本项目是一个基于动态深度学习与大模型反馈的电池故障检测系统，能够实时检测电池运行状态，预测潜在故障，并提供智能分析与建议。系统集成了前端展示、后端处理和深度学习模型，为电池健康管理提供全面解决方案。
graph TD
%% 前端层
subgraph Frontend["🖥️ 前端层 (Vue.js)"]
direction TB
UI[用户界面]
DashboardPage[数据仪表板]
DetectionPage[异常检测页面]
AnalysisPage[故障分析页面]
UserPage[用户管理页面]
UI --- DashboardPage
UI --- DetectionPage
UI --- AnalysisPage
UI --- UserPage
end
%% 业务逻辑层
subgraph Backend["⚙️ 业务逻辑层 (Spring Boot)"]
direction TB
subgraph Controllers["控制器层"]
DetectionController[检测控制器]
UserController[用户控制器]
DataController[数据控制器]
AnalysisController[分析控制器]
end
subgraph Services["服务层"]
DetectionService[检测服务]
UserService[用户服务]
DataService[数据服务]
ReportService[报告服务]
end
subgraph Mappers["数据访问层"]
UserMapper[用户映射器]
DetectionMapper[检测记录映射器]
DataMapper[数据映射器]
end
Controllers --- Services
Services --- Mappers
end
%% AI推理层
subgraph AILayer["🤖 AI推理层 (Flask)"]
direction TB
FlaskApp[Flask应用]
subgraph ModelEngine["模型引擎"]
DynamicVAE[动态VAE模型]
AnomalyDetector[异常检测器]
FeatureExtractor[特征提取器]
end
subgraph AIAssistant["AI助手服务"]
ChatAPI[ChatAPI]
DeepSeek[DeepSeek API]
Qwen[Qwen API]
LocalModels[本地模型服务]
end
FlaskApp --- ModelEngine
FlaskApp --- AIAssistant
end
%% 数据存储层
subgraph Storage["💾 数据存储层"]
direction LR
MySQL[(MySQL数据库)]
FileStorage[(文件存储)]
subgraph Tables["数据表"]
UserTable[用户表]
DetectionTable[检测记录表]
ModelTable[模型参数表]
AnomalyTable[异常记录表]
end
MySQL --- Tables
end
%% 外部服务
subgraph External["🌐 外部服务"]
direction TB
OnlineAI[在线AI服务]
LMStudio[本地LM-Studio]
LANAI[局域网AI服务]
DataSource[电池数据源]
end
%% 连接关系
Frontend -.-> Backend
Backend -.-> AILayer
Backend -.-> Storage
AILayer -.-> External
AILayer -.-> Storage
%% 样式
classDef frontendStyle fill:#e3f2fd,stroke:#1976d2,stroke-width:2px
classDef backendStyle fill:#e8f5e8,stroke:#388e3c,stroke-width:2px
classDef aiStyle fill:#fce4ec,stroke:#c2185b,stroke-width:2px
classDef storageStyle fill:#f3e5f5,stroke:#7b1fa2,stroke-width:2px
classDef externalStyle fill:#fff3e0,stroke:#f57c00,stroke-width:2px
class Frontend,UI,DashboardPage,DetectionPage,AnalysisPage,UserPage frontendStyle
class Backend,Controllers,Services,Mappers,DetectionController,UserController,DataController,AnalysisController,DetectionService,UserService,DataService,ReportService,UserMapper,DetectionMapper,DataMapper backendStyle
class AILayer,FlaskApp,ModelEngine,AIAssistant,DynamicVAE,AnomalyDetector,FeatureExtractor,ChatAPI,DeepSeek,Qwen,LocalModels aiStyle
class Storage,MySQL,FileStorage,Tables,UserTable,DetectionTable,ModelTable,AnomalyTable storageStyle
class External,OnlineAI,LMStudio,LANAI,DataSource externalStyle
classDiagram
%% 实体类
class User {
+Integer id
+String username
+String password
+String name
+String email
+String role
+Date createTime
}
class BatteryData {
+Integer id
+String batteryId
+Double voltage
+Double current
+Double temperature
+Double capacity
+DateTime timestamp
+String dataSource
}
class DetectionRecord {
+Integer id
+String recordId
+String batteryId
+String detectionType
+Double anomalyScore
+String anomalyLevel
+String features
+String username
+DateTime startTime
+String aiModel
+String suggestion
}
class ModelConfig {
+Integer id
+String modelName
+String modelPath
+String parameters
+String version
+DateTime createTime
+Boolean isActive
}
%% 控制器类
class DetectionController {
-DetectionService detectionService
+detectAnomaly() Result
+getDetectionHistory() Result
+exportReport() Result
}
class DataController {
-DataService dataService
+uploadData() Result
+getBatteryData() Result
+getStatistics() Result
}
%% 服务类
class FlaskAIService {
-DynamicVAE model
-ChatAPI chatAPI
+detectAnomaly() Dict
+trainModel() Boolean
+generateSuggestion() String
+extractFeatures() Array
}
class DynamicVAE {
-String modelPath
-Dict parameters
+encode() Tensor
+decode() Tensor
+calculateAnomalyScore() Double
+train() Boolean
}
class ChatAPI {
-String apiKey
-String modelName
+generateAnalysis() String
+getSuggestions() String
+thinkModeRequest() String
}
%% 关系定义
User "1" --> "*" DetectionRecord : creates
BatteryData "1" --> "*" DetectionRecord : analyzed_by
ModelConfig "1" --> "*" DetectionRecord : used_by
DetectionController --> FlaskAIService : calls
DataController --> BatteryData : manages
FlaskAIService --> DynamicVAE : uses
FlaskAIService --> ChatAPI : uses
DynamicVAE --> BatteryData : processes
sequenceDiagram
participant U as 🧑🔬 用户
participant V as 💻 Vue前端
participant S as ⚙️ Spring Boot
participant F as 🤖 Flask AI服务
participant M as 🧠 动态VAE模型
participant A as 🤖 AI助手
participant D as 💾 数据库
%% 数据上传阶段
Note over U,D: 📤 数据上传阶段
U->>V: 1. 上传电池数据
V->>S: 2. POST /api/data/upload
S->>D: 3. 保存原始数据
D-->>S: 4. 确认保存成功
%% 异常检测阶段
Note over U,A: 🔍 异常检测阶段
U->>V: 5. 启动异常检测
V->>S: 6. POST /api/detection/analyze
S->>F: 7. 转发检测请求
F->>M: 8. 加载动态VAE模型
M->>M: 9. 特征提取
M->>M: 10. 异常分数计算
M-->>F: 11. 返回检测结果
%% AI分析阶段
Note over F,A: 🧠 AI分析阶段
alt 用户选择AI分析
F->>A: 12. 发送检测结果
A->>A: 13. 生成故障分析
A-->>F: 14. 返回分析建议
end
%% 结果保存阶段
Note over S,D: 💾 结果保存阶段
F-->>S: 15. 返回完整结果
S->>D: 16. 保存检测记录
D-->>S: 17. 确认保存成功
%% 结果展示阶段
Note over U,V: 📊 结果展示阶段
S-->>V: 18. 返回检测结果
V-->>U: 19. 展示异常分析
V-->>U: 20. 显示AI建议
%% 报告生成阶段
Note over U,V: 📄 报告生成(可选)
U->>V: 21. 生成分析报告
V-->>U: 22. 下载PDF报告
graph LR
%% 输入层
subgraph Input["📥 数据输入层"]
direction TB
A[🔋 电池数据上传]
B[⚙️ 模型参数配置]
C[🎯 检测类型选择]
D[🤖 AI模型选择]
E[🧠 思考模式开关]
end
%% 处理层
subgraph Process["⚡ 数据处理层"]
direction TB
F[🔄 数据预处理]
G[🧠 特征提取]
H[📊 异常检测]
I[💡 AI建议生成]
J[📈 结果可视化]
end
%% 存储层
subgraph Storage["💾 数据存储层"]
direction TB
K[🔋 原始数据存储]
L[📊 特征数据存储]
M[📋 检测记录存储]
N[🤖 模型参数存储]
end
%% 输出层
subgraph Output["📤 结果输出层"]
direction TB
O[📊 异常分数]
P[⚠️ 异常等级]
Q[📈 可视化图表]
R[💡 AI分析建议]
S[📄 检测报告]
end
%% 数据流连接
A --> F
B --> G
C --> H
D --> I
E --> I
F --> G
G --> H
H --> J
G --> I
A --> K
G --> L
H --> M
B --> N
H --> O
H --> P
J --> Q
I --> R
O --> S
P --> S
Q --> S
R --> S
%% 样式定义
classDef inputStyle fill:#e3f2fd,stroke:#1976d2,stroke-width:2px,color:#000
classDef processStyle fill:#e8f5e8,stroke:#388e3c,stroke-width:2px,color:#000
classDef storageStyle fill:#f3e5f5,stroke:#7b1fa2,stroke-width:2px,color:#000
classDef outputStyle fill:#fff3e0,stroke:#f57c00,stroke-width:2px,color:#000
class A,B,C,D,E inputStyle
class F,G,H,I,J processStyle
class K,L,M,N storageStyle
class O,P,Q,R,S outputStyle
graph TB
%% 客户端层
subgraph Client["👥 客户端层"]
direction LR
WebBrowser[🌐 Web浏览器]
MobileBrowser[📱 移动端浏览器]
DataCollector[📡 数据采集器]
end
%% 负载均衡层
subgraph LoadBalancer["⚖️ 负载均衡层"]
Nginx[🔄 Nginx反向代理<br/>端口: 80/443]
end
%% 应用服务层
subgraph AppServer["🖥️ 应用服务层"]
direction TB
subgraph Frontend["🎨 前端服务"]
Vue[Vue.js应用<br/>📦 Node.js<br/>🔗 端口: 3000]
end
subgraph Backend["⚙️ 后端服务"]
SpringBoot[Spring Boot应用<br/>☕ JDK 24<br/>🔗 端口: 9999]
end
subgraph AIService["🤖 AI推理服务"]
Flask[Flask应用<br/>🐍 Python 3.8+<br/>🔗 端口: 5000]
DynamicVAE[🧠 动态VAE模型<br/>🔥 PyTorch/CUDA]
end
end
%% AI模型服务层
subgraph ModelService["🧠 AI模型服务层"]
direction TB
subgraph Local["💻 本地服务"]
LMStudio[🏠 LM-Studio<br/>🔗 端口: 1234]
end
subgraph Cloud["☁️ 云端服务"]
DeepSeek[🌊 DeepSeek API<br/>🔑 API密钥认证]
Qwen[🔮 Qwen API<br/>🔑 API密钥认证]
end
subgraph LAN["🏢 局域网服务"]
LANModels[🌐 局域网AI服务<br/>🔗 192.168.1.108:1234]
end
end
%% 数据存储层
subgraph DataLayer["💾 数据存储层"]
direction LR
MySQL[🗄️ MySQL数据库<br/>🔗 端口: 3306<br/>📊 用户/检测数据]
FileStorage[📁 文件存储系统<br/>📋 模型文件/数据文件]
ModelStorage[🧠 模型存储<br/>💾 VAE模型参数]
end
%% 外部数据源
subgraph DataSource["📡 外部数据源"]
BatterySystem[🔋 电池管理系统<br/>⚡ 实时数据接口]
IoTSensors[📊 IoT传感器<br/>🌡️ 温度/电压监控]
HistoricalDB[📚 历史数据库<br/>📈 历史运行数据]
end
%% 连接关系
Client -.->|HTTPS/HTTP| LoadBalancer
LoadBalancer -.->|反向代理| Frontend
LoadBalancer -.->|API转发| Backend
Frontend -.->|REST API| Backend
Backend -.->|HTTP调用| AIService
Backend -.->|JDBC| DataLayer
AIService -.->|HTTP请求| ModelService
AIService -.->|文件操作| DataLayer
Backend -.->|数据采集| DataSource
%% 样式定义
classDef clientStyle fill:#e3f2fd,stroke:#1976d2,stroke-width:2px
classDef proxyStyle fill:#f3e5f5,stroke:#7b1fa2,stroke-width:2px
classDef appStyle fill:#e8f5e8,stroke:#388e3c,stroke-width:2px
classDef modelStyle fill:#fce4ec,stroke:#c2185b,stroke-width:2px
classDef dataStyle fill:#fff8e1,stroke:#f9a825,stroke-width:2px
classDef sourceStyle fill:#fff3e0,stroke:#f57c00,stroke-width:2px
class WebBrowser,MobileBrowser,DataCollector clientStyle
class Nginx proxyStyle
class Vue,SpringBoot,Flask,DynamicVAE appStyle
class LMStudio,DeepSeek,Qwen,LANModels modelStyle
class MySQL,FileStorage,ModelStorage dataStyle
class BatterySystem,IoTSensors,HistoricalDB sourceStyle
本系统采用前后端分离架构，包含三个主要组件：
- 前端(Vue)：基于Vue3+TypeScript构建的用户界面，提供直观的数据可视化和分析工具。
- 后端(SpringBoot)：负责用户管理、数据存储和请求转发的Java服务。
- AI模型服务(Flask)：运行动态深度学习模型和大语言模型的Python服务，提供异常检测和智能分析功能。
- 时间点异常检测：实时监测电池参数，检测单一时间点的异常
- 时间段异常检测：分析电池历史数据，识别长期异常模式
- 故障预警与分析：通过动态VAE模型检测异常并计算异常分数
- 智能分析报告：生成可视化报表，并提供LLM分析建议
- 用户管理：多用户权限管理
- 前端：Vue 3、TypeScript、Element Plus
- 后端：SpringBoot 3.5.4 (最新版)、MyBatis-Plus、MySQL
- AI服务：Flask、动态VAE模型、大型语言模型API
- Java版本：JDK 24 (最新LTS版本)
- 部署：Docker (可选)
- JDK升级：从Java 1.8 升级到 JDK 24，带来以下改进：
- 更好的垃圾回收性能
- 增强的安全特性
- 改进的JVM性能和内存管理
- Spring Boot升级：从2.3.7升级到3.5.4
- 支持更多现代化特性
- 更好的性能和稳定性
- 增强的安全性
- 依赖库更新：升级了所有核心依赖到最新稳定版本
- 警告修复：解决了JDK 24下的所有编译和运行时警告
- 添加了
--sun-misc-unsafe-memory-access=allow参数解决FastJSON2的sun.misc.Unsafe警告 - 升级FastJSON2到2.0.58版本（最新稳定版）
- 配置了完整的JVM参数确保在JDK 24下正常运行
- 添加了
- JDK 24 (已升级到最新版本，包含性能优化和安全改进)
- Node.js 16+
- Python 3.8+
- MySQL 8.0+
- CUDA支持的GPU (推荐用于模型推理)
- LM-Studio (用于本地部署大模型)
本项目已完全适配JDK 24，所有JVM警告均已解决：
- ✅ sun.misc.Unsafe警告 - 通过
--sun-misc-unsafe-memory-access=allow参数解决 - ✅ 模块系统 - 配置了必要的
--add-opens参数 - ✅ 动态代理 - 启用了
-XX:+EnableDynamicAgentLoading - ✅ 参数名保留 - 编译器配置了
-parameters标志
如需手动运行，请使用以下JVM参数：
--enable-native-access=ALL-UNNAMED
--add-opens java.base/java.lang=ALL-UNNAMED
--add-opens java.base/java.util=ALL-UNNAMED
--add-opens java.base/sun.misc=ALL-UNNAMED
--sun-misc-unsafe-memory-access=allow
-XX:+EnableDynamicAgentLoading- 创建名为
ai的数据库 - 运行
数据库文件/database.sql脚本初始化数据库结构
- 进入springboot目录
- 使用Maven构建项目：
mvn clean package - 运行生成的jar文件：
java -jar target/Kcsj-0.0.1-SNAPSHOT.jar
- 进入flask目录
- 安装依赖：
pip install -r requirements.txt - 启动Flask服务：
python main.py
- 进入vue目录
- 安装依赖：
npm install - 启动开发服务器：
npm run dev - 构建生产版本：
npm run build
- 前端页面：http://localhost:3000
- Spring Boot 后端：http://localhost:9999
- Flask AI 服务：http://localhost:5000
- 管理员账号：admin
- 密码：admin123
本系统支持多种大模型部署方式，用于生成故障分析报告和建议：
-
云端API模型
- Deepseek-R1
- Qwen
-
局域网部署模型
- Deepseek-R1-LAN
- Qwen3-LAN
- Qwen2.5-VL-LAN
- Qwen2.5-Omni-LAN
- Gemma3-LAN
-
本地部署模型
- Deepseek-R1-Local
- Qwen3-Local
- Qwen2.5-VL-Local
- Qwen2.5-Omni-Local
- Gemma3-Local
- 下载并安装 LM-Studio
- 从Hugging Face或其他来源下载所需模型（如Deepseek-R1、Qwen等）
- 在LM-Studio中加载模型
- 启动本地API服务器（通常在http://localhost:1234）
- 在系统设置中选择对应的"本地"模型选项
系统支持开启思考模式（thinkMode），启用后大模型会提供更详细的分析过程和故障诊断依据，适合研究和深度分析使用。
本系统使用的动态深度学习模型基于清华大学提出的Dyad（Dynamic Anomaly Detection）框架，该框架专为电池故障检测设计，能够捕捉电池参数的时序变化特征。模型采用变分自编码器（VAE）结构，通过学习正常电池运行状态的分布，识别偏离正常范围的异常模式。
支持多种大语言模型，既可以通过API密钥访问云端模型，也可以通过LM-Studio在本地部署运行。系统会根据选定的模型自动配置请求参数。
MIT
欢迎提交问题和贡献代码，请通过创建Issue或Pull Request参与项目开发。
感谢清华大学提供的Dyad动态深度学习模型框架，以及所有为本项目提供支持和贡献的人员。