01
课程导论
风电机组健康诊断的意义、诊断流程总览、课程目标与学习路径。
导学总览
02
风电机组基础
机组结构（塔筒、机舱、叶片、齿轮箱、发电机）、工作原理、关键参数。
结构原理
03
SCADA系统与数据采集
SCADA系统架构、数据采集点（温度、振动、功率、转速等）、数据频率与存储。
SCADA采集
04
数据预处理基础
缺失值处理、异常值检测（3σ原则、IQR）、数据标准化与归一化。
清洗标准化
05
振动信号分析基础
时域特征（均值、峰值、峭度）、频域特征（FFT、频谱）、包络分析。
振动FFT
06
齿轮箱故障诊断
齿轮箱结构、常见故障（磨损、断齿、点蚀）、振动特征频率计算。
齿轮箱特征频率
07
轴承故障诊断
轴承型号与参数、故障特征频率（BPFI、BPFO、BSF、FTF）、包络谱分析实战。
轴承包络谱
08
发电机故障诊断
发电机类型（双馈、永磁）、电气故障（匝间短路、绝缘老化）、振动与电流特征。
发电机电气故障
09
叶片故障诊断
叶片结构、常见故障（裂纹、雷击、结冰）、声发射与振动监测方法。
叶片声发射
10
塔筒与基础故障诊断
塔筒振动模态、基础沉降监测、倾斜度与频率分析。
塔筒模态
11
温度数据分析
关键测点（齿轮箱油温、发电机绕组温度）、趋势分析、阈值报警策略。
温度趋势
12
功率曲线分析
理论功率曲线与实际功率曲线对比、性能衰减评估、异常点识别。
功率性能
13
油液分析基础
油液取样、理化指标（粘度、酸值、水分）、磨损颗粒分析（铁谱、光谱）。
油液磨损
14
电气系统诊断
变流器故障、电网谐波分析、绝缘电阻测试、局部放电监测。
电气局部放电
15
机器学习基础
监督学习（分类、回归）、无监督学习（聚类、异常检测）、特征工程。
ML特征工程
16
故障分类模型
支持向量机（SVM）、随机森林、K近邻（KNN）在故障诊断中的应用。
SVM随机森林
17
深度学习诊断模型
卷积神经网络（CNN）用于振动信号、长短期记忆网络（LSTM）用于时序数据。
CNNLSTM
18
异常检测算法
孤立森林、单类SVM、自编码器（Autoencoder）在状态监测中的应用。
异常检测自编码器
19
多源数据融合
振动、温度、电气、油液数据融合策略、决策级融合与特征级融合。
融合决策级
20
健康状态评估指标
健康指数（HI）、剩余寿命预测（RUL）、退化趋势建模。
HIRUL
21
预警阈值设定
静态阈值与动态阈值、自适应阈值方法、误报与漏报平衡。
阈值自适应
22
故障案例库构建
案例收集、特征提取、案例匹配与检索、知识图谱初步。
案例库知识图谱
23
远程诊断平台架构
云边端架构、数据流设计、实时监测与离线分析。
云边端架构
24
诊断报告自动生成
报告模板、关键指标可视化、结论与建议自动生成。
报告自动化
25
现场验证与校准
传感器标定、数据质量核查、诊断结果现场验证流程。
现场标定
26
风电场运维策略
基于状态的维护（CBM）、计划维护、备件管理优化。
CBM运维
27
标准与规范
ISO 10816振动标准、ISO 13373状态监测标准、GB/T 25383风电机组标准。
标准ISO
28
项目实战：2MW齿轮箱故障诊断
数据获取→预处理→特征提取→模型训练→诊断结论。
实战齿轮箱
29
项目实战：1.5MW轴承早期预警
趋势分析→阈值设定→报警验证。
实战轴承预警
30
课程总结与进阶
知识体系回顾、常见误区、进阶学习资源（论文、工具、社区）。
总结进阶