Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Lifetime Analysis of Automotive Batteries usingRandom Forests and Cox Regression
KTH, School of Computer Science and Communication (CSC).
2013 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesis
Abstract [en]

Worn out batteries is a frequent cause of unplanned immobilization of trucks, causing disrupted operations for haulage contractors. To avoid unplanned maintenance, it is desirable to accurately estimate the battery lifetime to perform preventive replacements before the components fail. This master’s thesis has investigated how technical features and operational conditions influence the lifetime of truck batteries and how the risk of failure can be modeled.

A support vector machine classifier has been used to examine how well the available data discriminate the vehicles with battery failure from those without. The performance of the classifier, according to the area under the receiver operating characteristic curve, was 70.54% and 76.95% for haulage and distribution vehicles respectively. Maximum likelihood estimation was applied to censored failure time data showing that, if failures that occurred within 100 days after delivery were omitted, both failure data sets were normal distribution on a 95% significance level.

To investigate how different features influence the lifetime, random forests and Cox regression were applied on two different models, one intended to be applied for new vehicles and one for vehicles that have been operating for a time, hence having an age covariate. The results from the first model were satisfying, having significant Cox coefficients and low Brier scores for both random forests and Cox. The second model however did not give credible results, having non-significant regression coefficients.

Abstract [sv]

Utslitna batterier är en vanligt förekommande orsak till oplanerade stopp för lastbilar, vilket leder till störningar i åkeriernas planering. För att undvika oplanerat underhåll är det önskvärt att kunna uppskatta batteriets livslängd, för att utifrån den uppskattningen kunna utföra förebyggande byten innan komponenten går sönder. Det här examensarbetet har undersökt hur olika tekniska egenskaper och driftsförhållanden påverkar livslängden på lastbilsbatterier och hur risken över tid för att batteriet går sönder kan modelleras.

En supportvektormaskin har använts för att studera hur väl tillgänglig data utskiljer de fordon med batteriproblem från dem utan. Klassificerarens prestanda, enligt arean under receiver operating characteristickurvan, var 70.53% för fjärrtransportsfordon och 76.95% för distributionsfordon. Maximum likelihood-estimering tillämpades på censurerad data över tidpunkter för inträffade fel. Denna analys visade att datamängderna över båda fordonstyperna var normalfördelade på 95% signifikansnivå om de hundra första dagarna efter att fordonet levererades till kund utelämnades.

För att undersöka hur olika egenskaper inverkar på livslängden tillämpades metoderna random forests och Coxregression på två olika modeller. Den första modellen är avsedd att tillämpas på nya fordon och den andra för fordon som har varit i bruk under en tid, och därmed har en variabel som beskriver fordonets ålder. Resultatet från den första modellen var tillfredsställande. Coxkoefficienterna var signifikanta och Brierpoängen var låga både för random forests och för Cox. Den andra modellen gav däremot inte tillförlitliga resultat, då dess regressionskoefficienter ej var signifikanta.

Place, publisher, year, edition, pages
2013.
National Category
Computer Science
Identifiers
URN: urn:nbn:se:kth:diva-142368OAI: oai:DiVA.org:kth-142368DiVA: diva2:699959
Educational program
Master of Science in Engineering - Computer Science and Technology
Supervisors
Examiners
Available from: 2014-03-12 Created: 2014-03-03 Last updated: 2014-03-12Bibliographically approved

Open Access in DiVA

fulltext(2883 kB)423 downloads
File information
File name FULLTEXT01.pdfFile size 2883 kBChecksum SHA-512
c55caf915955cab812f99db681b7c45aa59d4697ba65251d694663ecfb25ef5851133919bc5060d3cc904796d0a85e4559cc8c92451d4617d0feacfd1e87d676
Type fulltextMimetype application/pdf

By organisation
School of Computer Science and Communication (CSC)
Computer Science

Search outside of DiVA

GoogleGoogle Scholar
Total: 423 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 181 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf