| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究进展 | 第10-13页 |
| 1.2.1 基于机理模型的方法 | 第10-11页 |
| 1.2.2 数据驱动的方法 | 第11-12页 |
| 1.2.3 融合型方法 | 第12-13页 |
| 1.3 论文研究内容及结构安排 | 第13-15页 |
| 2 基于粒子滤波——误差补偿算法的RUL预测方法 | 第15-25页 |
| 2.1 问题描述 | 第15页 |
| 2.2 基于粒子滤波——误差补偿算法的RUL预测方法框架 | 第15-16页 |
| 2.3 基于粒子滤波——误差补偿算法的RUL预测方法原理描述 | 第16-20页 |
| 2.3.1 锂离子电池退化模型 | 第16页 |
| 2.3.2 参数估计 | 第16-18页 |
| 2.3.3 粒子滤波——误差补偿算法原理 | 第18-19页 |
| 2.3.4 锂离子电池RUL预测 | 第19-20页 |
| 2.4 实验与结果分析 | 第20-22页 |
| 2.4.1 数据描述 | 第20页 |
| 2.4.2 实验与结果分析 | 第20-22页 |
| 2.5 本章小结 | 第22-25页 |
| 3 基于改进粒子滤波算法的RUL预测方法 | 第25-37页 |
| 3.1 问题描述 | 第25页 |
| 3.2 基于改进粒子滤波算法的RUL预测方法框架 | 第25-26页 |
| 3.3 基于改进粒子滤波算法的RUL预测方法原理描述 | 第26-31页 |
| 3.3.1 正则化粒子滤波算法原理 | 第26-28页 |
| 3.3.2 扩展有限冲激相应滤波器 | 第28-30页 |
| 3.3.3 诊断与纠正策略 | 第30页 |
| 3.3.4 锂离子电池RUL预测 | 第30-31页 |
| 3.4 实验结果和对比分析 | 第31-35页 |
| 3.4.1 实验结果 | 第31-32页 |
| 3.4.2 对比分析 | 第32-35页 |
| 3.5 本章小结 | 第35-37页 |
| 4 基于深度学习的状态恢复系统RUL预测方法 | 第37-45页 |
| 4.1 问题描述 | 第37页 |
| 4.2 长短时记忆网络原理 | 第37-40页 |
| 4.2.1 LSTM网络结构 | 第38-39页 |
| 4.2.2 LSTM训练算法 | 第39-40页 |
| 4.2.3 LSTM网络参数设置 | 第40页 |
| 4.3 考虑间歇时间的LSTM网络预测方法 | 第40-41页 |
| 4.4 实验结果与对比分析 | 第41-43页 |
| 4.4.1 实验结果 | 第41-42页 |
| 4.4.2 对比分析 | 第42-43页 |
| 4.5 本章小结 | 第43-45页 |
| 5 基于深度学习融合算法的耦合多变量系统RUL预测方法 | 第45-61页 |
| 5.1 问题描述 | 第45页 |
| 5.2 基于深度学习融合算法的耦合多变量系统RUL预测方法框架 | 第45-47页 |
| 5.3 基于带主成分分析的长短时记忆网络的RUL预测方法 | 第47-50页 |
| 5.3.1 状态监测变量的耦合性分析 | 第48页 |
| 5.3.2 解耦处理 | 第48-49页 |
| 5.3.3 剩余寿命预测 | 第49-50页 |
| 5.4 实验结果与分析 | 第50-61页 |
| 5.4.1 数据描述 | 第50-51页 |
| 5.4.2 实验与结果分析 | 第51-61页 |
| 6 总结与展望 | 第61-63页 |
| 6.1 总结 | 第61-62页 |
| 6.2 研究展望 | 第62-63页 |
| 致谢 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 攻读学位期间主要研究成果 | 第69页 |
