锂离子电池健康因子提取与SOH预测：NASA数据集到高斯过程回归实战

第一次跑NASA PCoE锂电池数据集的时候，我以为最费时间的会是预测模型的选型。结果真正消耗耐心的地方，是把mat文件里的嵌套结构解析出来、把健康因子一个个定义清楚、再对着容量曲线反复核对特征有没有对齐。B0005那批电池的循环数据，说白了就是电压、电流、温度、容量的时间序列，但真要做状态预测，你得先回答一个问题：用什么特征来衡量电池老化到了什么程度。

这篇文章想聊的，就是从这个公开数据集出发，完成锂离子电池健康因子提取到容量状态预测的完整闭环。全文以B0005为主，穿插B0006、B0018的对比，记录我在复现过程中踩过的坑，以及能够直接跑通的代码实现。适合刚接触电池健康管理方向、准备拿公开数据集练手做SOH预测或剩余寿命估计的读者。

1. NASA PCoE数据集全景：B0005的135次循环里到底存了什么

1.1 三种实验操作与mat文件结构

NASA PCoE（Prognostics Center of Excellence）公开的锂离子电池老化数据集，核心文件是battery.zip，里面包含B0005.mat、B0006.mat、B0007.mat、B0018.mat以及一个README说明文件。每组mat文件对应一块商用18650锂电池，额定容量在1.8Ah左右，在室温环境下反复充放电，直到容量衰减到寿命终点。

我第一次打开这个mat文件的时候，最不习惯的就是它的嵌套结构。整个文件看起来是一个结构体，顶层是电池编号（比如B0005），往下是cycle数组，而cycle里的每个元素又包含type、ambient_temperature、time、data这些字段。更麻烦的是，Python的scipy.io.loadmat读进来之后，所有东西都变成了numpy.ndarray，还是dtype=object那种，索引的时候到处是[0,0]，稍不留神就取错维度。

mat文件里的每次cycle，通过type字段区分成三种操作：charge（充电）、discharge（放电）、impedance（阻抗测试）。也就是说，电池每经历一次完整的充放电循环，文件夹里其实记录了三次不同实验的数据，不能把它们混在一起当同一条时间序列处理。

1.2 充电、放电、阻抗各自记录了哪些关键字段

先给一张我平时对照用的字段表，方便你解析数据时心里有数：

以B0005为例，充电阶段通常采用恒流恒压策略：先以固定电流充到4.2V，再转恒压充电，直到电流落到一个比较小的截止值。放电阶段则是恒流放电到某个截止电压。不同批次的电池在这些参数档位上略有差异，但这不影响特征提取思路。

我特别想强调Capacity这个字段。它只在discharge里出现，单位是Ah，代表当次放电放出的总容量。很多现成的论文直接拿这个字段画容量衰减曲线，这没错，但如果你真把它当预测目标，有几个暗坑会在后面等着你。这个我放到第2节重点展开。

还有一点容易看漏：每个cycle的data里带了一个Time字段，它是采样时间戳，不是简单的1秒间隔。后面做等压降时间提取时，必须用这个Time字段去计算时间差，而不能按数据点索引折算。

2. 健康因子提取的核心逻辑：为什么不能直接拿容量做预测

2.1 容量衰减曲线上的“锯齿”：容量再生现象

直接画出B0005的容量-循环数曲线，第一眼看上去确实是整体下降的趋势，但细看会发现曲线并不平滑，带着明显的锯齿。某些循环的容量比前一个循环还高出一截，幅度甚至可以到0.02Ah以上。这个现象叫容量再生（Capacity Regeneration），在NASA数据集里非常典型。

容量再生的机理并不神秘。电池在充放电循环之间的静置过程中，锂离子浓度梯度会逐渐重新分布，部分原本被认为“失活”的锂重新获得嵌入能力；同时SEI膜也会发生一定程度的可逆变化。这就导致某一次放电时测出来的容量突然反弹。再加上环境温度波动、测试设备误差，容量观测值天然带噪声。

这个现象对预测建模的影响是决定性的。如果你直接对Capacity序列做线性回归或指数拟合，拟合曲线会被锯齿带偏，特别是在容量再生发生的局部区间，预测值和实测值的偏差会迅速拉大。这也是很多新手复现论文时觉得“别人效果那么好、我怎么跑不出来”的核心原因之一。

2.2 老化指纹的两种提取思路：等压降时间与等时间压降

既然容量不能直接用，就需要从每次循环的充放电曲线里提取一组“老化指纹”，统称健康因子（Health Indicator, HI）。健康因子的本质是：随