| 摘要 | 第10-11页 |
| ABSTRACT | 第11页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 研究背景及研究意义 | 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 设备健康监测研究现状 | 第13-15页 |
| 1.2.1 设备故障诊断技术的发展 | 第13-15页 |
| 1.2.2 工业大数据分析现状 | 第15页 |
| 1.3 本文的主要工作 | 第15-16页 |
| 1.3.1 对于连续特征故障的分析处理 | 第15-16页 |
| 1.3.2 对于离散特征故障的分析处理 | 第16页 |
| 1.4 论文的组织结构 | 第16-18页 |
| 第二章 基础介绍 | 第18-28页 |
| 2.1 业务基础-风机结构及具体研究对象 | 第18-21页 |
| 2.1.1 主轴轴承的特点 | 第19-20页 |
| 2.1.2 发电机的特点 | 第20-21页 |
| 2.2 数据基础-数据类型及质量 | 第21-24页 |
| 2.2.1 主轴轴承监测系统 | 第21-22页 |
| 2.2.2 数据类别 | 第22-23页 |
| 2.2.3 数据预处理 | 第23-24页 |
| 2.3 技术基础-开源大数据平台 | 第24-25页 |
| 2.3.1 Map Reduce技术综述 | 第24页 |
| 2.3.2 Spark计算框架介绍 | 第24-25页 |
| 2.3.3 弹性分布式数据集(RDD) | 第25页 |
| 2.4 本章小结 | 第25-28页 |
| 第三章 基于EMD分解的主轴轴承故障诊断 | 第28-48页 |
| 3.1 主轴轴承故障问题描述 | 第28-31页 |
| 3.1.1 主轴轴承故障问题解析 | 第28-29页 |
| 3.1.2 数据分析流程设计 | 第29-31页 |
| 3.2 基于Spark的EMD算子实现 | 第31-35页 |
| 3.2.1 EMD分解 | 第31-32页 |
| 3.2.2 基于Spark的EMD算子实现 | 第32-35页 |
| 3.3 基于Spark的并行特征提取 | 第35-39页 |
| 3.3.1 特征参数 | 第35-37页 |
| 3.3.2 基于Spark的特征提取并行实现 | 第37-39页 |
| 3.4 实例分析验证 | 第39-45页 |
| 3.4.1 算法仿真 | 第39-44页 |
| 3.4.2 实例验证 | 第44-45页 |
| 3.4.3 结果分析 | 第45页 |
| 3.5 本章小结 | 第45-48页 |
| 第四章 基于关联规则的黑色粉末问题预测 | 第48-68页 |
| 4.1 黑色粉末问题描述 | 第48-52页 |
| 4.1.1 黑色粉末问题解析 | 第48-49页 |
| 4.1.2 相关性基础研究 | 第49-52页 |
| 4.1.3 本章研究方法 | 第52页 |
| 4.2 关联规则 | 第52-58页 |
| 4.2.1 关联规则概述 | 第52-54页 |
| 4.2.2 FP-Growth算法 | 第54-58页 |
| 4.3 实验模型建立 | 第58-63页 |
| 4.3.1 算法流程 | 第58-59页 |
| 4.3.2 基于Spark的并行算法设计 | 第59-60页 |
| 4.3.3 基于Spark mllib的并行算法实现 | 第60-62页 |
| 4.3.4 规则筛选 | 第62-63页 |
| 4.4 结果分析与补充实验 | 第63-67页 |
| 4.4.1 规则库仿真结果 | 第63-64页 |
| 4.4.2 补充验证 | 第64-67页 |
| 4.5 本章小结 | 第67-68页 |
| 第五章 总结与展望 | 第68-70页 |
| 5.1 总结 | 第68页 |
| 5.2 展望 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74-75页 |
| 攻读学位期间发表的学术论文 | 第75-76页 |
| 学位论文评阅及答辩情况表 | 第76页 |