AGV小车电池健康状态的研究与应用
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 引言 | 第11-18页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.2.1 电池性能模型 | 第13页 |
| 1.2.2 基于电池性能的寿命预测 | 第13-15页 |
| 1.3 论文研究的主要内容 | 第15-16页 |
| 1.4 论文的组织结构 | 第16-18页 |
| 2 基础理论与相关技术研究 | 第18-26页 |
| 2.1 锂离子电池的工作原理及退化原因 | 第18-19页 |
| 2.1.1 锂离子电池的工作原理 | 第18页 |
| 2.1.2 锂离子电池的退化原因 | 第18-19页 |
| 2.2 锂离子电池的健康状态评估 | 第19-21页 |
| 2.3 人工神经网络 | 第21-22页 |
| 2.3.1 人工神经网络的结构及工作原理 | 第21-22页 |
| 2.3.2 人工神经网络的特点 | 第22页 |
| 2.4 Elman神经网络 | 第22-25页 |
| 2.4.1 Elman神经网络的结构 | 第23页 |
| 2.4.2 Elman神经网络的学习过程与算法 | 第23-25页 |
| 2.5 本章小结 | 第25-26页 |
| 3 遗传算法优化Elman神经网络 | 第26-40页 |
| 3.1 遗传算法 | 第26-32页 |
| 3.1.1 编码 | 第26-28页 |
| 3.1.2 选择 | 第28-29页 |
| 3.1.3 交叉 | 第29-30页 |
| 3.1.4 变异 | 第30-31页 |
| 3.1.5 适应度函数 | 第31-32页 |
| 3.2 遗传算法优化Elman神经网络 | 第32-36页 |
| 3.2.1 Elman神经网络建模 | 第32-33页 |
| 3.2.2 遗传算法优化Elman网络原理 | 第33页 |
| 3.2.3 遗传算法优化Elman网络流程 | 第33-36页 |
| 3.3 实验结果及分析 | 第36-39页 |
| 3.4 本章小结 | 第39-40页 |
| 4 粒子群算法优化Elman神经网络 | 第40-47页 |
| 4.1 粒子群算法 | 第40-43页 |
| 4.1.1 粒子群算法原理 | 第40页 |
| 4.1.2 粒子群算法基本流程 | 第40-41页 |
| 4.1.3 优化后的粒子群算法 | 第41-43页 |
| 4.2 粒子群算法优化Elman神经网络 | 第43-44页 |
| 4.2.1 粒子群算法优化Elman网络原理 | 第43-44页 |
| 4.2.2 粒子群算法优化Elman网络流程 | 第44页 |
| 4.3 实验结果及分析 | 第44-46页 |
| 4.4 本章小结 | 第46-47页 |
| 5 AGV小车电池健康状态预测的实现 | 第47-57页 |
| 5.1 电池健康状态预测系统 | 第47页 |
| 5.2 数据采集和数据处理 | 第47-51页 |
| 5.2.1 数据采集 | 第47-48页 |
| 5.2.2 数据预处理 | 第48-49页 |
| 5.2.3 电池电量的计算 | 第49-51页 |
| 5.3 GA-IPSO-Elman神经网络建模 | 第51-53页 |
| 5.3.1 训练数据的准备 | 第51-52页 |
| 5.3.2 神经网络的训练 | 第52-53页 |
| 5.4 电池健康状态预测及决策支持 | 第53-54页 |
| 5.5 系统效果展示 | 第54-56页 |
| 5.6 本章小结 | 第56-57页 |
| 6 总结与展望 | 第57-59页 |
| 6.1 总结 | 第57页 |
| 6.2 展望 | 第57-59页 |
| 参考文献 | 第59-62页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第62-64页 |
| 学位论文数据集 | 第64页 |
