1.电池管理技术概述
1. 电池的工作原理与关键性能指标
2. 电池管理系统的核心功能
3.BMS的软件开发要点：SOC估计、SOH估计、剩余寿命预测
2.人工智能机器学习基础
1. 人工智能的发展
2. 机器学习的关键概念
3.机器学习在电池管理中的应用案例介绍
3.人工智能在电池荷电状态估计中的应用
1. 荷电状态估计方法概述
2. 基于支持向量机的SOC估计
（1）锂电池测试及数据集
（2）基于SVM的估计框架
（3）模型验证和讨论
3.基于神经网络的SOC估计
（1）锂电池数据集
（2）基于BP/CNN/LSTM神经网络的估计框架
（3）不同输入的对比分析
（4）不同工况/温度的精度验证
3. 基于迁移学习的 SOC 估计
(1) 锂电池测试及数据集
(2) 基于深度迁移学习的SOC估计
(3)多温度下 SOC 估计验证
(4) 多老化点下 SOC 估计验证
实例讲解1：基于支持向量机的SOC估计
实例讲解2：基于神经网络的SOC估计
实例讲解3：基于迁移学习的SOC估计
4.人工智能在电池健康状态估计中的应用
1. 健康状态估计方法概述
2. 人工智能技术在电池单体SOH预估中的应用
(1) 健康因子提取
(2) 构建人工智能模型
(3) 模型训练与超参数优化
(4) 电池系统健康状态
3. 满充满放恒定工况下基于机器学习的电池SOH估计
（1）健康因子提取
（2）健康因子相关性分析
（3）基于机器学习的电池SOH估计
1. 健康状态估计方法概述
2. 人工智能技术在电池单体SOH预估中的应用
(1) 健康因子提取
(2) 构建人工智能模型
(3) 模型训练与超参数优化
(4) 电池系统健康状态
3. 满充满放恒定工况下基于机器学习的电池SOH估计
（1）健康因子提取
（2）健康因子相关性分析
（3）基于机器学习的电池SOH估计
1. 多阶恒流/片段恒流工况下的 SOH 估计方法
(1) 锂离子电池老化数据集
(2) SOH健康特征提取
① 电池公开数据集老化试验
② 电池增量容量曲线提取
③ 电压序列构建方法
④ 电压序列相关性分析
(3) 健康特征提取
(4) 基于神经网络的电池SOH估计方法
2. 动态放电工况下基于模型误差谱的 SOH 估计方法
（1）方法基本原理及框架
（2）数据集及参数辨识
（3）模型误差面积提取
（4）老化特征及工况特征融合
（5）模型训练及验证
6. 基于云端大数据的电池SOH估计
（1）数据预处理
（2）容量标签构建
（3）容量估算框架
（4）多场景验证及测试
实例讲解1：满充满放恒定工况下的电池SOH估计
实例讲解2：多阶恒流/片段恒流工况下的电池 SOH 估计
实例讲解3：动态放电工况下基于模型误差谱的 SOH 估计
实例讲解4：基于实车运行大数据的电池 SOH 估计
5.人工智能在电池寿命预测和衰后性能预测中的应用
1. 锂离子电池状态、轨迹及特性预测概述
2. 基于传统机器学习SVR的电池剩余寿命预测
（1）数据集介绍
（2）特征提取及估计框架
（3）方法验证及讨论
3. 基于深度学习的电池RUL联合预测方法
（1）电池数据集介绍
（2）特征提取及估计框架
（3）方法验证及讨论
4. 基于机器学习的电池SOH和RUL联合预测方法
（1）数据集介绍
（2）研究框架和方法
（3）结果分析与验证
1. 基于数据驱动的电池衰退轨迹预测方法
(1) 数据集及数据预处理
(2) 特征工程与退化敏感特征提取
(3) 数据集构建与划分
(4) 模型选择与训练
(5) 轨迹预测与评估优化
实例讲解1-基于支持向量回归的寿命预测方法
实例讲解2-基于深度学习的寿命预测方法
实例讲解3-基于机器学习的健康状态及寿命联合预测方法
实例讲解4-基于深度学习的电池衰退轨迹预测方法
6.人工智能在电池热失控预警中的应用
1. 电池热失控预警方法概述
2. 算法数据集介绍:电池故障数据来源
3. 基于无监督聚类算法（KMeans）的电池现实故障检测方法
（1）KMeans聚类方法
（2）基于聚类方法的检测框架
（3）检测结果集讨论
4. 基于无监督聚类算法（DBSCAN）的电池现实故障检测方法
（1）DBSCAN聚类方法
（2）基于聚类方法的检测框架
（3）检测结果集讨论
5. 基于局部离群因子的电池系统故障智能诊断方法
（1）LOF 算法核心原理
（2）特征选择及逻辑判断准则
（3）结果分析及验证
6. 基于深度学习的电池系统智能故障诊断方法
（1）神经网络诊断框架
（2）结果分析及验证
实例讲解1：基于KMeans的异常电芯检测
实例讲解2：基于DBSCAN的异常电芯检测
实例讲解3：基于LOF的异常电芯检测
实例讲解4：基于深度学习的异常电芯检测
STM32
MCU
通讯及无线技术
物联网技术
电子DIY
板卡试用
基础知识
软件与操作系统
我爱生活
小e食堂
