一、介绍
本系统以 NASA Battery Dataset 为数据源，对锂离子电池的健康状态（SOH）、剩余使用寿命（RUL）和荷电状态（SOC）进行全面评估与预测。系统采用随机森林回归模型预测 SOH（R²≈0.97），线性回归外推 RUL，扩展卡尔曼滤波（EKF）增强 SOC 估算，并通过 Vue.js + ECharts 进行可视化展示，同时提供基于规则的分级异常预警与模型版本管理功能。
二、系统功能
1、数据采集与预处理
通过 kagglehub 自动下载 NASA Battery Dataset（18650 锂离子电池，B0005~B0028 等多块电池），使用 process.py 对原始放电循环 CSV 进行预处理。
（1）缺失值清洗与容量异常过滤。
（2）容量法计算 SOH：
SOH = C_current / C_rated × 100%
（3）提取 11 维统计特征，包括电压、电流、温度均值标准差以及放电时长等。
（4）采用 Min-Max 归一化，并持久化保存 scaler.pkl。
（5）采用安时积分法计算 SOC，并进行 10:1 降采样。
（6）基于规则实现四级分级预警标记（0正常/1关注/2预警/3报警）。
处理完成后由 save_to_db.py 批量写入 MySQL。
2、电池状态监控
选择电池编号（B0005/B0006/B0007）和放电循环次数，使用 ECharts 折线图展示该次放电过程的四条时序曲线。
（1）电压-时间曲线。
（2）电流-时间曲线。
（3）温度-时间曲线。
（4）SOC-时间曲线。
横轴统一以放电时长（秒）为单位，数据来源于 battery_timeseries 表。
3、SOH 健康状态评估
基于容量法：
SOH = C_current / C_rated × 100%
评估电池健康状态。
状态阈值如下：
（1）SOH ≥ 80%：正常。
（2）70%~80%：关注。
（3）SOH < 70%：报废。
页面展示内容如下：
（1）健康概览卡片（总数/平均SOH/关注数/报废数）。
（2）多电池 SOH 衰减对比折线图（含 80% 报废警戒线）。
（3）健康排名柱状图。
（4）电池状态列表。
数据来源于 battery_data 表。
4、SOH 预测与 RUL 剩余寿命预测
SOH 预测采用随机森林回归模型。
（1）模型名称：RandomForestRegressor。
（2）树数量：200 棵。
（3）输入特征：11 维特征。
（4）模型指标：RMSE≈8.65，R²≈0.97。
系统通过 ECharts 双线图对比容量法实际值与模型预测值。
RUL 预测采用线性回归拟合 SOH 衰减趋势，并外推至 SOH=80% 计算剩余可用循环数，结果写入 battery_health 表，并以柱状图展示各电池寿命排名。
5、异常检测与预警
基于规则引擎对放电数据进行四级分级预警。
（1）SOH < 80%：关注。
（2）温度 > 45℃ 或 电压 < 2.5V：预警。
（3）温度 > 60℃ 或 SOH < 70%：报警。
多条件触发时取最高等级。
页面展示内容如下：
（1）预警概览卡片。
（2）各电池预警分布堆叠柱状图。
（3）支持按电池编号和预警等级双重筛选的预警详细列表。
6、个人信息
用户可查看和编辑个人信息。
7、修改密码
用户登录后可修改密码。
8、登录注册
系统支持用户登录与注册。
9、用户管理
管理员可对用户信息进行统一管理。
三、软件架构
后端
（1）Python 3.8+。
（2）Flask。
（3）scikit-learn（随机森林 SOH 预测、线性回归 RUL 预测、PCA 降维）。
（4）NumPy / Pandas（数据处理与特征提取）。
（5）joblib（模型序列化与热加载）。
前端
（1）Vue。
（2）ECharts。
数据库
（1）MySQL 5.7+。