七231fsda月做电池数据分析也有好几个年头了，今年有好几个读者和同行都在聊同一个话题——NASA那套锂离子电池公开数据集到底怎么用。很多人卡在第一步，文件下载下来了，里面一堆CSV看不懂，更别提提取特征、做寿命预测了。这篇文章就把我实际跑通的完整链路梳理一遍：从数据集拆解、健康因子提取，到状态预测建模，全部用可复现的代码和实操经验说话。
先交代清楚这套数据能解决什么问题。消费电子、电动汽车里的锂电池都会老化，健康状态（State of Health，SOH）直接决定设备剩余寿命和安全性。但SOH不是直接测出来的，它需要从充放电过程里提取间接指标。NASA PCoE（Prognostics Center of Excellence）公开的锂电池老化数据集，就是用来研究这件事的经典数据源。它记录了锂电池在受控条件下的完整充放电循环、阻抗测量和容量衰减过程，非常适合做健康因子提取和剩余使用寿命（RUL）预测的方法研究。这篇文章适合正在入门电池数据分析和寿命预测的工程师、数据分析师，也适合想找个标准数据集验证算法的研究生。
1. 项目概述与数据集深度解读
1.1 NASA PCoE电池数据集到底是什么
这个数据集是NASA卓越预测中心发布的，常年在他们的 prognostic data repository 上挂着，名字叫“Battery Data Set”，搞电池预测的人应该没人不知道。数据来自一组18650型号的锂离子电池，在室温环境下进行了反复的充放电循环老化实验，最常见的四个电池编号是B0005、B0006、B0007和B0018。
这四个电池的实验条件大致相同，但有一个关键参数不同：放电截止电压。B0005的截止电压是2.7V，B0006和B0018是2.5V，B0007是2.2V。别小看这个差异，它直接导致不同电池的衰减速度不同，这就为算法研究提供了很好的对照样本——同一个实验协议下，电池表现出了不同的退化轨迹。
下载下来的数据包里，每个电池对应三个CSV文件，命名规则是“电池编号_数据类型.csv”，数据类型分为charge、discharge和impedance。每个文件里存放的是该电池在168次左右的充放电循环中，每一次循环对应的完整曲线数据。我数过，B0005有168个循环，B0006是168个，B0007是168个，B0018也是168个。到后期，容量都衰减到额定容量70%以下，实验就终止了，这也是文件里循环数不同的原因。
1.2 核心实验设计与数据格式详解
要真正把这份数据用起来，得先看懂它的实验协议。每次充放电循环由三个步骤组成：
充电步骤采用恒流恒压（CC-CV）策略。先用1.5A恒流充电，电压一路升到4.2V后切换为恒压模式，保持电压不变，电流自然下降，直到充电电流降到20mA以下，充电才算完成。这样做是为了把电池充到接近满电状态，同时避免过充。
接着放电，统一用2A的恒流放电，直到电压降到该电池设定的截止电压，放电结束。这个过程模拟了电池的实际工作场景，放电电流不小，所以能有效加速老化。
最后做阻抗测量，用电化学阻抗谱（EIS）在0.1Hz到5kHz的频率范围内扫频，得到电池在不同频率下的阻抗响应。这部分数据对于健康因子提取也有用，但我个人用得少，主要因为阻抗数据的维度和充放电数据不一样，处理起来更麻烦，而且大部分健康因子从充放电曲线里就够提取了。
CSV文件的具体格式我再说细一点。在discharge文件中，每一列的含义按顺序是：
- time：放电开始后的时间，单位秒
- voltage：端电压，单位伏特
- current：放电电流，单位安培
- temperature：电池表面温度，单位摄氏度
- capacity：本次放电过程中的放电容量，单位安时
charge文件的列稍微多一点，除时间、电压、电流、温度外，还有current_charge（充电电流）和voltage_charge（充电电压）两列。impedance文件的列就更多了，还有Sense_current、Battery_impedance、Rectified_impedance、Re和Im等列，这些是阻抗谱的原始参数和奈奎斯特图的实部虚部。
1.3 数据预处理——拿到数据后先做什么
拿到原始CSV后不要急着提取特征，先做两件基础工作：一是正确解析文件，二是抽取每次循环的关键汇总数据。
读文件有个坑：NASA这些CSV文件的前两行是文件说明和列名，不是真实数据。用pandas读取时一定要设置skiprows参数跳过前两行。我刚开始没注意，读出来第一行全是字符串，后面所有数值列类型都乱了，排查了半天才发现是这个原因。
python复制import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
# 读取单个放电文件
df = pd.read_csv('B0005_discharge.csv', header=None, skiprows=2)
df.columns = ['time', 'voltage', 'current', 'temperature', 'capacity']
df = df.apply(pd.to_numeric, errors='coerce')
但文件里的数据是168个循环拼接在一起的，每一段用变化的time索引区分。每个循环的time是从0开始重新计的，所以分组是按time重置来切的。更稳妥的做法是根据实验中的循环编号来分。我一般这样处理：
python复制# 利用time序列从大变小来判断循环分界点
cycles = []
cycle_id = 0
prev_time = df['time'].values[0]
for i in range(len(df)):
t = df['time']