| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 相关术语及其概念 | 第11页 |
| 1.3 锂离子电池RUL预测方法研究现状及分析 | 第11-14页 |
| 1.3.1 基于模型的RUL预测方法 | 第11-12页 |
| 1.3.2 基于数据驱动的RUL预测方法 | 第12-14页 |
| 1.4 极限学习机研究现状 | 第14-15页 |
| 1.5 本文研究内容及安排 | 第15-17页 |
| 第2章 神经网络和极限学习机 | 第17-25页 |
| 2.1 人工神经网络 | 第17-18页 |
| 2.1.1 人工神经网络的结构 | 第17页 |
| 2.1.2 神经网络基本类型 | 第17-18页 |
| 2.2 极限学习机 | 第18-23页 |
| 2.2.1 单隐层前馈神经网络 | 第19-22页 |
| 2.2.2 极限学习机定理及算法 | 第22-23页 |
| 2.3 本章小结 | 第23-25页 |
| 第3章 锂离子电池理论与数据分析 | 第25-38页 |
| 3.1 锂离子电池的结构 | 第25-26页 |
| 3.2 锂离子电池的工作原理 | 第26页 |
| 3.3 锂离子电池的退化过程分析 | 第26-28页 |
| 3.3.1 性能指标 | 第27页 |
| 3.3.2 性能退化影响因素 | 第27-28页 |
| 3.4 锂离子电池健康因子的构建 | 第28-30页 |
| 3.5 锂离子电池RUL间接预测框架 | 第30-31页 |
| 3.6 实验验证和分析 | 第31-37页 |
| 3.6.1 锂离子电池实际容量数据分析 | 第31-34页 |
| 3.6.2 锂离子电池间接健康因子的提取与评估 | 第34-37页 |
| 3.7 本章小结 | 第37-38页 |
| 第4章 基于GSO-ELM的锂离子电池RUL间接预测 | 第38-66页 |
| 4.1 萤火虫算法 | 第38-44页 |
| 4.1.1 算法思想 | 第38-40页 |
| 4.1.2 算法描述 | 第40-42页 |
| 4.1.3 算法实现 | 第42-43页 |
| 4.1.4 算法参数分析 | 第43-44页 |
| 4.2 萤火虫算法的极限学习机模型以及算法流程 | 第44-46页 |
| 4.3 基于GSO-ELM的锂离子电池RUL间接预测方法 | 第46-49页 |
| 4.4 锂离子电池RUL预测验证与评价 | 第49-64页 |
| 4.4.1 性能评价 | 第49-50页 |
| 4.4.2 RUL预测实验结果 | 第50-64页 |
| 4.5 本章小结 | 第64-66页 |
| 第5章 总结与展望 | 第66-68页 |
| 参考文献 | 第68-74页 |
| 致谢 | 第74页 |