锂电池作为主要的能源存储设备所表现出的优良性和可靠性,已经吸引了包括政府、商人、学者、环境组织、以及普通大众等社会各界的广泛关注。锂电池失效不仅会因换置和修理而花费钱财,甚至可能导致灾难。为了避免严重的事故发生和优化锂电池的维修机制,就必须在故障检测、状态监测和剩余寿命预测等领域有所突破。本文的主要工作如下:1.针对电池容量在实际应用中难以测量的问题,本文从在线传感器直接观测的电压、电流、时间等参数中提取状态特征向量代替容量来表征电池的健康状况。本文使用隐马尔可夫模型(hidden Markov model,HMM)作为状态监测器,分别对不同的退化时期建立HMM,通过前向-后向算法对当前观测序列计算相似概率来判断当前电池的健康状况。使用马里兰大学先进寿命周期工程研究中心(CALCE)公开的数据集与BP神经网络进行了对比实验,实验结果表明HMMs对锂电池退化状态有很高的识别率。2.由于BW算法是一种次优估计算法,易陷入局部最优,而PSO算法作为一种全局随机搜索算法,收敛速度慢。因此,本文提出了一种基于BW和PSO的新的CHMM训练算法,新训练算法克服了两者的缺点。实验表明,基于新的混合型算法训练得到的锂电池HMMs状态监测器具有更高识别率。3.本文提出了一种基于改进型ARIMA模型和SRCKF算法的融合型锂电池RUL预测算法。首先针对ARIMA模型对非线性系统预测能力差的问题,引入了一种表征锂电池不同阶段退化速率的退化因子,提升了ARIMA算法对锂电池非线性退化趋势的拟合度;同时,采用SRCKF对锂电池的经验退化模型建模,并对容量进行多步迭代估计以实现RUL预测。然后为了弱化SRCKF算法对经验模型的依赖性,体现不同锂电池单体的差异性,将ARIMA模型的长期趋势预测作为锂电池预测阶段的容量观测真值。实验结果显示融合型算法提升了RUL预测的精度。