01
课程导论：振动监测与大模型前景
风机塔筒振动监测的意义、大模型在工业领域的应用前景、课程目标与学习路径。
导论AI+风电
02
风机结构与动力学基础
塔筒结构、风轮与机舱、振动产生的机理与主要模态。
动力学模态
03
振动传感器选型与部署
加速度计、速度传感器、位移传感器，安装位置与方向选择。
传感器部署
04
数据采集系统搭建
数据采集卡、信号调理、采样率与抗混叠滤波设置。
采集硬件
05
振动信号预处理
去趋势项、滤波（低通/带通）、异常值剔除与数据清洗。
预处理滤波
06
时域分析基础
均值、方差、峰值、峭度等统计特征，以及其物理意义。
时域统计
07
频域分析基础
傅里叶变换（FFT）、频谱图、功率谱密度（PSD）解读。
频域FFT
08
时频分析技术
短时傅里叶变换（STFT）、小波变换，用于非平稳信号分析。
时频小波
09
模态参数识别
峰值拾取法、频域分解法（FDD），识别固有频率与阻尼比。
模态FDD
10
环境因素影响分析
风速、温度对振动特征的影响，数据归一化方法。
环境归一化
11
Python数据处理实战（一）
使用NumPy和Pandas加载、清洗、探索振动数据。
PythonPandas
12
Python数据处理实战（二）
使用Matplotlib和Seaborn绘制振动波形图、频谱图。
可视化Matplotlib
13
Python数据处理实战（三）
实现FFT、PSD计算，并提取特征频率。
FFT特征提取
14
传统机器学习方法
特征工程（统计特征+频域特征）、SVM、随机森林用于故障分类。
机器学习SVM
15
深度学习入门
CNN、LSTM在时间序列分类与异常检测中的应用。
深度学习LSTM
16
大模型基础
Transformer架构、预训练与微调、提示工程（Prompt Engineering）入门。
大模型Prompt
17
大模型在振动分析中的应用
利用LLM进行故障描述生成、报告自动撰写。
LLM报告生成
18
多模态大模型
结合振动波形图、频谱图与文本描述，进行联合推理。
多模态推理
19
构建振动分析知识库
使用RAG（检索增强生成）技术，让大模型理解专业规范。
RAG知识库
20
大模型微调实战
使用LoRA微调开源大模型（如Llama、ChatGLM）适配振动分析任务。
LoRA微调
21
案例一：塔筒螺栓松动检测
从数据采集到模型部署全流程。
案例螺栓松动
22
案例二：叶片不平衡故障诊断
结合时频分析与大模型解释。
案例叶片
23
案例三：塔筒基础沉降监测
长期趋势分析与预警阈值设定。
案例沉降
24
案例四：传动链故障预测
齿轮箱/轴承振动特征与大模型联合推理。
案例传动链
25
模型评估与验证
混淆矩阵、ROC曲线、模型可解释性（SHAP、LIME）。
评估可解释性
26
边缘计算与实时监测
将轻量化模型部署到边缘设备（如树莓派、Jetson）。
边缘计算部署
27
数据安全与隐私
工业数据脱敏、联邦学习在振动数据中的应用。
隐私联邦学习
28
系统集成与可视化
搭建Web端振动监测仪表盘（Flask/Streamlit）。
Web仪表盘
29
行业标准与规范
ISO 10816、VDI 3834等振动评估标准解读。
标准ISO
30
课程总结与未来展望
数字孪生、AI for Science在风电领域的趋势。
总结数字孪生