致谢
摘要
ABSTRACT
前言
1 绪论
1.1 研究背景及意义
1.2 必要性及可行性分析
1.2.1 必要性
1.2.2 可行性
1.3 本文拟解决的主要问题
1.4 本文研究的主要内容
1.5 本文组织架构及技术路线
1.6 本章小结
2 国内外研究现状及发展趋势
2.1 机务大数据研究及应用
2.1.1 国外
2.1.2 国内
2.2 机车检修现状
2.3 设备画像
2.3.1 画像的概念
2.3.2 构成要素
2.3.3 模型与方法
2.4 标签技术
2.4.1 画像标签的定义
2.4.2 标签分类
2.4.3 标签构建原则
2.4.4 标签构建方法
2.5 设备健康管理
2.5.1 国外设备健康管理现状
2.5.2 国内设备健康管理现状
2.5.3 我国铁路机务专业PHM技术发展差距
2.6 本章小结
3 铁路机车设备画像理论
3.1 机车设备画像概述
3.2 铁路机车设备画像理论构建
3.2.1 铁路机车设备画像理论的定义与内涵
3.2.2 铁路机车设备画像理论的构成
3.2.3 铁路机车设备画像理论的应用架构
3.3 本章小结
4 基于设备画像的铁路机车标签体系构建
4.1 问题概述
4.2 面向设备画像的标签技术
4.3 机车画像标签体系构建
4.3.1 机车画像标签体系技术架构
4.3.2 机车画像标签体系
4.4 基于聚类的机车第三级标签获取方法
4.4.1 K-means算法
4.4.2 K-means算法的改进
4.4.3 K-means算法与改进算法的比较验证
4.5 机车画像标签体系构建实例
4.5.1 K-means改进算法的应用
4.5.2 机车完整标签体系的产生
4.6 本章小结
5 基于MsEclat算法的铁路机车事故故障多最小支持度关联规则挖掘
5.1 问题概述
5.2 MsEclat算法的背景知识
5.2.1 垂直格式数据集
5.2.2 支持度、置信度与提升度
5.2.3 概念格理论
5.2.4 多最小支持度下的频繁项集判定
5.2.5 面向有序项目集合的最小支持度索引表
5.2.6 基于等价类的可连接性判定
5.3 MsEclat算法原理
5.3.1 Eclat算法简述
5.3.2 改进的Eclat算法—MsEclat算法
5.4 优化的Ms Eclat算法
5.4.1 基于布尔矩阵的T_(set)位运算求交
5.4.2 基于MapReduce的等价类并行运算
5.4.3 大数据场景下优化的MsEclat算法的频繁项集挖掘步骤
5.5 算法比较验证
5.5.1 MsEclat算法与水平挖掘算法的对比
5.5.2 MsEclat算法与其优化算法的对比
5.6 机车事故故障关联规则挖掘分析
5.6.1 待分析项目的选取
5.6.2 关联规则挖掘结果分析
5.7 本章小结
6 基于PSO+DE混合优化BP神经网络的铁路机车质量安全态势预测
6.1 问题概述
6.2 机车质量等级评价
6.3 基于机车质量评价项点的特征选择
6.3.1 灰色关联度分析
6.3.2 机车质量等级的比较特征选择
6.4 PSO+DE混合优化BP神经网络
6.4.1 BP神经网络原理
6.4.2 PSO算法原理
6.4.3 DE算法原理
6.4.4 基于时变概率的PSO+DE混合优化BP神经网络预测模型
6.5 机车质量安全态势预测分析
6.5.1 预测模型训练
6.5.2 预测模型训练结果分析
6.5.3 预测模型应用分析
6.6 本章小结
7 基于铁路机车设备画像理论的铁路机车健康管理应用总体设计
7.1 机务大数据与机车健康管理