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

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

§1-0 引 言 §1-1 机械工业在现代化建设中的作用 §1-2 机器的基本组成要素 §1-3 本课程的内容、性质与任务 §1-4 认识机器

《资产评估学》课程教学资源（讲义）第二篇 资产评估实务 第四章 机器设备评估 4.2成本法在机器设备评估中的应用

1.设备的定期维修问题 假设有一批同一类型的机器,考虑多长时间对这 批机器进行定期维修的问题.如果不进行定期维 修,或者定期维修时间过长,那么该设备就可能会 经常出现临时损坏,为此就要付出较多的应急维 修的代价(包括维修费用以及停工损失等).另一方 面,如果定期维修进行得太频繁,那么维修费也会 相应地大大增加.因此,选择适当的维修周期,就是 要使得定期维修的费用和应急维修的费用取得某 种均衡,以达到总维修代价最小的目的

评估值=重置成本－实体性贬值－功能性贬值－经济性贬值 评估值=重置成本×成新率－功能性贬值－经济性贬值 评估值=重置成本×综合成新率

程序设计语言 低级语言：机器语言（二进制代码）、汇编语言（直 接操作寄存器、多种寻址方式）及其它面向机器的程 序设计语言；其特点对计算机的依赖性强、直观性差、 编写程序的工作量大，对程序设计人员要求较高

第一节 机械设计的基本要求 第二节 机械设计的主要内容 第三节 机械零件设计的基本要求及一般步骤 第四节 机械零件的失效形式和工作能力计算准则 第五节 载荷和应力的分类 第六节 安全系数的选择 第七节 机械零件的强度

一、机器的作用及组成机器的基本要素—零件 二、本课程的基本内容、性质、特点及学习方法

2-1机器的组成 2-2设计机器的一般程序