基于大数据的公交车辆状态细分与故障预测研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第12-20页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.1.1 研究背景 | 第12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 国内外发展与研究现状 | 第13-17页 |
| 1.2.1 状态分析研究现状 | 第13-15页 |
| 1.2.2 故障预测研究现状 | 第15-17页 |
| 1.3 研究方法和技术路线 | 第17-19页 |
| 1.3.1 研究方法 | 第17-18页 |
| 1.3.2 技术路线 | 第18-19页 |
| 1.4 研究内容和论文结构 | 第19页 |
| 1.5 本章小结 | 第19-20页 |
| 2 相关理论方法概述 | 第20-31页 |
| 2.1 车辆状态常用方法介绍 | 第20-22页 |
| 2.1.1 CAN总线 | 第20页 |
| 2.1.2 聚类分析 | 第20-22页 |
| 2.2 公交故障表现和预测方法 | 第22-24页 |
| 2.2.1 公交车辆常见故障及其表现 | 第22-23页 |
| 2.2.2 公交故障预测方法 | 第23-24页 |
| 2.3 特征提取方法 | 第24-30页 |
| 2.3.1 短文本挖掘 | 第24-28页 |
| 2.3.2 灰色关联分析 | 第28-30页 |
| 2.4 本章小结 | 第30-31页 |
| 3 公交车辆数据的处理与状态细分 | 第31-43页 |
| 3.1 公交车辆数据介绍与整理 | 第31-33页 |
| 3.2 数据的预处理 | 第33-35页 |
| 3.2.1 数据清洗 | 第33-34页 |
| 3.2.2 数据集成 | 第34-35页 |
| 3.2.3 数据规约 | 第35页 |
| 3.3 公交车辆状态细分指标的构建 | 第35-39页 |
| 3.3.1 公交车辆状态说明 | 第36页 |
| 3.3.2 状态指标的选取原则 | 第36-37页 |
| 3.3.3 状态指标的介绍 | 第37-39页 |
| 3.4 公交车辆状态细分结果与评估 | 第39-42页 |
| 3.4.1 细分结果分析 | 第39-40页 |
| 3.4.2 聚类效果评估 | 第40-42页 |
| 3.5 本章小结 | 第42-43页 |
| 4 公交车辆关键故障特征分析 | 第43-55页 |
| 4.1 公交车辆维修数据信息分析 | 第43-47页 |
| 4.1.1 维修时效性分析 | 第45页 |
| 4.1.2 故障线路分布 | 第45-46页 |
| 4.1.3 故障与天气状况 | 第46-47页 |
| 4.2 公交车辆关键故障特征提取 | 第47-50页 |
| 4.2.1 公交故障信息短文本处理 | 第47-48页 |
| 4.2.2 故障文本信息分词 | 第48-49页 |
| 4.2.3 故障关键词云可视化 | 第49-50页 |
| 4.3 车辆故障状态特征参数选择 | 第50-54页 |
| 4.3.1 CAN系统影响发动机状态参数 | 第50-51页 |
| 4.3.2 灰色关联度计算 | 第51-53页 |
| 4.3.3 特征参数的选择 | 第53-54页 |
| 4.4 本章小结 | 第54-55页 |
| 5 公交车辆关键故障的预测研究 | 第55-70页 |
| 5.1 故障预测的设计与处理流程 | 第55-59页 |
| 5.1.1 预测模型的设计 | 第55-56页 |
| 5.1.2 特征指标参数 | 第56-57页 |
| 5.1.3 模型评估指标 | 第57-58页 |
| 5.1.4 调参方法说明 | 第58-59页 |
| 5.2 基于支持向量机的故障预测 | 第59-65页 |
| 5.2.1 支持向量机算法概述 | 第59-63页 |
| 5.2.2 样本选择与处理 | 第63页 |
| 5.2.3 模型分析及预测结果验证 | 第63-65页 |
| 5.3 基于逻辑斯特回归的故障预测 | 第65-68页 |
| 5.3.1 逻辑斯特回归概述 | 第65-66页 |
| 5.3.2 模型的建立和预测结果 | 第66-68页 |
| 5.4 两种故障预测模型的分析与比较 | 第68-69页 |
| 5.5 本章小结 | 第69-70页 |
| 6 总结与展望 | 第70-72页 |
| 6.1 全文总结 | 第70-71页 |
| 6.2 研究展望 | 第71-72页 |
| 参考文献 | 第72-75页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第75-77页 |
| 学位论文数据集 | 第77页 |
