基于功能树森林的电动汽车电池故障检测与诊断研究

《Batteries》：Functional Tree Forest: A Hybrid Bagging-Boosting Ensemble Machine Learning Approach for Battery Fault Diagnosis in Electric Vehicles

　　

摘要

准确的电池故障检测与诊断（FDD）对于确保电动汽车（EVs）的安全性、健康状况监控及运行性能至关重要。然而，现有研究仍存在一些问题，例如由于非线性特征相互作用和可解释性不足而导致分类精度有限。为了解决这些限制，本研究提出了功能树森林（FTF），这是一种结合了Bagging-Boosting集成机器学习方法的混合模型，它利用多个功能树和基于LogitBoost的建模技术，同时保持了模型的可解释性。与仅依赖轴对齐的单变量属性分割的传统决策树不同，FTF架构在内部节点和终端叶节点上动态地整合了多变量线性回归函数，从而能够捕捉复杂特征之间的交互作用。该方法在五个公开的电动汽车电池故障数据集上进行了评估。实验结果表明，FTF在13种基线机器学习方法中均取得了最高的数值精度，这些方法包括线性模型、传统的基于树的分类器、集成模型以及基于网络的拓扑结构。此外，与使用相同数据集但在不同实验协议下得出的最先进研究结果相比，FTF的表现具有竞争力，尽管性能差异的大小因数据集而异。