[论文解读] Feature Analyses and Modelling of Lithium-ion Batteries Manufacturing based on Random Forest Classification

Kailong Liu, Xiao Hu+4 more|arXiv (Cornell University)|Feb 10, 2021

Advanced Battery Technologies Research参考文献 36被引用 18

一句话总结

本文提出一种基于随机森林（RF）的框架，用于分析和建模锂离子电池制造特征，利用袋外预测（out-of-bag predictions）、基尼重要性（Gini importance）和预测性度量相关性（PMOA）量化特征重要性和相关性。该方法在电极质量负载分类中达到90.1%的宏平均F1分数，在孔隙率分类中达到66.4%的宏平均F1分数，分类准确率较高，支持可解释的敏感性分析和电池制造数据的降维。

ABSTRACT

Lithium-ion battery manufacturing is a highly complicated process with strongly coupled feature interdependencies, a feasible solution that can analyse feature variables within manufacturing chain and achieve reliable classification is thus urgently needed. This article proposes a random forest (RF)-based classification framework, through using the out of bag (OOB) predictions, Gini changes as well as predictive measure of association (PMOA), for effectively quantifying the importance and correlations of battery manufacturing features and their effects on the classification of electrode properties. Battery manufacturing data containing three intermediate product features from the mixing stage and one product parameter from the coating stage are analysed by the designed RF framework to investigate their effects on both the battery electrode active material mass load and porosity. Illustrative results demonstrate that the proposed RF framework not only achieves the reliable classification of electrode properties but also leads to the effective quantification of both manufacturing feature importance and correlations. This is the first time to design a systematic RF framework for simultaneously quantifying battery production feature importance and correlations by three various quantitative indicators including the unbiased feature importance (FI), gain improvement FI and PMOA, paving a promising solution to reduce model dimension and conduct efficient sensitivity analysis of battery manufacturing.

研究动机与目标

• 解决锂离子电池制造中复杂、相互依赖特征缺乏可解释、数据驱动分析方法的问题。
• 克服试错法和黑箱模型在理解工艺变量如何影响电极性能方面的局限性。
• 开发一种系统性框架，同时量化特征重要性和相关性，以提升敏感性分析和模型可解释性。
• 利用混料和涂布阶段的制造数据，实现对关键电极性能参数——质量负载和孔隙率——的可靠分类。
• 为电池生产链中的模型降维和工艺理解提升提供可扩展的解决方案。

提出的方法

• 在电池制造数据上训练随机森林（RF）分类器，利用袋外（OOB）预测实现无偏性能估计。
• 使用基尼重要性量化每个特征（AMMC、StoLR、CG、粘度）对电极质量负载和孔隙率分类准确率的贡献。
• 应用预测性度量相关性（PMOA）估计成对特征的相关性，识别出特征间的强依赖关系。
• 将三种不同指标——OOB误差、基尼重要性和PMOA——整合到统一框架中，实现全面的特征分析。
• 使用随机搜索优化对比模型（DT、KNN、SVM）的超参数，确保与所提出的RF框架进行公平比较。
• 使用5折交叉验证评估分类性能，以宏平均F1和AUC为主要指标。

实验结果

研究问题

• RQ1 如何利用数据驱动方法系统性地量化锂离子电池制造数据中特征的重要性与相关性？
• RQ2 混料阶段特征（AMMC、StoLR、粘度、CG）在电极质量负载和孔隙率分类中的影响程度如何？
• RQ3 在该背景下，所提出的RF框架在分类性能上与其它机器学习模型（如DT、KNN、SVM）相比表现如何？
• RQ4 每个制造特征对电极质量负载和孔隙率预测的相对贡献是什么？
• RQ5 该框架能否通过识别关键特征及其相互依赖关系，支持降维和敏感性分析？

主要发现

• 所提出的RF框架在电极质量负载分类中达到90.1%的宏平均F1分数，在孔隙率分类中达到66.4%的宏平均F1分数，两项指标均优于DT、KNN和SVM。
• 涂布重量（CG）被确定为电极质量负载最重要的特征，其移除可使基尼不纯度降低60.7%。
• AMMC与StoLR在质量负载和孔隙率上均表现出高相关性（PMOA > 0.6），表明由于其在浆料组成中的共同作用，存在强烈的功能关系。
• 粘度对孔隙率分类的重要性较低，表明尽管其在浆料加工中起作用，但对这一性能参数的直接影响有限。
• 该框架揭示，干燥和压延参数可能对孔隙率预测至关重要，因为当前特征组合本身无法实现最优分类。
• OOB误差、基尼重要性和PMOA的整合提供了一种稳健且可解释的特征分析方法，支持在电池制造建模中实现有效的敏感性分析与降维。