| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 滚动轴承故障诊断及神经网络 | 第9-12页 |
| 1.1.1 滚动轴承故障诊断的意义 | 第9-10页 |
| 1.1.2 滚动轴承故障诊断的技术总结 | 第10-11页 |
| 1.1.3 神经网络及其在故障诊断中的应用发展 | 第11-12页 |
| 1.2 大数据及其研究工具Spark | 第12-13页 |
| 1.3 论文的主要研究内容 | 第13-14页 |
| 1.3.1 研究目的及意义 | 第13页 |
| 1.3.2 研究内容 | 第13-14页 |
| 1.4 小结 | 第14-15页 |
| 第二章 滚动轴承的故障分析及特征参数的确定 | 第15-24页 |
| 2.1 滚动轴承的组成结构及故障形式 | 第15-17页 |
| 2.1.1 滚动轴承的组成及结构 | 第15-16页 |
| 2.1.2 滚动轴承的主要故障形式 | 第16-17页 |
| 2.2 滚动轴承故障振动特征分析 | 第17-20页 |
| 2.2.1 滚动轴承构造故障 | 第18页 |
| 2.2.2 滚动轴承表面损伤 | 第18-19页 |
| 2.2.3 精加工面波纹 | 第19页 |
| 2.2.4 滚动轴承的磨损 | 第19页 |
| 2.2.5 滚动轴承不同轴 | 第19-20页 |
| 2.3 滚动轴承故障特征参数 | 第20-23页 |
| 2.3.1 时域特征参数的种类 | 第21-23页 |
| 2.3.2 频域特征参数的种类 | 第23页 |
| 2.4 小结 | 第23-24页 |
| 第三章 面向大数据处理的特征参数约简方法与实现 | 第24-42页 |
| 3.1 分析约简工具BP神经网络 | 第24-30页 |
| 3.1.1 算法原理 | 第24-25页 |
| 3.1.2 激活函数的原理 | 第25-27页 |
| 3.1.3 BP算法的实现步骤 | 第27-29页 |
| 3.1.4 BP神经网络的局限性 | 第29-30页 |
| 3.2 大数据输入参数选取模型的构建与测试 | 第30-41页 |
| 3.2.1 构建输入参数选取模型 | 第30-33页 |
| 3.2.2 多种BP神经网络训练算法分析 | 第33-36页 |
| 3.2.3 滚动轴承故障诊断方法的优化 | 第36-37页 |
| 3.2.4 神经网络诊断结果及输入参数选取结论 | 第37-41页 |
| 3.3 小结 | 第41-42页 |
| 第四章 基于大数据处理的轴承故障诊断的分析与实现 | 第42-60页 |
| 4.1 相关理论及技术介绍 | 第42-47页 |
| 4.1.1 Hadoop简介 | 第42-46页 |
| 4.1.2 对Spark工具进行研究分析 | 第46-47页 |
| 4.2 基于Spark的支持向量机算法的分布式实现 | 第47-53页 |
| 4.2.1 分析研究支持向量机算法 | 第47-50页 |
| 4.2.2 支持向量机在多类别分类问题中应用 | 第50-53页 |
| 4.2.3 Spark中的支持向量机算法 | 第53页 |
| 4.3 系统的设计实现及测试运行 | 第53-59页 |
| 4.3.1 系统的设计及架构 | 第53-57页 |
| 4.3.2 系统的测试运行 | 第57-59页 |
| 4.4 小结 | 第59-60页 |
| 第五章 总结与展望 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 致谢 | 第64-65页 |
| 攻读硕士期间取得的研究成果 | 第65页 |