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：缺失值清洗与容量异常过滤、容量法计算 SOH（SOH = C_current / C_rated × 100%）、提取 11 维统计特征（电压/电流/温度均值标准差、放电时长等）、Min-Max 归一化（持久化 scaler.pkl）、安时积分法计算 SOC 并 10:1 降采样、基于规则的四级分级预警标记（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：电压-时间、电流-时间、温度-时间、SOC-时间，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：SOH ≥ 80% 正常，70%~80% 关注，< 70% 报废。页面展示健康概览卡片（总数/平均SOH/关注数/报废数）、多电池 SOH 衰减对比折线图（含 80% 报废警戒线）、健康排名柱状图及电池状态列表，数据来源于 battery_data 表。
4、SOH 预测 & RUL 剩余寿命预测
SOH 预测采用随机森林回归（RandomForestRegressor，200棵树，11维特征输入，RMSE≈8.65，R²≈0.97），以 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，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（SOH<80% 关注、温度>45℃或电压<2.5V 预警、温度>60℃或SOH<70% 报警），多条件触发时取最高等级。页面展示预警概览卡片、各电池预警分布堆叠柱状图（ECharts），以及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
用户查看、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
用户登录注册。
9、用户管理
管理员功能，管理用户信息。
三、软件架构
后端
- Python 3.8+
- Flask
- scikit-learn（随机森林 SOH 预测、线性回归 RUL 预测、PCA 降维）
- NumPy / Pandas（数据处理与特征提取）
- joblib（模型序列化与热加载）
前端
- Vue
- ECharts
数据库
- MySQL 5.7+
