| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 PHM技术的故障预测方法 | 第10-12页 |
| 1.2.1 基于模型的故障预测方法 | 第11页 |
| 1.2.2 基于数据驱动的故障预测方法 | 第11-12页 |
| 1.2.3 基于可靠性模型的故障预测方法 | 第12页 |
| 1.3 锂离子电池RUL预测方法研究现状 | 第12-16页 |
| 1.3.1 剩余寿命预测的概念 | 第12-13页 |
| 1.3.2 基于模型的锂电池RUL预测 | 第13-14页 |
| 1.3.3 基于数据驱动的RUL预测 | 第14-16页 |
| 1.4 主要内容及章节安排 | 第16-18页 |
| 第2章 锂离子电池性能退化研究 | 第18-24页 |
| 2.1 锂离子电池的工作原理 | 第18-19页 |
| 2.2 锂离子电池的基本特性 | 第19-20页 |
| 2.3 锂离子电池容量衰退分析 | 第20-21页 |
| 2.4 锂离子电池退化试验和经验退化模型 | 第21-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第3章 基于ARIMA-RPF的锂电池剩余寿命预测方法 | 第24-48页 |
| 3.1 基于时间序列的ARIMA预测方法 | 第24-31页 |
| 3.1.1 ARIMA模型的基本原理 | 第24-25页 |
| 3.1.2 ARIMA模型的建立 | 第25-28页 |
| 3.1.3 仿真分析 | 第28-31页 |
| 3.2 基于粒子滤波的预测方法 | 第31-39页 |
| 3.2.1 贝叶斯估计 | 第31-32页 |
| 3.2.2 蒙特卡洛方法 | 第32-33页 |
| 3.2.3 SIS重要性采样 | 第33-35页 |
| 3.2.4 重采样 | 第35-36页 |
| 3.2.5 RPF算法的基本流程 | 第36-37页 |
| 3.2.6 仿真分析 | 第37-39页 |
| 3.3 基于ARIMA-RPF算法预测锂电池RUL | 第39-46页 |
| 3.3.1 融合算法的预测流程 | 第39-41页 |
| 3.3.2 仿真分析 | 第41-46页 |
| 3.4 本章小结 | 第46-48页 |
| 第4章 基于LSTM模型的剩余寿命预测方法 | 第48-66页 |
| 4.1 RNN神经网络 | 第48-52页 |
| 4.1.1 循环神经网络模型的算法 | 第49-51页 |
| 4.1.2 循环神经网络模型的缺陷 | 第51-52页 |
| 4.2 LSTM模型的实现 | 第52-59页 |
| 4.2.1 LSTM模型的网络结构 | 第52-54页 |
| 4.2.2 LSTM模型的算法 | 第54-56页 |
| 4.2.3 基于LSTM的预测模型 | 第56-59页 |
| 4.3 仿真分析 | 第59-65页 |
| 4.4 本章小结 | 第65-66页 |
| 第5章 总结与展望 | 第66-68页 |
| 5.1 工作总结 | 第66页 |
| 5.2 研究展望 | 第66-68页 |
| 参考文献 | 第68-76页 |
| 攻读硕士学位期间发表的论文及所取得的研究成果 | 第76-77页 |
| 致谢 | 第77-78页 |