La industria automotriz está entrando en una nueva era debido a la energía eléctrica como combustible en la era contemporánea. Las baterías eléctricas se están utilizando cada vez más en el sector automovilístico en la actualidad. Como resultado, es necesario comprender completamente el funcionamiento interno de estos sistemas de baterías. Actualmente no existe un modelo preciso para predecir el estado de salud (SOH) de una batería de coche eléctrico. Este estudio tiene como objetivo utilizar el aprendizaje automático para desarrollar un modelo confiable de predicción del SOH para baterías. También se construyó un método óptimo correcto para guiar el proceso de modelado en la dirección correcta. Se realizaron extensas simulaciones para verificar la precisión de la metodología sugerida. Se desarrolló un método de estado de salud para el procesamiento de datos. El método implica un modelo complejo basado en datos que combina Big Data, Inteligencia Artificial (IA) y tecnologías de Internet de las Cosas (IoT). Para establecer la técnica más efectiva para certificar la condición real de la salud de la batería en la vida real, los investigadores compararon la precisión y el rendimiento de varios modelos de estados de salud. Para una mejor comprensión y predicción del comportamiento de la salud, el modelado basado en datos tiene ciertas ventajas significativas sobre metodologías más antiguas. Los métodos utilizados en este estudio pueden considerarse como un enfoque revolucionario de bajo costo, alta precisión y confiable para comprender y analizar el estado de salud de las baterías. En primer lugar, se creó un modelo inteligente utilizando una estrategia de modelado basada en datos. En segundo lugar, los datos de la batería concurrente se califican utilizando el modelo basado en datos. El método de aprendizaje automático (ML) crea un modelo muy preciso y confiable para predecir la salud de la batería en escenarios del mundo real. En tercer lugar, el modelo ML previamente establecido se utilizó para desarrollar un servicio en línea basado en el conocimiento para la salud de la batería. Este servicio web se puede utilizar para probar la salud de la batería, monitorear el comportamiento de la batería y realizar una variedad de otras tareas. Se pueden derivar una variedad de soluciones similares para sistemas diversos utilizando la misma técnica. El módulo algorítmico de eficiencia predeterminada del ML, R-Cuadrado (R2) y Error Cuadrático Medio (MSE) también se utilizaron como medidas de rendimiento. El R2 como estándar se utiliza para examinar la efectividad de un ajuste. El resultado es un valor entre 0 y 1, con 1 indicando un mejor ajuste del modelo. MSE significa error cuadrático medio. Un número de MSE más bajo implica un mejor rendimiento del modelo, ya que refleja qué tan cerca están las estimaciones de los parámetros de los valores reales. El conjunto de entrenamiento del modelo de batería tuvo una puntuación de 0.9999, mientras que el conjunto de pruebas tuvo una puntuación de 0.9995. La puntuación de R2 fue uno, con un M.S.E. de 0.03. Como resultado de estos tres indicadores, el modelo de ML basado en datos utilizado en este estudio demostró ser preciso.