基于大数据STORM框架的改进APPSO-BP算法对柴油机多发故障的预测研究

发布时间：2021-03-25 12:54

　　目前,柴油机作为动力能源设备,在繁多的领域中拥有至关重要的作用,极大提高了社会与经济效益。为了减少甚至避免因其发生故障而造成的损失,研究合适的故障预测方法,成为人们关注的焦点。本文首先研究了柴油机故障预测技术的现状和发展,然后从理论上介绍了经验模式分解算法、异步粒子群算法和BP神经网络算法,从原理上说明了利用经验模式分解算法处理柴油机缸盖上的振动信号然后利用异步粒子群算法和BP神经网络算法作为柴油机故障预测的可行性。其次详细介绍了分布式系统、大数据库HBase和流式处理框架Storm的原理和应用,并将大数据和流式处理框架与柴油机故障预测技术相结合,构成了应用于柴油机多发故障预测的基于大数据框架的改进APPSO-BP算法。最后通过仿真实验搭建了柴油机故障预测平台,通过实验模拟验证了基于APPSO-BP神经网络算法的柴油机故障预测算法的高效性和预测准确性,同时证实了搭建柴油机故障预测平台的可行性。并且通过对比实验再次验证了采用大数据技术与流式处理框架相结合的方式对于柴油机的故障预测更加快速和有效。本文的主要特点在于利用了优化的智能预测算法与大数据技术的相结合,既保证了数据的可靠性和存储的海... 

【文章来源】：江苏科技大学江苏省

【文章页数】：77 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景与意义
    1.2 柴油机故障诊断的研究现状
    1.3 柴油机故障预测的研究现状
    1.4 柴油机故障预测的发展趋势
    1.5 论文研究内容与结构
第2章 基础算法与大数据STORM框架
    2.1 经验模式分解算法
        2.1.1 经验模式分解算法的发展
        2.1.2 EMD算法的步骤
        2.1.3 EMD算法的本质
    2.2 异步粒子群算法
        2.2.1 粒子群算法
        2.2.2 粒子群算法的数学描述
        2.2.3 异步粒子群算法
    2.3 BP神经网络算法
        2.3.1 神经网络的发展
        2.3.2 人工神经网络的结构
        2.3.3 BP神经网络算法结构
        2.3.4 BP神经网络算法步骤
        2.3.5 BP神经网络算法的数学描述
        2.3.6 BP神经网络算法的特性
    2.4 大数据STORM框架
        2.4.1 分布式系统
        2.4.2 Hadoop概述和应用
        2.4.3 基于列族的大数据库-HBase
        2.4.4 流式实时计算框架Storm的研究
    2.5 本章小结
第3章 大数据STORM框架下基于改进APPSO－BP算法柴油机多发故障的预测模型构建
    3.1 基于改进APPSO-BP算法柴油机多发故障预测模型概述
    3.2 基于改进APPSO-BP算法柴油机多发故障预测模型架构
    3.3 基于模式匹配的数据挖掘
        3.3.1 模式匹配的分类
        3.3.2 模式匹配的数据预处理
        3.3.3 模式匹配的数据匹配
        3.3.4 模式匹配的数据匹配流程
    3.4 基于改进APPSO-BP算法柴油机多发故障预测模型
        3.4.1 BP神经网络算法的缺陷和解决办法
        3.4.2 APPSO算法与BP神经网络算法的结合步骤
        3.4.3 BP神经网络的训练和数据预测
    3.5 专家预测系统
    3.6 本章小结
第4章 基于柴油机多发故障的预测试验平台搭建
    4.1 基于柴油机多发故障的预测平台搭建的前期准备
        4.1.1 硬件准备工作
        4.1.2 软件准备工作
    4.2 Hadoop平台的搭建
        4.2.1 虚拟机安装和前期配置
        4.2.2 yum源的配置和安装
        4.2.3 SSH免密安全登录配置
        4.2.4 JDK的安装和环境变量配置
        4.2.5 HDFS的安装和配置
        4.2.6 YARN和MAPREDUCE的安装和配置
    4.3 HBase的安装和配置
    4.4 基于柴油机多发故障的预测平台软件编写
        4.4.1 JAVA调用MATLAB
        4.4.2 预测软件界面编写
        4.4.3 预测软件后台逻辑编写
    4.5 本章小结
第5章 基于大数据的柴油机多发故障预测仿真
    5.1 仿真实验数据获取
    5.2 仿真实验过程
    5.3 仿真实验结果判定
    5.4 仿真实验结果
    5.5 仿真对比实验
    5.6 仿真实验结论
总结与展望
    1 全文总结
    2 研究展望
部分代码
参考文献
攻读学位期间发表的论文
致谢


【参考文献】：
期刊论文
[1]基于小波去噪和EMD算法在齿轮故障检测中的应用[J]. 罗亮,胡佳成,尹健龙,刘泽国.  湖北农业科学. 2017(12)
[2]基于优化灰色模型的柴油机状态分析及故障预测[J]. 韩冰,尹振杰,王岘昕.  中国航海. 2016(04)
[3]基于局部均值分解的地震信号时频分解方法[J]. 张雪冰,刘财,刘洋,王典,勾福岩.  吉林大学学报(地球科学版). 2017(05)
[4]局部时频变换域地震波吸收衰减补偿方法[J]. 刘洋,李炳秀,刘财,陈常乐,杨学亭.  吉林大学学报(地球科学版). 2016(02)
[5]HiBase:一种基于分层式索引的高效HBase查询技术与系统[J]. 葛微,罗圣美,周文辉,赵頔,唐云,周娟,曲文武,袁春风,黄宜华.  计算机学报. 2016(01)
[6]基于PSO的BP神经网络在压力传感器温度补偿中的应用[J]. 孙艳梅,苗凤娟,陶佰睿.  传感技术学报. 2014(03)
[7]基于概率神经网络的柴油机故障诊断与预测研究[J]. 郑小倩,胡仕强,吴舰.  工矿自动化. 2013(09)
[8]基于EEMD和形态学分形维数的柴油机故障诊断[J]. 王凤利,段树林,于洪亮,李宏坤.  内燃机学报. 2012(06)
[9]基于纠删码和动态副本策略的HDFS改进系统[J]. 李晓恺,代翔,李文杰,崔喆.  计算机应用. 2012(08)
[10]基于云粒子群-最小二乘支持向量机的传感器温度补偿[J]. 张朝龙,江巨浪,李彦梅,陈世军,査长礼,王陈宁.  传感技术学报. 2012(04)

博士论文
[1]时间序列模式匹配技术研究[D]. 张勇.华中科技大学 2012

硕士论文
[1]BP神经网络在城市轨道交通客流短时预测中的应用研究[D]. 王立政.苏州科技大学 2017
[2]基于自适应遗传算法优化的BP神经网络股价预测模型[D]. 任浩然.延安大学 2017
[3]基于Storm与Hadoop的日志数据实时处理研究[D]. 李洋.西南大学 2017
[4]基于振动数据的旋转机械故障预测方法研究[D]. 张晓龙.华北电力大学(北京) 2017
[5]基于灰色系统理论的柴油机故障诊断方法研究[D]. 于涛.哈尔滨工程大学 2012
[6]EMD分析在故障诊断中的应用与研究[D]. 樊金荣.武汉理工大学 2003



本文编号：3099716