基于云计算的设备故障趋势预测方法研究

摘要

现代化工业发展过程中，庞大的数据已经成为企业关注的重要资源，如何安全保存、共享企业大数据资源，挖掘其中潜藏的价值，亟待深入研究。云计算提出了基础设施即服务、平台即服务、软件即服务的全新服务模式，适应企业不同阶段的需求，为现代化工业提出了一种全新的发展模式。
　　本文将云计算技术与传统设备维护系统相结合，提出了基于Hadoop的设备维护系统云平台，设备维护分布式文件系统，设备维护分布式计算框架，并分别从设备维护资源层、设备维护服务层、设备维护应用层三个层面对设备维护云平台系统进行了详细的论述。重点研究了设备维护服务层的设备故障趋势预测模块，采用支持向量回归机算法进行故障趋势预测，同时分析了参数c、s、e对支持向量回归机＃能产生的不同影响，通过粒子群优化算法对支持向量回归机进行参数优化。采用 UC I数据库中的一组标准数据集进行了优化实验。
　　实际应用中，数据规模逐渐走向巨大化，传统支持向量回归机所需要的时间急剧增加，针对这一问题，提出基于Hadoop环境下分布式支持向量回归机算法。实验研究表明，基于Hadoop分布式支持向量回归机与传统支持向量回归机在预测性能基本持平的基础上，大大节省了计算时间。同时，分析了在保持样本数据不变的情况下，增加Map任务数量对时间消耗的影响，得出在一定范围内增加M ap任务数量会减少时间消耗。
　　建立了基于Hadoop分布式支持向量回归机的设备故障趋势预测桓型，利用某煤炭企业釆集的设备振动数据，对该模型的预测性能进行了验证。结果表明，基于Hadoop分布式支持向量回归机在故障趋势预测中具有节约时间、预测精度高、可靠性好等特点，能够满足实际使用要求。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪 论

1 .1 课题研究背景及意义

1 .2 国内外相关技术的发展现状及趋势

1 .3 论文研究内容及技术路线

2 设备维护云平台架构

2.1 Hadoop技术背景

2 .2 基 于Hadoop的设备维护云平台架构

2 .3 设备维护分布式文件系统

2 .4 设备维护数据分布式处理框架

2 .5 本章小结

3 支持向量回归机参数优化及其分布式设计

3 .1 支持向量机原理

3 .2 基于粒子群算法的支持向量回归机参数组合优化

3 .3 基于Hadoop的分布式支持向量回归机（H-SVR)

3 .5 本章小结

4 基于Hadoop分布式支持向量回归机实验测试

4 .1 云计算平台的搭建

4.2 H-SVR与传统SVR时间复杂度对比试验

4.3 H-SVR与传统SVR预测性能对比实验

4.4 H-SVR多Map任务对比实验

4 .5 本章小结

5 基于Hadoop分布式SVR设备故障趋势预测

5 .1 基于Hadoop分布式SVR设备故障趋势预测模型

5 .2 实验验证

5.3 本章小结

6 结论与展望

6 .1 结论

6 .2 展望

致谢

参考文献

附录