01
课程导论
电池寿命预测的行业痛点、AI解决方案概览、课程目标与学习路径。
行业痛点AI概览
02
电池基础
锂离子电池工作原理、关键性能指标（容量、内阻、SOC、SOH）、老化机制。
工作原理SOH
03
数据采集
电池测试设备介绍、充放电循环数据采集、关键参数（电压、电流、温度）记录。
测试设备充放电
04
数据预处理
缺失值处理、异常值检测与平滑、数据归一化与标准化。
缺失值归一化
05
特征工程（上）
基于电压曲线的特征提取（平均电压、电压降、差分电压）。
电压曲线差分电压
06
特征工程（下）
基于容量与温度的特征提取、增量容量分析（ICA）简介。
容量特征ICA
07
数据集构建
滑动窗口法构建样本、标签定义（RUL与SOH）、训练/验证/测试集划分。
滑动窗口RUL
08
机器学习基础
回归与分类问题、过拟合与欠拟合、模型评估指标（MAE、RMSE、R²）。
回归评估指标
09
线性回归模型
一元/多元线性回归原理、使用Scikit-learn实现电池RUL预测。
线性回归Scikit-learn
10
决策树与随机森林
决策树原理、随机森林集成学习、特征重要性分析。
决策树随机森林
11
支持向量机（SVM）
SVM回归原理、核函数选择、在电池SOH预测中的应用。
SVM核函数
12
XGBoost与LightGBM
梯度提升树原理、XGBoost实战调参、LightGBM高效训练。
XGBoostLightGBM
13
深度学习入门
神经网络基础、激活函数（ReLU、Sigmoid）、损失函数与优化器。
神经网络激活函数
14
循环神经网络（RNN）
序列数据处理、RNN原理、在电池时序预测中的局限性。
序列数据RNN
15
LSTM与GRU
长短期记忆网络原理、GRU简化结构、使用PyTorch搭建LSTM预测模型。
LSTMGRUPyTorch
16
CNN在电池预测中的应用
一维卷积原理、时序特征提取、CNN-LSTM混合模型。
一维卷积CNN-LSTM
17
注意力机制与Transformer
自注意力机制、Transformer架构、在电池寿命预测中的探索。
自注意力Transformer
18
模型训练技巧
学习率调度、早停法（Early Stopping）、Dropout与正则化。
学习率早停Dropout
19
超参数调优
网格搜索、随机搜索、贝叶斯优化（Optuna）。
网格搜索贝叶斯优化
20
模型解释性
SHAP值分析、特征重要性可视化、预测结果的可信度评估。
SHAP特征重要性
21
不确定性量化
蒙特卡洛Dropout、集成学习不确定性估计、预测区间构建。
MC Dropout预测区间
22
迁移学习
源域与目标域、预训练模型微调、跨电池类型迁移实战。
迁移学习微调
23
联邦学习
隐私保护需求、联邦平均算法（FedAvg）、分布式电池数据训练。
联邦学习FedAvg
24
模型部署
ONNX模型转换、TensorRT加速、边缘端部署（树莓派/Jetson）。
ONNXTensorRT边缘部署
25
实时监控系统
数据流处理（Kafka/Flask）、模型在线推理、告警机制设计。
KafkaFlask告警
26
电池健康状态（SOH）估计
SOH定义与计算、基于容量与阻抗的SOH估计、AI模型对比。
SOH阻抗
27
剩余使用寿命（RUL）预测
RUL定义、阈值设定、多步预测策略、模型评估。
RUL多步预测
28
异常检测
电池异常类型（微短路、析锂）、基于重构误差的异常检测、孤立森林算法。
微短路孤立森林
29
综合实战项目（上）
NASA电池数据集介绍、数据加载与预处理、特征工程与模型训练。
NASA数据集实战
30
综合实战项目（下）
模型评估与对比、结果可视化、部署方案设计、课程总结与展望。
模型评估部署总结