论文学习（五）_花匠小妙招

Hi，大家好，我是半亩花海。本文主要对中文硕博论文《基于数据驱动的锂离子电池健康状态估计及寿命预测研究》进行学习与阅读总结，便于后续科研进一步学习（纯小白自读汇总版）。总体感觉这篇更加全面，从数据分析（相关性分析、特征提取）到机器学习，再到深度学习，最后是迁移学习。

一、关键词

二、专业术语

三、研究现状

1. 电池健康（SOH）估计研究现状

2. 电池寿命（RUL）预测研究现状

四、数据集

五、研究方法

1. 基于特征筛选和机器学习的电池SOH估计

2. 基于通用健康因子的特征提取和改进高斯过程回归（GPR）算法的SOH估计——双时间尺度滤波法

3. 基于迁移和融合（深度学习）模型的电池组SOH估计

4. 基于迁移学习的电池RUL预测

一、关键词

锂离子电池；健康状态估计；寿命预测；数据驱动；机器学习

二、专业术语

DT：differential temperature，差分温度CMM：cell mean model，均值单体模型CDM：cell difference model，单体偏差模型FT：fine tuning，微调GRNN：Generalized Regression Neural Network，广义回归神经网络

三、研究现状

1. 电池健康（SOH）估计研究现状

基于测量数据直接评估法：安时积分法、OCV法、EIS法基于模型方法：经验/半经验模型、等效电路模型、电化学机理模型基于数据驱动的方法：机器学习（线性回归、支持/相关向量机、高斯过程回归）、深度学习（各类深度神经网络）融合法：融合两种或多种上述模型、基于数据驱动的方法

2. 电池寿命（RUL）预测研究现状

基于模型：建立一个描述电池退化趋势的数学模型；分为经验模型、电化学机理模型两类。基于数据驱动：分析老化衰减的历史数据，深度挖掘其中的隐含信息预测电池寿命；分为基于大量数据的单点寿命预测和基于历史数据的衰减过程预测两类。基于融合：组合或集成多种算法形成的混合模型弥补单一模型的不足，充分利用不同算法的优点，从而获得更好的性能；分为基于模型和数据驱动方法的融合、通过加权或其他方式融合两种或多种数据驱动。