全文获取类型
收费全文 | 210篇 |
免费 | 3篇 |
专业分类
林业 | 57篇 |
农学 | 9篇 |
基础科学 | 117篇 |
5篇 | |
综合类 | 22篇 |
畜牧兽医 | 2篇 |
园艺 | 1篇 |
出版年
2022年 | 4篇 |
2021年 | 3篇 |
2020年 | 1篇 |
2019年 | 7篇 |
2018年 | 2篇 |
2017年 | 5篇 |
2016年 | 18篇 |
2015年 | 12篇 |
2014年 | 16篇 |
2013年 | 18篇 |
2012年 | 26篇 |
2011年 | 22篇 |
2010年 | 14篇 |
2009年 | 15篇 |
2008年 | 9篇 |
2007年 | 10篇 |
2006年 | 7篇 |
2005年 | 4篇 |
2004年 | 6篇 |
2003年 | 3篇 |
2002年 | 1篇 |
2001年 | 4篇 |
2000年 | 3篇 |
1999年 | 1篇 |
1997年 | 1篇 |
1992年 | 1篇 |
排序方式: 共有213条查询结果,搜索用时 15 毫秒
1.
赵怀久 《林业机械与木工设备》2011,39(2)
数控无卡轴旋切机的刀台进给系统通过丝杠螺母的传动可实现刀体座的进退,传动丝杠螺母都是依靠人工润滑,如果润滑不及时就会出现粘牙现象而导致整个设备不能工作。介绍了一种自动润滑装置,其可实现对丝杠螺母的自动润滑。 相似文献
2.
随着科学技术水平的不断提升,数控技术得以快速发展。建构数控加工工艺标准化体系具有必要性,能够规范数控技术操作。文章主要论述了数控加工工艺标准过程与内容的设计,并提出数控加工工艺标准化的设计。 相似文献
3.
文章从具体的实际操作出发,首先对近年来我国数控机床维修中出现的问题进行细致分析,之后针对这些问题提出数控机床维修中应该注意的要点分析,期望对我国现代企业的数控机床维修技术的改进有一定的帮助。 相似文献
4.
要阅读和查阅数控机床、数控系统的产品说明书及户使用手册等英文资料,就要求数控专业的技术人员或者专家具有良好的科技英语翻译能力。通过翻译西门子802C数控系统操作与编程英文手册中的一些英文实例,阐述了数控专业科技英语的特点及翻译中的一些方法,提出了专业科技英语翻译时所需要具备的能力。 相似文献
5.
文章基于对宏程序的研究,着重分析椭圆宏程序在数控车中的应用。宏程序具有很强的逻辑性、程序简单、修改方便等特点,在实际生产中也得到了广泛的应用,特别是在数控教学及数控大赛中具有很强的普遍性和广泛性。 相似文献
6.
为了快速精确地建立机床几何误差项数学模型,提出了一种基于切比雪夫多项式的参数化建模方法。首先针对测量得到的机床基本几何项数据,将机床相应运动轴进给量转化为切比雪夫变量。其次将切比雪夫变量代入不同阶次的切比雪夫多项式得到相应的值。然后根据切比雪夫基函数值和切比雪夫变量用多元线性回归方法获得相应的系数,得到关于切比雪夫基函数的数学模型。最后将运动轴进给量与切比雪夫变量之间的转化关系代入得到基本几何误差项的数学模型。建模过程简单且易程序化,切比雪夫多项式的高逼近精度使得建立的模型精度高。将所有几何误差项参数化模型代入机床几何误差模型综合数学模型,从而可得到机床工作空间几何误差场分布。以MV-5A三轴立式加工中心为例,将各个几何误差项参数化模型代入机床几何误差模型中得到该机床综合几何误差数学模型,进而得到该机床工作空间几何误差场分布,为机床设计和误差补偿提供了理论依据。 相似文献
7.
8.
9.
数控机床运动精度衰退是一个动态的演化过程。为尽早发现数控机床潜在的失效风险,挖掘蕴含在各类监测数据序列中的运动精度演化特征,在深度门控循环网络(Gated recurrent unit,GRU)框架下,提出了一种融合注意机制的数控机床运动精度劣化预示方法。为了克服传统深度卷积神经网络不能学习时序特征的缺陷,采用深度编码器-解码器框架,提出基于深度GRU的运动精度深度学习建模方法,以数据驱动,自动挖掘运动精度与振动、温度、电流等状态信号时间序列的时空特征,预测运动精度,根据预测曲线对机床劣化趋势进行预示。为了增强主要状态信号和关键时间点的信息表达,提高精度劣化预测的准确性,提出一种在深度学习框架中融合注意机制的方法,建立状态参量的注意网络,计算振动、温度等状态信号与机床精度间关联程度,自动调整各信号的权值;进一步,建立时序注意网络自主选取精度劣化历史信息关键时间点,以提升较长时间段预示的准确性。实验结果表明,基于深度学习网络与注意机制的预示模型可以很好地追踪数控机床运动精度的劣化趋势和规律,有较高的预测精度,优于传统方法。 相似文献
10.
为了提高数控机床热误差模型的精度与泛化性,提出了基于注意力机制的长短时记忆卷积神经网络(Long short term memory convolutional neural network based on attention mechanism, AM-CNN-LSTM)热误差模型。利用卷积神经网络提取高维数据空间状态特征的能力和长短时记忆网络提取长时间序列状态特征的能力,构建具有2个支路的热误差模型,分别提取特征后输入到注意力机制中进行特征重要性重构,建立原始数据与热误差的特征映射,最后通过全连接层进行热误差预测。采用G460L型数控机床进行实验数据采集,将不同季节采集到的温度数据和热误差作为模型输入,采用循环学习率与正则化优化方法对模型进行训练。与LSTM、ConvLSTM和CNN-LSTM热误差模型对比,结果表明,AM-CNN-LSTM模型对特征还原能力最强,残差波动范围最小,其残差范围较最大值下降62.09%,模型预测精度在2.4μm以内。 相似文献