生产制造企业网络故障分析与健康评估技术研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 引言 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.2.1 工业以太网研究现状 | 第12-13页 |
| 1.2.2 网络故障诊断技术研究现状 | 第13-16页 |
| 1.2.3 网络健康评估技术研究现状 | 第16-17页 |
| 1.3 研究目标和内容 | 第17-18页 |
| 1.4 论文结构安排 | 第18-19页 |
| 2 相关技术研究 | 第19-31页 |
| 2.1 工业以太网相关技术 | 第19-22页 |
| 2.1.1 PROFINET网络结构 | 第19-20页 |
| 2.1.2 PROFINET实时通信机制 | 第20-21页 |
| 2.1.3 PROFINET网络管理难点 | 第21-22页 |
| 2.2 SNMP网络管理概述 | 第22-25页 |
| 2.2.1 管理信息库 | 第23页 |
| 2.2.2 管理信息结构 | 第23-24页 |
| 2.2.3 SNMP协议 | 第24-25页 |
| 2.3 网络故障诊断技术 | 第25-27页 |
| 2.3.1 基于贝叶斯网络的故障诊断 | 第25-26页 |
| 2.3.2 基于决策树的故障诊断 | 第26-27页 |
| 2.4 网络健康评估技术 | 第27-30页 |
| 2.4.1 基于传统测量的健康评估方法 | 第27-28页 |
| 2.4.2 基于智能算法的健康评估方法 | 第28-30页 |
| 2.5 本章小结 | 第30-31页 |
| 3 设备状态数据采集 | 第31-39页 |
| 3.1 架构设计 | 第31-32页 |
| 3.2 主机监控 | 第32-34页 |
| 3.2.1 WINDOWS主机监控 | 第32-33页 |
| 3.2.2 LINUX主机监控 | 第33页 |
| 3.2.3 SNMP监控主机 | 第33-34页 |
| 3.3 网络设备监控 | 第34-36页 |
| 3.3.1 实现方案 | 第34-35页 |
| 3.3.2 MIB信息 | 第35-36页 |
| 3.4 网络指标获取 | 第36-37页 |
| 3.4.1 带宽利用率 | 第36页 |
| 3.4.2 时延 | 第36-37页 |
| 3.5 监控结果展示 | 第37-38页 |
| 3.6 本章小结 | 第38-39页 |
| 4 基于随机森林算法的故障诊断 | 第39-49页 |
| 4.1 基于分类采样的随机森林算法(CSRF) | 第39-44页 |
| 4.1.1 算法框架 | 第39-40页 |
| 4.1.2 分类采样算法 | 第40-42页 |
| 4.1.3 随机森林算法 | 第42-44页 |
| 4.1.4 组合算法 | 第44页 |
| 4.2 故障决策过程 | 第44-45页 |
| 4.3 实验分析 | 第45-48页 |
| 4.3.1 实验数据及处理 | 第45-46页 |
| 4.3.2 实验分析 | 第46页 |
| 4.3.3 参数分析 | 第46-48页 |
| 4.4 本章小结 | 第48-49页 |
| 5 基于神经网络的健康评估 | 第49-58页 |
| 5.1 神经网络基本算法 | 第49-53页 |
| 5.1.1 BP神经网络 | 第49-51页 |
| 5.1.2 卷积神经网络 | 第51-53页 |
| 5.2 MNN算法设计 | 第53-56页 |
| 5.2.1 算法框架 | 第53-54页 |
| 5.2.2 单点特征建模 | 第54页 |
| 5.2.3 交互特征建模 | 第54-56页 |
| 5.3 实验分析 | 第56-57页 |
| 5.3.1 数据处理 | 第56页 |
| 5.3.2 实验分析 | 第56-57页 |
| 5.4 本章小结 | 第57-58页 |
| 6 总结与展望 | 第58-60页 |
| 6.1 本文工作总结 | 第58页 |
| 6.2 未来工作展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第64-66页 |
| 学位论文数据集 | 第66页 |
