北京信息科技大学学报(自然科学版)

《北京信息科技大学学报(自然科学版)》杂志基本信息: 主管单位:国家机械工业局 主办单位:北京机械工业学院 国内统一刊号:11-5866/N 国际标准刊号:1674-6864 省级期刊 《北京信息科技大学学报(自然科学版)》简介 《北京信息科技大学学报(自然科学版)》Jo

非官网,仅供参考
您当前的位置:发表学术论文网电子期刊》 北京信息科技大学学报(自然科学版)> 正文

北京信息科技大学学报(自然科学版)

所属分类:电子期刊; 时间:2017-05-04 15:57
北京信息科技大学学报(自然科学版)

《北京信息科技大学学报(自然科学版)》

期刊级别:双月刊

国内统一刊号:11-5866/N

国际标准刊号:1674-6864

周期:省级期刊

主办单位:北京机械工业学院

主管单位:国家机械工业局

  《北京信息科技大学学报(自然科学版)》杂志基本信息:

  主管单位:国家机械工业局

  主办单位:北京机械工业学院

  国内统一刊号:11-5866/N

  国际标准刊号:1674-6864

  省级期刊

  《北京信息科技大学学报(自然科学版)》简介

  《北京信息科技大学学报(自然科学版)》Journal of Beijing Information Science & Technology University(双月刊)1986年创刊,原:《北京机械工业学院学报》本刊坚持为社会主义服务的方向,坚持以马克思列宁主义、毛泽东思想和邓小平理论为指导,贯彻“百花齐放、百家争鸣”和“古为今用、洋为中用”的方针,坚持实事求是、理论与实际相结合的严谨学风,传播先进的科学文化知识,弘扬民族优秀科学文化,促进国际科学文化交流,探索高等教育、教学及管理诸方面的规律,活跃教学与科研的学术风气,为教学与科研服务。

  《北京信息科技大学学报(自然科学版)》主要刊登矿业与环境、冶金与材料、设备与能源(冶金)、控制与决策(钢铁企业)等领域的最新研究成果。

  《北京信息科技大学学报(自然科学版)》收录情况

  国家新闻出版总署收录 维普网、万方数据库、知网数据库、剑桥科学文摘、剑桥科学文摘社ProQeust数据库收录

  《北京信息科技大学学报(自然科学版)》影响因子:

  截止2014年万方:影响因子:0.373;总被引频次:264

  截止2014年知网:复合影响因子:0.493;综合影响因子:0.259

  《北京信息科技大学学报(自然科学版)》栏目设置

  自然科学、管理科学、社会科学。

  《北京信息科技大学学报(自然科学版)》投稿须知

  一、本刊要求作者有严谨的学风和朴实的文风,提倡互相尊重和自由讨论。凡采用他人学说,必须加注说明。

  二、不要超过10000字为宜,精粹的短篇,尤为欢迎。

  三、请作者将稿件(用WORD格式)发送到下面给出的征文信箱中。

  四、凡来稿请作者自留底稿,恕不退稿。

  五、为规范排版,请作者在上传修改稿时严格按以下要求:

  1.论文要求有题名、摘要、关键词、作者姓名、作者工作单位(名称,省市邮编)等内容一份。

  2.基金项目和作者简介按下列格式:

  基金项目:项目名称(编号)

  作者简介:姓名(出生年-),性别,民族(汉族可省略),籍贯,职称,学位,研究方向。

  3.文章一般有引言部分和正文部分,正文部分用阿拉伯数字分级编号法,一般用两级。插图下方应注明图序和图名。表格应采用三线表,表格上方应注明表序和表名。

  4.参考文献列出的一般应限于作者直接阅读过的、最主要的、发表在正式出版物上的文献。其他相关注释可用脚注在当页标注。参考文献的著录应执行国家标准GB7714-87的规定,采用顺序编码制。

  2017 年《北京信息科技大学学报(自然科学版)》杂志01期论文目录:

  基于空闲时间最小的流水线车间调度算法 张月霞;杨瑞琪;戴佐俊;

  泡沫不锈钢与泡沫聚合物的中低频吸声效果比较 徐新邦;陈靖鹤;陈斌;刘培生;孙进兴;

  基于分形与小波相结合的东巴经典古籍图像压缩方法研究 吴国新;丁春艳;徐小力;李志华;

  风电机组齿轮箱早期故障弱特征信息提取方法 刘秀丽;徐小力;

  7阶Lax方程的Lax对、守恒律、达布变换及解析解 郑文鑫;魏光美;

  基于支持向量机集成方法的膀胱癌预后研究 杨帆;杨大利;朱熹;

  基于ANSYS Workbench的超硬数控车床动态特性分析 刘康康;钟建琳;刘国庆;王红军;

  投稿论文:风电机组齿轮箱早期故障弱特征信息提取方法

  【摘要】:风电机组齿轮箱故障发展进程中早期劣化特征信息微弱,采用传统的奇异值分解(Singular Value Decomposition,SVD)降噪方法容易造成有用信息的丢失。针对这一问题提出基于μ-SVD和LMD的弱特征信息提取方法,根据累积贡献率确定降噪阶次进行信号重构,提取出带噪部分信号,对其进行局部均值分解(Local Mean Decomposition,LMD)和μ-SVD降噪处理,叠加得到降噪后的信号。试验研究结果表明,该方法能够明显削弱信号噪声,有效提取早期故障微弱特征信息,有利于实现早期故障预警及动态预知维护。

  【关键词】: 风电机组齿轮箱 μ-SVD及局部均值分解方法 弱特征信息提取 早期故障预警

转载请注明来自发表学术论文网:http://www.fbxslw.com/dzqk/12832.html