随着航空、航天等复杂装备系统的迅速发展,影响其正常运行的因素在不断增多,发生故障和功能失效的概率逐渐增大,维护和保障的成本越来越昂贵。因此,故障预测与健康管理技术获得越来越多的关注和应用,而剩余寿命预测是PHM的关键。锂离子电池作为航空、航天等复杂装备的供电单元,对其进行RUL预测十分必要。论文首先介绍了锂离子电池的工作原理,简要概述了锂离子电池的基本特性和电池容量衰退的因素。其次,采用整合自回归移动平均模型和正则化粒子滤波算法分别对锂离子电池进行RUL预测。在这两种算法的基础上,针对RPF算法过度依赖经验退化模型以及对数据适应能力差的缺陷,提出了基于ARIMA模型和RPF算法相融合的锂离子电池RUL预测算法。通过与PF和RPF预测算法对比,实验结果表明,在锂离子电池退化的中后期,ARIMA-RPF融合算法预测锂电池的RUL的精度和可靠性较高。针对传统数据驱动算法在电池退化早期对锂离子电池RUL预测不准确的问题,提出了基于LSTM模型的锂离子电池RUL预测方法,通过LSTM模型学习锂离子电池容量退化轨迹,有效的预测出锂离子电池在不同阶段(前期、中期和后期)的RUL。为验证该算法的预测精度,与ARIMA模型和ARIMA-RPF预测算法进行对比分析,实验结果表明,LSTM模型不仅在电池退化中后期预测精度高,而且在电池退化早期也具有较好的预测精度。