| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第12-22页 |
| 1.1 课题研究背景 | 第12-15页 |
| 1.1.1 制造企业的信息化和智能化趋势 | 第12页 |
| 1.1.2 海量数据挖掘技术的兴起 | 第12-14页 |
| 1.1.3“云制造”和“云计算”的兴起 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-19页 |
| 1.2.1 制造企业智能化现状 | 第15-17页 |
| 1.2.2 数据挖掘技术现状研究 | 第17-19页 |
| 1.3 课题的研究内容和意义 | 第19-20页 |
| 1.4 论文主要结构 | 第20-22页 |
| 第二章 构建基于Hadoop的数据挖掘云计算平台 | 第22-31页 |
| 2.1 分布式框架Hadoop简介 | 第22-23页 |
| 2.2 云制造背景下的数据挖掘技术 | 第23-25页 |
| 2.3 基于Hadoop的数据挖掘云计算平台搭建 | 第25-30页 |
| 2.3.1 硬件平台搭建 | 第26页 |
| 2.3.2 软件平台搭建 | 第26-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 数据挖掘中数据实时获取与处理方案 | 第31-37页 |
| 3.1 数据实时获取与处理的意义 | 第31-32页 |
| 3.2 实现实时性的传统方案 | 第32页 |
| 3.2.1 轮询方案 | 第32页 |
| 3.2.2 长轮询方案 | 第32页 |
| 3.2.3 优化的轮询方案 | 第32页 |
| 3.3 数据实时获取与处理的新方案 | 第32-36页 |
| 3.3.1 方案实现过程 | 第33-34页 |
| 3.3.2 基于WebSocket和Oracle DCN的实时策略 | 第34-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第四章 MES中数据挖掘算法并行化 | 第37-53页 |
| 4.1 K-means算法并行化 | 第37-42页 |
| 4.1.1 K-means算法分析 | 第37-38页 |
| 4.1.2 K-means算法并行化设计 | 第38-39页 |
| 4.1.3 K-means算法并行化实现 | 第39-42页 |
| 4.2 BP神经网络模型初值优化和算法并行化 | 第42-51页 |
| 4.2.1 BP神经网络算法分析 | 第42-44页 |
| 4.2.2 遗传算法对BP神经网络模型初值的优化 | 第44-46页 |
| 4.2.3 经遗传算法优化的BP神经网络的并行化设计 | 第46-48页 |
| 4.2.4 经遗传算法优化的BP神经网络的并行化实现 | 第48-51页 |
| 4.3 其他算法在Mahout算法库中的并行化实现 | 第51-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第五章 数据挖掘技术在质量预测中的应用 | 第53-62页 |
| 5.1 质量预测的意义 | 第53页 |
| 5.2 质量预测过程分析 | 第53-55页 |
| 5.3 某零件加工过程质量预测案例 | 第55-59页 |
| 5.3.1 零件及其加工工艺过程分析 | 第55-57页 |
| 5.3.2 数据准备与分析 | 第57-58页 |
| 5.3.3 模型建立与训练 | 第58-59页 |
| 5.4 预测效果分析 | 第59-61页 |
| 5.5 本章小结 | 第61-62页 |
| 第六章 数据挖掘技术在MES中的应用 | 第62-71页 |
| 6.1 系统环境与架构 | 第62-63页 |
| 6.2 系统整体设计 | 第63-65页 |
| 6.3 集成有质量预测模块的MES系统开发 | 第65-70页 |
| 6.3.1 基础数据维护模块 | 第65-67页 |
| 6.3.2 工艺信息维护模块 | 第67页 |
| 6.3.3 质量预测模块 | 第67-69页 |
| 6.3.4 质量检验模块 | 第69-70页 |
| 6.4 本章小结 | 第70-71页 |
| 第七章 总结与展望 | 第71-73页 |
| 7.1 全文总结 | 第71-72页 |
| 7.2 研究展望 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77-78页 |
| 在学期间的研究成果及发表的学术论文 | 第78页 |
