基于随机森林分类的锂离子电池制造特征分析与建模
机器学习
2021-02-12 v1
摘要
锂离子电池制造是一个高度复杂且特征强耦合的过程，因此迫切需要一个能够分析制造链中特征变量并实现可靠分类的可行方案。本文提出一种基于随机森林（RF）的分类框架，通过利用袋外（OOB）预测、基尼变化以及预测关联度量（PMOA），有效量化电池制造特征的重要性与相关性及其对电极特性分类的影响。所设计的 RF 框架分析了包含混合阶段三个中间产品特征与涂布阶段一个产品参数的电池制造数据，以探究它们对电池电极活性物质面密度与孔隙率的影响。示例结果表明，所提 RF 框架不仅实现了电极特性的可靠分类，还有效量化了制造特征的重要性和相关性。这是首次设计一种系统性 RF 框架，通过无偏特征重要性（FI）、增益提升 FI 和 PMOA 三种定量指标同时量化电池生产特征重要性与相关性，为降低模型维度和开展高效的电池制造敏感性分析提供了一条有前景的途径。
引用
@article{arxiv.2102.06029,
title = {Feature Analyses and Modelling of Lithium-ion Batteries Manufacturing based on Random Forest Classification},
author = {Kailong Liu and Xiaosong Hu and Huiyu Zhou and Lei Tong and W. Dhammika Widanage and James Marco},
journal= {arXiv preprint arXiv:2102.06029},
year = {2021}
}