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：随着电池老化，同一个特征值会稳定地变化，比如放电时从3.8V降到3.4V需要的时间越来越短。我用两类方法比较多，展开说一下。

第一类是等压降放电时间。做法很直接：在放电曲线上选两个电压点，比如3.8V和3.4V，计算放电过程中电压从3.8V降到3.4V经过了多少秒。电池老化后内阻增加、可用容量减少，同样的电压区间跨过去的时间显著缩短。这个特征和容量的相关性极高，而且计算简单，稳定性好。

第二类是等时间压降。也就是放电开始后的固定时间段内（比如前300秒或者前500秒），观察电压跌了多少。老化越严重，相同时间内电压跌得越多。这个特征不需要精确找到两个电压对应的时间点，实现上更省事，但对放电起始状态比较敏感，不如等压降时间稳健。

除此之外，还有增量容量IC曲线和差分电压DV曲线这类进阶工具。它们在分析正负极活性物质损失、极化变化时很有用，但上手门槛高一些，我第一次做状态预测时没有直接用它们，而是在后面做机理分析时才补上的。

2.3 选健康因子的三个标准

在从几十个候选特征里筛选健康因子时，我一直用三个标准卡：

• 单调性：特征值随循环数增加应该呈现尽量单调的上升或下降趋势。容量再生会让序列带噪，但健康因子本身不应该剧烈抖动到没法看。
• 相关性：健康因子与容量序列的Pearson相关系数要足够高，至少0.9以上才值得作为预测输入。相关系数低的特征加进模型只会增加噪声。
• 可计算性：特征必须能从每次循环的局部数据中提取，不依赖未来信息。比如你可以用当次放电前500秒的数据算等时间压降，但不能用整条曲线拟合出来的参数。

用这三个标准筛下来，我常用的特征组合就几个：等压降放电时间、等时间压降、放电最高温度、恒流充电阶段电压爬升到某个阈值的耗时。这些特征物理意义清晰，实现难度低，组合起来也不会互相干扰。

3. 从mat文件到特征矩阵：健康因子提取完整代码走读

3.1 解析mat文件：把嵌套结构拍平成DataFrame

mat文件的解析是整套流程里最没技术含量、最容易出错的一步。关键点是搞清楚MATLAB结构体在Python里变成了什么：batt['cycle'][0,0]拿到的是一个object数组，每个元素又是一个结构体，访问字段时还得用[0,0]索引。

我提供一个可复用的解析函数，能把某个电池的全部充放电循环转成DataFrame列表：

python复制import scipy.io as sio
import pandas as pd
import numpy as np

def load_battery_data(path, battery_name='B0005'):
    mat = sio.loadmat(path)
    batt = mat[battery_name][0, 0]
    cycles = batt['cycle'][0, 0]
    
    cycle_list = []
    for i in range(cycles.shape[1]):
        cycle = cycles[0, i]
        ctype = cycle['type'][0]
        if ctype in ('charge', 'discharge'):
            data = cycle['data']
            df = pd.DataFrame({
                'Voltage_measured': data['Voltage_measured'][0, 0].ravel(),
                'Current_measured': data['Current_measured'][0, 0].ravel(),
                'Temperature_measured': data['Temperature_measured'][0, 0].ravel(),
                'Time': data['Time'][0, 0].ravel(),
            })
            if 'Capacity' in data.dtype.names:
                cap = data['Capacity'][0, 0]
                if cap.size == 1:
                    df['Capacity'] = cap.ravel()[0]
            df['cycle'] = i + 1
            df['type'] = ctype
            cycle_list.append(df)
    return cycle_list

注意几个细节：Capacity字段在这个数据集里是单个数值，不是全时间序列，所以判断字段名存在后直接取值就行；Time字段单位是秒，不要拿它和索引混淆；不同循环的数据点数量不一样，不能用定长数组去存。

3.2 放电段特征：等压降时间与等时间压降的提取

拿到单次放电的DataFrame之后，核心任务是算两个标量。等压降放电时间的逻辑是：电压从高到低单调下降（恒流放电段近似如此），找到电压第一次小于等于3.8V的时间点，再找到第一次小于等于3.4V的时间点，两者相减就是跨过该电压区间所用时间。

python复制def extract_discharge_features(df, v_high=3.6, v_low=3.2, t_window=300):
    if df['type'].iloc[0] != 'discharge':
        return None
    
    v = df['Voltage_measured'].values
    t = df['Time'].values
    
    # 等压降时间：v_high -> v_low 耗时
    idx_high = np.where(v <= v_high)[0]
    idx_low = np.where(v <= v_low)[0]
    if len(idx_high) == 0 or len(idx_low) == 0:
        return None
    t_high = t[idx_high[0]]
    t_low = t[idx_low[0]]
    equal_voltage_drop_time = t_low - t_high
    
    # 等时间压降：前 t_window 秒内电压下降幅度
    mask = t <= t_window
    if mask.sum() < 2:
        return None
    first_v = v[mask][0]
    last_v = v[mask][-1]
    equal_time_voltage_drop = first_v - last_v
    
    feat = {
        'cycle': df['cycle'].iloc[0],
        'discharge_eq_time': equal_voltage_drop_time,
        'discharge_time_drop': equal_time_voltage_drop,
        'discharge_max_temp': df['Temperature_measured'].max(),
    }
    if 'Capacity' in df.columns:
        feat['capacity'] = df['Capacity'].iloc[0]
    return feat

这里有个参数选择的经验：等压降时间区间的上下限不能选得太靠近两端。如果把v_high选成4.0V，在电池老化后期这个电压可能一开始放电就瞬间跌破，导致时间点为0；如果选得太低比如2.8V，很多循环在放电末尾阶段的采样点数不足，稳定性变差。我用3.6V到3.2V，基本能在B0005全生命周期稳定提取。

3.3 充电段特征：恒流充电段斜率与IC曲线峰值

充电段和放电段不一样，它包含恒流和恒压两个阶段。恒流阶段电压从较低值爬升到4.2V，这个过程受内阻和极化影响明显，老化后电压上升速度加快，因此可以提取“电压从3.8V爬到4.0V所需时间”作为特征。注意充电时电压是上升的，判断条件和放电相反。

python复制def extract_charge_features(df, v_start=3.8, v_end=4.0):
    if df['type'].iloc[0] != 'charge':
        return None
    
    v = df['Voltage_measured'].values
    t = df['Time'].values
    
    idx_start = np.where(v >= v_start)[0]
    idx_end = np.where(v >= v_end)[0]
    if len(idx_start) == 0 or len(idx_end) == 0:
        return None
    rise_time = t[idx_end[0]] - t[idx_start[0]]
    
    return {
        'cycle': df['cycle'].iloc[0],
        'charge_rise_time': rise_time,
        'charge_max_temp': df['Temperature_measured'].max(),
    }

如果你想做IC曲线，需要先把充电电流对时间积分得到累积容量，再对电压求导。这一步计算量不大，但曲线噪声会被差分放大，一般要先做smoothing再找峰值。对于第一版状态预测流程，我建议先把等压降时间和电压上升时间用起来，IC曲线可以作为后续机理分析方向逐步加入。

3.4 特征矩阵组装：按循环号对齐所有健康因子

健康因子提取完成后，关键是按cycle序号把放电特征和充电特征对齐到同一行。这里推荐用Pandas的merge，而不是手动拼接，因为不同循环的充放电数据长度不同，顺序也可能有细微差异。

python复制def build_feature_matrix(cycle_list):
    dis_rows = []
    cha_rows = []
    for df in cycle_list:
        if df['type'].iloc[0] == 'discharge':
            feat = extract_discharge_features(df)
            if feat is not None:
                dis_rows.append(feat)
        elif df['type'].iloc[0] == 'charge':
            feat = extract_charge_features(df)
            if feat is not None:
                cha_rows.append(feat)
    
    dis_df = pd.DataFrame(dis_rows)
    cha_df = pd.DataFrame(cha_rows)
    feats = pd.merge(dis_df, cha_df, on='cycle', how='inner')
    return feats.sort_values('cycle').reset_index(drop=True)

组装完成后，你会得到一个行数等于充放电循环次数的表，每一行就是一次完整循环对应的健康因子和容量值。

4. 状态预测实战：用高斯过程回归估计容量衰减与不确定性

4.1 特征筛查：先把候选健康因子和容量做相关性对比

特征矩阵出来之后，第一件事不是急着建模，而是做相关性筛查。用Pandas的corr()函数就能直接算：

python复制feats = build_feature_matrix(cycle_list)
print(feats[['discharge_eq_time', 'discharge_time_drop',
             'charge_rise_time', 'discharge_max_temp', 'capacity']].corr())

以我自己跑B0005的结果看，discharge_eq_time和容量的相关度能到0.95以上，charge_rise_time也差不多，discharge_time_drop稍微弱一点，但方向是一致的。温度特征相关度要看电池所处的环境，B0005这类室温数据里不算太稳定。这里有个容易误判的地方：discharge_eq_time随着老化是变小的，而容量也是变小的，所以相关系数为正；discharge_time_drop随着老化而变大，和容量成负相关。做可视化时先把方向搞清楚，免得画出来的曲线互相矛盾。

筛选的原则很简单：相关性低的不加，和已有特征高度共线的不重复加。我最终常用的输入是discharge_eq_time加上charge_rise_time两个特征，再加一个discharge_max_temp做辅助。再多就会在小样本下过拟合。

4.2 数据划分原则：时间顺序切分而不是随机打乱

电池退化数据最忌讳随机打乱训练集和测试集。你用前50个循环训练、后50个循环测试，模拟的是“我看到历史，预测未来”的真实场景；随机打乱则相当于训练时见过未来数据，测试时又拿过去的数据验证，结果必然虚高，放到实际部署中完全不是那么回事。

我的划分方式很简单：

python复制train_mask = feats['cycle'] <= 80
test_mask = feats['cycle'] > 80

X_train = feats.loc[train_mask, ['discharge_eq_time', 'charge_rise_time']].values
y_train = feats.loc[train_mask, 'capacity'].values
X_test = feats.loc[test_mask, ['discharge_eq_time', 'charge_rise_time']].values
y_test = feats.loc[test_mask, 'capacity'].values

关于80这个切分点，可以对照B0005的寿命来理解。它的容量降到额定80%（约1.44Ah）大概在将近100次循环的位置，所以用前80次循环做训练，能保证训练集覆盖EOL之前的较完整退化过程，又保留一段真实的外推区间来检验模型。

4.3 GPR建模：小样本非线性回归的正确姿势

为什么选高斯过程回归而不是神经网络或者随机森林？电池退化数据样本量通常只有几十到一百多条，深度学习在这个规模下非常容易过拟合；随机森林这类树模型在面对连续退化趋势时外推能力也一般。高斯过程回归天然适合小样本、非线性、且需要输出不确定性区间的场景。

我用的是scikit-learn里的GaussianProcessRegressor，核函数选择ConstantKernel * RBF + WhiteKernel。RBF核负责刻画容量随健康因子变化的平滑趋势，WhiteKernel负责吸收观测噪声——容量再生本身就是噪声的一部分，想让模型在再生点不崩，噪声项不能省。

python复制from sklearn.gaussian_process import GaussianProcessRegressor
from sklearn.gaussian_process.kernels import ConstantKernel, RBF, WhiteKernel
from sklearn.preprocessing import StandardScaler

scaler_X = StandardScaler().fit(X_train)
X_train_scaled = scaler_X.transform(X_train)
X_test_scaled = scaler_X.transform(X_test)

kernel = ConstantKernel(1.0, (1e-3, 1e3)) * RBF(1.0, (1e-2, 1e2)) + WhiteKernel(1e-3, (1e-4, 1e-1))
gpr = GaussianProcessRegressor(kernel=kernel, n_restarts_optimizer=5, normalize_y=True)
gpr.fit(X_train_scaled, y_train)

y_pred, y_std = gpr.predict(X_test_scaled, return_std=True)

注意几个细节：StandardScaler必须在训练集上fit，然后同时transform训练集和测试集，不能在全量数据上算均值和方差，否则就是数据泄露；normalize_y=True让模型在训练集的容量均值方差基础上做标准化，这个内部操作不会泄露测试集信息；n_restarts_optimizer=5是为了避免核参数优化陷入局部最优。

4.4 预测结果解读：置信区间比点估计更有价值

预测做完后，不要只看点估计和真实值的拟合程度，还要看协方差给出的95%置信区间。GPR的置信区间可以这样近似计算：

python复制lower = y_pred - 1.96 * y_std
upper = y_pred + 1.96 * y_std

在画测试集的曲线图时，你会看到一个明显特征：靠近训练集区间（也就是cycle 80附近）时，区间比较窄，预测比较自信；随着外推距离变远，区间不断变宽，说明模型越来越不确定。这个东西在工程上比一个孤零零的点预测有用得多。比如你对未来某个循环预测容量是1.42Ah，同时95%区间是1.30到1.54Ah，那你就知道这个预测值还不能当作确定值来用。

5. 复现路上躲不开的坑：四个实测教训

5.1 坑一：电压采样不是等间隔的

NASA数据集的采样间隔不是恒定的。放电刚开始时可能几百毫秒采一个点，中后段可能变成几秒一个点，偶尔还有时间戳跳变。如果你直接用np.diff处理整个电压序列，或者用固定的索引步长去定位电压阈值，很容易找到错误的时间点。

解决办法是永远基于Time字段做时间差计算，并且在找阈值时使用np.where返回首个满足条件的索引。还有一个习惯值得养成：提取特征之后，把每行特征对应的时间戳也留一份，方便排错时定位到具体的循环片段。

5.2 坑二：归一化造成的数据泄露

这个坑非常隐蔽。很多人在预处理阶段会对所有健康因子做一次z-score标准化，然后再切分训练集和测试集。表面上模型见到的每个特征都符合均值为0、方差为1的分布，似乎没什么问题，但实际上测试集的均值和方差已经参与了训练数据的变换，等于模型间接看到了未来数据的分布信息。

正确的做法一定是先按时间顺序切分，再在训练集上fit标准化器，最后用同一个标准化器转换测试集。代码就是第4.3节里那个StandardScaler().fit(X_train)的顺序。别小看这一步，我从头到尾踩过这个坑，修正后测试集误差显著变大，那才是真实水平。

5.3 坑三：容量再生点上的预测失效

当测试集里出现一次明显的容量再生时，GPR的预测值往往跟不上这种突然的局部回升。原因在于RBF核本质是平滑函数，它会把再生当作噪声吸收掉，不会去精确追踪这种非趋势性波动。

处理思路有两个方向。一是接受这个局限，把预测目标定义为“长期退化趋势”而不是“每个循环的精确容量”，评估时用RMSE加上对趋势方向的判断。二是通过调整WhiteKernel的初始噪声水平，让模型在趋势和噪声之间取得平衡。实测下来，噪声系数设得太小时预测曲线会紧贴训练集末端，外推偏差非常大；稍微调大一点，反而能在测试集上获得更稳健的结果。

5.4 坑四：外推RUL要克制

做完容量预测之后，很多人会顺手算RUL（剩余使用寿命），也就是预测容量什么时候跌破EOL阈值。这个需求很自然，但必须意识到，RUL是通过求解预测曲线的穿越时间来获得的，预测曲线本身带着不确定性区间，因此RUL也应该是一个分布，而不是一个整数。

我的做法是先根据GPR预测均值得出一个RUL点估计，再根据置信区间的上下界各求一次穿越时间，最终给出类似“剩余循环次数在15到35次之间”的区间。这样既发挥了GPR概率建模的优势，又不会给下游决策者一个虚假的精确值。顺便说一句，想提升RUL精度，单纯优化回归模型作用有限，更有效的做法是让健康因子能更早地捕捉到容量加速衰减的信号。

我自己复现完整个流程后最大的感受是：做电池状态预测，真正决定结果上限的往往不是模型选得多高级，而是健康因子定义得是否合理、数据处理过程中有没有引入未来信息。先把NASA数据集这个闭环跑通，再去换自己的数据、换更复杂的模型，路径会顺很多。如果你想在现有基础上继续深入，可以把IC曲线特征加进来，或者用贝叶斯神经网络替代GPR做更大规模数据的对比实验——但在此之前，确保你的健康因子提取流程经得起推敲，才是正事。