01
课程导论与行业背景
风机故障诊断的意义、预测性维护的价值、课程整体架构与学习路径。
导论行业背景
02
风机基础与常见故障机理
风机工作原理、关键部件（轴承、齿轮箱、叶片）、常见故障类型（不平衡、不对中、松动、轴承故障）。
机理故障类型
03
信号处理基础（一）
时域分析（均值、方差、峰值、峭度）、频域分析（傅里叶变换FFT）、Python实现与可视化。
时域频域FFT
04
信号处理基础（二）
包络谱分析、小波变换入门、时频分析（短时傅里叶变换STFT）、Python实战。
包络谱小波STFT
05
振动传感器与数据采集系统
加速度传感器选型、数据采集卡（DAQ）配置、采样定理与抗混叠滤波、Python读取数据。
传感器DAQ采样
06
数据预处理实战
缺失值处理、异常值检测（3σ、IQR）、去趋势项、信号滤波（低通、高通、带通）、Python代码实现。
预处理滤波异常检测
07
特征工程（一）
时域特征提取（RMS、峰值因子、脉冲因子、裕度因子）、频域特征提取（重心频率、频率方差）、Python实现。
时域特征频域特征
08
特征工程（二）
时频域特征（小波包能量谱）、熵特征（近似熵、样本熵、排列熵）、特征选择方法（相关系数、互信息）。
小波包熵特征选择
09
机器学习基础与故障分类
监督学习概述、数据集划分（训练/验证/测试）、KNN、决策树、随机森林原理与Python实现。
KNN决策树随机森林
10
支持向量机（SVM）故障诊断
SVM原理（核函数、软间隔）、多分类策略、参数调优（网格搜索）、Python实战案例。
SVM核函数网格搜索
11
深度学习入门与故障诊断
神经网络基础、激活函数、损失函数、PyTorch/TensorFlow环境搭建、简单全连接网络实现故障分类。
深度学习全连接PyTorch
12
卷积神经网络（CNN）故障诊断
1D-CNN原理、适用于振动信号的网络结构设计、Python实战（训练、评估、混淆矩阵）。
1D-CNN振动信号混淆矩阵
13
循环神经网络（RNN）与故障趋势预测
RNN/LSTM原理、时间序列预测、剩余寿命（RUL）预测基础、Python实现。
RNNLSTMRUL
14
自编码器与异常检测
自编码器原理、基于重构误差的异常检测、在风机无监督故障检测中的应用、Python实战。
自编码器异常检测无监督
15
迁移学习在故障诊断中的应用
迁移学习概念、领域自适应、预训练模型微调、跨工况故障诊断实战。
迁移学习微调跨工况
16
模型评估与优化
交叉验证、过拟合与欠拟合、正则化（L1/L2）、Dropout、学习率调度、早停法。
正则化Dropout早停
17
工业数据不平衡处理
重采样（过采样SMOTE、欠采样）、代价敏感学习、集成学习方法（EasyEnsemble）、Python实战。
SMOTE不平衡集成学习
18
特征融合与多传感器数据融合
数据层融合、特征层融合、决策层融合、基于D-S证据理论的融合方法。
数据融合D-S证据多传感器
19
故障诊断系统架构设计
边缘计算与云计算、实时数据流处理（Kafka/Flume）、微服务架构、系统可靠性设计。
边缘计算Kafka微服务
20
OPC UA与工业通信协议
OPC UA基础、MQTT协议、Modbus TCP、Python实现数据采集与通信。
OPC UAMQTTModbus
21
数字孪生与虚拟传感器
数字孪生概念、机理模型与数据驱动模型结合、虚拟传感器技术、Python仿真案例。
数字孪生虚拟传感器仿真
22
预测性维护策略制定
基于状态的维护（CBM）、定期维护与预测维护对比、维护决策优化（成本、停机时间）。
CBM维护策略决策优化
23
剩余寿命（RUL）预测实战
退化轨迹建模、指数/线性退化模型、Wiener过程、Python实现RUL预测。
RUL退化模型Wiener
24
PHM（故障预测与健康管理）系统集成
PHM标准（ISO 13374）、OSA-CBM架构、数据管理、可视化仪表盘。
PHMISO 13374OSA-CBM
25
工业互联网平台与云服务
AWS IoT/Azure IoT/阿里云IoT、数据上云、云端模型部署、API调用。
云服务IoT模型部署
26
边缘计算与模型部署
边缘设备（Jetson Nano/Raspberry Pi）、模型压缩（量化、剪枝）、ONNX/TensorRT部署。
边缘计算模型压缩ONNX
27
端到端实战项目（一）
真实风机振动数据集加载、数据清洗、特征提取、数据集构建。
数据清洗特征提取实战
28
端到端实战项目（二）
CNN/LSTM模型训练、超参数调优、模型保存与加载、结果可视化。
模型训练超参数可视化
29
端到端实战项目（三）
Flask API搭建、边缘端部署、实时数据流推理、告警系统。
Flask实时推理告警
30
课程总结与未来展望
技术路线回顾、工业AI发展趋势、生成式AI在故障诊断中的应用、持续学习建议。
总结生成式AI学习建议