论文目录 | |
| 摘要 | 第1-10页 |
| ABSTRACT | 第10-11页 |
| 第一章 绪论 | 第12-21页 |
| 1.1 研究背景 | 第12-14页 |
| 1.1.1 工业大数据概述 | 第12页 |
| 1.1.2 工业大数据应用之设备故障检测 | 第12-13页 |
| 1.1.3 工业大数据设备诊断中存在的问题 | 第13页 |
| 1.1.4 工业大数据的实时数据处理 | 第13-14页 |
| 1.2 研究现状与挑战 | 第14-18页 |
| 1.2.1 不平衡数据处理方法 | 第14-17页 |
| 1.2.2 不平衡数据处理挑战性问题 | 第17-18页 |
| 1.3 本文工作 | 第18-19页 |
| 1.3.1 基于数据采样与模型融合的不平衡数据学习方法 | 第18-19页 |
| 1.3.2 基于Boosting的不平衡数据学习方法 | 第19页 |
| 1.3.3 工业大数据实时处理框架的设计与实现 | 第19页 |
| 1.4 论文结构 | 第19-21页 |
| 第二章 相关技术 | 第21-32页 |
| 2.1 大数据处理技术 | 第21-25页 |
| 2.1.1 分布式消息中间件Kafka | 第21-22页 |
| 2.1.2 分布式实时计算引擎Spark Streaming | 第22-23页 |
| 2.1.3 分布式时间序列数据库OpenTSDB | 第23-25页 |
| 2.2 故障检测方法 | 第25-27页 |
| 2.2.1 传统依赖专家的故障检测方法 | 第25-26页 |
| 2.2.2 基于机器学习的故障检测方法 | 第26-27页 |
| 2.3 不平衡数据的学习 | 第27-31页 |
| 2.3.1 数据合成采样方法 | 第27-28页 |
| 2.3.2 集成学习方法 | 第28-30页 |
| 2.3.3 Focal Loss损失函数 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第三章 基于数据采样与模型融合的不平衡数据学习方法 | 第32-43页 |
| 3.1 引言 | 第32-33页 |
| 3.2 问题描述 | 第33-34页 |
| 3.3 Rotation SMOTE算法 | 第34-35页 |
| 3.4 boostSMOTE算法 | 第35-37页 |
| 3.5 实验与分析 | 第37-42页 |
| 3.5.1 实验数据集 | 第38页 |
| 3.5.2 性能评估方法 | 第38-39页 |
| 3.5.3 实验设计 | 第39页 |
| 3.5.4 实验结果分析 | 第39-42页 |
| 3.6 本章小结 | 第42-43页 |
| 第四章 基于Boosting的不平衡数据学习方法 | 第43-50页 |
| 4.1 引言 | 第43-44页 |
| 4.2 问题描述 | 第44-45页 |
| 4.2.1 基于代价敏感的boosting算法的局限性 | 第44页 |
| 4.2.2 如何区分样本分类的难易程度 | 第44-45页 |
| 4.3 FocalBoost算法 | 第45-46页 |
| 4.4 FocalBoost与 Rotation SMOTE | 第46页 |
| 4.5 实验与分析 | 第46-48页 |
| 4.5.1 实验设计 | 第46-47页 |
| 4.5.2 实验结果分析 | 第47-48页 |
| 4.6 本章小结 | 第48-50页 |
| 第五章 工业大数据实时处理框架的设计与实现 | 第50-57页 |
| 5.1 引言 | 第50-51页 |
| 5.2 实时处理系统架构 | 第51-52页 |
| 5.3 性能瓶颈及优化措施 | 第52-53页 |
| 5.4 实验与分析 | 第53-56页 |
| 5.4.1 实验设计 | 第53页 |
| 5.4.2 实验结果分析 | 第53-56页 |
| 5.5 本章小结 | 第56-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 6.1 本文总结与主要创新点 | 第57-58页 |
| 6.2 未来工作展望 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 作者在学期间取得的学术成果 | 第64-65页 |
| 作者在学期间参与的主要科研工作 | 第65页 |
