動車組復雜裝備大數據分析關鍵技術研究與實現.pdf

1、近年來隨著我國高速鐵路動車組的大規(guī)模投入使用，借助于先進的傳感器技術、數據采集技術和計算機存儲技術，動車組積累了海量的數據。利用這些海量數據進行數據分析，從而指導維修與維護工作，進而保證動車組的安全運行具有十分重要的意義。然而傳統的數據分析技術在海量數據面前，暴露出處理時間長，甚至是內存不足導致無法訓練等缺點。Hadoop的出現為解決上述問題提供了思路。Hadoop因其強大的計算能力和海量的存儲能力等特點，已經成為大數據分析領域重要的研

2、究方向。本文將傳統的數據預處理算法和反向傳播(Back Propagation)算法與MapReduce框架相結合，設計實現了基于Hadoop的大數據分析方案。
　　本文的創(chuàng)新點包含以下三個方面:
　　首先，本文提出一個并行異常數據處理算法——MRKM算法。對K-means聚類算法進行改進使其用于尋找數據異常點，將改進后的算法與MapReduce框架相結合，設計了基于MapReduce的異常數據處理算法。實驗證明，改進后的K

3、-means算法可有效的處理異常數據。
　　其次，研究了標準BP算法，針對算法的不足，提出了引入參數的改進算法——IPBP算法。實驗證明，IPBP算法比標準的BP算法具有更高的正確率和較小的迭代次數。對IPBP算法進行了MapReduce并行化，提出了MRIPBP算法。實驗結果表明，MRIPBP算法并行性好，能勝任大量數據分析處理任務。
　　最后，將大數據技術應用于動車組，使用本文提出的大數據分析算法對動車組牽引電機進行維修

4、等級判定，使牽引電機的維修等級判定更為準確。
　　本文還介紹了Hadoop系統，分析了牽引電機的電氣特性，根據電氣特性提取了牽引電機的特征向量，搭建Hadoop實驗平臺，對動車組牽引電機數據進行數據預處理和數據分析，實現大數據分析算法在動車組牽引電機的應用。并從不同的方面進行比較，分析算法性能。實驗證明，算法有較高運算速度。
　　本文將大數據分析算法應用于動車組，使相關技術人員能準確地獲得牽引電機維修等級，提高檢修與維護工作