人工智能在新能源汽車電力電子設(shè)備故障診斷中的應(yīng)用

摘 要：隨著新能源汽車的發(fā)展和生產(chǎn)技術(shù)的更新?lián)Q代，其搭載的電力電子設(shè)備規(guī)模越來(lái)越大，功能越來(lái)越復(fù)雜，故障診斷的要求也越來(lái)越高，人工查障也漸漸達(dá)不到要求。而人工智能的高速計(jì)算能力，自我學(xué)習(xí)能力、強(qiáng)大適應(yīng)能力則體現(xiàn)出高度的適應(yīng)性，且不斷發(fā)展的算法也滿足了增長(zhǎng)的安全要求?；诖?，本文從新能源汽車的幾大核心設(shè)備，如電池、電機(jī)、電控系統(tǒng)、傳動(dòng)系統(tǒng)等入手，分析了新能源汽車常見(jiàn)的故障和基于人工智能的故障診斷現(xiàn)狀，借此可以對(duì)新能源汽車的電力電子系統(tǒng)設(shè)計(jì)起到幫助作用。

關(guān)鍵詞：新能源汽車 電力電子 故障診斷 人工智能

隨著電池技術(shù)的進(jìn)步、充電設(shè)施建設(shè)的普及以及智能技術(shù)的融入，新能源汽車產(chǎn)業(yè)有望不斷壯大，為環(huán)保事業(yè)和可持續(xù)發(fā)展做出積極貢獻(xiàn)。

在新能源汽車的發(fā)展過(guò)程中，自動(dòng)駕駛、智能導(dǎo)航、駕駛輔助系統(tǒng)、生物識(shí)別技術(shù)等諸多便捷的駕駛或安全保障功能應(yīng)運(yùn)而生；增加了激光雷達(dá)（LIDAR），雷達(dá)（RADAR），傳感器，電控單元（ECU），全車控制器（VCU），電池管理系統(tǒng)（BMS）等眾多電力電子設(shè)備。在復(fù)雜的系統(tǒng)中，基于經(jīng)驗(yàn)知識(shí)的監(jiān)控方法對(duì)專業(yè)知識(shí)和操作經(jīng)驗(yàn)要求非常高，經(jīng)常會(huì)超出工程師的能力范圍。而人工智能在新能源汽車上應(yīng)用的電力電子故障診斷，則具有兩大關(guān)鍵優(yōu)勢(shì)。首先，通過(guò)大數(shù)據(jù)分析和機(jī)器學(xué)習(xí)，挖掘故障模式和規(guī)律，構(gòu)建故障預(yù)測(cè)模型，減少故障發(fā)生的概率。其次，AI技術(shù)可以實(shí)時(shí)監(jiān)控和分析設(shè)備的運(yùn)行狀態(tài)，通過(guò)自我學(xué)習(xí)和適應(yīng)性優(yōu)化來(lái)提高故障診斷的準(zhǔn)確性和適應(yīng)性。這些優(yōu)點(diǎn)使故障診斷與復(fù)雜多變的故障情景相適應(yīng)，效果更準(zhǔn)確，效率更高。因此采用人工智能技術(shù)成為合理的方案。

本文將討論新能源汽車中人工智能在電池、電機(jī)、控制系統(tǒng)故障診斷方面的現(xiàn)狀，旨在研究新一代人工智能技術(shù)的特點(diǎn)和應(yīng)用方法，以便為基于人工智能的新能源汽車故障診斷提供指導(dǎo)。

1 電池組故障診斷中人工智能的應(yīng)用

動(dòng)力電池的故障可以分為內(nèi)部和外部。內(nèi)部故障主要表現(xiàn)為熱失控，充電過(guò)度，放電過(guò)度，內(nèi)外短路等現(xiàn)象；外部故障主要有傳感器失效，電池連接部件失效，冷卻系統(tǒng)失效等。

1.1 電池組故障診斷中基于知識(shí)的方法

動(dòng)力電池故障診斷主要采用專家系統(tǒng)法、故障診斷樹(shù)和神經(jīng)網(wǎng)絡(luò)法[1]。

專家系統(tǒng)存儲(chǔ)專家的智慧和經(jīng)驗(yàn)，根據(jù)用戶的數(shù)據(jù)和問(wèn)題，用推理引擎和機(jī)制進(jìn)行推理決策。提供解決辦法[1]。鄭杭波等[2]采用專家系統(tǒng)結(jié)合模糊數(shù)學(xué)和模糊診斷技術(shù)。研究采用了靜態(tài)電池運(yùn)行狀況（SOR）評(píng)估算法，通過(guò)該算法計(jì)算出了電池的健康程度（DOH）結(jié)果，通過(guò)判斷隸屬度的大小，來(lái)評(píng)判電池是否存在故障和模糊關(guān)系。故障樹(shù)用于描述故障的發(fā)生和傳播路徑[1]。夏淑英[3]基于模糊故障樹(shù)分析法設(shè)計(jì)的汽車故障診斷方法，將模糊數(shù)學(xué)理論與故障樹(shù)分析法相結(jié)合，利用模糊算子和模糊故障樹(shù)模型，通過(guò)模糊計(jì)算和模糊故障樹(shù)模型對(duì)電動(dòng)機(jī)、逆變器、電池組等系統(tǒng)進(jìn)行故障診斷?；谏窠?jīng)網(wǎng)絡(luò)的故障診斷是通過(guò)將故障數(shù)據(jù)輸入，故障類型或狀態(tài)為輸出，通過(guò)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)和優(yōu)化，準(zhǔn)確地識(shí)別不同的故障情況。朱布博等[4]中提出基于KF—ESN算法的新能源汽車電池組故障在線監(jiān)控系統(tǒng)，用霍爾傳感器檢查電壓電流數(shù)據(jù)，用控制模塊使主機(jī)具備自動(dòng)遞增特性，解決了在電池組故障診斷時(shí)，由于噪聲數(shù)據(jù)影響了改進(jìn)后的卷積神經(jīng)網(wǎng)絡(luò)（CNN），從而降低了故障數(shù)據(jù)監(jiān)測(cè)的精準(zhǔn)度。

1.2 電池組故障診斷中基于模型的方法

將觀測(cè)到的系統(tǒng)信號(hào)與預(yù)先建立的模型進(jìn)行比較得到殘差，從而識(shí)別故障[1]。殘差是通過(guò)對(duì)觀測(cè)到的系統(tǒng)信號(hào)和預(yù)先建立的模型進(jìn)行比較，然后對(duì)失效情況進(jìn)行識(shí)別而得到的。根據(jù)電化學(xué)、熱學(xué)、耦合等模型，可以主要研究電動(dòng)汽車的動(dòng)力電池[5]。結(jié)合這些模型與狀態(tài)估計(jì)、參數(shù)估計(jì)、奇偶方程等就形成了基于模型的故障診斷。李世忠[6]為克服極化效應(yīng)帶來(lái)的回復(fù)過(guò)程對(duì)荷電狀態(tài)（SOC）估計(jì)的影響，提出了通過(guò)粒子群優(yōu)化算法和Calman濾波算法來(lái)實(shí)現(xiàn)SOC估計(jì)值的一種方法。實(shí)驗(yàn)結(jié)果表明，這種方法在克服了極化作用對(duì)估計(jì)的作用的同時(shí)，還能準(zhǔn)確快速地估計(jì)SOC。此外，還采用了Steiglitz-McBride迭代算法，在運(yùn)行速度和計(jì)算復(fù)雜度方面對(duì)粒子濾波器的性能進(jìn)行了升級(jí)，特別是針對(duì)計(jì)算資源有限的實(shí)際電池管理系統(tǒng)。彭運(yùn)賽等[7]改進(jìn)了一般CNN對(duì)動(dòng)力電池組故障的診斷，在CNN網(wǎng)絡(luò)中加入了Contant層，減少了過(guò)擬合，采用了最小分類誤差目標(biāo)函數(shù)，并配有修正項(xiàng)，優(yōu)化了CROSS函數(shù)，彌補(bǔ)了CROSS函數(shù)在處理非標(biāo)準(zhǔn)標(biāo)簽維梯度時(shí)不夠順暢的缺點(diǎn)，因此，CROSS函數(shù)在運(yùn)行中最小的分類誤差梯度的逆向問(wèn)題也同時(shí)得到了解決。

1.3 電池組故障診斷中基于數(shù)據(jù)驅(qū)動(dòng)的方法

基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法基于數(shù)據(jù)的統(tǒng)計(jì)分析和機(jī)器學(xué)習(xí)技術(shù)，通過(guò)對(duì)比和分析數(shù)據(jù)特征來(lái)確定故障原因，分為統(tǒng)計(jì)分析法，信號(hào)分析法，數(shù)量型知識(shí)資料分析法[1]。許仕明[8]選取電壓數(shù)據(jù)計(jì)算得出的方差、水平方差、方差作為除電壓外的模型輸入?yún)?shù)建立實(shí)時(shí)、精準(zhǔn)的故障預(yù)警體制和評(píng)價(jià)指標(biāo)體系，以遺傳算法優(yōu)化極限學(xué)習(xí)機(jī)的預(yù)測(cè)方法預(yù)測(cè)電池系統(tǒng)的虛接故障。李晗等[9]提出基于稀疏數(shù)據(jù)觀測(cè)器的鋰離子電池多故障超前診斷方法，并針對(duì)鋰離子電池特性數(shù)據(jù)具有時(shí)序依賴性的問(wèn)題，提出基于非線性的鋰離子電池故障預(yù)測(cè)方法，該方法源于回歸神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)了對(duì)故障的準(zhǔn)確診斷和故障的有效預(yù)測(cè)預(yù)警。

2 電機(jī)故障診斷中人工智能的應(yīng)用

電機(jī)故障一般有定子繞組失效，轉(zhuǎn)子繞組失效，電刷及換向器失效等。還會(huì)出現(xiàn)磁類故障，如磁路故障、磁場(chǎng)不對(duì)稱、磁力失衡等。

2.1 電機(jī)故障診斷中基于專家系統(tǒng)的方法

制定規(guī)則，建立知識(shí)庫(kù)，以專家以往經(jīng)驗(yàn)為基礎(chǔ)，結(jié)合各種故障的分析總結(jié)。出現(xiàn)故障時(shí)，按知識(shí)庫(kù)將故障信息輸入推理機(jī)，由專家進(jìn)行推理仿真[1]。沈標(biāo)正等[10] 直流機(jī)故障診斷專家系統(tǒng)中提到的直流機(jī)故障診斷專家系統(tǒng)，不僅能診斷直流機(jī)的換向故障、機(jī)械故障、絕緣故障、電氣故障等，而且對(duì)故障發(fā)生的具體位置也能進(jìn)行比較準(zhǔn)確的判定，為以后的修理工作提供了重要該系統(tǒng)在直流電機(jī)故障診斷方面具有較高的可靠性和準(zhǔn)確性，對(duì)維護(hù)工作的效率和精度都能夠起到積極的促進(jìn)作用。尹新權(quán)等[11] 借神經(jīng)網(wǎng)絡(luò)算法來(lái)學(xué)習(xí)獲取已知知識(shí)，從而將神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)相結(jié)合。這種方法克服了專家系統(tǒng)學(xué)習(xí)能力弱的問(wèn)題，提高了其在后續(xù)發(fā)展中遇到新故障時(shí)的診斷能力，并對(duì)未知故障類型也具有一定參考意義。

2.2 電機(jī)故障診斷中基于神經(jīng)網(wǎng)絡(luò)的方法

在神經(jīng)網(wǎng)絡(luò)領(lǐng)域，BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)和ELMAN神經(jīng)網(wǎng)絡(luò)是研究成果最多、應(yīng)用最廣泛的模型。據(jù)顧文龍[12]，顧文龍等利用小波包技術(shù)對(duì)電機(jī)失效狀態(tài)進(jìn)行特征向量的提取，作為輸入BP神經(jīng)網(wǎng)絡(luò)的樣本。電機(jī)的故障輸出類型也因此得到了成功的診斷。王娟[13] 提到了在不同故障中作為RBF神經(jīng)網(wǎng)絡(luò)輸入的提取定子電流的特征頻率，并在matlab中進(jìn)行了模擬分析。成功精準(zhǔn)診斷故障類型。閆俊榮[14] 用感測(cè)器捕捉電機(jī)轉(zhuǎn)子故障的震動(dòng)訊號(hào)，再進(jìn)行頻譜分析，抽取8個(gè)的頻譜峰值作為特征量，輸入ELMAN網(wǎng)絡(luò)來(lái)進(jìn)行處理。通過(guò)該方法，成功獲得了準(zhǔn)確的診斷結(jié)果。

2.3 電機(jī)故障診斷中基于粗糙集理論的方法

在粗糙集理論中，通過(guò)定義等價(jià)關(guān)系和近似關(guān)系來(lái)對(duì)數(shù)據(jù)進(jìn)行一個(gè)分類，將數(shù)據(jù)分為正域和冗余域，在數(shù)據(jù)中發(fā)現(xiàn)一些隱含的信息，并總結(jié)出一般規(guī)律，對(duì)于那些數(shù)據(jù)不齊全的電機(jī)故障模型，粗糙集理論能體現(xiàn)出優(yōu)勢(shì)[1]。在張曉春等[15]中，研究者通過(guò)粗糙集理論消除了以往使用小波包技術(shù)分析的故障信號(hào)特征和Park矢量分析的冗余信息，并建立了一份決策表，通過(guò)實(shí)驗(yàn)確認(rèn)對(duì)故障的分析判斷更加精確。張德齊[16]運(yùn)用基于區(qū)分矩陣的方法實(shí)現(xiàn)了信息表中冗余信息的約簡(jiǎn)與核的求??；采用綜合賦權(quán)法平衡了屬性權(quán)重的確定過(guò)程中主客觀因素的不均衡，對(duì)電機(jī)故障決策表的條件屬性進(jìn)行了權(quán)重值的計(jì)算；最后，結(jié)合案例推理技術(shù)，采用了以舊經(jīng)驗(yàn)推斷新案例的策略，計(jì)算待測(cè)故障樣本與診斷規(guī)則庫(kù)中規(guī)則的相似度。實(shí)現(xiàn)了快速簡(jiǎn)便的電機(jī)故障診斷。

3 控制系統(tǒng)故障診斷中人工智能的應(yīng)用

控制系統(tǒng)的故障由軟件故障、電子元器件故障、通信故障等導(dǎo)致，常見(jiàn)幾種控制系統(tǒng)故障有慢漂移故障、集成系統(tǒng)故障、參數(shù)陌生故障等[17]。

3.1 控制系統(tǒng)故障診斷中基于神經(jīng)網(wǎng)絡(luò)的方法

棧式降噪自編碼器是用于特征提取和無(wú)監(jiān)督學(xué)習(xí)的一種神經(jīng)網(wǎng)絡(luò)模型，它將多個(gè)降噪自編碼器層層疊疊在一起，構(gòu)造出一種深層次的網(wǎng)狀結(jié)構(gòu)。通過(guò)分層學(xué)習(xí)來(lái)獲得更高層次的特征表示法 [18]。羅毅等[18]中KPCA-SDAE神經(jīng)網(wǎng)絡(luò)模型通過(guò)實(shí)驗(yàn)驗(yàn)證，通過(guò)引入棧式降噪自編碼器進(jìn)行精確的特征提取，進(jìn)行穩(wěn)定的非線性特征學(xué)習(xí)和數(shù)據(jù)重建，從原始數(shù)據(jù)中自動(dòng)提取更具表達(dá)能力的特征表達(dá)方法，通過(guò)逐層訓(xùn)練和微調(diào)，明顯提高了控制系統(tǒng)慢漂移故障的正確率，通過(guò)對(duì)棧式降噪自編碼器的優(yōu)化并能適應(yīng)復(fù)雜分布和非線性關(guān)系的數(shù)據(jù)，較好地抵御輸入數(shù)據(jù)中的雜訊和干擾。

3.2 控制系統(tǒng)故障診斷中基于主成分分析方法

KPCA的核心概念是利用核函數(shù)向高維特征空間映射數(shù)據(jù)，然后線性的主成分分析在此空間中進(jìn)行。通過(guò)這種方式捕捉到數(shù)據(jù)的非線性特征，并找到在高維空間中能夠最大程度解釋數(shù)據(jù)方差的主成分[18]。羅毅等[18]采用了將棧式降噪自編碼（SDAE）神經(jīng)網(wǎng)絡(luò)和主成分分析法相結(jié)合的方法進(jìn)行控制系統(tǒng)故障診斷。該方法成功解決了控制系統(tǒng)中慢漂移故障特征不明顯而導(dǎo)致的故障模型診斷準(zhǔn)確性低的問(wèn)題 ，提高故障診斷的精確度。

3.3 控制系統(tǒng)故障診斷中基于信號(hào)處理的方法

在小波分析中，信號(hào)被表示為一組小波函數(shù)的線性組合，具有局部性，能將信號(hào)在不同尺度和位置上進(jìn)行分解，以便獲得信號(hào)在不同頻率和時(shí)間上的特征[1]。孫寧[19]首先運(yùn)用了基于知識(shí)的方法構(gòu)建而成，然后再通過(guò)對(duì)故障樹(shù)進(jìn)行定性定量分析，奠定了故障模式知識(shí)庫(kù)的基礎(chǔ)，使集成系統(tǒng)得以進(jìn)一步構(gòu)建。在這個(gè)知識(shí)庫(kù)和故障樹(shù)的定量分析結(jié)論基礎(chǔ)上，隨后設(shè)計(jì)了基于小波分析的故障診斷方案，用于傳感器和電子控制單元在SAS和EPS一體化系統(tǒng)中的故障診斷。郭從良等[20]通過(guò)小波分解的方法，判斷出參數(shù)的不連續(xù)點(diǎn)，且較大極值點(diǎn)處不隨尺度增大而衰減，從而推斷出參數(shù)的跳變故障，解決了信號(hào)的奇異性問(wèn)題。

4 結(jié)語(yǔ)

本文整理了基于知識(shí)、模型和數(shù)據(jù)驅(qū)動(dòng)的電池組故障診斷方法，基于神經(jīng)網(wǎng)絡(luò)的成分分析和信號(hào)處理的神經(jīng)網(wǎng)絡(luò)以及支持向量機(jī)控制系統(tǒng)故障診斷方法的粗糙集理論的專家系統(tǒng)、粗糙集理論的電機(jī)故障診斷方法。涵蓋多種不同故障類型，在提供更多故障診斷選擇的同時(shí)，有助于提高新能源汽車故障診斷的準(zhǔn)確性和效率。

參考文獻(xiàn)：

[1]蔡濤，段善旭，康勇.電力電子系統(tǒng)故障診斷技術(shù)研究綜述[J].電測(cè)與儀表，2008，45（5）：1-7，48.

[2]鄭杭波，齊國(guó)光.電池組故障診斷模糊專家系統(tǒng)的研究[J].高技術(shù)通訊，2004，14（6）：70-74.

[3]夏淑英.基于模糊故障樹(shù)的汽車故障診斷方法及其應(yīng)用研究[D].湖北：湖北工業(yè)大學(xué)，2017.

[4]朱布博，魏秋蘭，孫少杰，等.基于KF-ESN算法的新能源汽車電池組故障在線監(jiān)控系統(tǒng)[J].微型電腦應(yīng)用，2023，39（9）：11-15.

[5]鄭旭，郭汾.動(dòng)力電池模型綜述[J].電源技術(shù)，2019，43（3）：521-524

[6]李世忠.基于分?jǐn)?shù)階建模與濾波的鋰離子電池SOC估計(jì)方法研究[D].山東：山東大學(xué)，2021.

[7]彭運(yùn)賽，夏飛，袁博，等.基于改進(jìn)CNN和信息融合的動(dòng)力電池組故障診斷方法[J].汽車工程，2020，42（11）：1529-1536.

[8]許仕明.基于數(shù)據(jù)驅(qū)動(dòng)的電動(dòng)汽車動(dòng)力電池虛接故障診斷方法研究[D].鄭州：鄭州輕工業(yè)大學(xué)，2023.

[9]李晗，蕭德云.基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法綜述[J].控制與決策，2011，26（01）：1-9+16.

[10]沈標(biāo)正，馬竹梧.直流電機(jī)故障診斷專家系統(tǒng)[J].冶金自動(dòng)化，2003，27（1）：16-19.

[11]尹新權(quán)，王珺，張亞萍.基于模糊理論的柴油機(jī)故障診斷專家系統(tǒng)[J].工業(yè)儀表與自動(dòng)化裝置，2015（1）：111-113.

[12]顧文龍，胡業(yè)林，鄭曉亮.基于小波包神經(jīng)網(wǎng)絡(luò)的電機(jī)故障診斷分析與研究[J].煤礦機(jī)械，2011，32（9）：263-265.

[13]王娟，曹建云，鐘永彥.基于RBF神經(jīng)網(wǎng)絡(luò)的電機(jī)故障診斷的研究[J].系統(tǒng)仿真技術(shù)，2009，5（1）：36-39.

[14]閆俊榮，閔勇，郭西進(jìn).基于Elman網(wǎng)絡(luò)LM算法的異步電機(jī)故障診斷[J].煤礦機(jī)械，2012，33（8）：253-255.

[15]張曉春，許允之，苗壯，等.基于粗糙集理論的異步電機(jī)故障診斷研究[J].煤礦機(jī)械，2014，35（3）：249-252.

[16]張德齊.基于粗糙集理論的電機(jī)故障診斷方法研究[D].錦州：渤海大學(xué)，2015.

[17]趙聰杰.基于人工智能的控制系統(tǒng)故障診斷方法研究[D].北京：華北電力大學(xué)，2020.

[18]羅毅，趙聰杰，武博翔.基于改進(jìn)棧式降噪自編碼器的控制系統(tǒng)故障診斷[J].計(jì)算機(jī)應(yīng)用與軟件，2022，39（7）：89-94，127.

[19]孫寧.基于小波分析的SAS與EPS集成系統(tǒng)故障診斷研究[D].鎮(zhèn)江：江蘇大學(xué)，2009.

[20]郭從良，王晗，李蓓.小波分析在信號(hào)檢測(cè)及控制系統(tǒng)故障診斷中的應(yīng)用[C].//首屆電子信息系統(tǒng)質(zhì)量與可靠性學(xué)術(shù)研討會(huì)論文集.北京：中國(guó)電子學(xué)會(huì)，2003：237-241.