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 SOHR²≈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 Dataset18650 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 SOHSOH 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。4SOC-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1SOH ≥ 80%正常。270%~80%关注。3SOH 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≈8.65R²≈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 SOH80% 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。1SOH 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1Python 3.8。2Flask。3scikit-learn随机森林 SOH 预测、线性回归 RUL 预测、PCA 降维。4NumPy / Pandas数据处理与特征提取。5joblib模型序列化与热加载。前端1Vue。2ECharts。数据库1MySQL 5.7。