【技术实现步骤摘要】
本专利技术涉及大数据处理，具体地说是国产平台下基于大模型的电池续航测试方法及系统。
技术介绍
1、随着科技的不断发展，电池已经成为各种电子设备的核心组件。电子设备对电池续航时间的要求越来越高。因此，准确、快速地测试电池续航时间对于优化电子设备性能和提升用户体验具有重要意义。然而，传统的电池续航测试方法通常依赖于实际测量和记录，还存在一定的局限性：
2、问题一：传统电池续航的测试方法一般在满负载、轻负载、待机三种状态下分别开展测试，测试效率极低；
3、问题二：分别进行不同负载下的测试，测试结果不具有代表性，更不具备实际应用时的参考价值。最具有说服力的测试结果应该是在用户真实使用场景下的续航时间；
4、问题三：目前测试电池续航使用秒表或查看日志文件得出续航时间，测试准确性低。
5、对于电池续航测试、如何缩短测试时间并提高测试准确性，是需要解决的技术问题。
技术实现思路
1、本专利技术的技术任务是针对以上不足，提供国产平台下基于大模型的电池续航测试方法及系统，来解决对于电池续航测试、如何缩短测试时间并提高测试准确性的技术问题。
2、第一方面，本专利技术一种国产平台下基于大模型的电池续航测试方法，包括如下步骤：
3、样本构建：采集电池使用过程中的电池数据作为原始数据，并对原始数据进行数据预处理，得到预处理后数据作为样本数据，并对样本数据进行标注，得到标注信息，标注信息为对应电池的续航时间，基于样本数据和标注信息构建训练
4、模型训练：构建续航预测模型，并基于训练集对续航预测模型进行模型训练和评估，得到训练后续航预测模型，所述续航预测模型用于基于输入电池数据对电池续航进行预测、输出续航时间；
5、模型部署：将训练后续航预测模型部署到测试环境中；
6、开展测试：以收集的电池数据为输入，将电池数据输入当前训练后续航预测模型，通过当前训练后续航预测模型预测输出电池的续航时间，基于预测输出的续航时间评估当前训练后续航预测模型，如果当前训练后续航预测模型符合预定要求，导出当前训练后续航预测模型，如果不符合，将当前真实的电池数据以及对应的续航时间作为样本更新至训练集，并基于新的训练集对当前训练后续航预测模型进行参数优化，直至当前训练后续航预测模型符合预定要求，并基于预测输出的续航时间以及真实的续航时间形成测试报告。
7、通过最终的续航预测模型对电池续航进行预测，输出续航时间，
8、作为优选，所述电池数据包括电池使用过程中产生的电流、电压、温度以及功耗；
9、对原始数据进行数据预处理，包括：
10、对原始数据进行数据清洗，通过数据清洗去除异常值、缺失值以及重复值；
11、对原始数据进行归一化和标准化处理，得到符合预定格式的数据。
12、作为优选，基于深度神经网络或者回归模型构建续航预测模型；
13、基于训练集对续航预测模型进行模型训练时，基于梯度下降算法或adam算法进行模型训练。
14、作为优选，对于训练后续航预测模型，将训练后预测模型封装为api接口、并使用docker容器部署到测试环境中。
15、作为优选，将续航测试模型导出时导出格式包括tensorflow savedmodel和onnx格式。
16、第二方面，本专利技术一种国产环境下基于大模型的电池续航预测系统，用于通过如第一方面任一项所述的一种国产平台下基于大模型的电池续航测试方法进行电池续航预测，所述系统包括样本构建模块、模型训练模块、模型部署模块以及测试开展模块；
17、样本构建模块用于执行如下：采集电池使用过程中的电池数据作为原始数据，并对原始数据进行数据预处理，得到预处理后数据作为样本数据，并对样本数据进行标注，得到标注信息，标注信息为对应电池的续航时间，基于样本数据和标注信息构建训练集；
18、模型训练模块用于执行如下：构建续航预测模型，并基于训练集对续航预测模型进行模型训练和评估，得到训练后续航预测模型，所述续航预测模型用于基于输入电池数据对电池续航进行预测、输出续航时间；
19、模型部署模块用于执行如下：将训练后续航预测模型部署到测试环境中；
20、测试开展模块用于执行如下：以收集的电池数据为输入，将电池数据输入当前训练后续航预测模型，通过当前训练后续航预测模型预测输出电池的续航时间，基于预测输出的续航时间评估当前训练后续航预测模型，如果当前训练后续航预测模型符合预定要求，导出当前训练后续航预测模型，如果不符合，将当前真实的电池数据以及对应的续航时间作为样本更新至训练集，并基于新的训练集对当前训练后续航预测模型进行参数优化，直至当前训练后续航预测模型符合预定要求，并基于预测输出的续航时间以及真实的续航时间形成测试报告。
21、作为优选，所述电池数据包括电池使用过程中产生的电流、电压、温度以及功耗；
22、所述样本构建模块用于执行如下对原始数据进行数据预处理：
23、对原始数据进行数据清洗，通过数据清洗去除异常值、缺失值以及重复值；
24、对原始数据进行归一化和标准化处理，得到符合预定格式的数据。
25、作为优选，所述模型训练模块用于基于深度神经网络或者回归模型构建续航预测模型；
26、基于训练集对续航预测模型进行模型训练时，所述模型训练模块用于基于梯度下降算法或adam算法进行模型训练。
27、作为优选，对于训练后续航预测模型，所述模型部署模块用于将训练后预测模型封装为api接口、并使用docker容器部署到测试环境中。
28、作为优选，将续航测试模型导出时导出格式包括tensorflow savedmodel和onnx格式。
29、本专利技术的国产平台下基于大模型的电池续航测试方法及系统具有以下优点：
30、1、通过最终的续航预测模型可以基于大量的数据和复杂的算法，对电池续航进行准确的测试，在开展测试过程中，通过模拟各种使用场景和条件，可以更全面地测试电池的续航表现，从而得到更准确的结果；
31、2、续航预测模型可以自动化地进行大量测试，大大提高测试效率，相比传统的人工测试方法，可以节省大量的时间和人力成本；
32、3、续航预测模型可以通过不断学习和训练来适应新的测试需求，具有很高的可扩展性和灵活性。
本文档来自技高网...【技术保护点】
1.一种国产平台下基于大模型的电池续航测试方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的国产平台下基于大模型的电池续航测试方法，其特征在于，所述电池数据包括电池使用过程中产生的电流、电压、温度以及功耗；
3.根据权利要求1所述的国产平台下基于大模型的电池续航测试方法，其特征在于，基于深度神经网络或者回归模型构建续航预测模型；
4.根据权利要求1所述的国产平台下基于大模型的电池续航测试方法，其特征在于，对于训练后续航预测模型，将训练后预测模型封装为API接口、并使用Docker容器部署到测试环境中。
5.根据权利要求1所述的国产平台下基于大模型的电池续航测试方法，其特征在于，将续航测试模型导出时导出格式包括TensorFlow SavedModel和ONNX格式。
6.一种国产环境下基于大模型的电池续航预测系统，其特征在于，用于通过如权利要求1-5任一项所述的一种国产平台下基于大模型的电池续航测试方法进行电池续航预测，所述系统包括样本构建模块、模型训练模块、模型部署模块以及测试开展模块；
7.根据权
8.根据权利要求6所述的国产平台下基于大模型的电池续航测试系统，其特征在于，所述模型训练模块用于基于深度神经网络或者回归模型构建续航预测模型；
9.根据权利要求6所述的国产平台下基于大模型的电池续航测试系统，其特征在于，对于训练后续航预测模型，所述模型部署模块用于将训练后预测模型封装为API接口、并使用Docker容器部署到测试环境中。
10.根据权利要求6所述的国产平台下基于大模型的电池续航测试系统，其特征在于，将续航测试模型导出时导出格式包括TensorFlow SavedModel和ONNX格式。
...【技术特征摘要】
1.一种国产平台下基于大模型的电池续航测试方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的国产平台下基于大模型的电池续航测试方法，其特征在于，所述电池数据包括电池使用过程中产生的电流、电压、温度以及功耗；
3.根据权利要求1所述的国产平台下基于大模型的电池续航测试方法，其特征在于，基于深度神经网络或者回归模型构建续航预测模型；
4.根据权利要求1所述的国产平台下基于大模型的电池续航测试方法，其特征在于，对于训练后续航预测模型，将训练后预测模型封装为api接口、并使用docker容器部署到测试环境中。
5.根据权利要求1所述的国产平台下基于大模型的电池续航测试方法，其特征在于，将续航测试模型导出时导出格式包括tensorflow savedmodel和onnx格式。
6.一种国产环境下基于大模型的电池续航预测系统，其特征在于，用于通过如权利要求1-5任一项...
【专利技术属性】
技术研发人员：张帅，吴登勇，于英杰，
申请(专利权)人：西安超越申泰信息科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。