AI风电故障诊断从零到精通
📚 共计 30 章节
01
风电行业概述
全球及中国风电发展现状、发电原理、机组结构（叶片、齿轮箱、发电机、变桨、偏航、塔筒）
基础
行业
02
故障诊断基础
故障定义与分类、FMEA、FTA基础
理论
核心
03
SCADA系统与数据采集
系统架构、采集原理、监测参数、采样频率与存储
数据
SCADA
04
数据预处理（上）
数据清洗、缺失值/异常值处理、标准化归一化、重采样
清洗
预处理
05
数据预处理（下）
特征工程（时域/频域/统计）、特征选择、PCA降维
特征
降维
06
振动信号分析基础
传感器类型、信号采集、FFT原理、频谱分析入门
振动
FFT
07
振动信号分析进阶
包络谱、倒频谱、时频分析（STFT、小波）、阶次分析
时频
小波
08
温度与油液分析
温度趋势、热模型、油液颗粒计数、光谱分析、磨损颗粒
油液
温度
09
电气信号分析
MCSA、电压/功率因数、谐波、发电机电气故障诊断
电气
MCSA
10
机器学习基础（上）
监督/无监督/半监督、Python生态、线性/逻辑回归
ML
回归
11
机器学习基础（下）
决策树、随机森林、SVM、KNN、评估指标
分类
集成
12
深度学习基础（上）
感知机、激活函数、损失函数、反向传播、PyTorch/TensorFlow
DL
框架
13
深度学习基础（下）
CNN、RNN/LSTM、自编码器原理
CNN
LSTM
14
故障诊断经典方法
阈值报警、专家系统、物理模型、数字孪生初步
经典
专家
15
基于ML的故障诊断（上）
分类模型构建（轴承）、特征提取、调参（网格/随机搜索）
ML实战
调参
16
基于ML的故障诊断（下）
多分类、不平衡处理（SMOTE）、模型部署与实时推理
不平衡
部署
17
基于DL的故障诊断（上）
1D-CNN振动分类、LSTM时序预测、自编码器异常检测
1D-CNN
异常
18
基于DL的故障诊断（下）
迁移学习、注意力机制/Transformer、图神经网络(GNN)
Attention
GNN
19
故障预测与健康管理(PHM)
RUL预测、健康指数、ARIMA/LSTM预测、维修决策
PHM
RUL
20
风场级故障诊断
多机组数据融合、风场异常检测、对比分析、运维策略
风场
融合
21
变桨系统故障诊断
结构与原理、变桨电机/轴承故障、角度异常检测
变桨
执行器
22
偏航系统故障诊断
结构与原理、偏航电机/轴承磨损、对风误差分析
偏航
对风
23
齿轮箱故障诊断
传动链、齿轮/轴承故障、油温与振动联合分析
齿轮箱
联合
24
发电机故障诊断
结构原理、轴承/定转子故障、绝缘老化、电气参数
发电机
绝缘
25
叶片故障诊断
叶片结构、裂纹/分层检测、结冰检测、不平衡分析
叶片
结冰
26
塔筒与基础故障诊断
塔筒振动、倾斜沉降、基础松动、螺栓监测
塔筒
结构
27
控制系统故障诊断
PLC/控制器、传感器故障、通信故障、软件逻辑排查
控制
逻辑
28
实战项目（一）
基于SCADA数据的齿轮箱故障诊断（数据→模型→分析）
项目
SCADA
29
实战项目（二）
基于振动数据的轴承故障诊断（时频分析+CNN部署）
项目
振动
30
实战项目（三）
端到端风电机组健康管理平台（数据中台、诊断、大屏、决策）
项目
平台