01
课程导论
工程意义 · 知识体系 · 工具准备 (Python, Pandas, Scikit-learn, TensorFlow)
环境搭建概览
02
材料失效机理基础
疲劳·蠕变·腐蚀·磨损 · 失效物理模型 · 数据驱动优势
失效模式物理模型
03
Python与科学计算环境搭建
Anaconda · Jupyter · NumPy & Pandas 快速入门
Python环境
04
数据采集与预处理
传感器采集 · 缺失值 · 异常值 · 标准化/归一化
清洗预处理
05
探索性数据分析 (EDA)
描述性统计 · 直方图/箱线图 · 热力图相关性
可视化EDA
06
特征工程 (上)
时域特征 (均值/方差/峰值/均方根) · 频域 (FFT, 功率谱)
时域频域
07
特征工程 (下)
小波变换 · 特征选择 (过滤/包裹/嵌入) · PCA降维
时频域PCA
08
数据集划分与交叉验证
训练/验证/测试 · K折 · 留一法 · 分层采样
验证划分
09
线性回归与多项式回归
一元/多元线性 · 多项式特征 · MSE, MAE, R²
回归评估
10
岭回归与Lasso回归
正则化 · L1/L2范数 · 超参数调优 · 特征稀疏化
正则化Lasso
11
支持向量回归 (SVR)
SVM原理 · 核函数 (线性/RBF) · 参数调优
SVR核方法
12
决策树与随机森林回归
决策树构建 · 集成学习 · 随机森林 · 特征重要性
随机森林集成
13
梯度提升机 (GBM)
AdaBoost · GBDT · XGBoost · LightGBM · 超参数
BoostingXGBoost
14
人工神经网络 (ANN) 基础
感知机 · 激活函数 (ReLU/Sigmoid/Tanh) · 损失与优化
ANN深度学习
15
深度学习与循环神经网络 (RNN)
RNN · LSTM · GRU · 时间序列预测
RNNLSTM
16
CNN在寿命预测中的应用
一维CNN · 时序特征提取 · CNN-LSTM混合模型
CNN混合模型
17
自编码器与异常检测
自编码器原理 · 重构误差 · 健康指标构建
自编码器异常检测
18
生存分析基础
Kaplan-Meier · Cox比例风险 · AFT模型
生存分析Cox
19
基于相似性的寿命预测
欧氏距离 · DTW · 案例库 · 加权平均预测
相似性DTW
20
贝叶斯方法与不确定性量化
贝叶斯线性回归 · 高斯过程 · 预测区间 · MC Dropout
贝叶斯不确定性
21
模型评估与选择
偏差-方差 · 学习曲线 · 验证曲线 · 模型对比
评估选择
22
超参数调优技术
网格搜索 · 随机搜索 · 贝叶斯优化 · 早停法
调优Hyperopt
23
集成学习与模型融合
Bagging · Stacking · 加权平均 · 模型多样性
集成融合
24
时间序列预测基础
ARIMA · 季节性分解 · ADF检验 · 差分
ARIMA平稳性
25
多传感器数据融合
数据级/特征级/决策级融合 · 卡尔曼滤波简介
融合卡尔曼
26
迁移学习在寿命预测中的应用
预训练模型 · 微调 · 领域自适应 · 小样本学习
迁移学习微调
27
可解释人工智能 (XAI)
SHAP · LIME · 特征重要性 · 部分依赖图
XAISHAP
28
实战项目一：轴承退化预测
IMS/XJTU-SY数据集 · 全流程 (加载/特征/训练/评估)
轴承实战
29
实战项目二：锂离子电池衰减预测
NASA电池数据集 · 多步预测 · 不确定性量化
电池多步预测
30
课程总结与前沿展望
数字孪生 · PHM · 联邦学习 · 未来路径建议
前沿PHM