01
电池衰退概述
电池寿命的定义、衰退的物理化学机理、影响衰退的关键因素。
机理基础
02
数据采集与预处理
实验设计、充放电循环数据采集、数据清洗与异常值处理。
数据清洗
03
特征工程（上）
容量衰减曲线、电压平台分析、dQ/dV曲线提取。
特征曲线
04
特征工程（下）
内阻增长、温度效应、循环次数与放电深度特征。
内阻温度
05
经典经验模型
指数模型、幂律模型、Arrhenius模型及其组合。
经验Arrhenius
06
等效电路模型（ECM）
一阶RC模型、二阶RC模型、参数辨识方法。
ECMRC
07
机器学习入门
线性回归、岭回归、支持向量回归（SVR）在衰退预测中的应用。
回归SVR
08
集成学习方法
随机森林、梯度提升树（GBDT）、XGBoost在寿命预测中的实战。
集成XGBoost
09
深度学习基础
循环神经网络（RNN）原理、LSTM与GRU的对比。
RNNLSTM
10
LSTM实战
构建LSTM模型预测电池剩余寿命（RUL），超参数调优。
RUL调优
11
卷积神经网络（CNN）应用
一维CNN处理时序数据，特征自动提取。
CNN时序
12
注意力机制
自注意力、Transformer在电池寿命预测中的尝试。
注意力Transformer
13
混合模型
CNN-LSTM、物理信息神经网络（PINN）的融合思路。
混合PINN
14
贝叶斯方法
高斯过程回归（GPR）用于不确定性量化。
贝叶斯GPR
15
迁移学习
源域与目标域、微调策略、跨电池类型迁移。
迁移微调
16
联邦学习
隐私保护下的多源电池数据协同建模。
联邦隐私
17
数据增强
生成对抗网络（GAN）生成合成退化数据。
GAN增强
18
模型评估指标
RMSE、MAE、R²、最大误差、一致性评估。
评估指标
19
交叉验证与超参数优化
时间序列交叉验证、网格搜索、贝叶斯优化。
调参CV
20
模型可解释性
SHAP值、特征重要性、部分依赖图。
SHAP可解释
21
在线学习与自适应更新
卡尔曼滤波、递归最小二乘（RLS）在线参数更新。
在线卡尔曼
22
电池管理系统（BMS）集成
模型部署到嵌入式系统、算力与内存优化。
BMS部署
23
多应力工况建模
温度、倍率、放电深度耦合下的衰退模型。
多应力耦合
24
快速老化协议
如何设计加速老化实验以缩短数据采集周期。
加速老化
25
电池一致性分析
电芯间差异对系统寿命的影响、统计建模方法。
一致性统计
26
第二寿命评估
梯次利用场景下的剩余寿命预测模型。
梯次第二寿命
27
故障诊断与预警
异常检测、早期内短路识别与寿命关联。
故障预警
28
标准与法规
IEC 62660、UL 1974、GB/T 31484等标准对寿命模型的要求。
标准法规
29
案例实战（一）
基于NASA电池数据集的全流程建模。
NASA实战
30
案例实战（二）
基于公开数据集（CALCE、MIT-Stanford）的模型对比与优化。
CALCE对比