表明 MPDE-EEMD+ARDT 能有效提取出轴承故障特征。 相似文献