課程時間 | 單元 |
第一天 09:30～16:30 （觀念與估測理論） | - 電池健康管理概論與應用情境（SOC／SOH／RUL 的差別與評估指標；對照 AGV／AMR、儲能與電動載具場域的健康管理需求）
- 等效電路模型與參數辨識（Rint／Thevenin／雙極化）
- SOC 估測技術（庫倫計數、OCV-SOC、model-based EKF／UKF；LFP 平台區的估測難題）
- SOH 與容量衰退診斷（內阻成長、ICA／DVA 微分分析）
- 電池老化機理（SEI 成長、析鋰、容量回升現象）
- 案例分享：LiFePO₄ 長循環 EKF／UKF 實作
- 從 model-based 到 data-driven：兩種路線的適用時機與互補（converter-aware 共設計觀點，銜接第二天）
|
第二天 09:30～16:30 （Python 實作 hands-on） | - 實作環境導引（Google Colab、NASA 公開電池老化資料集介紹）
- 資料載入與特徵工程（NASA .mat 解析、放電週期健康指標萃取）
- 容量衰退曲線與 EOL 標註
- 健康預測演算法實作（hands-on）：隨機森林 RF → 高斯過程 GPR，難度漸進、逐步動手
- LSTM 序列模型：以預訓練模型走讀為主，理解序列建模概念，時間留給能實際做完的 RF／GPR
- 模型評估與跨電池泛化（RMSE／MAE、公開資料集常見陷阱；NASA 為鈷系 18650、非 LFP，方法遷移至 LFP 平台的注意事項）
- 異常與故障診斷：從預測殘差到異常判定——內短路、感測器故障、熱失控早期預警的特徵與門檻設計（概念，並以殘差／指標做簡易異常標記示範）
- 邊緣 AI 部署（成果展示）：模型壓縮／量化；FPGA 加速推論 PYNQ-Z2 案例 demo（展示為主，非 hands-on）
|
備註：第二天實作以 Google Colab 進行（零安裝、可重現），以 NASA 公開電池老化資料集為教學基準，學員可於課後自行重跑與延伸。
