01
课程导论
齿轮箱裂纹检测的意义、行业痛点、课程目标与学习路径。
入门全景
02
齿轮箱基础
齿轮箱结构、常见故障类型、裂纹产生的机理与特征。
机械原理
03
振动信号基础
振动三要素（幅值、频率、相位）、时域与频域、采样定理。
信号核心
04
传感器选型与安装
加速度传感器原理、选型要点、安装位置与磁座/胶粘方法。
硬件实操
05
数据采集系统搭建
DAQ硬件选型、信号调理、抗混叠滤波器、采样参数设置。
采集系统
06
Python环境与工具链
Anaconda安装、Jupyter Notebook、NumPy/SciPy/Matplotlib入门。
Python环境
07
信号预处理（上）
去趋势项、均值移除、异常值检测与剔除。
预处理清洗
08
信号预处理（下）
低通/高通/带通滤波器设计（Butterworth）、零相位滤波。
滤波经典
09
时域特征提取
峰值、峰峰值、均方根值、峭度、波形因子、脉冲因子。
特征时域
10
频域分析基础
傅里叶变换（FFT）原理、频谱图绘制、频率分辨率。
频域FFT
11
包络谱分析
希尔伯特变换、包络解调原理、轴承/齿轮故障特征频率提取。
包络解调
12
时频分析（上）
短时傅里叶变换（STFT）、时频谱图、窗函数选择。
时频STFT
13
时频分析（下）
小波变换（CWT/DWT）原理、小波基选择、尺度图绘制。
小波CWT
14
阶次分析
变转速工况下的阶次跟踪、计算阶次谱、重采样技术。
阶次变转速
15
机器学习入门
特征工程概念、数据标注、训练集/验证集划分、过拟合与欠拟合。
ML基础
16
分类模型（一）
K近邻（KNN）、支持向量机（SVM）原理与裂纹分类应用。
KNNSVM
17
分类模型（二）
随机森林、XGBoost原理、特征重要性排序。
集成XGBoost
18
深度学习基础
CNN一维卷积原理、池化层、全连接层、用于振动信号分类。
CNN深度
19
裂纹定位原理
基于振动传播路径、时差定位法（TDOA）、波束成形简介。
定位TDOA
20
模态分析与裂纹
固有频率变化与裂纹深度关系、模态振型、实验模态分析。
模态动力学
21
有限元仿真辅助
ANSYS/ABAQUS齿轮箱裂纹建模、应力集中区域预测。
FEA仿真
22
声发射检测
声发射原理、裂纹扩展声发射信号特征、参数分析。
AE声发射
23
油液分析辅助
铁谱分析、颗粒计数、油液光谱分析与裂纹关联。
油液辅助
24
综合诊断策略
多源信息融合（振动+声发射+温度）、决策级融合。
融合策略
25
实战项目一
基于Python的齿轮箱振动数据加载、可视化与预处理。
实战Python
26
实战项目二
提取时域/频域特征，训练SVM分类器进行裂纹识别。
SVM特征
27
实战项目三
构建一维CNN模型，实现端到端的裂纹检测。
CNN端到端
28
实战项目四
基于多传感器时差法的裂纹定位算法实现。
定位TDOA
29
系统部署与边缘计算
模型轻量化、ONNX导出、树莓派/工控机部署。
部署边缘
30
课程总结与进阶
行业趋势（PHM、数字孪生）、推荐资源、职业发展路径。
总结进阶