随着锂离子电池在生活和生产中使用的增加,已经涉及到住、行以及航天、卫星等高科技领域,而由锂离子电池的故障所引发的事故时有发生,损失是触目惊心的。所以锂离子电池的健康状态判断和剩余寿命预测问题的研究,能有效保障所用锂离子电池的各种系统的稳定运行,减少安全隐患,所以对其进行研究具有重大的现实意义。论文以锂离子电池为研究对象,并对其特性、健康状态的表征和剩余寿命的预测方法进行了研究,主要的研究工作如下:(1)首先根据锂离子电池的工作原理分析了锂离子电池的健康状态表征和失效的原因,通过对马里兰大学高级寿命周期工程研究中心对锂离子电池寿命的加速试验获得的锂离子电池容量数据进行拟合,得到锂离子电池容量与放电深度之间的关系,为后面的容量退化模型的建立及剩余寿命的研究提供实验依据。最后以上述研究为依据进一步分析了用于锂离子电池寿命预测的各种模型,最后选取锂电池容量衰退模型作为基于粒子滤波(PF)算法的锂离子电池剩余寿命预测的基础。(2)基于数据驱动的最小二乘支持向量机(LSSVM)算法在进行回归预测时不需要借助精确的物理模型,是一种新型的机器学习方法。在样本数量较少时,仍能取得很好的预测效果,但是较高的预测精度是建立在选取合适的惩罚系数和核参数的基础上。针对此问题,论文引入粒子群优化(PSO)算法对LSSVM的参数进行寻优,为了避免PSO算法容易陷入早熟的问题,论文又提出了PSO的改进算法CPSO用于对LSSVM的参数进行寻优,并应用于锂离子电池的剩余寿命(RUL)预测。(3)虽然LSSVM算法能够对大部分应用条件下的锂离子电池的RUL进行准确预测,但是由于锂离子电池的应用场合较多,环境复杂程度不一,所以由于不可控的噪声和观测误差的影响,势必会影响锂离子电池RUL的预测精度,预测结果存在较高的不确定性的隐患。而基于模型驱动的PF方法能够给出一定置信度下的预测结果的概率密度分布,对基于控制量和观测量的后验概率密度具有比较精确的表达效果。同时,PF算法在对非线性系统进行预测时,不需要考虑随机变量是否是高斯分布,因此论文又提出基于PF算法的锂离子电池RUL预测方法用于对预测结果进行不确定性表达。(4)虽然PF算法能对预测结果进行不确定性表达,但是PF算法在引入重采样机制解决了粒子的退化缺点时,又引起了粒子匮乏的问题,因为重采样会把权值高的粒子多次复制,这样就会使粒子失去多样性,特别在小噪声的环境下,全部的粒子将经过多次迭代后退化成一个粒子。针对此问题论文引入了基于数据驱动的LSSVM算法与PF算法相结合的方法。通过LSSVM算法来训练历史测量所得到的数据,然后对将来的测量数据进行预测,再融合PF算法进行RUL预测,既避免了PF算法中的粒子匮乏问题,又使预测结果具有不确定性表达能力。