基于大模型的齿轮箱故障特征提取
📚 共计 30 章节
01
课程导论
齿轮箱故障诊断的行业痛点与大模型带来的变革
行业洞察
AI驱动
02
信号基础
振动信号的时域与频域特征，采样定理与混叠效应
时域
频域
采样
03
时域特征提取
均值、方差、峰值、峭度等统计指标的计算与物理意义
统计量
峭度
04
频域特征提取
FFT原理、频谱分析、边频带与故障频率识别
FFT
边频带
05
时频域分析
短时傅里叶变换（STFT）与小波变换的工程应用
STFT
小波
06
包络分析
希尔伯特变换与解调技术在轴承故障诊断中的应用
解调
希尔伯特
07
特征工程
特征选择、降维（PCA、t-SNE）与归一化方法
PCA
t-SNE
08
传统机器学习
SVM、随机森林在齿轮箱故障分类中的实战
SVM
随机森林
09
深度学习入门
CNN、RNN在时序信号处理中的基础架构
CNN
RNN
10
大模型基础
Transformer架构、自注意力机制与位置编码
Transformer
注意力
11
预训练模型
BERT、GPT等模型如何迁移到故障诊断领域
迁移学习
BERT
12
时序大模型
TimesNet、PatchTST等专用时序模型介绍
TimesNet
PatchTST
13
数据增强
基于GAN、扩散模型的故障数据生成技术
GAN
扩散模型
14
多模态融合
振动信号、温度、电流等多源数据的联合分析
多模态
融合
15
迁移学习
源域与目标域适配，解决小样本故障诊断问题
域适配
小样本
16
少样本学习
原型网络、匹配网络在故障诊断中的应用
原型网络
匹配网络
17
可解释性
注意力可视化、Grad-CAM在模型诊断中的应用
Grad-CAM
可视化
18
模型压缩
知识蒸馏、量化与剪枝在边缘部署中的应用
蒸馏
量化
剪枝
19
联邦学习
保护数据隐私的分布式故障诊断框架
隐私保护
分布式
20
在线监测
流式数据处理与增量学习在实时诊断中的应用
流式
增量学习
21
故障注入
物理仿真与数字孪生生成故障数据的方法
数字孪生
仿真
22
案例实战一
基于CNN的齿轮断齿故障诊断全流程
实战
CNN
23
案例实战二
基于Transformer的轴承故障分类
实战
Transformer
24
案例实战三
基于大模型的复合故障解耦与识别
实战
大模型
25
模型评估
混淆矩阵、F1-score、ROC曲线与AUC值
评估
ROC
26
部署实践
ONNX模型导出与TensorRT加速推理
ONNX
TensorRT
27
边缘计算
树莓派、Jetson Nano上的模型部署
边缘
Jetson
28
工业协议
OPC UA、MQTT在数据采集中的应用
OPC UA
MQTT
29
项目实战
从数据采集到模型部署的完整工业项目
全流程
工业
30
前沿展望
具身智能、世界模型与故障诊断的未来
具身智能
世界模型