| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第11-27页 |
| 1.1 研究背景及意义 | 第11-15页 |
| 1.1.1 研究背景 | 第11-14页 |
| 1.1.2 研究意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-23页 |
| 1.2.1 锂离子电池状态监测与管理研究现状 | 第15-16页 |
| 1.2.2 锂离子电池容量估计方法研究现状 | 第16-20页 |
| 1.2.3 锂离子电池寿命预测方法研究现状 | 第20-23页 |
| 1.3 存在的问题和解决思路 | 第23-24页 |
| 1.3.1 存在的问题 | 第23-24页 |
| 1.3.2 解决的思路 | 第24页 |
| 1.4 研究内容及创新点 | 第24-27页 |
| 1.4.1 论文的主要内容和结构安排 | 第24-26页 |
| 1.4.2 论文的创新点 | 第26-27页 |
| 第二章 锂离子电池间接性能参数选取 | 第27-37页 |
| 2.1 锂离子电池退化机理分析 | 第27-28页 |
| 2.2 锂离子电池实验数据分析 | 第28-29页 |
| 2.3 间接性能参数选取 | 第29-33页 |
| 2.3.1 充电阶段时间间隔特征提取 | 第29-31页 |
| 2.3.2 放电阶段时间间隔特征提取 | 第31-32页 |
| 2.3.3 温度特征提取 | 第32-33页 |
| 2.4 实例分析 | 第33-35页 |
| 2.5 本章小结 | 第35-37页 |
| 第三章 基于动态集成AMKRVM的锂离子电池容量估计 | 第37-62页 |
| 3.1 自适应多核相关向量机 | 第37-46页 |
| 3.1.1 相关向量机 | 第37-40页 |
| 3.1.2 多核相关向量机 | 第40-43页 |
| 3.1.3 基于APSO算法的自适应MKRVM核参数优化 | 第43-46页 |
| 3.2 动态集成AMKRVM模型 | 第46-51页 |
| 3.2.1 集成学习方法 | 第46-47页 |
| 3.2.2 动态集成AMKRVM算法 | 第47-51页 |
| 3.3 实验结果与分析 | 第51-60页 |
| 3.3.1 实验结果评价准则 | 第51-52页 |
| 3.3.2 离线模型训练结果 | 第52-55页 |
| 3.3.3 在线电池容量估计结果 | 第55-57页 |
| 3.3.4 模型验证与比较 | 第57-58页 |
| 3.3.5 间接健康因子进一步的讨论 | 第58-60页 |
| 3.4 本章小结 | 第60-62页 |
| 第四章 基于在线学习MKRVM的锂离子电池剩余寿命预测 | 第62-76页 |
| 4.1 相空间重构 | 第62-65页 |
| 4.1.1 时间延迟的确定 | 第63-64页 |
| 4.1.2 嵌入维数的确定 | 第64-65页 |
| 4.2 基于线学习MKRVM的RUL预测 | 第65-69页 |
| 4.2.1 在线学习MKRVM模型 | 第66-68页 |
| 4.2.2 锂离子电池在线RUL预测 | 第68-69页 |
| 4.3 实验结果与分析 | 第69-75页 |
| 4.3.1 相空间重构实验结果 | 第69-70页 |
| 4.3.2 电池容量及RUL预测 | 第70-73页 |
| 4.3.3 模型比较与分析 | 第73-75页 |
| 4.4 本章小结 | 第75-76页 |
| 结束语 | 第76-78页 |
| 主要工作及创新点 | 第76页 |
| 未来研究展望 | 第76-78页 |
| 致谢 | 第78-79页 |
| 参考文献 | 第79-84页 |
| 作者在学期间取得的学术成果 | 第84页 |
