01
课程导论
什么是数字孪生？风机为什么要做数字孪生？课程目标与学习路径。
概念入门
02
风机基础原理
风力发电原理、风机主要部件（叶片、齿轮箱、发电机、变桨系统）功能解析。
原理机械
03
传感器与数据采集
风机常用传感器（振动、温度、转速、扭矩）、数据采集系统架构与采样策略。
硬件采集
04
数据预处理实战
缺失值处理、异常值检测、数据归一化与标准化、时间序列对齐。
清洗Python
05
风机机理建模
基于物理方程的风机气动模型、传动链模型、发电机模型构建。
物理建模
06
数据驱动建模基础
回归模型（线性回归、决策树）、神经网络入门（MLP）在风机建模中的应用。
ML回归
07
混合建模方法
机理模型与数据驱动模型的融合策略（串行、并行、残差修正）。
融合进阶
08
数字孪生模型校准概述
为什么要校准？校准的目标与评价指标（MAE, RMSE, R²）。
校准指标
09
参数敏感性分析
全局敏感性分析方法（Sobol、Morris），识别关键校准参数。
敏感性分析
10
基于优化的模型校准
遗传算法、粒子群算法在模型参数寻优中的应用。
优化GA
11
贝叶斯校准方法
贝叶斯推断基础、MCMC采样、不确定性量化。
贝叶斯不确定性
12
在线校准与自适应更新
卡尔曼滤波、递推最小二乘法用于模型实时修正。
在线滤波
13
校准案例实战
某2MW风机传动链模型校准全流程（数据准备→参数辨识→验证）。
实战传动链
14
状态监测概述
风机常见故障模式（轴承磨损、齿轮断齿、叶片裂纹、发电机过热）。
故障监测
15
振动信号分析基础
时域特征（峰值、均方根、峭度）、频域特征（FFT、包络谱）。
振动特征
16
时频域分析方法
短时傅里叶变换（STFT）、小波变换在非平稳信号中的应用。
时频小波
17
特征工程
从原始信号中提取敏感特征，特征选择方法（PCA、互信息）。
降维选择
18
基于阈值的故障诊断
固定阈值与自适应阈值设定，报警逻辑设计。
阈值报警
19
基于机器学习的故障分类
支持向量机（SVM）、随机森林、KNN在故障诊断中的应用。
分类SVM
20
深度学习在监测中的应用
卷积神经网络（CNN）用于振动信号分类，LSTM用于趋势预测。
CNNLSTM
21
异常检测方法
孤立森林、自编码器（Autoencoder）在无监督异常检测中的实践。
异常无监督
22
剩余寿命预测
基于退化轨迹的预测、维纳过程、深度学习预测方法。
RUL预测
23
监测系统架构设计
边缘计算与云端协同、数据流设计、实时性要求。
架构边缘
24
数字孪生可视化
3D风机模型渲染、实时数据仪表盘、告警推送设计。
可视化3D
25
案例实战：齿轮箱监测
风机齿轮箱状态监测系统搭建（从传感器到诊断报告）。
实战齿轮箱
26
模型部署与运维
ONNX模型导出、Docker容器化部署、API服务搭建。
部署Docker
27
数据安全与隐私
风机数据加密传输、访问控制、工业网络安全基础。
安全加密
28
标准与规范
ISO 10816振动标准、VDI 3834齿轮箱评估标准解读。
标准ISO
29
项目实战：监测平台
从零搭建一个风机数字孪生监测平台（需求分析→开发→测试）。
全栈项目
30
课程总结与展望
数字孪生技术趋势、AI与物理信息融合、职业发展建议。
趋势职业