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

在工业生产中，从机器的设计到制造，或进行技术交 流，或使用及维修机器设备，都要用到装配图。因此，对 从事工程技术的工作人员来说，掌握看装配图的方法是很 有必要的

一、零件的概念及分类 机器或部件都是由许多零件装配而成，制造机器或部件必须首先制造零件。 根据零件的形状和功用可以分为轴套类、轮盘类、叉架类和箱体类

用途: 设计先画装配图,再根据装配图 拆画零件图。 生产根据装配图将零件装配成部 件或机器。 作用: 表达机器或部件的工作原理、各零件之间的装配关系和位置关系

一、机器的基本组成要素 机器:机原机构←构件→运动的单元 机设零件→制造装配的单元

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

分析润滑剂状态,监测设备状态。提高设备 的可靠性,减少意外故障和停机。 磨损机理导致机器零件的劣化。对磨损碎片 的识别和分析可以查明磨损的类型、来源。 用油样分析特别应用于低速重载的机器,例 如柴油发动机。 选择适当的识别异常磨损微粒的试验