Predictive maintenance of electric drives based on IIoT and Random Forest
Kazan State Power Engineering University (Kazan, Russian Federation).
Email: r.safullin@mail.ru
0009-0001-7425-6434Kazan (Volga region) Federal University, Naberezhnye Chelny Institute (Naberezhnye Chelny, Russian Federation).
Email: isavnin@mail.ru
0000-0001-6413-3329Abstract
Background. With the growing fleet of electric vehicles and increasing demands for their reliability, the task of transitioning from scheduled maintenance to predictive maintenance based on actual component condition becomes urgent. The electric powertrain is a critical component whose failure leads to significant economic losses and reduced safety. The use of Industrial Internet of Things (IIoT) technologies enables continuous real-time monitoring of electric drive parameters, while machine learning methods allow early detection of failure precursors. Purpose. Development and experimental validation of a method for predictive maintenance of automotive electric drives based on IIoT data and the Random Forest algorithm, ensuring timely detection of developing defects. Materials and methods. The study is based on data obtained during 24 months of operation of a fleet of 32 commercial electric vehicles equipped with an additional IIoT platform featuring high-frequency vibration, temperature, and current sensors. Digital filtering, spectral, and wavelet analysis methods were applied to extract diagnostic features. The Random Forest algorithm with hyperparameter optimization using GridSearchCV was used for electric drive state classification. Performance evaluation was conducted on a stratified test set using precision, recall, F1-score, and ROC-AUC metrics. Results. The developed Random Forest model demonstrated high effectiveness in detecting pre-failure conditions: the F1-score for the "developing defect" class was 0.876 with a recall of 0.861. Comparative analysis showed the advantage of Random Forest over XGBoost, SVM, and 1D CNN in terms of accuracy, interpretability, and noise robustness. The model was found to statistically significantly better detect bearing defects compared to interturn short circuits, which is consistent with the physics of the processes. Feature importance analysis was performed, identifying key indicators of electric drive component degradation.
Keywords
predictive maintenance, electric drive, IIoT, Random Forest, machine learning, electric vehicle diagnostics, vibration analysis, fault detection
Предиктивное обслуживание электропривода на основе IIoT и Random Forest
Казанский государственный энергетический университет (Казань, Российская Федерация).
Email: r.safullin@mail.ru
0009-0001-7425-6434Набережночелнинский институт (филиал) Казанского федерального университета (Набережные Челны, Российская Федерация).
Email: isavnin@mail.ru
0000-0001-6413-3329Аннотация
Обоснование. В условиях роста парка электротранспорта и повышения требований к его надежности актуальной становится задача перехода от регламентного обслуживания к предиктивному, основанному на фактическом состоянии узлов. Силовой электропривод является критическим компонентом, отказ которого приводит к значительным экономическим потерям и снижению безопасности. Использование технологий промышленного интернета вещей (IIoT) открывает возможности для непрерывного мониторинга параметров электропривода в реальном времени, а методы машинного обучения позволяют выявлять предвестники отказов на ранних стадиях. Цель – разработка и экспериментальная апробация метода предиктивного обслуживания силового электропривода автомобиля на основе данных IIoT и алгоритма Random Forest, обеспечивающего своевременное обнаружение развивающихся дефектов. Материалы и методы. Исследование базируется на данных, полученных в ходе 24-месячной эксплуатации парка из 32 коммерческих электромобилей, оснащенных дополнительной IIoT-платформой с высокочастотными датчиками вибрации, температуры и тока. Применены методы цифровой фильтрации, спектрального и вейвлет-анализа для выделения диагностических признаков. Для классификации состояний электропривода использован алгоритм Random Forest с оптимизацией гиперпараметров методом GridSearchCV. Оценка эффективности проводилась на стратифицированной тестовой выборке с расчетом метрик precision, recall, F1-score и ROC-AUC. Результаты. Разработанная модель Random Forest продемонстрировала высокую эффективность обнаружения предотказных состояний: F1-score для класса «развивающийся дефект» составил 0,876 при полноте (recall) 0,861. Сравнительный анализ показал преимущество Random Forest перед XGBoost, SVM и 1D CNN по совокупности критериев точности, интерпретируемости и устойчивости к шумам. Установлено, что модель статистически значимо лучше детектирует дефекты подшипников по сравнению с межвитковыми замыканиями, что согласуется с физикой процессов. Проведен анализ важности признаков, позволивший идентифицировать ключевые индикаторы деградации компонентов электропривода.
Ключевые слова
предиктивное обслуживание, силовой электропривод, IIoT, Random Forest, машинное обучение, диагностика электромобилей, анализ вибрации, обнаружение отказов
Список литературы
1. Вовчок, С. С. (2025). Роль цифровых двойников в управлении жизненным циклом транспортной инфраструктуры: от проектирования до эксплуатации. Парадигма, (6‑1), 79–84. EDN: https://elibrary.ru/DULMBF
2. Анохин, К. (2025, 11 декабря). Промышленность под датчиками. Почему IIoT становится ключевым элементом управления производством. Коммерсант. Информационные технологии. Приложение, (229), 4. https://www.kommersant.ru/doc/8271584
3. Нерсесов, Д. (2010). Телематические системы в автомобильной электронике. Электроника НТБ, (5). https://www.electronics.ru/journal/article/85. EDN: https://elibrary.ru/OISQDF
4. Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32. https://doi.org/10.1023/A. EDN: https://elibrary.ru/ARROTH
5. Carvalho, T. P., Soares, F. A. M. N., Vita, R., et al. (2019). A systematic literature review of machine learning methods applied to predictive maintenance. Computers & Industrial Engineering, 137, 106024. https://doi.org/10.1016/j.cie.2019.106024
6. Ehsani, M., Gao, Y., Longo, S., & Ebrahimi, K. (2018). Modern electric, hybrid electric, and fuel cell vehicles (3rd ed.). CRC Press. 560 p. https://doi.org/10.1201/9780429504884
7. Gazali, M. K., Hasikin, K., Lai, K. W., et al. (2025). State‑of‑the‑art artificial intelligence approaches for anomaly detection and remaining useful life prediction: A review. PeerJ Computer Science, 11, e3056. https://doi.org/10.7717/peerj-cs.3056. EDN: https://elibrary.ru/HBSIDS
8. Gong, C. S. A., Su, Ch. H. S., Chen, Yu. H., & Guu, De. Yu. (2022). How to implement automotive fault diagnosis using artificial intelligence scheme. Micromachines, 13(9), 1380. https://doi.org/10.3390/mi13091380. EDN: https://elibrary.ru/SGBCEJ
9. International Energy Agency. (2023). Global EV outlook 2023. IEA Publications. https://www.iea.org/reports/global-ev-outlook-2023
10. Jardine, A. K. S., Lin, D., & Banjevic, D. (2006). A review on machinery diagnostics and prognostics implementing condition‑based maintenance. Mechanical Systems and Signal Processing, 20(7), 1483–1510. https://doi.org/10.1016/j.ymssp.2005.09.012
11. Komala, C. R., Varalatchoumy, M., Jadagerimath, A. N., Prakash, S., Praveena, H. D., & Venkatamuni, T. (2026). Wireless sensor networks for real‑time health monitoring of electric powertrains. International Journal of Vehicle Structures and Systems. https://yanthrika.com/eja/index.php/ijvss/article/view/3667
12. Lee, J., et al. (2020). Predictive maintenance of machinery: A review. Journal of Manufacturing Science and Engineering, 142(11), 110801. https://doi.org/10.1115/1.4048156
13. Lei, Y., Yang, B., Jiang, X., et al. (2020). Applications of machine learning to machine fault diagnosis: A review and roadmap. Mechanical Systems and Signal Processing, 138, 106587. https://doi.org/10.1016/j.ymssp.2019.106587. EDN: https://elibrary.ru/MIFFQO
14. Li, X., et al. (2021). Industrial Internet of Things for smart manufacturing: A review. IEEE Internet of Things Journal, 8(11), 9010–9030. https://doi.org/10.1109/JIOT.2020.3040678
15. Loukas, I., Pardalos, P. M., & Vouros, G. A. (2024). Automotive fault nowcasting with machine learning and natural language processing. Machine Learning, 113, 843–861. https://doi.org/10.1007/s10994-023-06398-7. EDN: https://elibrary.ru/UTBKGV
16. (2020). Machine learning models applied to predictive maintenance in automotive engine components. В: Proceedings of the 1st International Electronic Conference on Actuator Technology. MDPI. https://doi.org/10.3390/IeCAT2020-08503
17. (2025). Random forest‑based machine failure prediction: A performance comparison. Applied Sciences, 15(16), 8841. https://doi.org/10.3390/app15168841. EDN: https://elibrary.ru/HTWIGC
18. Wu, D., Jennings, C., Terpenny, J., et al. (2017). A comparative study on machine learning algorithms for smart manufacturing: Tool wear prediction using random forests. Journal of Manufacturing Science and Engineering, 139(7). https://doi.org/10.1115/1.4036350
19. Wu, M., Goh, K. W., Chaw, K. H., et al. (2024). An intelligent predictive maintenance system based on random forest for addressing industrial conveyor belt challenges. Frontiers in Mechanical Engineering, 10, 1383202. https://doi.org/10.3389/fmech.2024.1383202. EDN: https://elibrary.ru/BWCWFL
20. Zhao, R., Yan, R., Chen, Z., et al. (2019). Deep learning and its applications to machine health monitoring. Mechanical Systems and Signal Processing, 115, 213–237. https://doi.org/10.1016/j.ymssp.2018.05.050
References
1. Vovchok, S. S. (2025). The role of digital twins in managing the life cycle of transport infrastructure: from design to operation. Paradigma, (6‑1), 79–84. EDN: https://elibrary.ru/DULMBF
2. Anokhin, K. (2025, December 11). Industry under sensors: Why IIoT is becoming a key element of production management. Kommersant. Information Technologies. Supplement, (229), 4. https://www.kommersant.ru/doc/8271584
3. Nersesov, D. (2010). Telematic systems in automotive electronics. Electronics NTB, (5). https://www.electronics.ru/journal/article/85. EDN: https://elibrary.ru/OISQDF
4. Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32. https://doi.org/10.1023/A. EDN: https://elibrary.ru/ARROTH
5. Carvalho, T. P., Soares, F. A. M. N., Vita, R., et al. (2019). A systematic literature review of machine learning methods applied to predictive maintenance. Computers & Industrial Engineering, 137, 106024. https://doi.org/10.1016/j.cie.2019.106024
6. Ehsani, M., Gao, Y., Longo, S., & Ebrahimi, K. (2018). Modern electric, hybrid electric, and fuel cell vehicles (3rd ed.). CRC Press. 560 p. https://doi.org/10.1201/9780429504884
7. Gazali, M. K., Hasikin, K., Lai, K. W., et al. (2025). State‑of‑the‑art artificial intelligence approaches for anomaly detection and remaining useful life prediction: A review. PeerJ Computer Science, 11, e3056. https://doi.org/10.7717/peerj-cs.3056. EDN: https://elibrary.ru/HBSIDS
8. Gong, C. S. A., Su, Ch. H. S., Chen, Yu. H., & Guu, De. Yu. (2022). How to implement automotive fault diagnosis using artificial intelligence scheme. Micromachines, 13(9), 1380. https://doi.org/10.3390/mi13091380. EDN: https://elibrary.ru/SGBCEJ
9. International Energy Agency. (2023). Global EV outlook 2023. IEA Publications. https://www.iea.org/reports/global-ev-outlook-2023
10. Jardine, A. K. S., Lin, D., & Banjevic, D. (2006). A review on machinery diagnostics and prognostics implementing condition‑based maintenance. Mechanical Systems and Signal Processing, 20(7), 1483–1510. https://doi.org/10.1016/j.ymssp.2005.09.012
11. Komala, C. R., Varalatchoumy, M., Jadagerimath, A. N., Prakash, S., Praveena, H. D., & Venkatamuni, T. (2026). Wireless sensor networks for real‑time health monitoring of electric powertrains. International Journal of Vehicle Structures and Systems. https://yanthrika.com/eja/index.php/ijvss/article/view/3667
12. Lee, J., et al. (2020). Predictive maintenance of machinery: A review. Journal of Manufacturing Science and Engineering, 142(11), 110801. https://doi.org/10.1115/1.4048156
13. Lei, Y., Yang, B., Jiang, X., et al. (2020). Applications of machine learning to machine fault diagnosis: A review and roadmap. Mechanical Systems and Signal Processing, 138, 106587. https://doi.org/10.1016/j.ymssp.2019.106587. EDN: https://elibrary.ru/MIFFQO
14. Li, X., et al. (2021). Industrial Internet of Things for smart manufacturing: A review. IEEE Internet of Things Journal, 8(11), 9010–9030. https://doi.org/10.1109/JIOT.2020.3040678
15. Loukas, I., Pardalos, P. M., & Vouros, G. A. (2024). Automotive fault nowcasting with machine learning and natural language processing. Machine Learning, 113, 843–861. https://doi.org/10.1007/s10994-023-06398-7. EDN: https://elibrary.ru/UTBKGV
16. (2020). Machine learning models applied to predictive maintenance in automotive engine components. В: Proceedings of the 1st International Electronic Conference on Actuator Technology. MDPI. https://doi.org/10.3390/IeCAT2020-08503
17. (2025). Random forest‑based machine failure prediction: A performance comparison. Applied Sciences, 15(16), 8841. https://doi.org/10.3390/app15168841. EDN: https://elibrary.ru/HTWIGC
18. Wu, D., Jennings, C., Terpenny, J., et al. (2017). A comparative study on machine learning algorithms for smart manufacturing: Tool wear prediction using random forests. Journal of Manufacturing Science and Engineering, 139(7). https://doi.org/10.1115/1.4036350
19. Wu, M., Goh, K. W., Chaw, K. H., et al. (2024). An intelligent predictive maintenance system based on random forest for addressing industrial conveyor belt challenges. Frontiers in Mechanical Engineering, 10, 1383202. https://doi.org/10.3389/fmech.2024.1383202. EDN: https://elibrary.ru/BWCWFL
20. Zhao, R., Yan, R., Chen, Z., et al. (2019). Deep learning and its applications to machine health monitoring. Mechanical Systems and Signal Processing, 115, 213–237. https://doi.org/10.1016/j.ymssp.2018.05.050