01
课程导论
风电行业背景与备件管理痛点 · 大模型技术概览 · 课程目标与学习路径
背景概览
02
风电备件基础
关键备件分类（齿轮箱、轴承、发电机等）· 失效模式与生命周期 · 数据采集与传感器技术
备件传感器
03
大模型基础
Transformer架构解析 · 预训练与微调 · 主流大模型（GPT、BERT、T5）对比
TransformerGPT
04
数据工程
风电数据清洗与预处理 · 特征工程（时域/频域特征）· 数据标注策略
清洗特征
05
时序预测模型
LSTM/GRU原理 · 注意力机制在时序中的应用 · 模型评估指标（MAE、RMSE、MAPE）
LSTM注意力
06
大模型融合
Prompt Engineering在预测中的应用 · 大模型+传统模型混合架构 · 模型蒸馏与部署
Prompt蒸馏
07
实战案例一：齿轮箱剩余寿命预测
数据准备 · 模型训练 · 结果分析
RUL齿轮箱
08
实战案例二：发电机轴承故障预警
异常检测 · 阈值设定 · 告警机制
轴承预警
09
实战案例三：备件需求预测与库存优化
多站点协同 · 安全库存计算
库存优化
10
模型部署
ONNX模型转换 · TensorRT加速 · 边缘端部署（Jetson/树莓派）
ONNXTensorRT
11
系统集成
与SCADA系统对接 · 数据管道搭建（Kafka+Spark）· 可视化看板（Grafana）
SCADAKafka
12
评估与优化
A/B测试设计 · 模型回滚策略 · 持续学习与模型更新
A/B测试回滚
13
安全与合规
数据隐私保护 · 模型可解释性（SHAP/LIME）· 行业标准（ISO 55000）
SHAP合规
14
前沿趋势
多模态大模型（振动+温度+声音）· 数字孪生与预测结合 · 联邦学习在风电中的应用
多模态数字孪生
15
课程总结
知识体系回顾 · 常见问题FAQ · 推荐学习资源与社区
回顾资源
16
Python环境搭建
Anaconda安装 · 虚拟环境配置 · 依赖库安装（torch、transformers、pandas）
AnacondaPyTorch
17
数据探索与可视化
Pandas基础操作 · Matplotlib/Seaborn绘图 · 风电数据EDA实战
EDAMatplotlib
18
特征工程实战
滑动窗口特征 · FFT频域特征 · 统计特征提取
FFT滑动窗口
19
传统时序模型
ARIMA模型原理与实现 · Prophet模型应用 · 模型对比分析
ARIMAProphet
20
深度学习模型
PyTorch搭建LSTM · 超参数调优（Optuna）· 模型保存与加载
LSTMOptuna
21
Transformer时序模型
Time Series Transformer实现 · 位置编码 · 因果掩码
Transformer因果掩码
22
大模型微调
Hugging Face库使用 · LoRA微调技术 · Prompt Tuning实战
LoRAHuggingFace
23
混合模型构建
大模型提取语义特征+传统模型预测 · 集成学习（Stacking）
Stacking混合
24
模型解释性
SHAP值计算 · 特征重要性分析 · 模型决策可视化
SHAP可解释性
25
实时预测系统
Flask API搭建 · WebSocket实时推送 · Docker容器化部署
FlaskDocker
26
性能优化
模型量化（INT8/FP16）· 批处理推理 · 缓存策略
INT8量化
27
故障诊断案例
基于大模型的故障文本分析 · 维修工单智能分类
NLP故障
28
库存优化案例
需求预测与库存策略联动 · 多目标优化（成本+服务水平）
库存多目标
29
综合项目
端到端风电备件预测系统（数据→模型→部署→监控）
全流程项目
30
职业发展
风电AI岗位技能要求 · 项目经验包装 · 面试常见问题
求职面试