01
课程导论与项目全景
风电设备剩余寿命预测的价值、课程目标与学习路径、项目整体架构与数据流。
导论全景
02
风电设备基础与故障机理
风力发电机主要部件（叶片、齿轮箱、发电机、轴承）、常见故障模式与退化机理、关键传感器与SCADA系统。
故障机理SCADA
03
数据采集与预处理
SCADA数据采集原理、数据清洗（缺失值、异常值处理）、数据标准化与归一化。
预处理清洗
04
特征工程（上）
时域特征提取（均值、方差、峰值、峭度等）、频域特征提取（FFT、功率谱密度）、特征选择方法。
时域频域选择
05
特征工程（下）
基于物理模型的退化特征构建、多传感器特征融合（PCA、自编码器）、特征降维与可视化（t-SNE）。
融合降维
06
数据划分与序列构建
时间序列数据划分策略（滑动窗口）、训练集/验证集/测试集划分、序列长度与步长选择。
滑动窗口划分
07
传统机器学习模型（上）
线性回归与岭回归、支持向量回归（SVR）、决策树与随机森林回归。
回归SVR随机森林
08
传统机器学习模型（下）
梯度提升机（GBM、XGBoost、LightGBM）、模型对比与选择策略、模型集成方法（Voting、Stacking）。
XGBoost集成
09
深度学习基础回顾
神经网络基础（感知机、激活函数）、反向传播与梯度下降、过拟合与正则化（Dropout、Batch Normalization）。
神经网络正则化
10
循环神经网络（RNN）
RNN原理与结构、RNN在时间序列预测中的应用、RNN的局限性（梯度消失/爆炸）。
RNN时间序列
11
长短期记忆网络（LSTM）
LSTM核心机制（遗忘门、输入门、输出门）、LSTM单元详解、双向LSTM（Bi-LSTM）。
LSTMBi-LSTM
12
门控循环单元（GRU）
GRU原理与结构、GRU vs LSTM对比、GRU实战案例。
GRU对比
13
CNN在时间序列中的应用
1D-CNN原理、时间卷积网络（TCN）、CNN与RNN混合模型。
1D-CNNTCN
14
注意力机制与Transformer
自注意力机制原理、Transformer编码器结构、时间序列Transformer（Informer、Autoformer）。
注意力Transformer
15
模型训练与调优
损失函数选择（MSE、MAE、Huber Loss）、优化器选择（Adam、SGD）、学习率调度策略、超参数搜索。
调优超参数
16
模型评估与验证
回归评估指标（RMSE、MAE、R²）、剩余寿命预测专用指标（Score Function）、时间序列交叉验证。
评估交叉验证
17
不确定性量化
预测区间构建（分位数回归、MC Dropout）、贝叶斯神经网络简介、模型置信度评估。
不确定性区间
18
模型部署与边缘计算
模型导出（ONNX、TensorRT）、边缘设备部署（树莓派、Jetson）、模型量化与压缩。
部署边缘计算
19
联邦学习与隐私保护
联邦学习基础（FedAvg）、风电数据隐私挑战、横向与纵向联邦学习。
联邦学习隐私
20
迁移学习与域适应
迁移学习基础、域适应方法（CORAL、MMD）、源域与目标域对齐。
迁移学习域适应
21
异常检测与早期预警
基于重构的异常检测（自编码器）、基于预测的异常检测、早期故障预警阈值设定。
异常检测预警
22
多任务学习
多任务学习框架、同时预测多个部件寿命、任务权重平衡策略。
多任务平衡
23
可解释性分析
SHAP值分析、LIME局部解释、注意力权重可视化、特征重要性排序。
SHAPLIME
24
案例实战（一）：数据准备与探索性分析
真实风电数据集介绍、数据加载与初步探索、可视化数据分布与趋势。
实战EDA
25
案例实战（二）：特征工程与基线模型
特征提取与选择、构建传统机器学习基线模型、基线模型评估。
基线特征工程
26
案例实战（三）：LSTM模型构建与训练
搭建LSTM网络、模型训练与监控、结果分析与优化。
LSTM实战
27
案例实战（四）：Transformer模型构建与训练
搭建时间序列Transformer、多头注意力机制实现、模型对比分析。
Transformer多头注意力
28
案例实战（五）：模型集成与最终结果
模型集成策略实施、最终预测结果生成、项目总结与报告撰写。
集成总结
29
前沿趋势与研究方向
物理信息神经网络（PINN）、自监督学习在寿命预测中的应用、大模型与基础模型探索。
PINN自监督
30
课程总结与职业发展
核心知识回顾、学习路径建议、行业认证与职业规划。
总结职业