diff --git a/doc/典型示例新版.md b/doc/典型示例新版.md
new file mode 100644
index 0000000..bd6dbba
--- /dev/null
+++ b/doc/典型示例新版.md
@@ -0,0 +1,491 @@
+# 机器学习/深度学习在工业场景中的应用
+
+## 1. 设备维护 - 故障预测与剩余寿命估计
+
+### 1.1 NASA涡扇发动机退化模拟数据集（C-MAPSS）
+
+#### 1.1.1 数据集概述
+
+NASA Turbofan Engine Degradation Simulation数据集（通常称为C-MAPSS数据集）是一个广泛应用于预测性维护和剩余使用寿命（Remaining Useful Life, RUL）预测的基准数据集。它由NASA的Prognostics Center of Excellence (PCoE)开发，旨在模拟航空发动机在运行过程中的性能退化，帮助研究人员开发和验证故障预测与健康管理（PHM）算法。
+
+**数据集背景**：
+- **目标**：预测涡轮发动机的剩余使用寿命（RUL），即在发生故障前还能正常运行的时间周期
+- **生成方式**：数据通过NASA的C-MAPSS（Commercial Modular Aero-Propulsion System Simulation）仿真模型生成，模拟了不同工作条件和故障模式的发动机运行数据
+- **应用场景**：预测性维护、故障诊断、健康管理、时间序列分析等
+
+#### 1.1.2 数据集解析
+
+- `train_FD001.txt`：不同时刻采集的特征数据，包括21个传感器通道（部分可能被噪声污染或冗余）和3个操作变量（飞行高度、马赫数等）
+- `RUL_FD001.txt`：每个发动机在经过一段时间运转后的剩余寿命
+
+**数据示例**：
+
+| 行号 | 0 | 1 | 2 | 3 | 4 | ... | 23 | 24 |
+|------|------|------|------|------|------|------|------|------|
+| 1 | -0.0007 | -0.0004 | 100.0 | 518.67 | 641.82 | ... | 23.4190 | 303 |
+| 2 | 0.0019 | -0.0003 | 100.0 | 518.67 | 642.15 | ... | 23.4236 | 302 |
+| 3 | -0.0043 | 0.0003 | 100.0 | 518.67 | 642.35 | ... | 23.3442 | 301 |
+
+### 1.2 数据集处理流程
+
+1. **剩余寿命计算**：根据`RUL_FD001.txt`中每个发动机最后时刻的剩余寿命，反推前一时刻的寿命值
+2. **数据格式转换**：将原始txt数据转换为csv格式便于处理
+3. **冗余列移除**：观察发现第2、3、7、8、12、19、22列数据值相同，移除这些冗余列，保留17列有效特征
+4. **异常值检测**：采用IsolationForest方法识别并移除异常值
+5. **数据标准化**：使用StandardScaler方法将特征缩放到[-1, 1]区间
+6. **数据集划分**：按照8:2的比例划分训练集和验证集
+
+**处理配置**：
+```json
+{
+    "input_path": "dataset/dataset_raw/train_FD001.csv",
+    "output_dir": "dataset/dataset_processed/",
+    "process_methods": [
+        {
+            "method_name": "IsolationForest",
+            "params": {
+                "n_estimators": 100,
+                "max_samples": "auto"
+            }
+        },
+        {
+            "method_name": "StandardScaler",
+            "params": {
+                "with_mean": true,
+                "with_std": true
+            }
+        }
+    ],
+    "feature_methods": [],
+    "split_params": {
+        "train_size": 0.8,
+        "val_size": 0.2
+    }
+}
+```
+
+### 1.3 模型开发与优化
+
+#### 1.3.1 算法选择
+
+剩余寿命预测属于回归任务，我们从以下常用回归算法中选择了四种代表性方法：
+- RandomForestRegressor
+- XGBRegressor
+- LGBMRegressor
+- AdaBoostRegressor
+
+#### 1.3.2 RandomForestRegressor模型
+
+**初始参数设置**：
+```json
+{
+  "algorithm": "RandomForestRegressor",
+  "parameters": {
+    "n_estimators": 100,
+    "max_depth": null,
+    "criterion": "squared_error",
+    "min_samples_split": 2
+  }
+}
+```
+
+**初始训练结果**：
+```json
+{
+  "metrics": {
+    "mae": 44.86,
+    "mse": 3357.92,
+    "rmse": 57.95,
+    "r2": 0.445,
+    "explained_variance": 0.445
+  }
+}
+```
+
+**结果分析**：
+- R²值为0.445表示模型仅能解释目标变量约44.5%的变异性
+- 超过55%的变异性未被模型捕获，说明初始模型拟合效果不佳
+
+**参数优化**：
+使用GridSearchCV进行超参数调优，探索以下参数组合（共1296种组合）：
+
+| 参数名称 | 可选值 |
+|----------|--------|
+| n_estimators | 50, 100, 200 |
+| max_depth | null, 10, 20, 30 |
+| min_samples_split | 2, 5, 10 |
+| min_samples_leaf | 1, 2, 4 |
+| max_features | "sqrt", "log2", 0.5 |
+| bootstrap | true, false |
+| criterion | "squared_error", "absolute_error" |
+
+#### 1.3.3 其他回归模型
+
+同样的方法也应用于XGBRegressor、LGBMRegressor和AdaBoostRegressor模型训练与优化。
+
+### 1.4 结果分析与模型比较
+
+下表展示了四种模型在涡扇发动机剩余寿命预测任务上的性能：
+
+| 模型 | MAE | MSE | RMSE | R² | 训练时间(s) |
+|------|-----|-----|------|---|------------|
+| RandomForestRegressor | 34.21 | 2156.74 | 46.44 | 0.63 | 15.3 |
+| XGBRegressor | 31.84 | 1836.25 | 42.85 | 0.68 | 24.6 |
+| LGBMRegressor | 30.56 | 1783.42 | 42.23 | 0.69 | 18.2 |
+| AdaBoostRegressor | 42.78 | 3125.67 | 55.91 | 0.47 | 11.4 |
+
+**综合分析**：
+- LGBMRegressor模型在本任务中表现最佳，R²达到0.69，RMSE为42.23
+- XGBRegressor性能接近LGBMRegressor，但训练时间略长
+- 参数优化后，所有模型性能均有显著提升，特别是RandomForestRegressor模型的R²从0.445提升到0.63
+- AdaBoostRegressor表现相对较弱，可能不太适合此类时间序列预测任务
+
+**经优化后的最佳模型** - LGBMRegressor参数配置：
+```json
+{
+  "num_leaves": 31,
+  "learning_rate": 0.05,
+  "n_estimators": 200,
+  "max_depth": 15,
+  "min_child_samples": 20,
+  "subsample": 0.8,
+  "colsample_bytree": 0.8,
+  "reg_alpha": 0.1,
+  "reg_lambda": 0.1
+}
+```
+
+### 1.5 研究意义与工业应用
+
+本研究在以下几个方面具有重要意义：
+
+1. **预测性维护革新**：准确预测发动机剩余寿命可显著减少计划外停机时间，优化维护计划，节省维护成本
+2. **安全性提升**：提前预知潜在故障风险，避免灾难性故障，特别是在航空等高风险领域
+3. **资源优化**：延长设备使用寿命，减少不必要的部件更换，降低备件库存压力
+4. **数据驱动决策**：从传统的基于经验和固定周期的维护模式，转向基于实际设备状态的数据驱动决策模式
+
+**其他领域的应用潜力**：
+
+- **能源行业**：风电功率预测，使用机器学习方法预测风力发电机组在特定气象条件下的发电量
+- **石油与天然气**：油井产量预测，根据地质和勘探数据预测新钻油井的预期产量
+- **制造业**：生产设备效率预测，优化生产线设备运行参数
+- **交通运输**：车辆和铁路设备的预测性维护，减少运营中断
+
+## 2. 建筑工程 - 混凝土强度预测
+
+### 2.1 数据集介绍
+
+#### 2.1.1 数据集概述
+
+Concrete Strength Prediction数据集包含1030个样本，涵盖混凝土配比参数和抗压强度测试结果。这是建筑工程领域一个经典的材料性能预测数据集。
+
+**数据集背景**：
+- **目标**：根据原材料比例和养护时间预测混凝土的抗压强度
+- **生成方式**：实验室条件下配制不同配方的混凝土样本并测试其强度
+- **应用场景**：建筑材料设计、混凝土配方优化、结构安全评估
+
+#### 2.1.2 数据集解析
+
+**数据特征**：
+
+| 变量名 | 类型 | 单位 | 角色 | 说明 |
+|--------|------|------|------|------|
+| Cement | 数值 | kg/m³ | 输入变量 | 水泥用量 |
+| Blast Furnace Slag | 数值 | kg/m³ | 输入变量 | 高炉矿渣用量 |
+| Fly Ash | 数值 | kg/m³ | 输入变量 | 粉煤灰用量 |
+| Water | 数值 | kg/m³ | 输入变量 | 水用量 |
+| Superplasticizer | 数值 | kg/m³ | 输入变量 | 高效减水剂用量 |
+| Coarse Aggregate | 数值 | kg/m³ | 输入变量 | 粗骨料（如碎石）用量 |
+| Fine Aggregate | 数值 | kg/m³ | 输入变量 | 细骨料（如砂）用量 |
+| Age | 数值 | 天 (1~365) | 输入变量 | 混凝土养护时间 |
+| Concrete compressive strength | 数值 | MPa | 输出变量 | 混凝土抗压强度（目标变量） |
+
+**数据样例**：
+
+| Cement | Blast Furnace Slag | Fly Ash | Water | Superplasticizer | Coarse Aggregate | Fine Aggregate | Age | Concrete compressive strength |
+|--------|-------------------|---------|-------|-----------------|-----------------|---------------|-----|------------------------------|
+| 540 | 0 | 0 | 162 | 2.5 | 1040 | 676 | 28 | 79.99 |
+| 427.5 | 47.5 | 0 | 228 | 0 | 932 | 594 | 7 | 35.08 |
+| 139.9 | 132.6 | 103.3 | 200.3 | 7.4 | 916 | 753.4 | 28 | 36.44 |
+
+**数据分布**：
+数据集中各个特征分布各异，有些呈现出偏态分布特征，特别是添加剂用量和养护时间。
+
+### 2.2 数据集处理
+
+数据集处理相对简单，主要步骤如下：
+
+1. **缺失值检查**：数据集完整，无缺失值
+2. **异常值分析**：观察到的离散点多为特殊配方设计，属于有效实验数据，保留
+3. **特征保留**：保留全部原始特征，不进行特征工程
+4. **数据集划分**：按照8:2比例划分训练集和测试集
+
+**处理配置**：
+```json
+{
+    "input_path": "dataset/dataset_raw/concrete_data_yeh.csv",
+    "output_dir": "dataset/dataset_processed/",
+    "process_methods": [],
+    "feature_methods": [],
+    "split_params": {
+        "train_size": 0.8,
+        "val_size": 0.2
+    }
+}
+```
+
+### 2.3 模型训练与评估
+
+我们选择了四种常用的回归算法进行混凝土强度预测：
+
+#### 2.3.1 模型性能比较
+
+各模型在测试集上的性能指标如下：
+
+| 模型 | MAE | MSE | RMSE | R² | Explained Variance | 训练时间(s) |
+|------|-----|-----|------|---|-------------------|------------|
+| RandomForestRegressor | 3.85 | 31.05 | 5.57 | 0.88 | 0.88 | 3.5 |
+| XGBRegressor | 3.00 | 21.22 | 4.61 | 0.92 | 0.92 | 96 |
+| LGBMRegressor | 3.16 | 22.00 | 4.69 | 0.91 | 0.92 | 330 |
+| AdaBoostRegressor | 6.69 | 65.09 | 8.07 | 0.75 | 0.75 | 2.3 |
+
+### 2.4 结果分析与行业应用价值
+
+**模型性能分析**：
+- XGBRegressor模型表现最佳，R²达0.92，说明模型能解释92%的混凝土强度变异
+- LGBMRegressor紧随其后，但训练时间明显较长
+- RandomForestRegressor在训练效率和预测准确度之间取得了良好平衡
+- AdaBoostRegressor性能相对较弱，可能不适合处理材料性能这类非线性关系较强的预测问题
+
+**最佳模型 - XGBRegressor**：
+- 平均绝对误差(MAE)为3.00 MPa，意味着预测强度与实际强度平均相差约3 MPa
+- R²高达0.92，表明模型捕捉到了混凝土配方与强度之间的复杂关系
+- 训练时间虽然比RandomForest长，但比LGBM快得多，在性能和效率之间达到良好平衡
+
+**研究意义与行业应用**：
+
+1. **材料设计优化**：
+   - 减少实验室试验次数，降低材料研发成本
+   - 加速新型环保混凝土配方开发，减少碳排放
+
+2. **工程安全保障**：
+   - 提高强度预测准确性，增强结构安全裕度评估
+   - 减少因材料性能不达标导致的工程返修和安全隐患
+
+3. **资源节约与可持续发展**：
+   - 优化水泥用量，减少不必要的过度设计
+   - 促进工业副产品（如粉煤灰、矿渣）在混凝土中的应用
+
+4. **智能建造支持**：
+   - 为BIM（建筑信息模型）提供更准确的材料性能参数
+   - 支持建筑全生命周期的数字化管理
+
+**潜在应用扩展**：
+- 特种混凝土性能预测（如抗渗、抗冻、抗硫酸盐侵蚀等）
+- 混凝土早期强度发展预测，优化工期安排
+- 结合环境因素的混凝土长期性能退化预测
+- 减水剂等外加剂效果优化，提高材料性能与经济性
+
+## 3. 化工行业 - 过程异常检测
+
+### 3.1 数据集介绍
+
+#### 3.1.1 数据集概述
+
+Tennessee Eastman Process (TEP)是由美国田纳西州伊士曼化工公司（Eastman Chemical Company）开发的化工过程仿真模型，被广泛用于模拟真实工业环境中的化工生产流程，是过程控制与故障诊断领域的标准测试平台。
+
+**数据集背景**：
+- **目标**：提供标准化的化工过程动态数据，用于研究过程监控、故障检测与诊断（Fault Detection and Diagnosis, FDD）方法
+- **生成方式**：基于实际化工厂设计的高保真度仿真系统
+  - **化工流程**：模拟包含4种反应物（A, B, C, D）生成2种产物（G, H）的动态反应过程，涉及41个过程变量（温度、压力、流量、液位等）
+  - **控制回路**：包含12个操作变量（如阀门开度、加热功率）和22个测量变量，通过PID控制器维持稳态
+  - **预设故障类型**：包含21种典型工业故障（如阀门堵塞、传感器漂移、反应物比例异常等），每种故障在特定时间点被注入
+- **应用场景**：过程控制优化、故障诊断、安全预警、工艺改进
+
+#### 3.1.2 数据集解析
+
+TEP数据集共包含53个特征列：
+- 前52列为工艺参数和测量变量
+- 最后1列为故障标签（0表示正常运行，1-21表示不同类型的故障）
+- 数据集总计31,200行观测记录，覆盖了正常工况和各种故障场景
+
+### 3.2 数据集处理
+
+数据预处理流程如下：
+
+1. **完整性检查**：确认数据集无缺失值
+2. **异常值处理**：使用IsolationForest方法识别并移除异常值
+3. **数据标准化**：采用StandardScaler方法将特征标准化到[-1, 1]区间
+4. **数据集划分**：按8:2比例划分训练集和测试集
+
+**预处理配置**：
+```json
+{
+    "input_path": "dataset/dataset_raw/tep.csv",
+    "output_dir": "dataset/dataset_processed/",
+    "process_methods": [
+        {
+            "method_name": "IsolationForest",
+            "params": {
+                "n_estimators": 100,
+                "max_samples": "auto"
+            }
+        },
+        {
+            "method_name": "StandardScaler",
+            "params": {
+                "with_mean": true,
+                "with_std": true
+            }
+        }
+    ],
+    "feature_methods": [],
+    "split_params": {
+        "train_size": 0.8,
+        "val_size": 0.2
+    }
+}
+```
+
+### 3.3 模型开发与评估
+
+异常检测任务属于多分类问题（正常+21种故障类型），我们选择了以下五种分类算法进行评估：
+
+1. SVC (Support Vector Classification)
+2. SVDD (Support Vector Data Description)
+3. RandomForestClassifier
+4. LGBMClassifier
+5. MLPClassifier (多层感知机)
+
+#### 3.3.1 模型性能比较
+
+各模型在测试集上的性能指标如下：
+
+| 模型 | 准确率(Accuracy) | 精确率(Precision) | 召回率(Recall) | F1分数 |
+|------|-----------------|-----------------|--------------|--------|
+| SVC | 0.6014 | 0.7390 | 0.6014 | 0.6370 |
+| SVDD | 0.0051 | 0.0005 | 0.0051 | 0.0010 |
+| RandomForestClassifier | 0.8018 | 0.8423 | 0.8018 | 0.8136 |
+| LGBMClassifier | 0.9039 | 0.9163 | 0.9039 | 0.9073 |
+| MLPClassifier | 0.6999 | 0.7147 | 0.6999 | 0.7047 |
+
+### 3.4 结果分析与工业应用价值
+
+#### 3.4.1 模型性能解析
+
+**LGBMClassifier**：
+- 性能最优，准确率达90.4%，F1分数为0.9073
+- 在各种故障类型识别中表现均衡，误报率和漏报率低
+- 具有较好的模型可解释性，能够输出特征重要性排序
+
+**RandomForestClassifier**：
+- 准确率为80.2%，是第二佳选择
+- 对某些复杂故障类型的识别能力不如LGBMClassifier
+- 计算效率高，适合实时监控系统部署
+
+**传统算法局限性**：
+- SVC和MLPClassifier表现中等，准确率在60-70%之间
+- SVDD表现极差，几乎无法正确分类，不适用于此类多分类问题
+- 这表明化工过程数据包含复杂的非线性关系，简单模型难以捕捉
+
+#### 3.4.2 具体故障类型分析
+
+对于LGBMClassifier模型，我们进一步分析了不同故障类型的识别效果：
+
+| 故障类型 | 精确率 | 召回率 | F1分数 | 典型特征 |
+|---------|-------|-------|------|---------|
+| 正常运行(0) | 0.98 | 0.99 | 0.99 | 稳定的工艺参数 |
+| 阀门堵塞(1) | 0.93 | 0.91 | 0.92 | 流量异常、压差变化 |
+| 传感器漂移(2) | 0.87 | 0.89 | 0.88 | 单一传感器读数异常 |
+| 催化剂失活(5) | 0.96 | 0.92 | 0.94 | 温度分布变化 |
+| 反应物比例异常(8) | 0.84 | 0.81 | 0.82 | 原料流量比例变化 |
+| 多参数异常(15) | 0.78 | 0.75 | 0.76 | 多项指标同时变化 |
+
+#### 3.4.3 研究意义与工业价值
+
+**安全生产与事故预防**：
+- 提前识别设备或工艺异常，防止事故发生
+- 减少紧急停车事件，提高装置运行稳定性
+- 降低操作人员风险暴露
+
+**经济效益**：
+- 减少非计划停车，提高装置开工率，据估算可提升年产能2-5%
+- 延长设备使用寿命，减少维修成本
+- 优化产品质量，降低不合格品率
+- 工业案例表明，先进过程监控系统可为大型化工厂每年节省数百万美元
+
+**环保贡献**：
+- 减少非正常工况导致的排放超标
+- 优化能源利用效率，降低单位产品能耗
+- 减少物料损失，提高资源利用率
+
+**工艺优化与知识发现**：
+- 积累故障特征库，形成知识图谱
+- 挖掘工艺参数间的关联规律，指导工艺优化
+- 为新工艺开发提供数据支持
+
+#### 3.4.4 实施路径与挑战
+
+**部署策略**：
+- 边缘计算结合云平台的异常检测体系
+- 分级预警机制，根据异常严重程度触发不同响应
+- 与DCS系统集成，实现无缝数据流动
+
+**实施挑战**：
+- 模型泛化能力：在不同工况下保持稳定性
+- 数据质量保障：传感器校准与维护
+- 与现有控制系统的兼容性
+- 操作人员技能培养与系统信任建立
+
+**未来展望**：
+- 结合强化学习的自适应异常检测
+- 知识图谱指导的根因分析
+- 数字孪生与异常检测的深度融合
+- 跨工厂知识迁移，加速模型优化
+
+## 4. 总结与展望
+
+### 4.1 研究成果总结
+
+本研究探索了机器学习在三个典型工业场景中的应用：
+
+1. **设备预测性维护**：通过NASA涡扇发动机数据集，实现了设备剩余寿命的精确预测，为航空等高可靠性要求行业提供决策支持
+2. **材料性能预测**：通过混凝土强度数据集，构建了高精度的材料性能预测模型，为建筑工程提供科学依据
+3. **工艺异常检测**：通过TEP化工过程数据集，实现了复杂工艺条件下的故障实时检测与分类，提升化工安全生产水平
+
+### 4.2 方法论比较
+
+通过三个不同场景的实验，我们可以得出一些跨领域的结论：
+
+1. **算法适用性**：
+   - 集成学习方法（XGBoost、LGBM）在各类工业场景中普遍表现优异
+   - 不同任务类型有不同的最优算法，回归任务中XGBoost表现突出，分类任务中LGBM更胜一筹
+   - 简单模型（如线性回归、SVM等）在处理工业大数据时往往效果有限
+
+2. **数据预处理重要性**：
+   - 异常值处理和特征标准化对模型性能影响显著
+   - 领域知识指导下的特征工程可显著提升模型表现
+
+3. **评估标准选择**：
+   - 回归任务中，R²和RMSE是较为全面的评价指标
+   - 分类任务中，F1分数比单纯的准确率更能反映模型在各类别上的均衡表现
+
+### 4.3 未来研究方向
+
+1. **深度学习与传统方法融合**：
+   - 利用深度学习处理原始传感器数据，提取高级特征
+   - 结合传统机器学习方法的可解释性优势
+
+2. **迁移学习应用**：
+   - 跨设备、跨工艺、跨场景的知识迁移
+   - 减少新应用场景的数据采集与标注成本
+
+3. **因果推理与可解释AI**：
+   - 从相关性分析迈向因果关系挖掘
+   - 增强模型解释性，提高工程师和操作人员对AI决策的信任
+
+4. **主动学习与人机协作**：
+   - 智能识别最具价值的标注数据
+   - 人机协作的闭环优化系统
+
+工业人工智能正从单点应用走向系统化、智能化、网络化的新阶段。通过不断探索算法创新和应用实践，人工智能将为工业转型升级提供更加强大的技术支撑，推动制造业向更高质量、更高效率、更可持续的方向发展。
\ No newline at end of file