MACHINE LEARNING FOR HETEROGENEOUS DIAGNOSTIC FAULT FORECASTING MODEL IN ELECTRIC VEHICLES: A SYSTEMATIC REVIEW

Abstract

ENGLISH

Predictive maintenance of electric vehicles (EVs) has gained increasing traction in research around the world, but the literature is scattered and not well integrated in methodological approaches, and not widely used in stratified analysis of operationally diverse vehicle fleets. Studies have been conducted that report on the performance of a vehicle fleet which typically comprises diverse vehicles, each having dramatically different usage profiles, and consequently, different performance numbers that mask the impact of usage levels on component wear and Diagnostic Trouble Code (DTC) generation. This systematic review collates evidence from 77 peer reviewed studies published from January 2015 to April 2026, identified using a search of IEEE Xplore, ScienceDirect, ACM Digital Library and Google Scholar, conducted in March/April 2026. The review is based on four objectives: (i) to evaluate the state of machine learning methods applied to EV DTC forecasting; (ii) to assess the extent to which existing studies account for heterogeneous usage intensity profiles in their analysis and performance reporting; (iii) to identify sensor-level telemetry precursor patterns documented in prior work; and (iv) to assess the transferability of current methodological frameworks to data-scarce emerging EV markets such as Kenya. Given the diversity of metrics and experimental designs reported, the narrative synthesis approach is used in the review, which is done according to the Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) 2020 guidelines. Results show that sequential deep learning architectures (such as Long Short-Term Memory (LSTM) network and Convolutional Neural Network-LSTM hybrid) always beat ensemble tree-based architectures and classical statistical baseline models with macro-averaged F1-scores of 0.76 to 0.92. Only 77 of which studies included an analysis of usage-stratified performance (5.2%) and none conducted a systematic comparison of multi-class categorical DTC forecasting based on four or more distinct usage intensity profiles simultaneously. Only two reports of lead-time distribution characterisation could be found, and Serradilla et al. (2022) state that a lack of data is the biggest structural obstacle for implementing predictive maintenance in new and emerging EV fleet scenarios. The four substantive research gaps identified are lack of usage-stratified analysis, predominant emphasis on binary fault classification analysis over multi-class DTC categorical forecasting, lack of lead-time distribution characterisation, and absence of empirically validated methodological guidance for data-scarce emerging markets. These gaps inspire the subsequent empirical study that will create and evaluate machine learning models for four use intensity profiles for a five-year, 172,800 EV telemetry observation public dataset.

Keywords: electric vehicles; predictive maintenance; diagnostic trouble codes; machine learning; LSTM; usage stratification; DTC forecasting; multivariate time-series; Kenya; emerging markets 

FRENCH

La maintenance prédictive des véhicules électriques (VE) suscite un intérêt croissant dans la recherche à travers le monde, mais la littérature demeure dispersée et insuffisamment intégrée sur le plan méthodologique, et rarement utilisée dans les analyses stratifiées de flottes de véhicules opérationnellement diverses. Plusieurs études ont été menées pour rendre compte des performances de flottes de véhicules généralement composées de véhicules divers, chacun ayant des profils d'utilisation considérablement différents et, par conséquent, des niveaux de performance distincts qui peuvent masquer l'influence de l'intensité d'utilisation sur l'usure des composants et sur la génération des codes de diagnostic (DTC). Cette revue systématique rassemble les données probantes issues de 77 études évaluées par les pairs, publiées de janvier 2015 à avril 2026. Elles ont été identifiées via une recherche dans IEEE Xplore, ScienceDirect, ACM Digital Library et Google Scholar, réalisée en mars/avril 2026. La revue s'appuie sur quatre objectifs: (i) évaluer l'état actuel des méthodes d'apprentissage automatique appliquées à la prévision des DTC des VE; (ii) déterminer dans quelle mesure les études existantes prennent en compte les profils hétérogènes d'intensité d'utilisation dans leur analyse et leur présentation des performances; (iii) identifier les schémas précurseurs, au niveau des capteurs et de la télémétrie, documentés dans les travaux antérieurs; et (iv) évaluer la transférabilité des cadres méthodologiques actuels aux marchés émergents des VE caractérisés par une disponibilité limitée des données, tels que le Kenya. Compte tenu de la diversité des métriques et des dispositifs expérimentaux rapportés, une approche de synthèse narrative est adoptée dans cette revue, conformément aux lignes directrices Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) 2020. Les résultats montrent que les architectures d'apprentissage profond séquentiel, telles que les réseaux Long Short-Term Memory (LSTM) et les modèles hybrides Convolutional Neural Network-LSTM, ont généralement obtenu de meilleures performances rapportées que les architectures fondées sur des arbres ensemblistes et les modèles statistiques classiques utilisés comme références, avec des scores F1 macromoyennés compris entre 0,76 et 0,92. Toutefois, cet avantage en matière de performance varie selon les études en fonction des caractéristiques des jeux de données, des choix de prétraitement, de l'optimisation des hyperparamètres, du déséquilibre des classes et de l'horizon de prévision ; il ne doit donc pas être interprété comme une preuve de supériorité uniforme. Seules 4 des 77 études retenues ont intégré une analyse des performances stratifiées selon l'utilisation (5,2 %), et aucune n'a effectué de comparaison systématique de la prévision catégorielle multiclasses des DTC fondée simultanément sur quatre profils d'intensité d'utilisation distincts ou davantage. Seuls deux travaux caractérisant la distribution des délais de prévision anticipée ont été recensés, et Serradilla et al. (2022) indiquent que le manque de données constitue le principal obstacle structurel à la mise en œuvre de la maintenance prédictive dans les nouveaux contextes et les contextes émergents de flottes de véhicules électriques. Les quatre principales lacunes de recherche identifiées sont les suivantes : l'absence d'analyses stratifiées selon l'intensité d'utilisation ; la prédominance des analyses de classification binaire des défaillances au détriment de la prévision catégorielle multiclasses des DTC ; l'absence de caractérisation de la distribution des délais de prévision anticipée ; et l'absence de recommandations méthodologiques validées empiriquement pour les marchés émergents caractérisés par une rareté des données. Ces lacunes motivent une étude empirique ultérieure qui développera et évaluera des modèles d'apprentissage automatique correspondant à quatre profils d'intensité d'utilisation, à partir d'un jeu de données public de télémétrie des VE couvrant cinq années et comprenant 172 800 observations. 
Mots-clés: véhicules électriques; maintenance prédictive; codes de diagnostic (DTC); apprentissage automatique; LSTM; stratification selon l'utilisation; prévision des DTC; séries temporelles multivariées; Kenya; marchés émergents.