| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 相关研究现状及发展趋势 | 第12-15页 |
| 1.2.1 CL2M系统 | 第12-14页 |
| 1.2.2 数据驱动的故障预测方法 | 第14-15页 |
| 1.3 本文主要研究内容 | 第15-16页 |
| 1.4 本文章节安排 | 第16-17页 |
| 第2章 数据驱动故障预测方法与CL2M系统概述 | 第17-33页 |
| 2.1 数据驱动的故障预测流程 | 第17-18页 |
| 2.2 XGBoost算法 | 第18-22页 |
| 2.2.1 背景知识 | 第19-20页 |
| 2.2.2 算法原理 | 第20-21页 |
| 2.2.3 算法推导 | 第21-22页 |
| 2.3 SVR算法 | 第22-24页 |
| 2.3.1 算法原理 | 第22-24页 |
| 2.3.2 算法优点 | 第24页 |
| 2.4 AFS-PSO优化算法 | 第24-29页 |
| 2.4.1 AFS算法 | 第25-26页 |
| 2.4.2 AFS-PSO算法 | 第26-27页 |
| 2.4.3 算法应用 | 第27-29页 |
| 2.5 CL2M系统概述 | 第29-32页 |
| 2.5.1 CL2M系统的理念 | 第29-30页 |
| 2.5.2 CL2M主要研究内容 | 第30-31页 |
| 2.5.3 CL2M系统架构 | 第31-32页 |
| 2.6 本章小结 | 第32-33页 |
| 第3章 CL2M系统中故障预测维护架构设计 | 第33-41页 |
| 3.1 数据驱动故障预测方法在CL2M系统中的应用 | 第33-37页 |
| 3.1.1 CL2M系统中产品数据的获取机制 | 第33-34页 |
| 3.1.2 CL2M系统中产品数据的应用 | 第34-35页 |
| 3.1.3 数据驱动方法的局限性 | 第35-36页 |
| 3.1.4 两者结合的必要性 | 第36-37页 |
| 3.2 CL2M系统故障预测维护架构与关键技术 | 第37-40页 |
| 3.2.1 CL2M系统中故障预测维护架构 | 第37-39页 |
| 3.2.2 关键技术 | 第39-40页 |
| 3.3 本章小结 | 第40-41页 |
| 第4章 CL2M系统中故障预测实现方案 | 第41-51页 |
| 4.1 adaboost算法 | 第41-43页 |
| 4.1.1 boosting思想 | 第41-42页 |
| 4.1.2 adaboost算法 | 第42-43页 |
| 4.2 CL2M系统故障预测架构子系统层实现方案 | 第43-45页 |
| 4.3 CL2M系统故障诊断建模 | 第45-48页 |
| 4.3.1 adaboost分类算法 | 第45-46页 |
| 4.3.2 CL2M系统故障诊断建模流程 | 第46-48页 |
| 4.4 CL2M系统故障预测建模 | 第48-50页 |
| 4.4.1 adaboost回归算法 | 第48-49页 |
| 4.4.2 CL2M系统故障预测建模流程 | 第49-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第5章 CL2M系统中故障预测架构实验与测试结果 | 第51-67页 |
| 5.1 故障诊断实验及结果 | 第51-56页 |
| 5.1.1 数据集介绍 | 第51-53页 |
| 5.1.2 故障诊断实验建模流程 | 第53-54页 |
| 5.1.3 故障诊断实验及结果 | 第54-56页 |
| 5.2 故障预测实验及结果 | 第56-65页 |
| 5.2.1 数据集介绍 | 第56-60页 |
| 5.2.2 锂电池SoH影响的研究 | 第60-61页 |
| 5.2.3 故障预测实验建模流程 | 第61-63页 |
| 5.2.4 故障预测实验及结果 | 第63-65页 |
| 5.3 实验结果分析 | 第65页 |
| 5.4 本章小结 | 第65-67页 |
| 第6章 总结与展望 | 第67-69页 |
| 6.1 工作总结 | 第67-68页 |
| 6.2 下一步工作展望 | 第68-69页 |
| 参考文献 | 第69-75页 |
| 致谢 | 第75-77页 |
| 在读期间发表的学术论文与取得的研究成果 | 第77页 |