基于深度学习的动力电池故障诊断研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 课题研究的目的和意义 | 第10-11页 |
| 1.2 特征提取国内外研究现状 | 第11-13页 |
| 1.3 电池故障诊断国内外研究现状 | 第13-17页 |
| 1.4 本文主要研究内容 | 第17-19页 |
| 第2章 锂离子动力电池故障分析与故障特征提取 | 第19-39页 |
| 2.1 锂离子动力电池故障分析 | 第19-25页 |
| 2.1.1 锂动力电池性能 | 第19-20页 |
| 2.1.2 锂动力电池故障树分析 | 第20-22页 |
| 2.1.3 锂动力电池失效模式与影响分析 | 第22-25页 |
| 2.2 锂动力电池信号采集 | 第25-30页 |
| 2.2.1 锂离子电池动态工况设计 | 第25-26页 |
| 2.2.2 故障注入锂动力电池信号采集 | 第26-30页 |
| 2.3 锂动力电池故障特征提取 | 第30-38页 |
| 2.3.1 小波理论和小波包分解 | 第30-34页 |
| 2.3.2 利用小波包分解提取锂动力电池故障特征 | 第34-38页 |
| 2.4 本章小结 | 第38-39页 |
| 第3章 基于深度学习的电池故障诊断算法研究 | 第39-55页 |
| 3.1 循环神经网络算法 | 第39-49页 |
| 3.1.1 RNN概述和模型 | 第39-42页 |
| 3.1.2 LSTM网络模型 | 第42-49页 |
| 3.2 基于LSTM的故障诊断系统设计 | 第49-52页 |
| 3.2.1 诊断系统结构 | 第49页 |
| 3.2.2 LSTM神经网络设计 | 第49-52页 |
| 3.3 基于LSTM的故障诊断系统仿真及验证 | 第52-54页 |
| 3.3.1 实验对比方法 | 第52-53页 |
| 3.3.2 数据预处理 | 第53-54页 |
| 3.3.3 故障诊断仿真结果对比分析 | 第54页 |
| 3.4 本章小结 | 第54-55页 |
| 第4章 基于Web的远程动力电池故障诊断系统 | 第55-63页 |
| 4.1 锂动力电池故障诊断系统设计 | 第55-58页 |
| 4.1.1 系统总体设计原则 | 第55-56页 |
| 4.1.2 系统总体架构设计 | 第56-57页 |
| 4.1.3 诊断系统流程设计 | 第57-58页 |
| 4.2 锂动力电池故障诊断系统开发 | 第58-60页 |
| 4.2.1 系统运行环境 | 第58页 |
| 4.2.2 系统功能模块划分 | 第58-59页 |
| 4.2.3 数据库设计 | 第59-60页 |
| 4.3 锂动力电池故障诊断系统运行实例 | 第60-62页 |
| 4.4 本章小结 | 第62-63页 |
| 结论 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 攻读学位期间取得的学术成果 | 第68-69页 |
| 致谢 | 第69页 |
