01
课程导论
主轴轴承疲劳裂纹的机理、早期识别的工程意义、课程整体框架与学习路径。
机理框架
02
信号基础
振动信号的时域与频域特征、采样定理、混叠效应、常用传感器选型。
采样定理传感器
03
Python环境搭建
Anaconda安装、Jupyter Notebook配置、NumPy/SciPy/PyTorch等核心库安装。
环境PyTorch
04
数据采集实战
使用NI DAQ或USB采集卡采集主轴振动信号，Python实时读取与存储。
DAQ实时
05
数据预处理
去趋势项、异常值剔除、重采样、数据分段与标准化。
清洗标准化
06
时域特征提取
均值、方差、峰值、峭度、波形因子、脉冲因子等统计特征计算。
统计峭度
07
频域特征提取
FFT变换、功率谱密度、频谱峰值、边频带分析。
FFT边频带
08
时频域分析
短时傅里叶变换（STFT）、小波变换、希尔伯特-黄变换（HHT）基础。
STFT小波
09
包络分析
希尔伯特变换解调、包络谱提取、故障特征频率识别。
解调包络谱
10
特征选择与降维
皮尔逊相关系数、主成分分析（PCA）、t-SNE可视化。
PCAt-SNE
11
传统机器学习模型
支持向量机（SVM）、随机森林、K近邻（KNN）在故障分类中的应用。
SVM随机森林
12
深度学习入门
PyTorch基础、张量操作、自动求导、构建简单全连接网络。
PyTorch张量
13
一维卷积神经网络（1D-CNN）
针对振动信号的1D-CNN模型设计、训练与评估。
1D-CNN振动
14
循环神经网络（RNN/LSTM）
时序建模、LSTM网络结构、在裂纹演化预测中的应用。
LSTM时序
15
自编码器异常检测
构建自编码器、重构误差分析、无监督裂纹早期预警。
自编码器无监督
16
迁移学习
预训练模型微调、域自适应、小样本场景下的裂纹识别。
微调域自适应
17
模型评估与调优
混淆矩阵、ROC曲线、超参数网格搜索、交叉验证。
ROC调优
18
数据增强
滑动窗口重叠采样、添加噪声、时间扭曲、频率掩码。
增强噪声
19
实时监测系统设计
基于Python的多线程数据采集、缓冲队列、实时推理流水线。
多线程实时
20
边缘计算部署
模型量化（ONNX/TensorRT）、在树莓派/Jetson Nano上的部署实践。
ONNX边缘
21
案例实战一：CWRU轴承数据
公开数据集（CWRU轴承数据）的裂纹识别全流程。
CWRU实战
22
案例实战二：机床主轴实测
某型机床主轴实测数据的裂纹早期预警系统搭建。
机床预警
23
案例实战三：风电主轴轴承
风电主轴轴承的远程监测与裂纹趋势预测。
风电趋势
24
故障特征频率计算
轴承几何参数与特征频率公式、Python自动计算工具开发。
频率工具
25
信号降噪技术
小波阈值降噪、自适应滤波、奇异值分解（SVD）降噪。
降噪SVD
26
多传感器融合
加速度计、声发射、温度信号的融合策略与决策级融合。
融合决策
27
可解释性分析
Grad-CAM、SHAP值、特征重要性排序，让模型“说人话”。
Grad-CAMSHAP
28
工业标准与规范
ISO 10816振动标准、API 670监测系统要求、报告撰写规范。
ISOAPI
29
项目实战答辩
从数据采集到部署的完整项目汇报模板、常见面试问题解析。
答辩面试
30
课程总结与进阶
前沿技术展望（数字孪生、联邦学习）、推荐书籍与论文、社区资源。
数字孪生联邦学习