01
课程导论与项目背景
风机故障预测的价值、课程目标与整体技术栈概览。
导论价值
02
工业数据采集基础
SCADA系统介绍、传感器类型（振动、温度、转速）、数据采集频率与挑战。
SCADA传感器
03
Python环境与工具链搭建
Anaconda安装、TensorFlow/PyTorch选择、Jupyter Notebook配置。
环境工具链
04
数据探索与可视化
使用Pandas读取SCADA数据、Matplotlib/Seaborn绘制趋势图与相关性热力图。
EDA可视化
05
数据预处理实战
缺失值处理（插值法）、异常值检测（3-Sigma原则）、数据标准化（Z-score）。
清洗标准化
06
特征工程（上）
时域特征提取（均值、方差、峰值因子、峭度）、滑动窗口技术。
时域滑动窗口
07
特征工程（下）
频域特征提取（FFT变换、频谱能量分布）、小波包分解简介。
频域小波
08
特征选择与降维
皮尔逊相关系数筛选、主成分分析（PCA）实战、t-SNE可视化。
降维PCA
09
数据集构建
正负样本定义（故障标签）、时间序列切片、训练集/验证集/测试集划分。
数据集划分
10
深度学习基础回顾
感知机、激活函数（ReLU/Sigmoid）、损失函数（MSE/CrossEntropy）、反向传播。
基础激活函数
11
循环神经网络（RNN）原理
RNN结构、梯度消失与爆炸问题、为什么RNN适合时序数据。
RNN时序
12
LSTM与GRU实战
LSTM门控机制详解、GRU简化版、Keras实现LSTM模型。
LSTMGRU
13
一维卷积神经网络（1D-CNN）
Conv1d原理、因果卷积、在时序信号中的应用。
1D-CNN卷积
14
注意力机制入门
Self-Attention原理、多头注意力、Transformer在时序预测中的变体。
注意力Transformer
15
模型架构设计（一）
基于LSTM的故障分类模型搭建（Keras Sequential API）。
LSTMSequential
16
模型架构设计（二）
基于CNN-LSTM混合模型搭建（Functional API）。
CNN-LSTMFunctional
17
模型训练与调优
学习率调度（ReduceLROnPlateau）、早停法（EarlyStopping）、Batch Size影响。
调优早停
18
过拟合与正则化
Dropout层、L1/L2正则化、Batch Normalization实战效果对比。
正则化Dropout
19
模型评估指标
准确率、精确率、召回率、F1-score、混淆矩阵、ROC-AUC曲线。
评估混淆矩阵
20
不平衡数据处理
故障样本稀少问题、过采样（SMOTE）、欠采样、类别权重调整。
不平衡SMOTE
21
模型解释性
SHAP值分析特征重要性、LIME局部解释、注意力权重可视化。
可解释SHAP
22
模型部署基础
模型保存（SavedModel/HDF5）、TensorFlow Serving简介、Flask API搭建。
部署Flask
23
边缘端部署
模型量化（TFLite）、ONNX转换、在树莓派/边缘网关上的推理。
边缘TFLite
24
实时数据流处理
Kafka + Flink 流式数据接入、滑动窗口实时预测架构。
流处理Kafka
25
项目实战（一）
数据加载与预处理Pipeline封装（Python类实现）。
Pipeline封装
26
项目实战（二）
模型训练脚本编写与超参数搜索（GridSearch/RandomSearch）。
超参数搜索
27
项目实战（三）
模型评估与可视化报告生成（自动生成PDF报告）。
报告PDF
28
项目实战（四）
端到端推理系统搭建（从数据库读取到告警推送）。
推理告警
29
案例复盘
某风场实际故障案例（齿轮箱磨损）的完整分析流程。
案例齿轮箱
30
课程总结与进阶方向
联邦学习在风机预测中的应用、数字孪生与PHM未来趋势。
总结联邦学习