01
风电运维现状与AI破局
传统运维痛点（高成本、低效率、安全风险）、AI技术如何赋能（预测性维护、智能巡检、故障诊断）、课程整体框架与学习路径。
破局战略
02
风电机组核心部件与故障模式
叶片、齿轮箱、发电机、变桨系统、偏航系统的工作原理及常见故障模式，为AI建模打基础。
机械故障库
03
数据采集与预处理基础
SCADA系统数据、振动数据、油液数据、温度数据的采集方式，以及缺失值处理、异常值检测、数据归一化等预处理方法。
SCADA清洗
04
Python数据分析与可视化入门
NumPy、Pandas基础操作，Matplotlib、Seaborn绘制风电数据趋势图、相关性热力图。
Python可视化
05
机器学习基础与风电场景映射
监督学习（回归、分类）、无监督学习（聚类）的基本概念，以及它们在风电运维中的典型应用场景（如功率预测、故障分类）。
ML映射
06
特征工程实战
从SCADA数据中提取时域特征（均值、方差、峰值）、频域特征（FFT频谱），以及特征选择方法（相关系数、随机森林重要性）。
特征FFT
07
基于回归模型的功率预测
线性回归、决策树回归、随机森林回归在风功率预测中的应用，模型评估指标（MAE、RMSE、R²）。
回归功率
08
基于分类模型的故障预警
逻辑回归、支持向量机（SVM）、K近邻（KNN）在齿轮箱、发电机故障预警中的应用，混淆矩阵与ROC曲线。
分类预警
09
时间序列分析与异常检测
ARIMA、Prophet模型用于趋势预测，孤立森林、LOF算法用于异常点检测，结合风电数据实战。
时序异常
10
深度学习入门与风电应用
神经网络基础、激活函数、损失函数，以及为什么深度学习适合处理复杂的风电时序数据。
DL入门
11
LSTM网络与剩余寿命预测
长短期记忆网络（LSTM）原理，利用历史SCADA数据预测关键部件（如轴承）的剩余使用寿命（RUL）。
LSTMRUL
12
CNN网络与叶片结冰检测
卷积神经网络（CNN）原理，利用图像或振动频谱数据识别叶片结冰状态，实现智能预警。
CNN结冰
13
自动编码器与无监督异常检测
自动编码器（Autoencoder）原理，利用重构误差检测未知故障模式，解决样本不平衡问题。
AE无监督
14
强化学习与智能调度
强化学习（Q-learning、DQN）基础，在风电场运维调度（如维修路径优化、备件库存管理）中的应用。
RL调度
15
计算机视觉在风电巡检中的应用
目标检测（YOLO）、图像分割（U-Net）用于无人机巡检图像中的叶片裂纹、螺栓松动检测。
CV无人机
16
自然语言处理在运维文档中的应用
文本分类、命名实体识别（NER）用于自动解析维修工单、故障报告，提取关键信息。
NLP工单
17
模型部署与边缘计算
将训练好的AI模型（ONNX、TensorRT）部署到边缘设备（如树莓派、NVIDIA Jetson），实现现场实时推理。
部署边缘
18
联邦学习与数据隐私
联邦学习原理，在多个风电场之间协同训练模型而不共享原始数据，解决数据孤岛问题。
联邦隐私
19
数字孪生与AI融合
数字孪生技术概述，结合AI模型构建风电机组虚拟镜像，实现实时仿真与预测。
孪生仿真
20
智能运维平台架构设计
从数据采集层、存储层、AI分析层到应用展示层的整体架构设计，技术选型（Kafka、InfluxDB、Flask）。
架构平台
21
案例实战：齿轮箱故障预警系统
从数据获取、特征提取、模型训练到预警规则设置，完整构建一个齿轮箱故障预警系统。
实战齿轮箱
22
案例实战：发电机轴承剩余寿命预测
利用LSTM模型，基于振动数据和温度数据，预测发电机轴承的剩余寿命。
LSTM轴承
23
案例实战：叶片结冰智能检测系统
结合气象数据和振动数据，使用CNN模型实现叶片结冰状态的实时检测。
CNN结冰
24
案例实战：风电场功率集群预测
利用图神经网络（GNN）或时空卷积网络，考虑尾流效应，预测整个风电场的总功率输出。
GNN集群
25
案例实战：无人机巡检图像缺陷检测
使用YOLOv8训练叶片缺陷检测模型，并部署到边缘设备。
YOLOv8巡检
26
模型评估与持续优化
A/B测试、模型漂移检测、在线学习策略，确保AI模型在长期运行中保持高精度。
优化漂移
27
AI运维的经济性分析
投资回报率（ROI）计算，量化AI带来的停机时间减少、维护成本降低、发电量提升。
ROI经济
28
安全与伦理考量
AI模型的可解释性（SHAP、LIME）、数据安全、模型偏见，以及如何建立可信的AI运维系统。
伦理可解释
29
前沿趋势与未来展望
大语言模型（LLM）在运维知识库中的应用、生成式AI生成维修方案、具身智能机器人巡检。
LLM前沿
30
课程总结与项目实战答辩
回顾30节核心知识点，指导学员完成一个综合性的AI风电运维项目，并进行答辩展示。
总结答辩