| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4页 |
| 1 绪论 | 第7-15页 |
| 1.1 论文研究背景 | 第7-8页 |
| 1.2 国内外现状 | 第8-12页 |
| 1.2.1 故障诊断技术与发展现状 | 第8-10页 |
| 1.2.2 大数据技术在故障诊断领域的应用现状 | 第10-11页 |
| 1.2.3 基于Hadoop的大数据分析平台研究现状 | 第11-12页 |
| 1.3 论文研究意义和课题来源 | 第12-13页 |
| 1.3.1 论文研究目的和意义 | 第12-13页 |
| 1.3.2 课题来源及项目支撑 | 第13页 |
| 1.4 论文主要研究内容和组织结构 | 第13-15页 |
| 2 基于Hadoop的滚齿机故障信息分析平台架构设计 | 第15-31页 |
| 2.1 滚齿机故障信息特点 | 第15-17页 |
| 2.1.1 滚齿机故障诊断特点和滚齿机故障信息特点 | 第15-16页 |
| 2.1.2 滚齿机故障诊断存在的问题 | 第16-17页 |
| 2.2 滚齿机故障信息分析 | 第17-21页 |
| 2.2.1 数据预处理技术 | 第18页 |
| 2.2.2 滚齿机故障信息预处理 | 第18-21页 |
| 2.3 基于Hadoop的滚齿机故障信息分析平台设计 | 第21-25页 |
| 2.3.1 Hadoop大数据平台的优势 | 第21页 |
| 2.3.2 基于Hadoop的滚齿机故障信息分析平台设计 | 第21-25页 |
| 2.4 基于HDFS和HBase的滚齿机故障信息存储技术 | 第25-26页 |
| 2.5 基于MapReduce的滚齿机故障信息并行分析技术 | 第26-27页 |
| 2.6 面向服务的滚齿机故障信息服务模式研究 | 第27-29页 |
| 2.7 本章小结 | 第29-31页 |
| 3 基于大数据和随机森林的滚齿机故障信息分析技术研究 | 第31-40页 |
| 3.1 研究背景 | 第31-32页 |
| 3.2 滚齿机故障信息特征融合 | 第32-34页 |
| 3.2.1 基于PCA的特征融合技术 | 第32-33页 |
| 3.2.2 基于PCA的滚齿机故障信息特征融合 | 第33-34页 |
| 3.3 基于MapReduce的随机森林并行化扩展模型 | 第34-37页 |
| 3.4 基于MapReduce的并行随机森林故障分类模型实现 | 第37-39页 |
| 3.5 决策树数目对随机森林性能的影响 | 第39页 |
| 3.6 本章小结 | 第39-40页 |
| 4 基于Hadoop的滚齿机故障信息分析平台实现 | 第40-50页 |
| 4.1 分布式Hadoop的滚齿机故障信息分析平台搭建 | 第40-43页 |
| 4.1.1 分布式Hadoop集群部署环境 | 第40-42页 |
| 4.1.2 基于分布式Hadoop的滚齿机故障信息平台搭建 | 第42-43页 |
| 4.2 基于Hadoop的滚齿机故障信息平台的集群性能测试 | 第43-44页 |
| 4.3 基于MapReduce的并行随机森林故障分类模型应用验证 | 第44-49页 |
| 4.4 本章小结 | 第49-50页 |
| 5 结论与展望 | 第50-52页 |
| 5.1 本文结论 | 第50页 |
| 5.2 未来展望 | 第50-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 附录 | 第57页 |
| A. 攻读硕士学位期间参加的主要科研项目 | 第57页 |
| B. 攻读硕士学位期间获奖情况 | 第57页 |
