01
PHM概述
设备故障预测与健康管理的定义、发展历程、核心价值与工业4.0背景。
概念工业4.0
02
故障机理与失效模式
常见机械故障类型（磨损、疲劳、腐蚀）、失效模式与影响分析（FMEA）基础。
FMEA机械
03
传感器与数据采集
振动、温度、电流等关键传感器选型，数据采集系统架构与采样策略。
传感器采集
04
信号处理基础
时域分析（均值、峰值、峭度）、频域分析（FFT、频谱图）在故障诊断中的应用。
FFT频谱
05
特征工程
时域特征提取（RMS、标准差）、频域特征提取（边频带、谐波）、特征选择方法。
RMS特征选择
06
数据预处理
缺失值处理、异常值检测、数据归一化与标准化、时间序列重采样。
清洗归一化
07
机器学习基础
监督学习（分类、回归）与非监督学习（聚类）在PHM中的角色。
监督聚类
08
故障诊断模型
基于KNN、SVM、随机森林的故障分类实战（以轴承故障为例）。
SVM随机森林
09
剩余寿命预测
基于回归模型（线性回归、Lasso）的退化趋势预测方法。
回归Lasso
10
深度学习入门
CNN、LSTM在时间序列故障预测中的基本原理与优势。
CNNLSTM
11
基于CNN的故障诊断
一维卷积神经网络处理振动信号，模型搭建与训练流程。
1D-CNN振动
12
基于LSTM的寿命预测
循环神经网络处理退化数据，多步预测与模型评估。
RNN多步预测
13
自编码器与异常检测
利用重构误差进行无监督异常检测，适用于未知故障模式。
自编码器异常
14
迁移学习在PHM中的应用
源域与目标域适配，减少数据标注成本。
迁移域适配
15
模型评估与验证
混淆矩阵、准确率、召回率、F1-score、ROC曲线、AUC。
评估ROC
16
不确定性量化
预测区间的概念、蒙特卡洛dropout、贝叶斯神经网络简介。
贝叶斯区间
17
边缘计算与实时PHM
在嵌入式设备上部署轻量化模型，边缘推理与云边协同。
边缘轻量化
18
数字孪生基础
数字孪生概念、与PHM的关系、构建设备虚拟镜像的初步方法。
数字孪生镜像
19
工业案例1：离心泵
旋转机械（离心泵）的振动监测与故障诊断全流程。
离心泵振动
20
工业案例2：风力发电机
风力发电机齿轮箱的剩余寿命预测实战。
齿轮箱寿命
21
工业案例3：机器人关节
工业机器人关节减速器的健康评估与维护决策。
减速器健康
22
工业案例4：电池管理
电池健康管理（SOH估计、SOC预测）在电动汽车中的应用。
SOHSOC
23
工业案例5：半导体设备
半导体制造设备（刻蚀机）的异常检测与预测性维护。
刻蚀机异常
24
PHM系统架构设计
数据层、算法层、应用层分层设计，消息队列与数据库选型。
架构消息队列
25
数据管理平台
时序数据库（InfluxDB）、数据湖（MinIO）在PHM中的实践。
InfluxDBMinIO
26
可视化与告警
基于Grafana的实时仪表盘设计，多级告警策略（阈值、趋势、模型）。
Grafana告警
27
维护决策优化
基于状态的维护（CBM）、基于可靠性的维护（RCM）、备件库存优化。
CBMRCM
28
PHM标准与规范
ISO 13374（状态监测与诊断）、OSA-CBM（开放系统架构）解读。
ISOOSA-CBM
29
项目实战：简易PHM系统
从0到1搭建一个简易PHM系统（数据采集 → 特征提取 → 模型部署 → 可视化）。
全流程实战
30
前沿趋势与挑战
大模型在PHM中的应用、联邦学习保护数据隐私、可解释AI在故障诊断中的必要性。
大模型联邦学习