01
课程导论
电池寿命预测的意义、行业痛点、课程目标与学习路径
行业背景学习地图
02
锂离子电池基础
电化学原理、关键性能参数（容量、内阻、SOC、SOH）、老化机制
电化学SOH
03
电池数据采集
传感器选型、数据采集系统搭建、采样频率与精度权衡
传感器采样
04
数据预处理
缺失值处理、异常值检测、数据平滑与滤波、标准化/归一化
清洗归一化
05
特征工程（上）
电压、电流、温度曲线统计特征提取（均值、方差、斜率等）
统计特征曲线
06
特征工程（下）
增量容量分析（ICA）、差分电压分析（DVA）、健康因子构建
ICADVA
07
特征选择
过滤法、包裹法、嵌入法、主成分分析（PCA）降维
降维PCA
08
数据集划分
训练集、验证集、测试集划分策略，时间序列交叉验证
交叉验证时序
09
线性回归模型
一元/多元线性回归原理、最小二乘法、模型评估（MSE、MAE、R²）
回归R²
10
岭回归与Lasso回归
正则化原理、L1/L2范数、防止过拟合、超参数调优
正则化Lasso
11
支持向量回归（SVR）
核函数、间隔最大化、SVR在电池寿命预测中的应用
SVR核函数
12
决策树与随机森林
CART算法、集成学习思想、特征重要性分析
随机森林集成
13
梯度提升树（GBDT/XGBoost/LightGBM）
Boosting原理、梯度提升、工程实践
XGBoostLightGBM
14
K近邻与高斯过程回归
非参数方法、不确定性估计、适用场景
KNN高斯过程
15
循环神经网络（RNN）
序列建模、梯度消失/爆炸、简单RNN实现
RNN序列
16
长短期记忆网络（LSTM）
门控机制、细胞状态、LSTM预测电池容量衰减
LSTM容量衰减
17
门控循环单元（GRU）
简化LSTM、计算效率、GRU实战对比
GRU效率
18
卷积神经网络（CNN）与时间序列
1D-CNN、因果卷积、特征提取
1D-CNN因果卷积
19
注意力机制与Transformer
自注意力、位置编码、时间序列Transformer
注意力Transformer
20
混合模型
CNN-LSTM、CNN-GRU、多模态融合模型设计
CNN-LSTM融合
21
模型训练技巧
学习率调度、早停法、Dropout、Batch Normalization、梯度裁剪
早停Dropout
22
超参数优化
网格搜索、随机搜索、贝叶斯优化、Optuna框架
Optuna贝叶斯
23
模型评估与对比
交叉验证、Bootstrap、统计显著性检验（t检验、Wilcoxon）
Bootstrapt检验
24
不确定性量化
蒙特卡洛Dropout、深度集成、预测区间构建
MC Dropout区间
25
迁移学习
域适应、微调策略、跨电池/跨工况迁移
域适应微调
26
在线学习与自适应更新
增量学习、滑动窗口、模型重训练策略
增量学习滑动窗口
27
模型部署
ONNX导出、TensorRT加速、边缘端部署（树莓派/Jetson）
ONNXTensorRT
28
案例实战（一）
NASA电池数据集——从数据到模型全流程
NASA实战
29
案例实战（二）
CALCE电池数据集——多工况对比与模型泛化性验证
CALCE泛化
30
课程总结与前沿展望
数字孪生、联邦学习、电池寿命预测的未来方向
数字孪生联邦学习