01
风电AI运维概述
风电行业现状与挑战 · AI在风电运维中的价值 · 课程目标与学习路径
行业背景AI价值
02
风电机组核心部件与数据采集
SCADA系统介绍 · 传感器类型与数据采集原理 · 数据采集频率与存储
SCADA传感器
03
数据预处理实战
缺失值处理 · 异常值检测与修正 · 数据标准化与归一化
清洗归一化
04
特征工程基础
时域特征提取（均值、方差、峰值等）· 频域特征提取（FFT、频谱分析）· 特征选择方法
时域频域特征选择
05
基于统计学的异常检测
3-Sigma原则 · 箱线图法 · Z-Score方法 · 实战：齿轮箱温度异常检测
统计学箱线图
06
基于距离的异常检测
K近邻（KNN）异常检测 · 局部异常因子（LOF）算法 · 实战：振动传感器异常检测
KNNLOF
07
基于聚类的异常检测
K-Means聚类异常检测 · DBSCAN密度聚类 · 实战：功率曲线异常识别
K-MeansDBSCAN
08
孤立森林算法
算法原理 · 参数调优 · 实战：多维度传感器融合异常检测
孤立森林集成
09
单类支持向量机（One-Class SVM）
算法原理 · 核函数选择 · 实战：发电机状态监测
OCSVM核函数
10
自编码器（Autoencoder）异常检测
神经网络基础 · 自编码器原理 · 重构误差与异常判定 · 实战：轴承退化检测
AE重构误差
11
LSTM时间序列异常检测
循环神经网络基础 · LSTM原理 · 时序预测与残差分析 · 实战：主轴温度预测
LSTM时序
12
变分自编码器（VAE）异常检测
VAE原理 · 与AE的区别 · 实战：复杂工况下的异常检测
VAE生成式
13
生成对抗网络（GAN）异常检测
GAN基础 · AnoGAN原理 · 实战：叶片结冰检测
GANAnoGAN
14
时序异常检测框架（TAD）
滑动窗口技术 · 多尺度异常检测 · 实战：电网波动下的机组响应
滑动窗口多尺度
15
多模态数据融合异常检测
振动+温度+功率数据融合 · 特征级融合与决策级融合 · 实战：综合健康评估
多模态融合
16
模型评估与调优
混淆矩阵 · Precision/Recall/F1 · ROC曲线与AUC · 阈值选择策略
评估ROC
17
模型部署与边缘计算
ONNX模型转换 · TensorRT加速 · 边缘设备部署实战（Jetson Nano）
ONNXTensorRT
18
实时数据流处理
Kafka数据接入 · Flink流处理 · 实时异常告警系统设计
KafkaFlink
19
数字孪生与异常检测
数字孪生基础 · 机理模型与数据驱动结合 · 实战：虚拟传感器构建
数字孪生虚拟传感
20
迁移学习在风电中的应用
迁移学习基础 · 域自适应 · 实战：不同风场间的模型迁移
迁移学习域自适应
21
联邦学习与隐私保护
联邦学习基础 · 横向联邦与纵向联邦 · 实战：多风场协同训练
联邦学习隐私
22
可解释AI（XAI）在异常检测中
SHAP值分析 · LIME方法 · 特征重要性可视化
SHAPLIME
23
主动学习与半监督异常检测
主动学习策略 · 半监督学习基础 · 实战：减少标注成本
主动学习半监督
24
强化学习在运维决策中
强化学习基础 · Q-Learning · DQN · 实战：维护策略优化
强化学习DQN
25
异常根因分析
因果推断基础 · PC算法 · 实战：故障链追溯
因果推断根因
26
剩余寿命预测（RUL）
退化模型 · Wiener过程 · LSTM-RUL预测 · 实战：轴承剩余寿命预测
RULWiener
27
风电功率预测
物理模型 · 统计模型 · 深度学习模型（LSTM、Transformer）· 实战：超短期功率预测
功率预测Transformer
28
综合实战项目一
基于SCADA数据的齿轮箱故障预警系统（端到端）
端到端齿轮箱
29
综合实战项目二
基于振动信号的轴承退化在线监测系统
轴承在线监测
30
课程总结与未来展望
技术路线图 · 行业趋势 · 持续学习建议
总结趋势