01
课程导论与项目背景
风机RUL预测的价值、工业场景痛点、课程整体技术栈与学习路径。
导论背景
02
数据采集与传感器基础
SCADA系统介绍、振动/温度/转速传感器原理、数据采集频率与同步问题。
传感器SCADA
03
数据清洗实战
缺失值处理（插值/删除）、异常值检测（3-Sigma/箱线图）、重复数据处理。
清洗异常检测
04
特征工程（上）
时域特征提取（均值、方差、峰值、峭度）、频域特征提取（FFT、频谱能量）。
时域频域
05
特征工程（下）
特征选择（相关性分析、互信息）、特征降维（PCA、t-SNE可视化）。
降维选择
06
退化趋势构建
健康指标（HI）构建方法、基于物理模型的退化曲线、基于数据驱动的趋势提取。
退化HI
07
标签工程
RUL标签定义（线性/分段线性/非线性）、运行时间与剩余寿命映射、截断处理。
标签映射
08
数据集划分
时间序列数据切分（滑动窗口）、训练集/验证集/测试集划分策略、防止数据泄露。
划分滑动窗口
09
基线模型
线性回归与多项式回归预测RUL、模型评估指标（RMSE、MAE、Score函数）。
基线回归
10
机器学习模型（上）
支持向量回归（SVR）原理与调参、随机森林回归实战。
SVR随机森林
11
机器学习模型（下）
XGBoost与LightGBM在RUL预测中的应用、集成学习策略。
XGBoostLightGBM
12
深度学习入门
PyTorch/TensorFlow环境搭建、张量操作、自动求导机制。
PyTorchTensorFlow
13
循环神经网络（RNN）
RNN原理、时序数据建模、简单RNN实现RUL预测。
RNN时序
14
LSTM与GRU
长短期记忆网络原理、门控机制、LSTM/GRU模型构建与对比。
LSTMGRU
15
CNN在时序中的应用
一维卷积神经网络（1D-CNN）、时间卷积网络（TCN）、特征提取。
1D-CNNTCN
16
注意力机制
自注意力原理、Transformer在时序预测中的应用、多头注意力。
注意力Transformer
17
混合模型
CNN-LSTM、CNN-Transformer、并行架构设计与实验。
混合CNN-LSTM
18
模型训练技巧
学习率调度（Cosine/Step）、早停法（Early Stopping）、梯度裁剪。
学习率早停
19
正则化与防过拟合
Dropout、Batch Normalization、L1/L2正则化、数据增强。
正则化Dropout
20
超参数调优（上）
网格搜索、随机搜索、贝叶斯优化（Optuna）实战。
网格搜索Optuna
21
超参数调优（下）
遗传算法调参、基于模型的调参、调参经验总结。
遗传算法调参
22
模型评估与验证
交叉验证（时间序列交叉验证）、滚动预测评估、鲁棒性测试。
交叉验证鲁棒性
23
不确定性量化
蒙特卡洛Dropout、集成学习不确定性、预测区间构建。
不确定性区间
24
模型部署基础
模型导出（ONNX/TorchScript）、轻量化（量化/剪枝）、API服务搭建（Flask/FastAPI）。
部署ONNX
25
边缘计算部署
树莓派/Jetson Nano部署、模型压缩、实时推理优化。
边缘计算Jetson
26
工业案例实战（一）
风场数据加载与预处理、特征工程全流程、基线模型建立。
案例预处理
27
工业案例实战（二）
LSTM模型训练与调优、结果分析与可视化。
LSTM调优
28
工业案例实战（三）
混合模型对比实验、最优模型选择与报告生成。
对比报告
29
模型监控与维护
数据漂移检测、模型重训练策略、持续学习（Continual Learning）。
监控持续学习
30
课程总结与进阶方向
联邦学习在RUL中的应用、数字孪生、前沿论文导读。
联邦学习数字孪生