从实验室到量产
SOH算法移植实战
📘
30章 · 完整目录
01
课程导论
为什么SOH算法需要从实验室移植到量产？课程目标与学习路径
02
SOH算法基础回顾
容量衰减模型、内阻增长模型、循环寿命预测理论
03
实验室环境下的SOH算法
理想数据、高精度设备、离线计算的局限性
04
量产第一道坎：计算资源受限
MCU vs PC，RAM/Flash/算力瓶颈
05
量产第二道坎：数据质量差
噪声、缺失、采样率低、量化误差
06
量产第三道坎：实时性要求
在线计算 vs 离线批处理
07
量产第四道坎：鲁棒性与一致性
电芯差异、老化路径不同
08
算法移植方法论总览
从Python原型到C代码的完整流程
09
第一步：算法选型与简化
选择适合嵌入式平台的SOH算法
10
第二步：定点化与浮点化
量化策略与精度损失分析
11
第三步：查表法优化
用空间换时间，避免复杂数学运算
12
第四步：滑动窗口与递归计算
降低内存占用与计算量
13
第五步：状态机与事件驱动
处理非连续充电/放电片段
14
第六步：异常处理与边界保护
防止除零、溢出、野指针
15
代码生成与手动优化
Python到C转换技巧（矩阵运算、循环展开）
16
单元测试与MIL/SIL测试
在PC上验证移植后的算法正确性
17
HIL测试与硬件在环
在目标MCU上跑算法，对比实验室结果
18
标定与参数整定
针对量产电芯重新拟合模型参数
19
A/B测试与灰度发布
在实车上小批量验证算法效果
20
数据回传与持续迭代
利用云端数据优化SOH模型
21
实战案例1：安时积分法SOH移植
简单但易漂移
22
实战案例2：扩展卡尔曼滤波(EKF)
精度高但计算量大
23
实战案例3：机器学习(GPR/LSTM)
前沿但资源消耗大
24
实战案例4：混合模型
融合机理与数据驱动的SOH算法
25
常见坑1：浮点运算陷阱
MCU上模拟浮点 vs 硬件浮点
26
常见坑2：时间戳与同步问题
RTC精度对SOH计算的影响
27
常见坑3：存储与掉电保护
SOH值如何在断电后不丢失
28
常见坑4：OTA升级对SOH算法的影响
版本兼容性
29
性能评估与报告
如何量化移植后的精度损失与资源占用
30
课程总结与展望
SOH算法的未来趋势（云端SOH、数字孪生）