目前,柴油機(jī)作為動(dòng)力能源設(shè)備,在繁多的領(lǐng)域中擁有至關(guān)重要的作用,極大提高了社會(huì)與經(jīng)濟(jì)效益。為了減少甚至避免因其發(fā)生故障而造成的損失,研究合適的故障預(yù)測(cè)方法,成為人們關(guān)注的焦點(diǎn)。本文首先研究了柴油機(jī)故障預(yù)測(cè)技術(shù)的現(xiàn)狀和發(fā)展,然后從理論上介紹了經(jīng)驗(yàn)?zāi)Ｊ椒纸馑惴�、異步粒子群算法和BP神經(jīng)網(wǎng)絡(luò)算法,從原理上說明了利用經(jīng)驗(yàn)?zāi)Ｊ椒纸馑惴ㄌ幚聿裼蜋C(jī)缸蓋上的振動(dòng)信號(hào)然后利用異步粒子群算法和BP神經(jīng)網(wǎng)絡(luò)算法作為柴油機(jī)故障預(yù)測(cè)的可行性。其次詳細(xì)介紹了分布式系統(tǒng)、大數(shù)據(jù)庫HBase和流式處理框架Storm的原理和應(yīng)用,并將大數(shù)據(jù)和流式處理框架與柴油機(jī)故障預(yù)測(cè)技術(shù)相結(jié)合,構(gòu)成了應(yīng)用于柴油機(jī)多發(fā)故障預(yù)測(cè)的基于大數(shù)據(jù)框架的改進(jìn)APPSO-BP算法。最后通過仿真實(shí)驗(yàn)搭建了柴油機(jī)故障預(yù)測(cè)平臺(tái),通過實(shí)驗(yàn)?zāi)M驗(yàn)證了基于APPSO-BP神經(jīng)網(wǎng)絡(luò)算法的柴油機(jī)故障預(yù)測(cè)算法的高效性和預(yù)測(cè)準(zhǔn)確性,同時(shí)證實(shí)了搭建柴油機(jī)故障預(yù)測(cè)平臺(tái)的可行性。并且通過對(duì)比實(shí)驗(yàn)再次驗(yàn)證了采用大數(shù)據(jù)技術(shù)與流式處理框架相結(jié)合的方式對(duì)于柴油機(jī)的故障預(yù)測(cè)更加快速和有效。本文的主要特點(diǎn)在于利用了優(yōu)化的智能預(yù)測(cè)算法與大數(shù)據(jù)技術(shù)的相結(jié)合,既保證了數(shù)據(jù)的可靠性和存儲(chǔ)的海... 

【文章來源】：江蘇科技大學(xué)江蘇省

【文章頁數(shù)】：77 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景與意義
    1.2 柴油機(jī)故障診斷的研究現(xiàn)狀
    1.3 柴油機(jī)故障預(yù)測(cè)的研究現(xiàn)狀
    1.4 柴油機(jī)故障預(yù)測(cè)的發(fā)展趨勢(shì)
    1.5 論文研究?jī)?nèi)容與結(jié)構(gòu)
第2章 基礎(chǔ)算法與大數(shù)據(jù)STORM框架
    2.1 經(jīng)驗(yàn)?zāi)Ｊ椒纸馑惴?br>        2.1.1 經(jīng)驗(yàn)?zāi)Ｊ椒纸馑惴ǖ陌l(fā)展
        2.1.2 EMD算法的步驟
        2.1.3 EMD算法的本質(zhì)
    2.2 異步粒子群算法
        2.2.1 粒子群算法
        2.2.2 粒子群算法的數(shù)學(xué)描述
        2.2.3 異步粒子群算法
    2.3 BP神經(jīng)網(wǎng)絡(luò)算法
        2.3.1 神經(jīng)網(wǎng)絡(luò)的發(fā)展
        2.3.2 人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
        2.3.3 BP神經(jīng)網(wǎng)絡(luò)算法結(jié)構(gòu)
        2.3.4 BP神經(jīng)網(wǎng)絡(luò)算法步驟
        2.3.5 BP神經(jīng)網(wǎng)絡(luò)算法的數(shù)學(xué)描述
        2.3.6 BP神經(jīng)網(wǎng)絡(luò)算法的特性
    2.4 大數(shù)據(jù)STORM框架
        2.4.1 分布式系統(tǒng)
        2.4.2 Hadoop概述和應(yīng)用
        2.4.3 基于列族的大數(shù)據(jù)庫-HBase
        2.4.4 流式實(shí)時(shí)計(jì)算框架Storm的研究
    2.5 本章小結(jié)
第3章 大數(shù)據(jù)STORM框架下基于改進(jìn)APPSO－BP算法柴油機(jī)多發(fā)故障的預(yù)測(cè)模型構(gòu)建
    3.1 基于改進(jìn)APPSO-BP算法柴油機(jī)多發(fā)故障預(yù)測(cè)模型概述
    3.2 基于改進(jìn)APPSO-BP算法柴油機(jī)多發(fā)故障預(yù)測(cè)模型架構(gòu)
    3.3 基于模式匹配的數(shù)據(jù)挖掘
        3.3.1 模式匹配的分類
        3.3.2 模式匹配的數(shù)據(jù)預(yù)處理
        3.3.3 模式匹配的數(shù)據(jù)匹配
        3.3.4 模式匹配的數(shù)據(jù)匹配流程
    3.4 基于改進(jìn)APPSO-BP算法柴油機(jī)多發(fā)故障預(yù)測(cè)模型
        3.4.1 BP神經(jīng)網(wǎng)絡(luò)算法的缺陷和解決辦法
        3.4.2 APPSO算法與BP神經(jīng)網(wǎng)絡(luò)算法的結(jié)合步驟
        3.4.3 BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和數(shù)據(jù)預(yù)測(cè)
    3.5 專家預(yù)測(cè)系統(tǒng)
    3.6 本章小結(jié)
第4章 基于柴油機(jī)多發(fā)故障的預(yù)測(cè)試驗(yàn)平臺(tái)搭建
    4.1 基于柴油機(jī)多發(fā)故障的預(yù)測(cè)平臺(tái)搭建的前期準(zhǔn)備
        4.1.1 硬件準(zhǔn)備工作
        4.1.2 軟件準(zhǔn)備工作
    4.2 Hadoop平臺(tái)的搭建
        4.2.1 虛擬機(jī)安裝和前期配置
        4.2.2 yum源的配置和安裝
        4.2.3 SSH免密安全登錄配置
        4.2.4 JDK的安裝和環(huán)境變量配置
        4.2.5 HDFS的安裝和配置
        4.2.6 YARN和MAPREDUCE的安裝和配置
    4.3 HBase的安裝和配置
    4.4 基于柴油機(jī)多發(fā)故障的預(yù)測(cè)平臺(tái)軟件編寫
        4.4.1 JAVA調(diào)用MATLAB
        4.4.2 預(yù)測(cè)軟件界面編寫
        4.4.3 預(yù)測(cè)軟件后臺(tái)邏輯編寫
    4.5 本章小結(jié)
第5章 基于大數(shù)據(jù)的柴油機(jī)多發(fā)故障預(yù)測(cè)仿真
    5.1 仿真實(shí)驗(yàn)數(shù)據(jù)獲取
    5.2 仿真實(shí)驗(yàn)過程
    5.3 仿真實(shí)驗(yàn)結(jié)果判定
    5.4 仿真實(shí)驗(yàn)結(jié)果
    5.5 仿真對(duì)比實(shí)驗(yàn)
    5.6 仿真實(shí)驗(yàn)結(jié)論
總結(jié)與展望
    1 全文總結(jié)
    2 研究展望
部分代碼
參考文獻(xiàn)
攻讀學(xué)位期間發(fā)表的論文
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于小波去噪和EMD算法在齒輪故障檢測(cè)中的應(yīng)用[J]. 羅亮,胡佳成,尹健龍,劉澤國.  湖北農(nóng)業(yè)科學(xué). 2017(12)
[2]基于優(yōu)化灰色模型的柴油機(jī)狀態(tài)分析及故障預(yù)測(cè)[J]. 韓冰,尹振杰,王峴昕.  中國航海. 2016(04)
[3]基于局部均值分解的地震信號(hào)時(shí)頻分解方法[J]. 張雪冰,劉財(cái),劉洋,王典,勾福巖.  吉林大學(xué)學(xué)報(bào)(地球科學(xué)版). 2017(05)
[4]局部時(shí)頻變換域地震波吸收衰減補(bǔ)償方法[J]. 劉洋,李炳秀,劉財(cái),陳常樂,楊學(xué)亭.  吉林大學(xué)學(xué)報(bào)(地球科學(xué)版). 2016(02)
[5]HiBase:一種基于分層式索引的高效HBase查詢技術(shù)與系統(tǒng)[J]. 葛微,羅圣美,周文輝,趙頔,唐云,周娟,曲文武,袁春風(fēng),黃宜華.  計(jì)算機(jī)學(xué)報(bào). 2016(01)
[6]基于PSO的BP神經(jīng)網(wǎng)絡(luò)在壓力傳感器溫度補(bǔ)償中的應(yīng)用[J]. 孫艷梅,苗鳳娟,陶佰睿.  傳感技術(shù)學(xué)報(bào). 2014(03)
[7]基于概率神經(jīng)網(wǎng)絡(luò)的柴油機(jī)故障診斷與預(yù)測(cè)研究[J]. 鄭小倩,胡仕強(qiáng),吳艦.  工礦自動(dòng)化. 2013(09)
[8]基于EEMD和形態(tài)學(xué)分形維數(shù)的柴油機(jī)故障診斷[J]. 王鳳利,段樹林,于洪亮,李宏坤.  內(nèi)燃機(jī)學(xué)報(bào). 2012(06)
[9]基于糾刪碼和動(dòng)態(tài)副本策略的HDFS改進(jìn)系統(tǒng)[J]. 李曉愷,代翔,李文杰,崔喆.  計(jì)算機(jī)應(yīng)用. 2012(08)
[10]基于云粒子群-最小二乘支持向量機(jī)的傳感器溫度補(bǔ)償[J]. 張朝龍,江巨浪,李彥梅,陳世軍,査長(zhǎng)禮,王陳寧.  傳感技術(shù)學(xué)報(bào). 2012(04)

博士論文
[1]時(shí)間序列模式匹配技術(shù)研究[D]. 張勇.華中科技大學(xué) 2012

碩士論文
[1]BP神經(jīng)網(wǎng)絡(luò)在城市軌道交通客流短時(shí)預(yù)測(cè)中的應(yīng)用研究[D]. 王立政.蘇州科技大學(xué) 2017
[2]基于自適應(yīng)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)股價(jià)預(yù)測(cè)模型[D]. 任浩然.延安大學(xué) 2017
[3]基于Storm與Hadoop的日志數(shù)據(jù)實(shí)時(shí)處理研究[D]. 李洋.西南大學(xué) 2017
[4]基于振動(dòng)數(shù)據(jù)的旋轉(zhuǎn)機(jī)械故障預(yù)測(cè)方法研究[D]. 張曉龍.華北電力大學(xué)(北京) 2017
[5]基于灰色系統(tǒng)理論的柴油機(jī)故障診斷方法研究[D]. 于濤.哈爾濱工程大學(xué) 2012
[6]EMD分析在故障診斷中的應(yīng)用與研究[D]. 樊金榮.武漢理工大學(xué) 2003



本文編號(hào)：3099716