识别电池健康状态的方法、装置和终端设备与流程

本发明属于机器学习的技术领域，尤其涉及识别电池健康状态的方法、装置和终端设备。

背景技术：

近几年随着移动终端和新能源汽车的兴起，可循环充电的电池的健康也得到了一定的关注，尤其是电池健康的预测问题成为了一个热点。电池健康问题指影响其放电能力的正负极活性材料的物化结构性质、粘结剂对涂层的粘黏强度、隔膜的质量等在循环充电过程中逐渐劣化，虽然目前从设计角度对电池的结构和材料已经进行了很多的改进，电池本身性能得到了很大的提高，但是实际使用中电池的寿命问题依然存在，特别是对于大容量动力电池以及电池滥用场合。从应用角度对电池健康状况进行科学的估计和预测，进一步指导电池的运行和维护也是实现电池长时间可靠工作有着重要意义。

传统的解决方案，大部分通过外连电池检测设备对电池的健康状态进行检测或者通过大数据得到的电池寿命的线性衰减给出电池大致的健康状态。外连设备虽然检测精确，但是成本较高，而大数据预测电池健康状态又存在不精确的缺陷。

技术实现要素：

有鉴于此，本发明实施例提供了识别电池健康状态的方法及终端设备，以解决现有技术中识别电池健康状态的问题。

本发明实施例的第一方面提供了一种识别电池健康状态的方法，包括：

获取待识别电池的充电时长和充电电量；

通过电池健康状态回归模型分析所述充电时长和充电电量，获得待识别电池健康状态的识别结果。

本发明实施例的第二方面提供了一种识别电池健康状态的装置，包括：

第一获取单元，用于获取待识别电池的充电时长和充电电量；

计算单元，用于通过电池健康状态回归模型分析所述充电时长和充电电量，获得待识别电池健康状态的识别结果。

本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面和/或第二方面所述方法的步骤。

本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面和/或第二方面所述方法的步骤。

本发明实施例与现有技术相比存在的有益效果是：不需要通过其他检测设备的介入，利用对现有的电池样本数据进行建模，只需把待识别电池的充电时长和充电电量放入电池健康状态回归模型分析，即可获得待识别设备电池出现老化情况和故障概率，不仅提高了识别精确度，也减少了生产成本。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种识别电池健康状态方法的实现流程示意图；

图2是本发明实施例提供的生成电池健康状态回归模型的实现流程示意图；

图3是基于监督学习获得电池健康状态回归模型的实现流程示意图；

图4是本发明实施例提供的利用归一化处理样本数据基于监督学习获得电池健康状态模型的实现流程示意图；

图5是本发明实施例的根据待识别电池充电电流大小对应的电池健康回归模型获取待识别电池健康状态的识别结果的实现流程示意图；

图6是本发明实施例提供的一种识别电池健康状态方法装置的示意图；

图7是本发明实施例提供的一种识别电池健康状态装置/终端设备的示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

请参见图1，图1是本发明实施例提供的一种识别电池健康状态的方法实现流程图。如图所示的识别电池健康状态的方法包括：

s101，获取待识别电池的充电时长和充电电量。

待识别电池是指需要通过电池健康状态回归模型识别电池健康状态的设备电池。上述待识别电池包括但不限于新能源汽车、移动终端等设备中循环充电电池。

其中，获取待识别电池的充电时长和充电电量可通过本端设备或者供电端设备收集加载。通过收集充电结束时间和开始时间计算待识别电池的充电时长，收集充电起始电量和充电结束电量计算待识别电池的充电电量。将所述获得的待识别电池的充电时长和充电电量作为特征进行电池健康的识别。然而在电池充电时长太短时或者当电池电量已满但充电时长持续计时的情况导致数据误差，容易造成电池健康状态模型的识别精准度偏低。

示例性的，可通过设置待识别电池充电时长阈值提高识别电池健康状态的精准度。具体的，可将电池的时长阈值设置为下限阈值10分钟上限阈值60分钟或者截取充电电量增长较为线性时待识别电池的充电时长和充电电量，截取的充电时长阈值可设为30分钟，而充电电量的阈值可设为0毫安。

s102，通过电池健康状态回归模型分析所述充电时长和充电电量，获得待识别电池健康状态的识别结果。

在充电电池中，充电时长和充电电量以及电池健康状态存在着某种逻辑关系。可通过建立电池健康状态回归模型分析待测电池的充电时长和充电电量获得电池健康状态的识别结果。而所述的电池健康回归模型是基于逻辑回归模型进行监督学习获取，所述的逻辑回归模型为概率型非线性回归模型，是研究二分类观察结果与一些影响因素之间关系的一种多变量分析方法。本发明通过上述逻辑回归模型建立电池健康回归模型，只需通过电池健康回归模型分析待识别电池的充电时长和充电电量，即可得到待识别电池的健康状态识别结果。

作为本发明一实施例，所述电池健康状态回归模型所得识别结果表示接近于1的概率，识别结果越接近于1则反映电池状态越不健康，越接近于0则反映电池状态越健康，这个结果可以直接用于向用户反映电池有多大的概率出现了老化和故障。本领域技术人员知晓，此处仅为示例性描述，不能解释为对本发明的限制。

在本发明实施例中，只需获取待识别电池的充电时长和充电电量，通过电池健康状态回归模型识别待识别电池健康状态，不仅提高了识别精确度，也减少了生产成本。

可选地，在上述图1所示实施例步骤s102之前，还包括步骤：生成电池健康状态回归模型。其中，生成电池健康状态回归模型具体通过以下s201至s202步骤实现，请参见图2，图2是本发明实施例提供的生成电池健康状态回归模型的实现流程示意图。如图所示，生成电池健康状态回归模型，包括：

s201，获取多个样本数据，每个所述样本数据包括样本电池的充电样本时长和充电样本电量，以及每个样本电池对应的样本健康状态。

其中，样本数据是指用来训练电池健康状态回归模型的样本电池充电样本时长和充电样本电量以及样本健康状态。需要说明的是，样本数据覆盖各种不同健康状态的样本电池，包括健康和不健康的样本电池，以提高训练得到的电池健康状态回归模型的泛化能力和鲁棒性。

而上述健康样本电池的样本数据是指电池健康状态相对较好的样本电池数据，具体指健康状态阈值在0.5至1之间的样本数据。不健康样本电池的样本数据是指样本电池不健康造成的充电失败而非桩端造成的失败以及充电成功但是明显充电过程不健康的样本电池数据，具体指不健康样本电池状态阈值在0至0.5之间的样本数据。示例性的，在数据库数据标定充电订单是否是健康的充电过程时可通过status(订单状态)、pin(结束原因码)、execption_reason(订单异常结束)等其他字段进行标定。其中所述的充电订单是指数据库中收集记录本端设备或供电端设备中样本电池充电数据的订单，所述充电数据包括：充电样本结束时间和开始时间、充电样本起始电量和充电结束电量以及对应的样本健康状态。

优选的，获取上述健康样本电池的样本数据和不健康样本电池的样本数据各20000笔，选取其中30000笔作为训练集，10000笔作为验证集。其中训练集的作用是用来拟合模型，通过设置分类器的参数，训练分类模型，而验证集的作用是当通过训练集训练出多个模型后，为了能找出效果最佳的模型，使用各个模型对验证集数据进行预测，并记录模型准确率。选出效果最佳的模型所对应的参数，即用来调整模型参数。

示例性地，样本数据是通过在以往的充电订单中获取充电结束时间和开始时间计算样本电池的充电时长，获取充电起始电量和充电结束电量计算样本电池的充电电量以及每个样本数据对应的样本健康状态。所述的样本健康状态是指样本电池的健康状态，为了方便计算，样本健康状态采用0和1进行标度，越接近于1则反映电池状态越不健康，越接近于0则反映电池状态越健康。

由于在获取样本数据时，可能存在某些错误数据，导致后续的电池健康状态模型不准确，本发明实施例中还可以对样本数据进行筛选获得最终作为模型训练的样本数据，具体的，可以筛选满足预设阈值条件的样本数据作为模型训练的样本数据。示例性的，筛选的样本数据设置阈值大小可参照待识别电池数据阈值，使得电池健康回归模型的精确度更高，故充电样本时长阈值设置为上限阈值15分钟下限阈值60分钟或者截取充电样本电量增长较为线性时的充电时长作为充电样本时长，截取的充电样本时长阈值可设为30分钟。而充电样本电量的阈值可设为0毫安，样本健康状态阈值设为0至1。

,s202，根据所述样本数据基于监督学习获得电池健康状态回归模型，所述电池健康状态回归模型用于识别待识别电池的健康状态。

机器学习分为监督学习和非监督学习，其中监督学习是从标记的训练数据来推断一个功能的机器学习任务。在监督学习中，每个实例都是由一个输入对象(通常为矢量)和一个期望的输出值(也称为监督信号)组成。监督学习算法是分析该训练数据，并产生一个推断的功能，其可以用于映射出新的实例。一个最佳的方案将允许该算法来正确地决定那些看不见的实例的类标签。这就要求学习算法是在一种"合理"的方式从一种从训练数据到看不见的情况下形成。本发明根据样本电池的充电样本时长和充电样本电量，以及每个样本电池对应的样本健康状态，通过逻辑回归模型基于监督学习，获得电池健康状态模型。

所述电池健康状态回归模型通过训练逻辑回归模型获得，属于概率型非线性回归，它是研究二分类观察结果与一些影响因素之间关系的一种多变量分析方法。在本发明中电池健康的识别实际上也属于二分类观察结果，即识别电池状态健康与不健康。通过上述逻辑回归模型训练样本数据得到的电池健康状态回归模型后，只需提供待识别电池的充电时长和充电电量，即可获得待识别电池健康状态的识别结果。而所述电池健康状态回归模型所得结果表示为识别结果接近于1的概率，最终的识别结果越接近于1则反映电池状态越不健康，越接近于0则反映电池状态越健康，这个结果可以直接用于向用户反映电池有多大的概率出现了老化和故障。

可选地，在上述图2所示实施例的基础上，步骤s202，基于监督学习获得电池健康状态回归模型，具体通过以下s301至s303步骤实现，请参见图3，图3是基于监督学习获得电池健康状态回归模型的实现流程示意图。如图所示，基于监督学习获得电池健康状态回归模型，包括：

s301，通过逻辑函数推导出样本电池充电样本时长xi1和充电样本电量xi2以及列向量参数为的假设函数:

在监督学习中逻辑回归模型是一种广义线性回归(generalizedlinearmodel)，因此与多重线性回归模型分析有很多相同之处。它们的模型形式基本上相同，都具有w'x+b，其中w和b是待求参数，其区别在于他们的因变量不同，多重线性回归模型直接将w'x+b作为因变量，即y＝w'x+b，而逻辑回归模型则通过函数l将w'x+b对应一个隐状态p，p＝l(w'x+b),然后根据p与1-p的大小决定因变量的值。逻辑回归的因变量可以是二分类的，也可以是多分类的，但是二分类的更为常用，也更加容易解释，多类可以使用softmax方法进行处理。实际中最为常用的就是二分类的逻辑回归，因变量不是0就是1，概率函数服从伯努利分布，而伯努利分布的指数形式是sigmoid函数，又称为逻辑函数。在逻辑回归模型中的逻辑函数定义为该函数在z>0.5的时候收敛于1，在z<0.5的时候收敛于0。该函数可以很好的应用于监督学习中的二分类问题。如我们设单一特征的假设函数为其中设如果输入x1大于0那么最后的结果会趋近于1，反之如果输入x1小于0那么最后的结果会趋近于0，hθ(z)表示预测结果取1的概率，预测结果越接近于1表示电池越不健康，越接近于0表示电池越健康。

在本发明中设有m个样本实例为{(x⁽¹⁾,y⁽¹⁾),(x⁽²⁾,y⁽²⁾),…,(x^(m),y^(m))}，其中有n-1个特征，x0＝1,y∈{0,1}，建立假设函数其中

本发明中具有充电时长和充电电量两个特征，选取充电样本时长xi1和充电样本电量xi2以及合适的列向量参数后，可以得到假设函数：

通过筛选不同电流大小下样本电池的样本充电时长和样本充电电量以及对应的样本健康状态数据，分别训练不同电流大小下的假设函数，找到假设函数中合适的列向量参数

s302，根据所述假设函数构造代价函数：

其中m为样本数据数量，y⁽ⁱ⁾表示第i个样本健康状态，i的最大值为m，x⁽ⁱ⁾为第i个输入特征向量

求列向量参数需要先构造一个代价函数，来表示这个假设函数的准确性，代价函数越大表示预测结果与真实结果差别越大，预测越不准确，根据机器学习相关理论逻辑代价函数如下：

其中m为样本数据数量，y⁽ⁱ⁾表示第i个样本健康状态，i的最大值为m，x⁽ⁱ⁾为第i个输入特征向量x0＝1，当代价函数最小时，回归模型拟合度最高。

s303，通过梯度下降法迭代计算j(θ)最小时的列向量参数并带入上述假设函数中获得电池健康状态回归模型。

代价函数最小时的列向量算法包括但不限于：梯度下降法、conjugategradient,bfgs,l-bfgs等优化算法。

优选的，本发明中求代价函数最小值考虑采用梯度下降法迭代计算：

其中α为学习率，θj表示θ0或θ1或θ2，θj：表示对θj进行迭代计算，xj⁽ⁱ⁾为第j个x⁽ⁱ⁾，对列向量参数的θ0、θ1、θ2同时更新，得到代价函数最小时的列向量参数

将代价函数最小时的列向量参数带入上述假设函数中获得不同电流大小的电池健康状态回归模型。输入待识别电池的充电时长和充电电量，得到对应电流大小的待识别电池的识别结果，所述识别结果可以反映出待识别电池健康状态。

可选地，在上述图2所示实施例的基础上，还可以根据归一化处理后的样本数据，基于监督学习获得电池健康状态模型，实现对待识别电池健康状态的识别，进一步提高识别效率和精准度。

请参见图4，图4是本发明实施例提供的利用归一化处理样本数据基于监督学习获得电池健康状态模型的实现流程示意图。如图4所示，利用归一化处理样本数据基于监督学习获得电池健康状态模型，包括：

s401，获取多个样本数据，每个所述样本数据包括样本电池的充电样本时长和充电样本电量，以及每个样本电池对应的样本健康状态。

本实施例中s401与图2所示实施例中s201相同，具体请参阅图2所示实施例中s201的相关描述，此处不赘述。

s402，对所述样本数据进行归一化处理。

在机器学习中领域中的数据训练之前，通常需要将数据归一化，利用归一化后得数据进行数据训练。不同评价指标往往具有不同的量纲和量纲单位，这样的情况会影响到数据训练的结果，为了消除指标之间的量纲影响，需要进行数据归一化处理，以解决数据指标之间的可比性。原始数据经过数据归一化处理后，各指标处于同一数量级。

而在本发明中，由于样本电池的充电时长和充电电量的取值范围差别较大，尤其是对于大功率新能源汽车电池的样本数据，在实际中充电桩在极短的时间内即可完成对上百千瓦时电池容量的充电，使得充电时长和充电电流存在数量级上的差异，而归一化处理能够缩小数据间的量值，以便后续计算。

s403，根据进行归一化处理后的所述样本数据基于监督学习获得电池健康状态回归模型。

将归一化处理后的充电样本时长和充电样本电量以及对应的样本健康状态，通过逻辑回归模型基于监督学习，获得归一化处理后的电池健康状态回归模型。

在本发明实施例中，根据归一化处理后的样本数据，基于监督学习获得电池健康状态模型，实现对待识别电池健康状态的识别，提高了识别效率和精准度。

需要说明的是，步骤403的原理与图2和图3所示实施例中步骤202相同，区别在于步骤403中是基于归一化处理后的样本数据得到电池健康状态回归模型。本领域技术人员可以知晓，步骤202的具体实现过程可以在步骤403采取相同的方式实现，此处不再赘述。

在本发明实施例中，提供的电池健康状态回归模型识别待识别电池的健康状态，无需通过其他外部设备，仅仅只需要通过内部软件程序，利用对现有的样本充电数据进行建模，把待识别电池的充电时长和充电电量放入电池健康状态回归模型分析，即可获得待识别设备电池出现老化情况和故障概率，不仅提高了识别精确度，也减少了生产成本。

由于电池种类繁多且电流差距甚大，例如手机电池和新能源汽车电池在电流上就存在较大的差异，而电流越大的电池在单位时间内的充电电量越大，导致电池健康状态模型对不同电流的待识别电池的识别误差较大，需要通过不同电流大小的电池健康状态模型识别待识别电池的健康状态。

请参见图5，图5是本发明实施例的根据待识别电池充电电流大小对应的电池健康回归模型获取待识别电池健康状态的识别结果的实现流程示意图，对图1所示实施例进行了进一步改进。如图所示，根据待识别电池充电电流大小对应的电池健康回归模型获取待识别电池健康状态的识别结果，包括：

s501，获取待识别电池的充电时长和充电电量。

本实施例中s501与上一实施例中s101相同，具体请参阅上一实施例中s101的相关描述，此处不赘述。

s502，获取待识别电池的充电电流大小。

获取待识别电池的充电电流大小可通过本端设备或者供电端设备收集。对于步骤s501和s502获取待识别电池的充电时长和充电电量以及电流大小的先后顺序不做限定。

s503，获取与所述充电电流大小对应的电池健康回归模型。

所述电池健康回归模型，根据不同电流大小的样本电池的充电样本时长和充电样本电量，以及每个样本电池对应的样本健康状态，基于逻辑回归模型进行监督学习，获得不同电流分段下的电池健康状态模型。根据获得对应电流大小的电池健康回归模型，将待识别电池的充电时长和充电电量作为特征带入电池健康回归模型，获得对应电流大小下的待识别电池健康识别结果。

s504，通过电池健康状态回归模型分析所述充电时长和充电电量，获得待识别电池健康状态的识别结果。

本实施例中s504与上一实施例中s102相同，具体请参阅上一实施例中s102的相关描述，此处不赘述。

在本发明实施例中，对待识别电池数据按照电池充电电流大小进行分段细化，根据对应电流大小下的电池健康状态回归模型获得电池健康状态的识别结果，提高了电池健康识别的精准度。

需要说明的是，生成电池健康回归模型的原理与图2至图4所示实施例相同，区别在于获取到的样本数据除了各样本电池的充电样本时长和充电样本电量，还包括各样本电池的样本充电电流大小。此时，根据样本充电电流大小所属的分段区间，将各分段的样本电池对应的样本数据作为一类，最后再利用每一类的样本电池对应的样本数据进行训练，得到对应每一类的电池健康回归模型。本领域技术人员知晓，每一类电池健康回归模型与图2至图4所示实施例相同，此处不再赘述。在此基础上，获取到待识别电池的充电电流大小，就可以获取到与该充电电流大小所属分段对应的电池健康回归模型，从而利用该电池健康回归模型进行电池健康状态的识别，进一步提高了识别结果的准确度。

如图6本发明提供了一种识别电池健康状态的装置6，请参见图6，图6是本发明实施例提供的一种识别电池健康状态方法装置的示意图，如图所示一种识别电池健康状态方法装置包括：

第一获取单元611，用于获取多个样本数据，每个所述样本数据包括多个样本电池的充电样本时长和充电样本电量，以及每个样本电池对应的样本健康状态。

第二获取单元612，用于获取待识别电池的充电时长和充电电量；

第三获取单元613，用于获取待识别电池的的充电电流。

数据处理单元62，用于将所述样本数据进行归一化处理。

建模模块63，用于将所述样本数据基于监督学习获得电池健康状态回归模型，所述电池健康状态回归模型用于获取待识别电池健康状态的识别结果。

计算单元64，用于通过电池健康状态回归模型分析所述待识别电池的充电时长和充电电量后获得待识别电池健康状态的识别结果。

本发明提供的识别电池健康装置在获取待识别电池的充电时长和充电电量后，通过电池健康回归模型进行分析，获得待识别电池的健康状态。不需要其它设备的介入，具有装置识别精准度高，造价成本低等优势。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

图7是本发明一实施例提供的充电健康指数建模的装置/终端设备的示意图。如图7所示，该实施例的充电健康指数建模的装置/终端设备7包括：处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72，例如充电健康指数建模的程序。所述处理器70执行所述计算机程序72时实现上述各个充电健康指数建模的方法实施例中的步骤，例如图1所示的步骤s101至s102。或者，所述处理器70执行所述计算机程序72时实现上述各装置实施例中各模块/单元的功能，例如图6所示单元611至64的功能。

示例性的，所述计算机程序72可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器71中，并由所述处理器70执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序72在所述充电健康指数建模的装置/终端设备7中的执行过程。例如，所述计算机程序72可以被分割成同步模块、汇总模块、获取模块、返回模块(虚拟装置中的模块)，各模块具体功能如下：

第一获取单元611，用于获取多个样本数据，每个所述样本数据包括多个样本电池的充电样本时长和充电样本电量，以及每个样本电池对应的样本健康状态。

第二获取单元612，用于获取待识别电池的充电时长和充电电量；

第三获取单元613，用于获取待识别电池的的充电电流。

数据处理单元62，用于将所述样本数据进行归一化处理。

建模模块63，用于将所述样本数据基于监督学习获得电池健康状态回归模型，所述电池健康状态回归模型用于获取待识别电池健康状态的识别结果。

计算单元64，用于通过电池健康状态回归模型分析所述待识别电池的充电时长和充电电量后获得待识别电池健康状态的识别结果。

所述充电健康指数建模的装置/终端设备7可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述充电健康指数建模的装置/终端设备可包括，但不仅限于，处理器70、存储器71。本领域技术人员可以理解，图7仅仅是充电健康指数建模的装置/终端设备7的示例，并不构成对充电健康指数建模的装置/终端设备7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述充电健康指数建模的装置/终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器70可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器71可以是所述充电健康指数建模的装置/终端设备7的内部存储单元，例如充电健康指数建模的装置/终端设备7的硬盘或内存。所述存储器71也可以是所述充电健康指数建模的装置/终端设备7的外部存储设备，例如所述充电健康指数建模的装置/终端设备7上配备的插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。进一步地，所述存储器71还可以既包括所述充电健康指数建模的装置/终端设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述充电健康指数建模的装置/终端设备所需的其他程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。