全文获取类型
收费全文 | 128篇 |
免费 | 30篇 |
国内免费 | 7篇 |
专业分类
航空 | 129篇 |
航天技术 | 11篇 |
综合类 | 13篇 |
航天 | 12篇 |
出版年
2024年 | 1篇 |
2023年 | 8篇 |
2022年 | 13篇 |
2021年 | 8篇 |
2020年 | 13篇 |
2019年 | 8篇 |
2018年 | 6篇 |
2017年 | 10篇 |
2016年 | 6篇 |
2015年 | 5篇 |
2014年 | 11篇 |
2013年 | 5篇 |
2012年 | 4篇 |
2011年 | 4篇 |
2010年 | 5篇 |
2009年 | 8篇 |
2008年 | 6篇 |
2007年 | 9篇 |
2006年 | 4篇 |
2005年 | 8篇 |
2004年 | 3篇 |
2003年 | 3篇 |
2002年 | 1篇 |
2001年 | 2篇 |
2000年 | 2篇 |
1999年 | 1篇 |
1997年 | 3篇 |
1996年 | 3篇 |
1995年 | 1篇 |
1994年 | 1篇 |
1993年 | 1篇 |
1992年 | 2篇 |
排序方式: 共有165条查询结果,搜索用时 46 毫秒
81.
82.
83.
多通道相关-自适应轴承故障诊断方法 总被引:1,自引:1,他引:0
提出了多通道相关-自适应共振解调(MCC-ARD)方法 ,该方法使用冗余信号源采集故障信息,并利用谱峭度(SK)优化经验模态分解(EMD)的分解效率,根据互相关系数更加合理地选择本征模态函数(IMF)分量完成重构,对重构IMF进行包络解调,实现对滚动轴承的故障诊断。通过对多通道相关-自适应共振解调方法的实测数据分析,结果表明:该方法不仅克服了单一信号源系统修正能力差的缺陷,而且相频谱辨识率为传统EMD结合谱峭度共振解调方法的2.7倍,对滚动轴承故障的诊断结果更加清晰、准确。 相似文献
84.
基于IITD和FCM聚类的滚动轴承故障诊断 总被引:1,自引:1,他引:0
基于Akima插值和固有时间尺度分解(ITD)中的线性变换,提出了一种改进的固有时间尺度分解(IITD),在此基础上,进一步提出基于IITD近似熵(AE)和模糊C均值聚类(FCM)相结合的滚动轴承故障的诊断方法。采用IITD方法对滚动轴承的振动信号进行分解,通过互信息分析,筛选出前3个含主要特征信息的固有旋转分量(PR),计算其近似熵值作为信号的特征向量,将得到的特征向量输入到FCM分类器中分析并得到分类结果。实验分析表明:分别与基于EMD、ITD近似熵和FCM聚类相结合的方法比较,该方法的分类系数更接近1,平均模糊熵更接近0,即此方法对滚动轴承的正常、内圈故障、外圈故障、滚动体故障信号以及对内圈的不同损伤程度信号均能更有效更准确地进行分类。 相似文献
85.
86.
针对低信噪比(SNR),复杂噪声工况下,复合故障信号特征难以提取的问题。提出基于相空间重构融入最大相关雷尼熵解卷积的信号特征提取方法,该方法以雷尼熵为敏感特征范数,以最大相关雷尼熵解卷积为基本方法,并在其中融入具有噪声抑制特性和分解特性的相空间重构技术。结果表明:雷尼熵与峭度相比,在故障灵敏度相当并略好的情况下,对偶发噪声敏感度仅为峭度的18.4%。通过仿真验证,实验数据验证以及台架实验验证,证明了本文方法与现有的对比方法相比,在提取复合故障信号特征方面具有优势。 相似文献
87.
滚动轴承早期故障的特征提取与智能诊断 总被引:17,自引:0,他引:17
在基于小波变换的滚动轴承故障诊断研究中,目前普遍存在小波变换参数选取和故障特征计算无法自动完成的问题。基于此,提出了一种基于二进离散小波变换的滚动轴承故障特征自动提取技术,实现了小波函数参数的自动选取和故障特征的自动提取。同时,基于结构自适应神经网络方法建立了滚动轴承的集成神经网络智能诊断模型。最后,利用实际的滚动轴承实验数据验证了所提方法的有效性。 相似文献
88.
89.
滚动轴承-火箭发动机液氢涡轮泵转子系统的动力特性分析 总被引:8,自引:0,他引:8
用有限元方法建立火箭发动机液氢涡轮泵转子的离散化模型,并提出考虑滚动轴承内间隙、运行表面波纹度和滚动体离心力等因素的二自由度滚动轴承模型,从而建立了滚动轴承-液氢涡轮泵转子系统的非线性动力学模型。通过数值仿真研究了液氢涡轮泵转子系统动力学问题集中的启动阶段的非线性动力特性。发现在启动阶段不但有同步共振,而且会发生亚谐共振。径向载荷的大小会显著影响同步及亚谐共振的起始时间。滚动体的离心力和滚动轴承的波纹度对转子系统的动力特性有明显影响。 相似文献
90.
基于EMD和SVM的滚动轴承故障诊断方法 总被引:9,自引:7,他引:2
将支持向量机(SupportVectorMachine,简称SVM)、经验模态分解(EmpiricalModeDecomposition,简称EMD)方法和AR(Auto-Regressive,简称AR)模型相结合应用于滚动轴承故障诊断中。该方法首先对滚动轴承振动信号进行经验模态分解,将其分解为多个内禀模态函数(IntrinsicModeFunction,简称IMF)之和,然后对每一个IMF分量建立AR模型,最后提取模型的自回归参数和残差的方差作为故障特征向量,并以此作为SVM分类器的输入参数来区分滚动轴承的工作状态和故障类型。实验结果表明,该方法在小样本情况下仍能准确、有效地对滚动轴承的工作状态和故障类型进行分类,从而实现了滚动轴承故障诊断的自动化。 相似文献