基于BS_Bagging-cLightGBM模型的电动汽车故障预测方法

摘要：

针对因电动汽车故障数据样本类别不平衡引起的机器模型分类性能欠佳、故障查全率低的问题,本文提出一种以LightGBM为基学习器改进的Bagging集成电动汽车故障预测模型:在Bagging集成学习中使用Borderline_SMOTE方法对训练集重新采样,改善训练子集的数据不平衡程度,避免小类样本信息缺失;将权重系数和正则化项嵌入LightGBM基学习器的损失函数中,提高训练中小类样本的错分类代价.实验结果表明,该模型可有效提高故障查全率、宏平均和AUC值,其中AUC值达到0.898 4,故障样本的查全率为0.808 3,在电动汽车不平衡数据集上的故障分类性能显著优于传统单一模型和其他对比算法.

关键词：故障诊断、LightGBM模型、Bagging集成学习、不平衡数据、Borderline_SMOTE

所属期刊栏目：41

分类号：U472;TP181

资助基金：广东省自然科学基金项目;广东省自然科学基金项目

在线出版日期：2023-06-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：9-19