| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 论文研究内容 | 第14页 |
| 1.4 论文结构安排 | 第14-16页 |
| 第2章 工业大数据平台的相关技术与方法 | 第16-26页 |
| 2.1 Docker 容器技术 | 第16-17页 |
| 2.2 Rancher 介绍 | 第17-18页 |
| 2.3 平台的主要大数据技术 | 第18-23页 |
| 2.3.1 分布式消息系统Kafka | 第18-20页 |
| 2.3.2 数据仓库Hive | 第20-21页 |
| 2.3.3 实时流计算框架 SparkStreaming | 第21-23页 |
| 2.4 机器学习及其基本流程 | 第23-25页 |
| 2.4.1 机器学习的背景与研究方向 | 第23页 |
| 2.4.2 机器学习应用的基本流程 | 第23-25页 |
| 2.5 本章小节 | 第25-26页 |
| 第3章 基于Docker的工业大数据平台设计 | 第26-36页 |
| 3.1 平台设计需求 | 第26-28页 |
| 3.1.1 基础数据服务 | 第26页 |
| 3.1.2 机器学习模型服务 | 第26-27页 |
| 3.1.3 资源管理 | 第27-28页 |
| 3.2 平台架构 | 第28-34页 |
| 3.2.1 基础设施与容器编排 | 第29页 |
| 3.2.2 数据服务与模型管理 | 第29-33页 |
| 3.2.3 应用层 | 第33-34页 |
| 3.3 平台执行流程 | 第34-35页 |
| 3.4 本章小节 | 第35-36页 |
| 第4章 平台持续服务的关键技术与实现机制 | 第36-47页 |
| 4.1 持续化容器服务 | 第36-39页 |
| 4.1.1 健康检查机制 | 第36-37页 |
| 4.1.2 资源弹性伸缩 | 第37-39页 |
| 4.2 Orchestrator | 第39-44页 |
| 4.2.1 模型接口和元数据设计 | 第39-41页 |
| 4.2.2 模型评估 | 第41-43页 |
| 4.2.3 基于适应性误差的调度算法 | 第43页 |
| 4.2.4 模型的平滑切换策略 | 第43-44页 |
| 4.3 周期性任务 | 第44-45页 |
| 4.4 本章小节 | 第45-47页 |
| 第5章 平台在某1000MW火电机组上的部署与测试 | 第47-60页 |
| 5.1 1000 MW火电机组的序列预测 | 第47-48页 |
| 5.2 平台部署实施方案 | 第48-52页 |
| 5.2.1 硬件环境 | 第48页 |
| 5.2.2 软件环境 | 第48-49页 |
| 5.2.3 DCS数据接入 | 第49-50页 |
| 5.2.4 自动化容器部署 | 第50-52页 |
| 5.3 场地测试 | 第52-58页 |
| 5.3.1 资源隔离测试 | 第52-53页 |
| 5.3.2 三种模型调度算法的对比测试 | 第53-55页 |
| 5.3.3 模型切换开销 | 第55-56页 |
| 5.3.4 机组大修后的模型演化与更新 | 第56-58页 |
| 5.4 基于Web的数据可视化 | 第58-59页 |
| 5.5 本章小节 | 第59-60页 |
| 第6章 总结与展望 | 第60-62页 |
| 6.1 论文总结 | 第60-61页 |
| 6.2 下一步工作与展望 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 在读硕士期间取得的科研成果 | 第65-66页 |
| 致谢 | 第66页 |