01
课程导论与项目全景
风机主轴承温度异常预测的背景与意义、项目目标与评估指标、整体技术栈与数据流架构概览。
全景导论
02
SCADA数据采集与理解
SCADA系统简介、数据采集频率与字段含义、主轴承温度相关特征初探。
SCADA采集
03
数据探索性分析（EDA）
数据质量概览、缺失值与异常值初步检测、温度分布与趋势可视化。
EDA可视化
04
数据清洗与预处理
缺失值处理策略（前向填充、插值）、异常值识别与处理（3-Sigma、IQR）、时间戳对齐与重采样。
清洗预处理
05
特征工程（基础篇）
时间滑窗特征构建（均值、标准差、最大值、最小值）、滞后特征（Lag Features）、差分特征。
滑窗滞后
06
特征工程（进阶篇）
基于物理模型的衍生特征（环境温度补偿、转速归一化）、傅里叶变换提取频域特征。
频域物理模型
07
特征选择与降维
相关性分析（皮尔逊、斯皮尔曼）、基于树模型的特征重要性排序、主成分分析（PCA）降维。
PCA特征选择
08
数据集划分与预处理流水线
时间序列数据划分原则（避免数据泄露）、训练集/验证集/测试集划分、标准化与归一化。
数据划分流水线
09
基线模型建立
基于统计阈值的简单异常检测（固定阈值、移动平均阈值）、性能评估与局限性分析。
基线阈值
10
机器学习模型（一）：线性回归与岭回归
模型原理回顾、特征与目标关系建模、残差分析用于异常检测。
线性回归岭回归
11
机器学习模型（二）：随机森林回归
集成学习思想、模型训练与超参数调优、特征重要性再分析。
随机森林集成
12
机器学习模型（三）：梯度提升树
Boosting原理、模型训练与早停策略、模型解释性（SHAP值）。
XGBoostLightGBM
13
深度学习模型（一）：多层感知机（MLP）
神经网络基础、MLP结构设计、训练与正则化（Dropout）。
MLPDropout
14
深度学习模型（二）：长短期记忆网络（LSTM）
循环神经网络原理、LSTM单元详解、时间序列预测建模。
LSTM时序
15
深度学习模型（三）：CNN与LSTM混合模型
一维卷积提取局部特征、CNN-LSTM结构设计与实现。
CNN混合模型
16
模型训练与调优实战
学习率调度、批量大小选择、早停与模型检查点、超参数搜索（Grid Search / Bayesian）。
调优超参数
17
异常检测策略设计
基于预测残差的异常判定（阈值法、分位数法）、自适应阈值设计、多模型融合投票。
残差自适应
18
模型评估与验证
回归评估指标（MAE, RMSE, MAPE）、异常检测评估指标（Precision, Recall, F1-Score）、混淆矩阵与ROC曲线。
评估指标
19
模型部署与推理优化
模型导出（ONNX, PMML）、轻量化处理（量化、剪枝）、边缘端部署考虑。
ONNX部署
20
实时数据流处理与预测
Kafka/Flume数据接入、流式计算框架（Spark Streaming / Flink）、实时预测Pipeline设计。
流处理Kafka
21
告警系统设计与实现
告警规则引擎、告警级别划分（Info, Warning, Critical）、告警抑制与聚合。
告警规则引擎
22
可视化看板开发
使用Grafana/Plotly Dash搭建实时监控仪表盘、温度趋势与异常点可视化、模型性能实时监控。
Grafana看板
23
案例实战（一）：基于公开数据集
数据获取与描述、完整建模流程复现、结果分析与总结。
实战公开数据
24
案例实战（二）：多风机集群异常检测
数据合并与对齐、集群级模型与单机级模型对比、迁移学习初探。
集群迁移学习
25
案例实战（三）：从模型到业务闭环
异常根因分析流程、维修工单自动生成、模型持续迭代策略。
业务闭环根因
26
模型可解释性与可信AI
SHAP值深入解读、LIME局部解释、特征对预测结果的影响可视化。
SHAP可解释
27
A/B测试与模型灰度发布
线上模型评估策略、A/B测试平台设计、灰度发布与回滚机制。
A/B测试灰度
28
项目总结与经验复盘
常见坑点与避坑指南（数据泄露、过拟合、概念漂移）、项目文档与知识沉淀。
复盘避坑
29
前沿技术展望
基于Transformer的时间序列模型（Informer, Autoformer）、自监督学习在异常检测中的应用、数字孪生与预测性维护。
Transformer前沿
30
课程总复习与Q&A
核心知识点串讲、典型面试题解析、职业发展路径建议。
复习面试