汇编语言的特点 面向机器的低级语言,通常是为特定的计算机或计算机系列专门设计的保持了机器语言的优点,具有直接和简捷 的特点。 可有效地访问、控制计算机的各种硬件设备, 如磁盘、存储器、CPU、I/O端口等。目标代码简短,占用内存少,执行速度快, 是高效的程序设计语言。 经常与高级语言配合使用,应用十分广泛

一、研究对象 1、机械:机器和机构的总称机器(三个特征): ①人为的实物组合(不是天然形成的); ②各运动单元具有确定的相对运动; ③必须能作有用功,完成物流、信息的传递及能量的转换。 机构:有①②两特征

为了更加快捷、高效地判定边坡稳定与否，基于机器学习，融合主成分分析法（PCA）、参数调整、影响因素权重分析等，建立了一种边坡安全稳定性评价体系。研究发现，运用PCA可以在保留80%数据原信息的前提下将输入变量维度从六维降至三维，但此时模型效果有所下降；随机森林及梯度提升(XGBoost) 两种学习算法均可搭建有效的边坡安全稳定性评估模型，通过对其预测效果的对比分析，确定XGBoost为最佳评价模型。与此同时，采取卡方检验、F检验以及互信息法3种相关性检验手段，并通过计算评价因子的重要程度且加以可视化展示，明确了容重、坡高、内摩擦角以及内聚力4个内在因素的重要性，最终将评估结果与实际结合提出了边坡安全防护措施

在人类即将跨入21世纪的时候,如果我们回顾一下自身的发 展历史,就会发现,近百年来人类所创造的劳动业绩,大大超过 了在此之前所积累的总和。17世纪以前,人均能源消耗与史前期 相差不大,从17世纪中叶起,人口开始以指数规律增长。18世纪 蒸汽机的发明,引起了产业革命,从此,在人类的经济活动中出 现了一个新的生产领域:使用机器的工业生产。19世纪发现了电 磁现象,奠定了现代技术的基础,机器生产从蒸汽机供应能量转 向了新的能源形式一电力

人因工程是基于对人、机器、技术和相关环境 的深入研究,发现并利用人的行为方式、工作 能力、作业限制等特点,通过对工具、机器、 系统、任务、环境进行合理设计,以提高生产 (包括日常生活中人的活动)的效率、安全性、 健康性、舒适性和有效性的一门工程技术学科。第一节 学科概述 第二节 基本原理和研究方法主要研究方法概述

一、液压传动的定义 一部完整的机器由原动机部分、传动机构及控制部分、工作机部分(含辅助装置) 组成。原动机包括电动机、内燃机等。工作机即完成该机器之工作任务的直接工作部分, 如剪床的剪刀、车床的刀架等。由于原动机的功率和转速变化范围有限,为了适应工作 机的工作力和工作速度变化范围变化较宽,以及性能的要求,在原动机和工作机之间设 置了传动机构,其作用是把原动机输出功率经过变换后传递给工作机

第一章绪论 1、机械原理课程是一门什么性质的课程? 2、什么是机械 3、什么是机器 4、什么是机构? 5、机器和机构的异同点有哪些?

针对熔化焊在焊接AA7B04铝合金时易在焊缝中出现孔洞等缺陷，且接头性能下降明显、焊后变形大，以及采用铆接等机械连接方式会增加连接件的重量等问题，采用集成了搅拌摩擦焊末端执行器的KUKA Titan机器人对2 mm厚AA7B04高强铝合金进行了焊接，在转速为800 r·min-1的条件下，研究了焊度对焊接过程中搅拌头3个方向的受力Fx、Fy和Fz的影响.研究发现，Fz受焊速的影响显著，随焊速的增加而降低.利用光学显微镜、透射电子显微镜、拉伸试验、三点弯曲试验和硬度测试等方法，研究了不同焊速下AA7B04铝合金接头的微观组织和力学性能.结果表明：当焊速为100 mm·min-1时，接头的抗拉强度最高为447 MPa，可达母材的80%，且所有接头的正弯和背弯180°均无裂纹；接头横截面的硬度分布呈W型，硬度最低点出现在热力影响区和焊核区的交界处，焊速不同会导致不同的焊接热循环，且随着焊速的增加接头的硬度随之增加；焊核区组织发生了动态再结晶，生成了细小的等轴晶粒，前进侧和后退侧热力影响区的晶粒均发生了明显的变形；前进侧热影响区析出η'相，后退侧热影响区因温度较高析出η'相和尺寸较大的η相

人与计算机的沟通 一、机器语言: 二、机器直接执行 三、汇编语言:

针对机器或设备的剩余寿命（Remaining useful life, RUL）预测精度低的问题，提出基于一维卷积神经网络（Convolutional neural network, CNN）和双向长短期记忆（Bidirectional long short-term memory, BD-LSTM）的集成神经网络模型。为了更好地抽取时间序列上的特征，以及产生更多的训练样本，采用滑动窗口对数据进行处理，同时采用卡尔曼滤波对数据进行降噪处理，将数据标准化以及设置RUL标签。与人工提取特征不同，利用一维CNN对数据进行特征提取，并舍弃了CNN中的池化层。然后将提取到的高维特征输入到BD-LSTM进行回归预测，并采用Bagging的方式对此神经网络进行集成来预测RUL。最后通过在NASA的数据集上验证该模型的有效性，以及相比于其他机器学习或者深度学习模型的优越性，实验表明所提模型在RUL预测方面更加准确