人工智能在新能源汽車電力電子設備故障診斷中的應用

摘 要：隨著新能源汽車的發展和生產技術的更新換代，其搭載的電力電子設備規模越來越大，功能越來越復雜，故障診斷的要求也越來越高，人工查障也漸漸達不到要求。而人工智能的高速計算能力，自我學習能力、強大適應能力則體現出高度的適應性，且不斷發展的算法也滿足了增長的安全要求。基于此，本文從新能源汽車的幾大核心設備，如電池、電機、電控系統、傳動系統等入手，分析了新能源汽車常見的故障和基于人工智能的故障診斷現狀，借此可以對新能源汽車的電力電子系統設計起到幫助作用。

關鍵詞：新能源汽車 電力電子 故障診斷 人工智能

隨著電池技術的進步、充電設施建設的普及以及智能技術的融入，新能源汽車產業有望不斷壯大，為環保事業和可持續發展做出積極貢獻。

在新能源汽車的發展過程中，自動駕駛、智能導航、駕駛輔助系統、生物識別技術等諸多便捷的駕駛或安全保障功能應運而生；增加了激光雷達（LIDAR），雷達（RADAR），傳感器，電控單元（ECU），全車控制器（VCU），電池管理系統（BMS）等眾多電力電子設備。在復雜的系統中，基于經驗知識的監控方法對專業知識和操作經驗要求非常高，經常會超出工程師的能力范圍。而人工智能在新能源汽車上應用的電力電子故障診斷，則具有兩大關鍵優勢。首先，通過大數據分析和機器學習，挖掘故障模式和規律，構建故障預測模型，減少故障發生的概率。其次，AI技術可以實時監控和分析設備的運行狀態，通過自我學習和適應性優化來提高故障診斷的準確性和適應性。這些優點使故障診斷與復雜多變的故障情景相適應，效果更準確，效率更高。因此采用人工智能技術成為合理的方案。

本文將討論新能源汽車中人工智能在電池、電機、控制系統故障診斷方面的現狀，旨在研究新一代人工智能技術的特點和應用方法，以便為基于人工智能的新能源汽車故障診斷提供指導。

1 電池組故障診斷中人工智能的應用

動力電池的故障可以分為內部和外部。內部故障主要表現為熱失控，充電過度，放電過度，內外短路等現象；外部故障主要有傳感器失效，電池連接部件失效，冷卻系統失效等。

1.1 電池組故障診斷中基于知識的方法

動力電池故障診斷主要采用專家系統法、故障診斷樹和神經網絡法[1]。

專家系統存儲專家的智慧和經驗，根據用戶的數據和問題，用推理引擎和機制進行推理決策。提供解決辦法[1]。鄭杭波等[2]采用專家系統結合模糊數學和模糊診斷技術。研究采用了靜態電池運行狀況（SOR）評估算法，通過該算法計算出了電池的健康程度（DOH）結果，通過判斷隸屬度的大小，來評判電池是否存在故障和模糊關系。故障樹用于描述故障的發生和傳播路徑[1]。夏淑英[3]基于模糊故障樹分析法設計的汽車故障診斷方法，將模糊數學理論與故障樹分析法相結合，利用模糊算子和模糊故障樹模型，通過模糊計算和模糊故障樹模型對電動機、逆變器、電池組等系統進行故障診斷。基于神經網絡的故障診斷是通過將故障數據輸入，故障類型或狀態為輸出，通過神經網絡學習和優化，準確地識別不同的故障情況。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控系統，用霍爾傳感器檢查電壓電流數據，用控制模塊使主機具備自動遞增特性，解決了在電池組故障診斷時，由于噪聲數據影響了改進后的卷積神經網絡（CNN），從而降低了故障數據監測的精準度。

1.2 電池組故障診斷中基于模型的方法

將觀測到的系統信號與預先建立的模型進行比較得到殘差，從而識別故障[1]。殘差是通過對觀測到的系統信號和預先建立的模型進行比較，然后對失效情況進行識別而得到的。根據電化學、熱學、耦合等模型，可以主要研究電動汽車的動力電池[5]。結合這些模型與狀態估計、參數估計、奇偶方程等就形成了基于模型的故障診斷。李世忠[6]為克服極化效應帶來的回復過程對荷電狀態（SOC）估計的影響，提出了通過粒子群優化算法和Calman濾波算法來實現SOC估計值的一種方法。實驗結果表明，這種方法在克服了極化作用對估計的作用的同時，還能準確快速地估計SOC。此外，還采用了Steiglitz-McBride迭代算法，在運行速度和計算復雜度方面對粒子濾波器的性能進行了升級，特別是針對計算資源有限的實際電池管理系統。彭運賽等[7]改進了一般CNN對動力電池組故障的診斷，在CNN網絡中加入了Contant層，減少了過擬合，采用了最小分類誤差目標函數，并配有修正項，優化了CROSS函數，彌補了CROSS函數在處理非標準標簽維梯度時不夠順暢的缺點，因此，CROSS函數在運行中最小的分類誤差梯度的逆向問題也同時得到了解決。

1.3 電池組故障診斷中基于數據驅動的方法

基于數據驅動的故障診斷方法基于數據的統計分析和機器學習技術，通過對比和分析數據特征來確定故障原因，分為統計分析法，信號分析法，數量型知識資料分析法[1]。許仕明[8]選取電壓數據計算得出的方差、水平方差、方差作為除電壓外的模型輸入參數建立實時、精準的故障預警體制和評價指標體系，以遺傳算法優化極限學習機的預測方法預測電池系統的虛接故障。李晗等[9]提出基于稀疏數據觀測器的鋰離子電池多故障超前診斷方法，并針對鋰離子電池特性數據具有時序依賴性的問題，提出基于非線性的鋰離子電池故障預測方法，該方法源于回歸神經網絡，實現了對故障的準確診斷和故障的有效預測預警。

2 電機故障診斷中人工智能的應用

電機故障一般有定子繞組失效，轉子繞組失效，電刷及換向器失效等。還會出現磁類故障，如磁路故障、磁場不對稱、磁力失衡等。

2.1 電機故障診斷中基于專家系統的方法

制定規則，建立知識庫，以專家以往經驗為基礎，結合各種故障的分析總結。出現故障時，按知識庫將故障信息輸入推理機，由專家進行推理仿真[1]。沈標正等[10] 直流機故障診斷專家系統中提到的直流機故障診斷專家系統，不僅能診斷直流機的換向故障、機械故障、絕緣故障、電氣故障等，而且對故障發生的具體位置也能進行比較準確的判定，為以后的修理工作提供了重要該系統在直流電機故障診斷方面具有較高的可靠性和準確性，對維護工作的效率和精度都能夠起到積極的促進作用。尹新權等[11] 借神經網絡算法來學習獲取已知知識，從而將神經網絡與專家系統相結合。這種方法克服了專家系統學習能力弱的問題，提高了其在后續發展中遇到新故障時的診斷能力，并對未知故障類型也具有一定參考意義。

2.2 電機故障診斷中基于神經網絡的方法

在神經網絡領域，BP神經網絡、RBF神經網絡和ELMAN神經網絡是研究成果最多、應用最廣泛的模型。據顧文龍[12]，顧文龍等利用小波包技術對電機失效狀態進行特征向量的提取，作為輸入BP神經網絡的樣本。電機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神經網絡輸入的提取定子電流的特征頻率，并在matlab中進行了模擬分析。成功精準診斷故障類型。閆俊榮[14] 用感測器捕捉電機轉子故障的震動訊號，再進行頻譜分析，抽取8個的頻譜峰值作為特征量，輸入ELMAN網絡來進行處理。通過該方法，成功獲得了準確的診斷結果。

2.3 電機故障診斷中基于粗糙集理論的方法

在粗糙集理論中，通過定義等價關系和近似關系來對數據進行一個分類，將數據分為正域和冗余域，在數據中發現一些隱含的信息，并總結出一般規律，對于那些數據不齊全的電機故障模型，粗糙集理論能體現出優勢[1]。在張曉春等[15]中，研究者通過粗糙集理論消除了以往使用小波包技術分析的故障信號特征和Park矢量分析的冗余信息，并建立了一份決策表，通過實驗確認對故障的分析判斷更加精確。張德齊[16]運用基于區分矩陣的方法實現了信息表中冗余信息的約簡與核的求取；采用綜合賦權法平衡了屬性權重的確定過程中主客觀因素的不均衡，對電機故障決策表的條件屬性進行了權重值的計算；最后，結合案例推理技術，采用了以舊經驗推斷新案例的策略，計算待測故障樣本與診斷規則庫中規則的相似度。實現了快速簡便的電機故障診斷。

3 控制系統故障診斷中人工智能的應用

控制系統的故障由軟件故障、電子元器件故障、通信故障等導致，常見幾種控制系統故障有慢漂移故障、集成系統故障、參數陌生故障等[17]。

3.1 控制系統故障診斷中基于神經網絡的方法

棧式降噪自編碼器是用于特征提取和無監督學習的一種神經網絡模型，它將多個降噪自編碼器層層疊疊在一起，構造出一種深層次的網狀結構。通過分層學習來獲得更高層次的特征表示法 [18]。羅毅等[18]中KPCA-SDAE神經網絡模型通過實驗驗證，通過引入棧式降噪自編碼器進行精確的特征提取，進行穩定的非線性特征學習和數據重建，從原始數據中自動提取更具表達能力的特征表達方法，通過逐層訓練和微調，明顯提高了控制系統慢漂移故障的正確率，通過對棧式降噪自編碼器的優化并能適應復雜分布和非線性關系的數據，較好地抵御輸入數據中的雜訊和干擾。

3.2 控制系統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向高維特征空間映射數據，然后線性的主成分分析在此空間中進行。通過這種方式捕捉到數據的非線性特征，并找到在高維空間中能夠最大程度解釋數據方差的主成分[18]。羅毅等[18]采用了將棧式降噪自編碼（SDAE）神經網絡和主成分分析法相結合的方法進行控制系統故障診斷。該方法成功解決了控制系統中慢漂移故障特征不明顯而導致的故障模型診斷準確性低的問題 ，提高故障診斷的精確度。

3.3 控制系統故障診斷中基于信號處理的方法

在小波分析中，信號被表示為一組小波函數的線性組合，具有局部性，能將信號在不同尺度和位置上進行分解，以便獲得信號在不同頻率和時間上的特征[1]。孫寧[19]首先運用了基于知識的方法構建而成，然后再通過對故障樹進行定性定量分析，奠定了故障模式知識庫的基礎，使集成系統得以進一步構建。在這個知識庫和故障樹的定量分析結論基礎上，隨后設計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一體化系統中的故障診斷。郭從良等[20]通過小波分解的方法，判斷出參數的不連續點，且較大極值點處不隨尺度增大而衰減，從而推斷出參數的跳變故障，解決了信號的奇異性問題。

4 結語

本文整理了基于知識、模型和數據驅動的電池組故障診斷方法，基于神經網絡的成分分析和信號處理的神經網絡以及支持向量機控制系統故障診斷方法的粗糙集理論的專家系統、粗糙集理論的電機故障診斷方法。涵蓋多種不同故障類型，在提供更多故障診斷選擇的同時，有助于提高新能源汽車故障診斷的準確性和效率。

參考文獻：

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

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

[3]夏淑英.基于模糊故障樹的汽車故障診斷方法及其應用研究[D].湖北：湖北工業大學，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控系統[J].微型電腦應用，2023，39（9）：11-15.

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

[6]李世忠.基于分數階建模與濾波的鋰離子電池SOC估計方法研究[D].山東：山東大學，2021.

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

[8]許仕明.基于數據驅動的電動汽車動力電池虛接故障診斷方法研究[D].鄭州：鄭州輕工業大學，2023.

[9]李晗，蕭德云.基于數據驅動的故障診斷方法綜述[J].控制與決策，2011，26（01）：1-9+16.

[10]沈標正，馬竹梧.直流電機故障診斷專家系統[J].冶金自動化，2003，27（1）：16-19.

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

[12]顧文龍，胡業林，鄭曉亮.基于小波包神經網絡的電機故障診斷分析與研究[J].煤礦機械，2011，32（9）：263-265.

[13]王娟，曹建云，鐘永彥.基于RBF神經網絡的電機故障診斷的研究[J].系統仿真技術，2009，5（1）：36-39.

[14]閆俊榮，閔勇，郭西進.基于Elman網絡LM算法的異步電機故障診斷[J].煤礦機械，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故障診斷研究[J].煤礦機械，2014，35（3）：249-252.

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

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

[18]羅毅，趙聰杰，武博翔.基于改進棧式降噪自編碼器的控制系統故障診斷[J].計算機應用與軟件，2022，39（7）：89-94，127.

[19]孫寧.基于小波分析的SAS與EPS集成系統故障診斷研究[D].鎮江：江蘇大學，2009.

[20]郭從良，王晗，李蓓.小波分析在信號檢測及控制系統故障診斷中的應用[C].//首屆電子信息系統質量與可靠性學術研討會論文集.北京：中國電子學會，2003：237-241.