基于机器学习的风机故障分类与定位实战

📚 共计 30 章节

课程导论与项目背景

风机故障诊断的行业痛点、机器学习能解决什么问题、课程整体架构与学习路径。

导论行业痛点

风机结构与常见故障模式

双馈异步发电机结构、齿轮箱/轴承/叶片典型故障、故障机理与振动/温度信号特征。

机械结构故障模式

数据采集与SCADA系统

SCADA系统架构、数据采集频率与通道、数据标签含义解析、数据质量初探。

SCADA数据采集

Python科学计算环境搭建

Anaconda安装、Jupyter Notebook配置、NumPy/Pandas/Scikit-learn/Sklearn库安装。

环境配置Python

数据探索性分析（EDA）

数据加载与概览、缺失值与异常值可视化、统计描述与分布分析、相关性热力图。

数据预处理实战

缺失值处理（删除/填充）、异常值检测（3σ/IQR）、数据标准化与归一化、类别特征编码。

预处理标准化

特征工程（上）

时域特征提取（均值、方差、峰值、峭度等）、频域特征提取（FFT、频谱能量）、小波包分解。

时域频域小波

特征工程（下）

特征选择方法（过滤式、包裹式、嵌入式）、PCA降维、t-SNE可视化、特征重要性排序。

降维特征选择

数据集划分与交叉验证

训练集/验证集/测试集划分、K折交叉验证、分层抽样、数据不平衡问题初探。

交叉验证划分

逻辑回归与线性分类器

逻辑回归原理、Sklearn实现、多分类策略（OvR/OvO）、模型评估指标（准确率/召回率/F1）。

逻辑回归分类

支持向量机（SVM）

SVM原理（最大间隔、核技巧）、线性SVM与RBF核、参数调优（C、gamma）、实战对比。

决策树与随机森林

决策树原理（信息增益、基尼系数）、随机森林集成思想、特征重要性分析、过拟合控制。

决策树随机森林

梯度提升树（XGBoost/LightGBM）

Boosting原理、XGBoost核心参数、LightGBM的直方图算法、实战调参。

XGBoostLightGBM

K近邻（KNN）与朴素贝叶斯

KNN距离度量与K值选择、朴素贝叶斯条件独立性假设、适用场景分析。

神经网络入门（MLP）

多层感知机结构、激活函数（ReLU/Sigmoid）、反向传播直觉、Sklearn MLPClassifier实战。

MLP神经网络

模型评估与调优（上）

混淆矩阵与ROC曲线、AUC值含义、学习曲线与验证曲线、网格搜索与随机搜索。

模型评估与调优（下）

过拟合与欠拟合诊断、正则化（L1/L2）、早停法、模型集成（Voting/Stacking）。

正则化集成

故障分类实战（一）

二分类问题（正常vs故障）、数据平衡处理（SMOTE过采样）、模型选择与对比。

故障分类实战（二）

多分类问题（具体故障类型识别）、混淆矩阵分析、分类报告解读、模型部署思路。

多分类部署

故障定位问题引入

什么是故障定位、分类与定位的区别、定位的难点（多源耦合、传播路径）。

基于规则与专家系统的定位

阈值报警逻辑、专家规则库构建、规则引擎实现、局限性分析。

专家系统规则

基于距离度量的定位方法

欧氏距离/马氏距离、相似度匹配、KNN用于定位、实战案例。

距离度量KNN

基于树模型的定位方法

决策路径提取、特征贡献度分解、SHAP值解释定位、可视化展示。

基于深度学习的定位方法

CNN用于振动信号定位、注意力机制引入、可解释性（Grad-CAM）。

故障定位实战（一）

单传感器定位场景、特征重要性排序定位、规则+ML混合定位。

单传感器混合

故障定位实战（二）

多传感器融合定位、数据级/特征级/决策级融合、D-S证据理论应用。

多传感器融合

模型部署与边缘计算

ONNX模型转换、Flask API搭建、边缘设备（树莓派/PLC）部署要点。

部署边缘计算

项目实战：完整风场故障诊断系统设计

需求分析、数据流设计、模块划分、前后端交互。

系统设计全栈

课程总结与进阶方向

课程知识图谱回顾、联邦学习在风机诊断中的应用、数字孪生与PHM展望。

总结联邦学习

附录：常见问题FAQ

代码仓库说明、数据集获取方式、参考文献与扩展阅读。