原文传递
基于Hadoop和GPU混合模型的高铁大数据处理关键技术研究
| 论文题名： | 基于Hadoop和GPU混合模型的高铁大数据处理关键技术研究 |
| 关键词： | 高速铁路;运行信息;振动数据;实时处理;云计算 |
| 摘要： | 随着人们对于列车速度和运输能力的要求越来越高，安全性和舒适性已经成为一个不容忽视的问题。为了保证列车安全运行，列车的安全系统作为研究的关键部分已经被人们所重视。为了获取足够的列车运行信息，人们利用现代传感技术，收集来自高铁的大量数据，包括振动、压力和噪声等类型，它们会直接影响列车的安全系统研究。目前已经有研究者使用数据挖掘技术来分析和处理大量复杂的高铁振动数据。然而，随着传感器采集的数据越来越多，传统处理方法效率低下，无法满足实时性处理要求。云计算技术和GPU技术为解决上述问题提供了方法。 云计算是一种基于互联网的计算方式，它是分布式处理、并行处理和网格计算的发展，可以将硬件资源和软件资源结合在一起提供多种形式的互联网服务。GPU具有高度并行的计算能力，且随着NVIDIA公司开发的计算统一设备架构(CUDA)平台的广泛应用，GPU已经在各个领域得到推广。在本文中，为了提高高铁振动信号实时处理能力，将云计算与GPU结合起来，共同应用于特征提取和故障分类。 本文主要工作如下: 1、分析并整理高铁走行部数据。设计高铁走行部数据处理软件，以便产生不同日期、不同工况、不同速度下58个通道的待处理数据。 2、搭建Hadoop平台，分析振动信号的预处理方法，包括异常点处理和线性趋势项去除。设计基于Hadoop的高铁走行部数据预处理方法，通过实验验证方法的有效性并用并行评价指标分析方法的效果。 3、搭建CUDA平台，分析非线性非平稳振动信号特征提取方法，设计基于CUDA的故障诊断方法。首先将走行部数据进行经验模态分解(EMD)，得到多个分量，进而求解各个分量的模糊熵，然后利用最近邻分类算法（KNN）对多个模糊熵组成的特征向量进行故障分类。最后通过实验证明基于CUDA的故障诊断方法的效果。 4、搭建Hadoop和CUDA的混合模型，设计基于混合模型的故障诊断方法。在混合模型和Hadoop平台上进行故障诊断实验，并与基于CUDA的故障诊断方法进行实验比较来验证基于混合模型的故障诊断方法的效果。 实验结果表明，基于混合模型的高铁走行部振动数据处理方法有着良好的性能，可以满足大规模高铁数据处理要求。 |
| 作者： | 陈志 |
| 专业： | 软件工程 |
| 导师： | 李天瑞 |
| 授予学位： | 硕士 |
| 授予学位单位： | 西南交通大学 |
| 学位年度： | 2016 |
| 正文语种： | 中文 |
检索历史
应用推荐
