01
课程导论与振动基础
风机故障诊断的意义、振动三要素（幅值、频率、相位）、常见风机故障类型（不平衡、不对中、松动、轴承故障）。
基础概念
02
信号采集与传感器选型
加速度传感器原理、ICP与电荷型传感器区别、采样定理（奈奎斯特）、抗混叠滤波器、数据采集卡参数设置。
硬件采集
03
时域信号分析（一）
均值、方差、均方根值、峰值、峰峰值、波形因子、峰值因子、脉冲因子、裕度因子。
时域指标
04
时域信号分析（二）
峭度、偏度、无量纲指标在故障诊断中的应用、Python实战计算时域特征。
时域Python
05
傅里叶变换与频谱分析
DFT/FFT原理、频谱分辨率、频率泄露与窗函数（汉宁窗、海明窗、布莱克曼窗）、幅值谱与功率谱。
频谱窗函数
06
频谱分析实战
Python实现FFT、绘制频谱图、识别转频及其谐波、边频带分析。
Python边频
07
包络谱分析
希尔伯特变换原理、包络解调技术、用于轴承和齿轮故障诊断、Python实现包络谱。
包络轴承
08
倒频谱分析
功率倒频谱与复倒频谱、边频带分离、齿轮箱故障诊断应用、Python实现倒频谱。
倒频谱齿轮箱
09
短时傅里叶变换（STFT）
时频分析思想、STFT原理、时间分辨率和频率分辨率的权衡、Python实现STFT与谱图。
时频STFT
10
小波变换（一）
连续小波变换（CWT）原理、小波基函数选择（Morlet、Daubechies）、尺度与频率的关系。
小波CWT
11
小波变换（二）
离散小波变换（DWT）、多分辨率分析、小波包分解、Python实现小波去噪与特征提取。
DWT去噪
12
经验模态分解（EMD）
EMD原理、本征模态函数（IMF）、端点效应与模态混叠、Python实现EMD分解。
EMDIMF
13
改进EMD方法
集合经验模态分解（EEMD）、互补集合经验模态分解（CEEMDAN）、自适应噪声完备集合经验模态分解。
EEMDCEEMDAN
14
变分模态分解（VMD）
VMD原理、与EMD对比、参数选择（K值、惩罚因子）、Python实现VMD。
VMD参数
15
特征选择与降维
皮尔逊相关系数、互信息、主成分分析（PCA）、t-SNE可视化、Python实现特征筛选。
降维PCA
16
机器学习基础（一）
机器学习三要素（数据、模型、算法）、训练集/验证集/测试集划分、交叉验证、过拟合与欠拟合。
ML基础划分
17
机器学习基础（二）
分类与回归问题、混淆矩阵、准确率/精确率/召回率/F1分数、ROC曲线与AUC。
评估指标
18
K近邻（KNN）算法
KNN原理、距离度量（欧氏距离、曼哈顿距离）、K值选择、风机故障分类实战。
KNN分类
19
支持向量机（SVM）
SVM原理、核函数（线性核、RBF核）、参数C与gamma调优、多分类策略。
SVM核函数
20
决策树与随机森林
决策树原理（信息增益、基尼系数）、随机森林集成学习、特征重要性评估、实战对比。
随机森林集成
21
朴素贝叶斯与逻辑回归
朴素贝叶斯原理（高斯NB）、逻辑回归原理、Sigmoid函数、概率输出解释。
贝叶斯逻辑回归
22
人工神经网络（ANN）
感知机模型、多层感知机（MLP）、激活函数（ReLU、Tanh、Sigmoid）、反向传播算法。
ANNMLP
23
卷积神经网络（CNN）
一维卷积原理、池化操作、CNN用于振动信号分类、Python（Keras/TensorFlow）实战。
CNN1D卷积
24
循环神经网络（RNN）
序列建模、LSTM与GRU原理、门控机制、用于时间序列预测与分类。
RNNLSTM
25
自编码器（Autoencoder）
自编码器原理、降噪自编码器、用于异常检测（无监督学习）、Python实战。
自编码器异常检测
26
迁移学习
迁移学习概念、预训练模型微调、领域自适应、在故障诊断中的应用案例。
迁移微调
27
模型解释性
SHAP值、LIME、特征重要性可视化、模型决策过程理解。
可解释SHAP
28
综合实战（一）
数据预处理流程（去趋势、去均值、归一化）、构建完整特征工程管道、多模型对比。
实战管道
29
综合实战（二）
模型部署基础（ONNX导出、Flask API）、实时监测系统设计思路。
部署API
30
课程总结与前沿展望
数字孪生、联邦学习在故障诊断中的应用、课程知识图谱回顾。
前沿总结