| Abstract | 第5-6页 |
| 1. Introduction | 第9-18页 |
| 1.1. Research purpose and significance | 第9-11页 |
| 1.2. Research status | 第11-16页 |
| 1.2.1. Research status of health assessment | 第11-13页 |
| 1.2.2. Research status of data mining | 第13-16页 |
| 1.3. Research content and the structure of this thesis | 第16-18页 |
| 2. The basic theory of wheel-set health research | 第18-32页 |
| 2.1. Wheel-set basic knowledge | 第18-19页 |
| 2.2. Gray relational analysis | 第19-22页 |
| 2.3. ARIMA model | 第22-25页 |
| 2.3.1. The basic concept of ARIMA | 第22-24页 |
| 2.3.2. Basic steps of ARIMA modeling | 第24-25页 |
| 2.4. Neural network | 第25-31页 |
| 2.4.1. Basic concepts of neural network | 第25-27页 |
| 2.4.2. BP neural network | 第27-28页 |
| 2.4.3. Basic steps of BP neural modeling | 第28-31页 |
| 2.5. Summary | 第31-32页 |
| 3. Analysis on the wear law of wheel shape | 第32-47页 |
| 3.1. Introduction of wheel profile | 第32-33页 |
| 3.2. Introduction of wheel profile measurement system | 第33-34页 |
| 3.3. Trend rule of wheel diameter, tread profile and other parameters | 第34-42页 |
| 3.3.1. Wheel diameter | 第34-37页 |
| 3.3.2. Tread wear | 第37-38页 |
| 3.3.3. Flange thickness | 第38-39页 |
| 3.3.4. Difference of coaxial wheel diameter | 第39-41页 |
| 3.3.5. QR value | 第41-42页 |
| 3.4. Numerical analysis among the geometric parameters of wheel-set | 第42-45页 |
| 3.4.1. Data standardization | 第42-43页 |
| 3.4.2. Results of correlation analysis | 第43-44页 |
| 3.4.3. Regression analysis | 第44-45页 |
| 3.5. Summary | 第45-47页 |
| 4. Prediction model based on historical data of wheel-set geometry parameters | 第47-62页 |
| 4.1. Data preprocessing | 第47-48页 |
| 4.2. Modeling and analysis of ARIMA | 第48-53页 |
| 4.2.1. Modeling of prediction based on ARIMA | 第48-50页 |
| 4.2.2. Analysis of ARIMA prediction results | 第50-53页 |
| 4.3. Modeling and analysis of BP neural network | 第53-59页 |
| 4.3.1. Prediction modeling of wheel-set parameters based on BP neural network | 第53-55页 |
| 4.3.2. Analysis of prediction results based on BP neural network | 第55-59页 |
| 4.4. Comparative analysis of prediction results based on ARIMA and BP neural network | 第59-61页 |
| 4.5. Summary | 第61-62页 |
| Conclusion and Outlook | 第62-64页 |
| Acknowledgement | 第64-65页 |
| Reference | 第65-70页 |
| Article and result published during the master | 第70页 |
