01
项目背景与目标
风机故障诊断的工业意义、项目目标与预期成果、数据来源说明。
背景目标
02
环境搭建与工具准备
Python环境配置、Jupyter Notebook安装、关键库安装。
环境工具
03
数据采集与理解
传感器类型与安装位置、采集频率、数据文件格式解析。
采集格式
04
数据加载与初步探索
Pandas读取数据、head/info/describe、类型与缺失值检查。
Pandas探索
05
数据清洗实战
处理缺失值、异常值(3σ/IQR)、去重与时间戳对齐。
清洗异常值
06
特征工程（时域）
均值、方差、均方根、峰值、峭度、波形因子等统计特征。
时域统计
07
特征工程（频域）
傅里叶变换(FFT)原理、频谱图绘制、主要频率分量提取。
频域FFT
08
特征工程（时频域）
小波变换原理、小波包分解、能量特征提取。
时频域小波
09
特征选择与降维
相关性分析、主成分分析(PCA)、特征重要性排序。
降维PCA
10
数据标注与标签构建
故障类型定义、人工标注与自动标注策略。
标注标签
11
数据集划分
训练/验证/测试集划分、分层抽样、交叉验证。
划分分层
12
机器学习模型（分类）
逻辑回归、SVM、决策树与随机森林原理及对比。
分类SVM
13
模型训练与调参（上）
Scikit-learn训练SVM与随机森林、网格搜索调优。
调参GridSearch
14
模型训练与调参（下）
交叉验证评估、学习曲线、防止过拟合技巧。
调参过拟合
15
模型评估指标
准确率、精确率、召回率、F1-score、混淆矩阵、ROC/AUC。
评估ROC
16
深度学习模型（CNN）
一维卷积神经网络原理、在振动信号中的应用。
CNN深度学习
17
深度学习模型（LSTM）
长短期记忆网络原理、时序信号处理优势。
LSTM时序
18
模型部署与推理
模型保存(pickle/joblib)、实时预测、API接口设计。
部署推理
19
故障诊断报告生成（上）
报告结构设计、关键图表自动生成（趋势图、频谱图）。
报告可视化
20
故障诊断报告生成（下）
Python自动化生成Word/PDF报告、模板化输出。
WordPDF
21
案例实战（一）
滚动轴承故障诊断全流程——从数据到诊断结论。
轴承实战
22
案例实战（二）
齿轮箱故障诊断——多传感器数据融合分析。
齿轮箱融合
23
案例实战（三）
转子不平衡与不对中故障区分——特征对比与决策逻辑。
转子对比
24
异常检测方法
孤立森林、One-Class SVM、基于重构误差的方法。
异常检测孤立森林
25
趋势预测与剩余寿命预测
回归模型、特征趋势外推、剩余寿命预测。
预测寿命
26
可视化仪表盘搭建
Matplotlib/Plotly交互式仪表盘、关键指标实时监控。
仪表盘Plotly
27
项目总结与优化
常见问题复盘、模型优化方向、数据增强策略。
总结优化
28
工业部署注意事项
边缘计算与云端部署、模型轻量化、数据安全与隐私。
部署边缘计算
29
扩展学习路径
联邦学习、生成对抗网络(GAN)、迁移学习。
扩展GAN
30
结业项目与答辩指导
项目选题建议、报告撰写规范、答辩PPT技巧。
结业答辩