1.電池管理技術(shù)概述
1. 電池的工作原理與關(guān)鍵性能指標
2. 電池管理系統(tǒng)的核心功能
3.BMS的軟件開發(fā)要點：SOC估計、SOH估計、剩余壽命預(yù)測
2.人工智能機器學(xué)習(xí)基礎(chǔ)
1. 人工智能的發(fā)展
2. 機器學(xué)習(xí)的關(guān)鍵概念
3.機器學(xué)習(xí)在電池管理中的應(yīng)用案例介紹
3.人工智能在電池荷電狀態(tài)估計中的應(yīng)用
1. 荷電狀態(tài)估計方法概述
2. 基于支持向量機的SOC估計
（1）鋰電池測試及數(shù)據(jù)集
（2）基于SVM的估計框架
（3）模型驗證和討論
3.基于神經(jīng)網(wǎng)絡(luò)的SOC估計
（1）鋰電池數(shù)據(jù)集
（2）基于BP/CNN/LSTM神經(jīng)網(wǎng)絡(luò)的估計框架
（3）不同輸入的對比分析
（4）不同工況/溫度的精度驗證
3. 基于遷移學(xué)習(xí)的 SOC 估計
(1) 鋰電池測試及數(shù)據(jù)集
(2) 基于深度遷移學(xué)習(xí)的SOC估計
(3)多溫度下 SOC 估計驗證
(4) 多老化點下 SOC 估計驗證
實例講解1：基于支持向量機的SOC估計
實例講解2：基于神經(jīng)網(wǎng)絡(luò)的SOC估計
實例講解3：基于遷移學(xué)習(xí)的SOC估計
4.人工智能在電池健康狀態(tài)估計中的應(yīng)用
1. 健康狀態(tài)估計方法概述
2. 人工智能技術(shù)在電池單體SOH預(yù)估中的應(yīng)用
(1) 健康因子提取
(2) 構(gòu)建人工智能模型
(3) 模型訓(xùn)練與超參數(shù)優(yōu)化
(4) 電池系統(tǒng)健康狀態(tài)
3. 滿充滿放恒定工況下基于機器學(xué)習(xí)的電池SOH估計
（1）健康因子提取
（2）健康因子相關(guān)性分析
（3）基于機器學(xué)習(xí)的電池SOH估計
1. 健康狀態(tài)估計方法概述
2. 人工智能技術(shù)在電池單體SOH預(yù)估中的應(yīng)用
(1) 健康因子提取
(2) 構(gòu)建人工智能模型
(3) 模型訓(xùn)練與超參數(shù)優(yōu)化
(4) 電池系統(tǒng)健康狀態(tài)
3. 滿充滿放恒定工況下基于機器學(xué)習(xí)的電池SOH估計
（1）健康因子提取
（2）健康因子相關(guān)性分析
（3）基于機器學(xué)習(xí)的電池SOH估計
1. 多階恒流/片段恒流工況下的 SOH 估計方法
(1) 鋰離子電池老化數(shù)據(jù)集
(2) SOH健康特征提取
① 電池公開數(shù)據(jù)集老化試驗
② 電池增量容量曲線提取
③ 電壓序列構(gòu)建方法
④ 電壓序列相關(guān)性分析
(3) 健康特征提取
(4) 基于神經(jīng)網(wǎng)絡(luò)的電池SOH估計方法
2. 動態(tài)放電工況下基于模型誤差譜的 SOH 估計方法
（1）方法基本原理及框架
（2）數(shù)據(jù)集及參數(shù)辨識
（3）模型誤差面積提取
（4）老化特征及工況特征融合
（5）模型訓(xùn)練及驗證
6. 基于云端大數(shù)據(jù)的電池SOH估計
（1）數(shù)據(jù)預(yù)處理
（2）容量標簽構(gòu)建
（3）容量估算框架
（4）多場景驗證及測試
實例講解1：滿充滿放恒定工況下的電池SOH估計
實例講解2：多階恒流/片段恒流工況下的電池 SOH 估計
實例講解3：動態(tài)放電工況下基于模型誤差譜的 SOH 估計
實例講解4：基于實車運行大數(shù)據(jù)的電池 SOH 估計
5.人工智能在電池壽命預(yù)測和衰后性能預(yù)測中的應(yīng)用
1. 鋰離子電池狀態(tài)、軌跡及特性預(yù)測概述
2. 基于傳統(tǒng)機器學(xué)習(xí)SVR的電池剩余壽命預(yù)測
（1）數(shù)據(jù)集介紹
（2）特征提取及估計框架
（3）方法驗證及討論
3. 基于深度學(xué)習(xí)的電池RUL聯(lián)合預(yù)測方法
（1）電池數(shù)據(jù)集介紹
（2）特征提取及估計框架
（3）方法驗證及討論
4. 基于機器學(xué)習(xí)的電池SOH和RUL聯(lián)合預(yù)測方法
（1）數(shù)據(jù)集介紹
（2）研究框架和方法
（3）結(jié)果分析與驗證
1. 基于數(shù)據(jù)驅(qū)動的電池衰退軌跡預(yù)測方法
(1) 數(shù)據(jù)集及數(shù)據(jù)預(yù)處理
(2) 特征工程與退化敏感特征提取
(3) 數(shù)據(jù)集構(gòu)建與劃分
(4) 模型選擇與訓(xùn)練
(5) 軌跡預(yù)測與評估優(yōu)化
實例講解1-基于支持向量回歸的壽命預(yù)測方法
實例講解2-基于深度學(xué)習(xí)的壽命預(yù)測方法
實例講解3-基于機器學(xué)習(xí)的健康狀態(tài)及壽命聯(lián)合預(yù)測方法
實例講解4-基于深度學(xué)習(xí)的電池衰退軌跡預(yù)測方法
6.人工智能在電池熱失控預(yù)警中的應(yīng)用
1. 電池?zé)崾Э仡A(yù)警方法概述
2. 算法數(shù)據(jù)集介紹:電池故障數(shù)據(jù)來源
3. 基于無監(jiān)督聚類算法（KMeans）的電池現(xiàn)實故障檢測方法
（1）KMeans聚類方法
（2）基于聚類方法的檢測框架
（3）檢測結(jié)果集討論
4. 基于無監(jiān)督聚類算法（DBSCAN）的電池現(xiàn)實故障檢測方法
（1）DBSCAN聚類方法
（2）基于聚類方法的檢測框架
（3）檢測結(jié)果集討論
5. 基于局部離群因子的電池系統(tǒng)故障智能診斷方法
（1）LOF 算法核心原理
（2）特征選擇及邏輯判斷準則
（3）結(jié)果分析及驗證
6. 基于深度學(xué)習(xí)的電池系統(tǒng)智能故障診斷方法
（1）神經(jīng)網(wǎng)絡(luò)診斷框架
（2）結(jié)果分析及驗證
實例講解1：基于KMeans的異常電芯檢測
實例講解2：基于DBSCAN的異常電芯檢測
實例講解3：基于LOF的異常電芯檢測
實例講解4：基于深度學(xué)習(xí)的異常電芯檢測
