课程导论：BMS系统概述、电池老化机理简介、寿命预测的意义与挑战。
BMS概述老化机理寿命预测挑战
锂离子电池基础：电化学原理、关键参数（SOC、SOH、DOD）、充放电特性曲线。
电化学原理SOC/SOH/DOD充放电曲线
电池老化机理（上）：SEI膜生长、活性锂损失、正极材料结构退化。
SEI膜活性锂损失正极退化
电池老化机理（下）：负极析锂、电解液分解、内阻增加与容量衰减的关联。
负极析锂电解液分解内阻-容量
老化影响因素分析：温度、充放电倍率、充放电截止电压、DOD对寿命的影响。
温度充放电倍率截止电压DOD
老化实验设计：循环老化实验、日历老化实验、加速老化测试方法。
循环老化日历老化加速测试
数据采集与预处理：传感器选型、采样频率设定、数据清洗与异常值处理。
传感器采样频率数据清洗
特征工程（上）：从充放电曲线提取特征（增量容量分析ICA、差分电压分析DVA）。
ICADVA曲线特征
特征工程（下）：统计特征（均值、方差、偏度）、频域特征（FFT）、健康因子构建。
统计特征FFT健康因子
经验老化模型：Arrhenius模型、逆幂律模型、基于循环数的指数衰减模型。
Arrhenius逆幂律指数衰减
半经验模型：Nelson模型、考虑C-rate与温度的修正模型。
Nelson模型C-rate修正温度修正
等效电路模型（ECM）：一阶RC、二阶RC模型、参数辨识方法（最小二乘法）。
一阶RC二阶RC参数辨识
电化学模型（P2D模型）：模型原理、简化方法、单粒子模型（SPM）介绍。
P2D原理简化方法SPM
数据驱动模型入门：机器学习基础、回归问题、过拟合与欠拟合。
机器学习基础回归过拟合
线性回归与岭回归：原理、在SOH估计中的应用、Python实现。
线性回归岭回归SOH估计
支持向量回归（SVR）：核函数选择、参数调优、案例实战。
SVR核函数参数调优
集成学习方法：随机森林、梯度提升树（GBDT）、XGBoost在寿命预测中的应用。
随机森林GBDTXGBoost
高斯过程回归（GPR）：不确定性量化、核函数设计、小样本预测优势。
GPR不确定性小样本
循环神经网络（RNN）：序列数据处理、LSTM与GRU原理。
RNNLSTMGRU
LSTM实战：构建LSTM模型预测电池剩余寿命（RUL）、超参数调优。
LSTM预测RUL超参数实战
CNN与混合模型：一维CNN提取局部特征、CNN-LSTM混合架构。
1D-CNNCNN-LSTM混合架构
注意力机制与Transformer：自注意力原理、时间序列预测中的应用。
自注意力Transformer时间序列
迁移学习：源域与目标域、微调策略、跨电池类型迁移。
源域/目标域微调跨电池迁移
贝叶斯方法：贝叶斯线性回归、粒子滤波在RUL预测中的应用。
贝叶斯回归粒子滤波RUL
卡尔曼滤波与扩展卡尔曼滤波：SOC/SOH联合估计、算法推导与实现。
卡尔曼滤波EKFSOC/SOH
模型评估与验证：评价指标（RMSE、MAE、MAPE）、交叉验证、置信区间。
RMSE/MAE/MAPE交叉验证置信区间
不确定性量化：Aleatoric与Epistemic不确定性、蒙特卡洛dropout。
AleatoricEpistemicMC dropout
边缘部署与实时预测：模型压缩（量化、剪枝）、嵌入式BMS实现。
模型压缩量化剪枝嵌入式BMS
电池梯次利用与回收：退役电池筛选、SOH快速评估、梯次利用场景。
退役筛选SOH评估梯次利用
综合项目实战：从数据采集到RUL预测的全流程实现、课程总结与展望。
全流程实战RUL预测总结展望