3. 数据采集与预处理：电池测试数据采集、数据清洗、缺失值处理、异常值检测、数据归一化与标准化
各位同学，咱们直接进入正题。数据采集与预处理，说白了就是给SOH模型「喂饭」。饭要是馊了，模型再牛也白搭。我在项目里见过太多人，模型调得飞起，结果数据一塌糊涂，最后全白干。今天咱们就把这顿饭怎么做，掰开揉碎了讲清楚。
核心观点：数据质量决定了SOH评估的天花板。算法再强，也救不了垃圾数据。
3.1 电池测试数据采集：你得知道要抓什么
采集数据前，先问自己三个问题：测什么？怎么测？测多细？
我个人习惯，先把关键参数列出来。电池测试，核心就这几样：
- 电压：单体电压、总电压。注意采样频率，我建议至少1Hz，动态工况要10Hz以上。
- 电流：充放电电流。正负号别搞反了，我吃过这个亏。
- 温度：电芯表面温度、环境温度。温度传感器位置很关键，贴歪了数据就偏了。
- 时间戳：这个容易被忽略。没有时间轴，数据就是死的。
- 容量：通过电流积分算出来的，但要注意累积误差。
采集设备方面，我推荐用高精度数据采集卡，至少16位ADC。别省这个钱，省下来的钱都会变成你加班调模型的时间。
我的小技巧：采集时同步记录环境温度。锂电池对温度极其敏感，同一块电池，25℃和0℃测出来的SOH能差好几个点。
3.2 数据清洗：把脏东西筛出去
数据拿到手，别急着建模。先看看数据长什么样。我一般会先做这几步：
- 去重：检查有没有完全重复的记录。有时候采集卡抽风，会连续记录两行一模一样的数据。
- 格式统一：时间戳统一成Unix时间戳或ISO格式。电压单位统一成伏特，别混着毫伏和伏特用。
- 范围检查：电压超出2.5V-4.3V（三元锂）的，基本是异常。电流超过电池规格书最大值的，也要标记出来。
我曾经接手过一个项目，对方给了三个月的数据，结果一查，时间戳有13种格式。你想想看，光解析时间就花了两天。所以，数据清洗这一步，省不了。
3.3 缺失值处理：别让空值毁了你的模型
数据缺失是常态。通讯中断、传感器故障、存储溢出，原因多了去了。处理缺失值，我一般按这个优先级来：
| 缺失比例 | 处理方法 | 适用场景 |
|---|---|---|
| < 5% | 线性插值 | 电压、电流等连续变化量 |
| 5% - 20% | 前向填充 / 后向填充 | 温度等变化缓慢的量 |
| > 20% | 直接删除该段数据 | 任何场景，别犹豫 |
举个例子，电压数据缺了3个点，前后值分别是3.7V和3.71V，线性插值算出来中间值3.705V，完全合理。但要是温度数据缺了半小时，就别插值了，直接删掉那一段。为什么？因为温度变化是非线性的，插值反而引入误差。
注意：千万别用均值填充来处理电池数据。电池的电压电流是动态变化的，用均值填充等于往数据里掺假。
3.4 异常值检测：揪出那些「不老实」的数据点
异常值检测，我常用的方法有三种：
- 3σ原则：数据服从正态分布时，超出均值±3倍标准差的值视为异常。简单粗暴，适合快速筛查。
- 箱线图法：用四分位数判断。Q1-1.5*IQR和Q3+1.5*IQR之外的点，就是异常。这个方法对分布没有要求，更通用。
- 局部异常因子（LOF）：看一个点周围邻居的密度。密度明显低于邻居的，就是异常。适合复杂工况下的数据。
我记得有一次，一个客户的电池数据里，电压突然从3.8V跳到了5.2V。用3σ一查，果然异常。后来发现是采集卡的一个通道坏了。要是没做异常检测，模型学到的就是「电池能充到5.2V」，这不出大问题才怪。
3.5 数据归一化与标准化：让所有特征站在同一起跑线
归一化和标准化，很多人搞混。我简单说下区别：
- 归一化（Min-Max Scaling）：把数据缩放到[0,1]区间。公式是 (x - min) / (max - min)。适合数据有明确边界的情况，比如电压范围已知。
- 标准化（Z-score Scaling）：把数据变成均值为0、标准差为1的分布。公式是 (x - μ) / σ。适合数据分布未知或存在异常值的情况。
我个人习惯，做SOH评估时优先用标准化。为什么？因为电池数据里异常值多，归一化会被异常值拉偏。标准化对异常值的鲁棒性更好。
来看一段Python代码，很实用：
from sklearn.preprocessing import StandardScaler, MinMaxScaler
import numpy as np
# 假设你有一组电压数据
voltage = np.array([3.7, 3.8, 3.9, 4.0, 3.75, 3.85])
# 标准化
scaler_std = StandardScaler()
voltage_std = scaler_std.fit_transform(voltage.reshape(-1, 1))
# 归一化
scaler_mm = MinMaxScaler()
voltage_mm = scaler_mm.fit_transform(voltage.reshape(-1, 1))
print("标准化结果:", voltage_std.flatten())
print("归一化结果:", voltage_mm.flatten())输出结果会告诉你，标准化后的数据有正有负，而归一化后的数据全在0到1之间。选哪个？看你的模型。像神经网络，一般用归一化；像SVM、KNN，标准化更合适。
避坑指南：我曾经犯过一个错——先做了异常值检测，再归一化。结果异常值被缩放到正常范围内，模型根本识别不出来。正确的顺序是：先处理异常值，再做归一化/标准化。
3.6 本章知识体系总览
下面这张图，是我自己总结的数据预处理流程。你照着这个走，基本不会出大错。
嗯，到这里，数据采集与预处理的核心内容就讲完了。你想想看，这些步骤看起来简单，但每一步都有坑。我当年刚入行时，光数据清洗就折腾了两个月。现在回头看，那些踩过的坑，都是宝贵的经验。
记住一句话：数据预处理花的时间，会在模型训练阶段加倍还给你。别急，慢慢来。