01
课程导论：为什么需要数据驱动？
风电机组寿命评估的痛点与机遇。
导论背景
02
风电机组基础
双馈与直驱机组结构、关键部件（齿轮箱、发电机、叶片、轴承）的失效模式。
结构失效
03
SCADA数据解析
SCADA系统架构、数据采集频率、常见标签（风速、功率、温度、振动）的含义。
数据SCADA
04
数据清洗实战
缺失值处理、异常值检测（3σ原则、IQR方法）、数据重采样。
清洗异常检测
05
特征工程（上）
时域特征提取（均值、方差、峰值因子、峭度）、趋势项提取。
时域特征
06
特征工程（下）
频域特征提取（FFT、包络谱）、时频域特征（小波变换）。
频域小波
07
健康指标构建
如何从多维特征融合成一个退化指标？主成分分析（PCA）与自编码器。
PCA自编码器
08
数据标准化与降维
Min-Max标准化、Z-score标准化、t-SNE可视化。
标准化t-SNE
09
寿命标签定义
什么是RUL？基于阈值的RUL标定方法、基于运行时间的标定。
RUL标签
10
数据集划分
时间序列交叉验证、滑动窗口法、避免数据泄露的陷阱。
交叉验证滑动窗口
11
线性回归与岭回归
用线性模型做寿命预测，正则化防止过拟合。
线性岭回归
12
支持向量回归（SVR）
核函数选择、参数调优，小样本下的表现。
SVR核函数
13
随机森林回归
集成学习思想、特征重要性排序、超参数网格搜索。
随机森林集成
14
XGBoost与LightGBM
梯度提升树在寿命预测中的实战，早停策略。
XGBoostLightGBM
15
多层感知机（MLP）
从零搭建一个简单的神经网络，激活函数与损失函数选择。
MLP神经网络
16
循环神经网络（RNN）
为什么时序数据适合RNN？LSTM与GRU的原理与代码。
RNNLSTM
17
卷积神经网络（CNN）
一维卷积在信号处理中的应用，残差连接。
CNN残差
18
注意力机制与Transformer
自注意力在时间序列预测中的尝试，位置编码。
注意力Transformer
19
混合模型
CNN-LSTM、CNN-Transformer等组合模型的构建思路。
混合CNN-LSTM
20
模型评估指标
MAE、RMSE、MAPE、R²，以及它们在寿命预测中的局限性。
评估指标
21
不确定性量化
蒙特卡洛Dropout、集成方法，给预测结果一个置信区间。
不确定性置信区间
22
迁移学习
源域与目标域，如何用一台机组的数据帮助另一台机组建模。
迁移学习域适应
23
在线学习与模型更新
随着新数据到来，如何增量更新模型而不遗忘旧知识。
在线学习增量
24
可解释性分析
SHAP值、LIME，让黑盒模型告诉你为什么预测这个寿命。
SHAPLIME
25
案例实战（一）
基于SCADA数据的齿轮箱剩余寿命预测全流程。
齿轮箱SCADA
26
案例实战（二）
基于振动数据的轴承退化评估与寿命预测。
轴承振动
27
案例实战（三）
多机组协同建模，利用联邦学习保护数据隐私。
联邦学习隐私
28
模型部署
将训练好的模型封装为API，使用Flask/FastAPI进行服务化。
部署API
29
边缘计算与实时预测
在风机PLC或边缘盒子上的轻量化部署。
边缘计算轻量化
30
课程总结与未来展望
数字孪生、大模型在风电运维中的潜力。
数字孪生大模型