随着居民汽车保有量不断增长及汽车智能化程度要求的提高,智能车的故障诊断成为数据分析领域的研究热点。智能车集环境感知、规划决策、预警诊断等功能于一体,导致汽车故障数据呈现爆炸式增长,给传统人工故障诊断方式带来了挑战。第五代通信系统(5G)的逐渐普及使实时监测汽车状态数据成为可能,采用更为精准的数据分析方法对汽车故障进行及时有效的诊断成为当下一个研究热点。目前,智能车故障诊断还存在两大主要问题:第一,传统的智能车故障诊断方法不能充分挖掘监控数据中的故障特征信息,无法应对智能车复杂数据下的故障诊断;第二,故障诊断模型中参数的不确定性导致故障诊断准确性波动和精确度不够。针对以上问题,本文从智能车故障诊断特征提取和故障诊断模型参数优化入手,提出了改进的智能车故障诊断算法并建立模型,从而提高了智能车故障诊断有效性。本文具体工作和结论如下:本文对智能车数据采集系统进行了设计与实现。为了实现智能车运行参数数据采集和为后续智能车故障诊断模型提供真实可靠的数据,本文基于Android平台设计了智能车数据采集系统软件,该软件利用智能车内置传感器与串口通信技术实现了智能车数据的实时采集。本文提出了基于主成分分析(PCA)算法的智能车故障特征提取算法。如果直接使用历史故障数据对故障诊断模型进行训练,会导致计算复杂度高,因此本文利用PCA方法对故障数据进行降维处理,降低了运算复杂度。进而研究了不同超参数对LightGBM算法故障诊断准确性的影响,提出使用粒子群优化算法(PSO)对超参数目标寻优,解决了智能车故障诊断中因超参数变化造成的故障诊断精确度波动问题。基于上述结果,提出了改进的PCA-PSO-LightGBM故障诊断模型,并对使用PCA前后的故障诊断准确度进行对比分析,证实了该智能车故障诊断模型在复杂数据情况下的有效性。本文提出基于Adaboost的故障诊断模型对低维数据背景下的智能车故障进行诊断。首先,针对极限学习机(ELM)网络中输入层和隐含层阈值随机导致分类结果不确定的问题,运用PSO算法对参数进行寻优。并以优化后的PSO-ELM模型作为Adaboost算法的弱分类器,提高了弱分类器的分类能力。其次,针对Adaboost算法模型中弱分类器权重固定不能适应样本数据导致的分类性能下降问题,提出了一种线性权重可变的改进Adaboost算法。最后,根据实际智能车引擎故障,建立以特征向量为基础的智能车故障诊断模型,并对数据进行归一化处理。优化后的智能车故障诊断模型仿真结果表明,该智能车故障诊断模型在低维数据背景下的有效性。综上,本研究提出PCA-PSO-LightGBM和基于线性权重可变的Adaboost故障诊断模型,分别提高了智能车在复杂数据和低维数据背景下的故障诊断能力。