01
课程导论与项目背景
RUL预测定义、工业场景（航空发动机/风机/电池）、C-MAPSS数据集与项目目标
导论C-MAPSS
02
环境搭建与工具链
Anaconda配置、Pandas/NumPy/PyTorch安装、Jupyter Notebook使用
Python环境
03
数据探索与可视化 (EDA)
加载C-MAPSS、清洗缺失值、传感器信号可视化、运行周期分布
EDA可视化
04
特征工程基础
标准化/归一化、滑动窗口特征（均值/方差/斜率）、相关性分析
特征工程滑动窗口
05
传统机器学习方法 (一)
线性/多项式回归、RMSE/MAE/Score评估指标
回归评估
06
传统机器学习方法 (二)
随机森林、XGBoost/LightGBM调参、RUL预测实战
集成学习XGBoost
07
深度学习入门 · PyTorch
张量、自动求导、全连接MLP实现RUL预测
PyTorchMLP
08
循环神经网络 (RNN)
RNN原理、时序数据处理、C-MAPSS简单实现
RNN时序
09
长短期记忆网络 (LSTM)
遗忘门/输入门/输出门、长序列依赖、PyTorch LSTM-RUL
LSTM门机制
10
LSTM训练与调优
超参数搜索、早停法、学习率调度
调参EarlyStopping
11
CNN与一维卷积
1D-CNN原理、时序特征提取、CNN-LSTM混合模型
CNN混合模型
12
注意力机制 (Attention)
Self-Attention/Multi-Head、Transformer简介、RUL应用
AttentionTransformer
13
时间卷积网络 (TCN)
因果卷积、膨胀卷积、TCN vs LSTM 实战
TCN因果卷积
14
多变量时间序列处理
多传感器融合、PCA/互信息特征选择、降维
降维PCA
15
数据增强与不平衡处理
噪声注入、时间扭曲、退化轨迹不平衡
增强不平衡
16
迁移学习在RUL中的应用
源域/目标域、微调预训练模型、跨工况迁移
迁移学习Fine-tune
17
不确定性量化
贝叶斯神经网络、MC Dropout、置信区间
BNNMC Dropout
18
模型解释性 (XAI)
SHAP、特征重要性、LIME、关键传感器可视化
XAISHAP
19
集成学习方法
Bagging/Boosting/Stacking、多模型融合稳定性
集成Stacking
20
在线学习与增量更新
流式数据处理、在线更新策略、灾难性遗忘
在线学习增量
21
异常检测与健康管理
RUL异常预警、阈值设定、健康指数HI构建
异常检测HI
22
实战项目一：电池RUL预测
NASA电池数据集、LSTM模型构建与评估
电池实战
23
实战项目二：风机齿轮箱RUL
振动信号处理、频域特征、模型对比
齿轮箱振动
24
实战项目三：多工况航空发动机
C-MAPSS多工况处理、通用预测模型
多工况航空
25
模型部署基础
ONNX/TorchScript导出、Flask API、Web预测界面
部署Flask
26
边缘计算与嵌入式部署
INT8量化、TensorRT、树莓派/Jetson Nano
边缘TensorRT
27
工业标准与评估体系
PHM竞赛规则、Score函数、技术报告撰写
PHMScore
28
前沿研究论文导读
扩散模型、图神经网络、强化学习、未来趋势
前沿论文
29
课程总结与知识图谱
算法回顾、知识体系构建、进阶学习路径
总结图谱
30
毕业设计指导
选题建议、实验框架、论文模板、答辩技巧
毕设指导