01
课程导论：什么是风机隐性故障？
为什么历史数据挖掘是发现隐性故障的关键？课程目标与学习路径。
导论认知
02
风机基础与SCADA系统
风机主要部件与工作原理、SCADA数据采集与存储、常见数据字段解读。
基础SCADA
03
数据预处理基础
数据清洗（缺失值、异常值处理）、标准化与归一化、时间序列重采样。
预处理清洗
04
探索性数据分析（EDA）
数据分布可视化、相关性分析、趋势与季节性分解。
EDA可视化
05
特征工程入门
基于统计/时域的特征提取、特征选择方法。
特征工程
06
故障模式与机理分析
齿轮箱/轴承/发电机/叶片故障特征。
机理故障
07
异常检测算法基础
统计方法（3-Sigma、IQR）、距离方法（KNN、LOF）、孤立森林原理。
异常检测基础
08
孤立森林实战
算法原理详解、Python实现（sklearn）、参数调优与模型评估。
孤立森林实战
09
基于聚类的异常检测
K-Means异常检测、DBSCAN密度聚类、可视化与解释。
聚类DBSCAN
10
时间序列异常检测
滑动窗口、ARIMA残差分析、Prophet模型简介。
时间序列ARIMA
11
机器学习分类模型
逻辑回归、决策树、随机森林在故障分类中的应用。
分类随机森林
12
支持向量机（SVM）实战
SVM原理、核函数选择、风机故障诊断案例。
SVM核函数
13
深度学习入门
神经网络基础、激活函数、损失函数、优化器。
深度学习NN
14
LSTM时间序列预测
LSTM原理、构建模型预测风机状态、残差用于故障检测。
LSTM预测
15
自编码器（Autoencoder）异常检测
自编码器原理、重构误差与异常判定、实战案例。
自编码器AE
16
变分自编码器（VAE）进阶
VAE原理、生成式模型在故障数据增强中的应用。
VAE生成
17
多传感器数据融合
多源数据对齐、特征级融合、决策级融合策略。
融合多传感器
18
案例实战一：齿轮箱磨损故障检测
基于振动数据的齿轮箱磨损检测。
齿轮箱振动
19
案例实战二：轴承早期疲劳预警
基于温度与振动融合的轴承故障预警。
轴承融合
20
案例实战三：发电机电气故障诊断
基于电流与功率数据的发电机诊断。
发电机电气
21
案例实战四：叶片结冰与不平衡识别
基于SCADA与气象数据的叶片故障识别。
叶片气象
22
模型评估与验证
混淆矩阵、ROC曲线、Precision-Recall曲线、交叉验证。
评估验证
23
模型部署与监控
模型序列化（Pickle/ONNX）、Flask API、模型漂移监测。
部署监控
24
实时数据流处理
Kafka基础、Spark Streaming/Flink简介、实时异常检测架构。
流处理Kafka
25
边缘计算与嵌入式部署
边缘设备选型、模型压缩（量化、剪枝）、TensorRT部署。
边缘TensorRT
26
可解释性AI（XAI）
SHAP值分析、LIME局部解释、特征重要性可视化。
XAISHAP
27
故障根因分析（RCA）
因果推断基础、贝叶斯网络、故障树分析。
RCA因果
28
预测性维护策略
基于状态的维护（CBM）、剩余寿命预测（RUL）、维护决策优化。
预测维护RUL
29
项目实战：从数据到决策完整流程
端到端项目：数据采集、建模、部署、维护建议。
实战端到端
30
课程总结与未来展望
行业趋势、数字孪生、联邦学习、职业发展建议。
总结前沿