01
齿轮箱故障诊断概述
齿轮箱在工业中的地位、常见故障类型（磨损、断齿、点蚀）、振动分析的基本原理。
故障机理入门
02
信号处理基础
时域信号与频域信号、采样定理、傅里叶变换（FFT）的基本概念。
理论FFT
03
Python环境搭建
Anaconda安装、Jupyter Notebook配置、必备库（numpy, scipy, matplotlib, pyvib）安装。
环境Python
04
数据采集实战
使用加速度传感器采集齿轮箱振动数据、数据格式解析（.csv, .mat）、数据导入Python。
硬件数据
05
时域分析
均值、方差、均方根值、峰值因子、峭度等统计特征的计算与物理意义。
统计特征
06
频域分析（上）
FFT实战、频谱图绘制、频率分辨率与窗函数的选择。
频谱窗函数
07
频域分析（下）
功率谱密度（PSD）、倒频谱分析、边频带识别。
PSD倒频谱
08
时频分析（上）
短时傅里叶变换（STFT）原理与Python实现、时频谱图绘制。
STFT时频
09
时频分析（下）
小波变换（Wavelet）入门、连续小波变换（CWT）与离散小波变换（DWT）应用。
小波CWT
10
包络分析
希尔伯特变换原理、包络谱提取、用于轴承故障诊断的实战案例。
包络轴承
11
阶次分析
变转速工况下的阶次跟踪原理、计算阶次谱、Python实现。
阶次变转速
12
同步平均
时域同步平均（TSA）原理、消除噪声、提取周期信号。
TSA降噪
13
共振解调技术
高频共振解调原理、带通滤波器设计、解调谱分析。
解调滤波器
14
特征工程（上）
时域特征提取（峰值、裕度、波形因子等）、频域特征提取（重心频率、频率方差等）。
特征时频
15
特征工程（下）
特征选择方法（相关系数、互信息、主成分分析PCA）、特征降维。
PCA降维
16
机器学习入门
分类与回归问题、训练集与测试集划分、模型评估指标（准确率、召回率、F1-score）。
ML基础评估
17
支持向量机（SVM）
SVM原理、核函数选择、在齿轮箱故障分类中的应用。
SVM分类
18
随机森林
集成学习思想、随机森林参数调优、特征重要性排序。
随机森林集成
19
K近邻（KNN）与决策树
KNN距离度量、决策树剪枝、模型对比。
KNN决策树
20
神经网络基础
感知机、激活函数（ReLU, Sigmoid）、反向传播原理。
神经网络激活
21
深度学习实战（上）
使用Keras/TensorFlow构建简单全连接网络、训练与预测。
Keras全连接
22
深度学习实战（下）
卷积神经网络（CNN）用于振动信号分类、一维卷积层设计。
CNN1D卷积
23
自编码器与异常检测
自编码器原理、重构误差、用于齿轮箱异常检测。
自编码器异常
24
迁移学习
预训练模型微调、在少量样本下的故障诊断应用。
迁移微调
25
模型部署
将训练好的模型导出为ONNX、使用Flask搭建简单API服务。
ONNXFlask
26
案例实战（一）
单级齿轮箱断齿故障诊断全流程（数据采集→特征提取→模型训练）。
断齿全流程
27
案例实战（二）
多级齿轮箱复合故障诊断（磨损+点蚀）、多标签分类。
复合故障多标签
28
案例实战（三）
变转速工况下的轴承故障诊断、阶次分析与包络分析结合。
变转速轴承
29
案例实战（四）
基于深度学习的端到端故障诊断、无需手工特征。
端到端深度学习
30
课程总结与展望
工业4.0下的智能运维、边缘计算与云诊断趋势、推荐学习资源。
展望资源