智能化技術(shù)在新能源汽車故障診斷中的應(yīng)用

摘 要：隨著新能源汽車的廣泛應(yīng)用，故障診斷技術(shù)變得格外重要。在面對(duì)復(fù)雜的新能源汽車體系時(shí)，傳統(tǒng)的故障診斷方法局限性很大。本文主要對(duì)機(jī)器學(xué)習(xí)、大數(shù)據(jù)和物聯(lián)網(wǎng)等技術(shù)在新能源汽車故障診斷中的應(yīng)用進(jìn)行了探討。通過(guò)智能故障診斷系統(tǒng)的建設(shè)，實(shí)現(xiàn)了故障數(shù)據(jù)的特征提取和診斷模型的建立與訓(xùn)練。結(jié)合案例分析評(píng)估了該系統(tǒng)的實(shí)際應(yīng)用效果，以期為汽車的維修和保養(yǎng)提供更加便捷精準(zhǔn)的支持。

關(guān)鍵詞：智能化技術(shù) 新能源汽車 故障診斷

1 緒論

在新能源汽車技術(shù)日新月異的今天，汽車可靠性和安全性的提高成為業(yè)界矚目的焦點(diǎn)。故障診斷面臨日益增長(zhǎng)的數(shù)據(jù)處理需求和復(fù)雜多變的故障類型，是保障新能源汽車正常運(yùn)行的關(guān)鍵環(huán)節(jié)。傳統(tǒng)的故障診斷方式已經(jīng)不能滿足現(xiàn)代新能源汽車的需求，因此對(duì)于故障診斷效率和準(zhǔn)確性的提高，智能技術(shù)的探索和應(yīng)用就成了關(guān)鍵。本文旨在探討如何構(gòu)建高效的新能源汽車故障診斷系統(tǒng)，以提高車輛的整體性能和用戶體驗(yàn)。

2 新能源汽車故障診斷現(xiàn)狀

2.1 故障診斷的定義與重要性

故障診斷是為了保證車輛安全可靠運(yùn)行的過(guò)程，通過(guò)對(duì)車輛運(yùn)行狀態(tài)的監(jiān)測(cè)和分析，對(duì)潛在或已發(fā)生的故障進(jìn)行識(shí)別。由于電動(dòng)汽車和插電式混合動(dòng)力汽車采用的電控系統(tǒng)和動(dòng)力總成技術(shù)更加復(fù)雜，因此在新能源汽車領(lǐng)域，故障診斷顯得尤為重要。這些技術(shù)的進(jìn)步也帶來(lái)了新的故障類型和更高的診斷難度，盡管提高了車輛的性能和效率。有效的故障診斷，不僅有助于快速定位故障點(diǎn)，減少維修時(shí)間和費(fèi)用，而且可以防止安全隱患的產(chǎn)生，延長(zhǎng)車輛的使用壽命。尤其是新能源汽車，核心部件如電池管理系統(tǒng)的健康狀況與車輛的續(xù)航能力、行車安全性有著直接的關(guān)系，比如電機(jī)控制器等。

2.2 傳統(tǒng)故障診斷方法

傳統(tǒng)新能源汽車故障診斷方法主要有以規(guī)則為基礎(chǔ)的方法，以信號(hào)分析為基礎(chǔ)的方法，以專家系統(tǒng)為基礎(chǔ)的診斷方法。基于規(guī)則的方法依賴于通過(guò)監(jiān)測(cè)車輛傳感器的數(shù)據(jù)來(lái)觸發(fā)預(yù)先設(shè)定的故障狀況，從而識(shí)別故障的預(yù)定義故障代碼和故障樹分析。這種方法簡(jiǎn)單直觀，實(shí)現(xiàn)起來(lái)很容易，但對(duì)復(fù)雜故障的診斷，適用范圍有限，也比較薄弱。以信號(hào)分析為基礎(chǔ)的方法，集中在信號(hào)處理技術(shù)上，例如頻譜分析、小波轉(zhuǎn)換等，以辨識(shí)信號(hào)模式異常，以判斷是否有故障。這種方法可以捕捉到一些隱藏的故障征兆，但需要具備處理信號(hào)的專業(yè)知識(shí)，對(duì)信號(hào)噪音更為敏感。以專家系統(tǒng)為基礎(chǔ)的診斷方法，是通過(guò)邏輯推理，將高級(jí)工程師的經(jīng)驗(yàn)知識(shí)編碼為診斷故障的規(guī)則庫(kù)。這種以知識(shí)為基礎(chǔ)的方法可以應(yīng)對(duì)復(fù)雜的故障狀況，但很難適應(yīng)瞬息萬(wàn)變的技術(shù)環(huán)境，因?yàn)橹R(shí)更新的周期很長(zhǎng)。在面對(duì)新能源汽車日益增多的電控系統(tǒng)和復(fù)雜的故障類型時(shí)，傳統(tǒng)方法雖然能夠在一定程度上滿足故障診斷的需求，但局限性卻越來(lái)越明顯。

2.3 傳統(tǒng)方法的局限性

傳統(tǒng)新能源汽車故障診斷方法在應(yīng)對(duì)現(xiàn)代新能源汽車復(fù)雜多變的故障類型時(shí)，暴露出了一系列局限性。第一，基于規(guī)則的方法往往依賴于預(yù)定義的故障代碼和故障樹分析，這種方法在處理簡(jiǎn)單明了的故障時(shí)較為有效，但對(duì)于復(fù)雜、模糊或非典型故障的診斷能力較弱。第二，基于信號(hào)分析的方法雖然能夠捕捉到一些隱蔽的故障跡象，但這種方法對(duì)于信號(hào)噪聲較為敏感，容易產(chǎn)生誤報(bào)或漏報(bào)，并且需要專業(yè)的信號(hào)處理知識(shí)才能有效應(yīng)用。第三，基于專家系統(tǒng)的診斷方法雖然能夠處理復(fù)雜的故障情況，但由于知識(shí)更新周期較長(zhǎng)，難以適應(yīng)快速變化的技術(shù)環(huán)境[1]。隨著新能源汽車中電子控制系統(tǒng)的普及和復(fù)雜程度的增加，這些傳統(tǒng)方法在故障診斷的準(zhǔn)確性、實(shí)時(shí)性和自適應(yīng)性方面逐漸顯得力不從心。因此，尋求更加高效、智能的故障診斷技術(shù)成為當(dāng)前新能源汽車行業(yè)發(fā)展的迫切需求。

3 智能化技術(shù)在故障診斷中的應(yīng)用基礎(chǔ)

3.1 智能化技術(shù)概述

智能化技術(shù)，即指運(yùn)用包括計(jì)算機(jī)科學(xué)人工智能大數(shù)據(jù)等在內(nèi)的現(xiàn)代信息技術(shù)，通過(guò)模擬人類的智能行為和思維方式，從解決復(fù)雜問(wèn)題的角度出發(fā)，對(duì)新能源汽車進(jìn)行故障診斷，從而在提高診斷精確性的同時(shí)，也提高其辦事效率。在新能源汽車故障診斷領(lǐng)域，機(jī)器學(xué)習(xí)大數(shù)據(jù)物聯(lián)網(wǎng)技術(shù)等智能化技術(shù)能夠提高診斷的精確性和辦事效率。機(jī)器學(xué)習(xí)能夠識(shí)別數(shù)據(jù)中的模式來(lái)預(yù)測(cè)和診斷故障的；大數(shù)據(jù)處理技術(shù)可以挖掘有價(jià)值的信息并為故障診斷提供數(shù)據(jù)支撐；物聯(lián)網(wǎng)技術(shù)通過(guò)傳感器等設(shè)備實(shí)時(shí)采集車輛運(yùn)行數(shù)據(jù)并將其傳輸至云端進(jìn)行分析處理以進(jìn)行遠(yuǎn)程監(jiān)控和診斷。

3.2 機(jī)器學(xué)習(xí)在故障診斷中的應(yīng)用

構(gòu)建基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷模型，實(shí)現(xiàn)對(duì)復(fù)雜故障模式的高效識(shí)別和預(yù)測(cè)，機(jī)器學(xué)習(xí)技術(shù)在新能源汽車故障診斷中的應(yīng)用成為研究熱點(diǎn)。通過(guò)數(shù)據(jù)預(yù)處理技術(shù)，收集電池電壓、溫度、電流等多種車輛運(yùn)行過(guò)程中的傳感器數(shù)據(jù)，消除噪音和異常值。利用特征提取技術(shù)，將故障相關(guān)的關(guān)鍵特征提取到經(jīng)過(guò)預(yù)處理的數(shù)據(jù)中。例如，降低數(shù)據(jù)維度，提高模型訓(xùn)練效率，常用的方法有主成分分析（PCA）、線性判別分析（LDA）等。選擇合適的機(jī)器學(xué)習(xí)算法進(jìn)行模型訓(xùn)練，如支持通過(guò)學(xué)習(xí)歷史數(shù)據(jù)中的規(guī)律建立故障診斷模型的向量機(jī)（SVM）、隨機(jī)森林（RF）、深度學(xué)習(xí)（DL）等。模型訓(xùn)練的核心是將分類誤差最小化或?qū)⒎诸悳?zhǔn)確度最大化等目標(biāo)函數(shù)進(jìn)行優(yōu)化[2]。在故障分類階段，輸入新的傳感器數(shù)據(jù)，預(yù)測(cè)和識(shí)別故障類型，使用經(jīng)過(guò)訓(xùn)練的模型。 對(duì)于分類問(wèn)題，可以用預(yù)測(cè)輸出為的邏輯回歸模式，公式為：

其中，為預(yù)測(cè)結(jié)果，σ為Sigmoid函數(shù)，w為權(quán)重向量，x特征向量，b為偏置項(xiàng)。

3.3 大數(shù)據(jù)技術(shù)在故障診斷中的應(yīng)用

新能源汽車故障診斷的大數(shù)據(jù)技術(shù)主要用于海量運(yùn)行數(shù)據(jù)的收集存儲(chǔ)處理分析。利用物聯(lián)網(wǎng)傳感器和車載信息系統(tǒng)可對(duì)汽車的各種運(yùn)行參數(shù)進(jìn)行實(shí)時(shí)獲取并經(jīng)過(guò)清洗和預(yù)處理后，這些參數(shù)能夠高效利用大數(shù)據(jù)處理框架如Hadoop MapReduce進(jìn)行存儲(chǔ)和處理。大數(shù)據(jù)技術(shù)以MapReduce模式對(duì)數(shù)據(jù)進(jìn)行并行處理來(lái)加快數(shù)據(jù)處理速度。Map函數(shù)負(fù)責(zé)將原始數(shù)據(jù)轉(zhuǎn)換為鍵值對(duì)形式，而Reduce函數(shù)則對(duì)鍵值對(duì)進(jìn)行匯總以生成更高級(jí)別的數(shù)據(jù)摘要或統(tǒng)計(jì)信息，從而達(dá)到對(duì)汽車運(yùn)行狀況進(jìn)行準(zhǔn)確分析和診斷的目的。例如，可以使用Map Reduce進(jìn)行計(jì)算某個(gè)時(shí)間段內(nèi)所有車輛的平均能耗，公式如下：

其中，ei表示第i輛車的能耗。這些統(tǒng)計(jì)數(shù)據(jù)對(duì)于故障模式的識(shí)別和預(yù)測(cè)至關(guān)重要，能夠幫助診斷系統(tǒng)更好地理解車輛的運(yùn)行狀態(tài)，從而及時(shí)發(fā)現(xiàn)異常情況，提高故障診斷的準(zhǔn)確性和時(shí)效性。

3.4 物聯(lián)網(wǎng)技術(shù)在故障診斷中的應(yīng)用

物聯(lián)網(wǎng)（IoT）技術(shù)通過(guò)實(shí)時(shí)數(shù)據(jù)的采集、傳輸和處理，實(shí)現(xiàn)對(duì)車輛運(yùn)行狀態(tài)的全方位監(jiān)控和故障預(yù)測(cè)，具體流程如圖1所示，物聯(lián)網(wǎng)（IOT）技術(shù)在新能源汽車故障診斷中的應(yīng)用。實(shí)時(shí)采集運(yùn)行數(shù)據(jù)的傳感器（如電池溫度傳感器、電機(jī)狀態(tài)傳感器、車載OBD系統(tǒng)等）部署在車輛各部位。這些數(shù)據(jù)通過(guò)無(wú)線通信技術(shù)傳輸?shù)皆贫朔?wù)器，例如4G/5G、LoRa等。在云端服務(wù)器上，資料經(jīng)過(guò)預(yù)處理（例如去噪、濾波）及儲(chǔ)存，并透過(guò)大數(shù)據(jù)分析技術(shù)，提煉出關(guān)鍵的特性，以辨識(shí)潛在的失效模式。建立基于機(jī)器學(xué)習(xí)或深度學(xué)習(xí)的故障診斷模型，利用云計(jì)算和邊緣計(jì)算技術(shù)，實(shí)時(shí)分析和處理大規(guī)模數(shù)據(jù)。通過(guò)訓(xùn)練和驗(yàn)證，這款車型能夠預(yù)測(cè)和歸類車輛的運(yùn)行狀況。例如，當(dāng)電池溫度異常升高時(shí)，系統(tǒng)會(huì)根據(jù)歷史數(shù)據(jù)和模型預(yù)測(cè)結(jié)果（例如電池?zé)崾Э兀瑢?shí)時(shí)識(shí)別異常，并判斷可能出現(xiàn)的故障類型[3]。診斷結(jié)果通過(guò)物聯(lián)網(wǎng)平臺(tái)反饋給車輛司機(jī)和養(yǎng)護(hù)中心，并產(chǎn)生早期預(yù)警和主動(dòng)保養(yǎng)的詳細(xì)故障報(bào)告和養(yǎng)護(hù)建議，減少故障隱患。

4 智能化故障診斷系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)

4.1 系統(tǒng)架構(gòu)設(shè)計(jì)

智能化故障診斷系統(tǒng)的架構(gòu)設(shè)計(jì)旨在整合物聯(lián)網(wǎng)技術(shù)、大數(shù)據(jù)技術(shù)和機(jī)器學(xué)習(xí)算法，實(shí)現(xiàn)新能源汽車故障的實(shí)時(shí)監(jiān)測(cè)、分析和預(yù)測(cè)。該系統(tǒng)主要由圖2所示的幾個(gè)關(guān)鍵組件組成：數(shù)據(jù)采集層主要負(fù)責(zé)從車輛上安裝的各種傳感器收集數(shù)據(jù)。傳感器包括溫度傳感器、振動(dòng)傳感器、壓力傳感器等，它們持續(xù)監(jiān)測(cè)車輛各部件的狀態(tài)，并將數(shù)據(jù)通過(guò)無(wú)線通信技術(shù)（如藍(lán)牙、Wi-Fi或LoRa）發(fā)送給邊緣計(jì)算設(shè)備或直接上傳至云端。位于數(shù)據(jù)采集層與云端之間的邊緣計(jì)算設(shè)備負(fù)責(zé)對(duì)傳感器的數(shù)據(jù)進(jìn)行初步處理，包括清洗數(shù)據(jù)、格式轉(zhuǎn)換以及初步分析等工作。減輕云服務(wù)器的負(fù)擔(dān)，減少網(wǎng)絡(luò)延遲，通過(guò)在邊緣側(cè)執(zhí)行輕量級(jí)的數(shù)據(jù)處理任務(wù)。數(shù)據(jù)處理和存儲(chǔ)層涉及進(jìn)一步處理和存儲(chǔ)邊緣計(jì)算層傳輸?shù)臄?shù)據(jù)。在云端伺服器中，利用大型資料處理架構(gòu)（如ApacheHadoop或Spark），批量處理資料并實(shí)時(shí)串流，以支援后續(xù)資料分析與模型訓(xùn)練。包括機(jī)器學(xué)習(xí)和深度學(xué)習(xí)模型在內(nèi)的系統(tǒng)核心部件——故障診斷引擎。這些模型以歷史故障數(shù)據(jù)為基礎(chǔ)進(jìn)行訓(xùn)練，對(duì)潛在故障進(jìn)行識(shí)別和預(yù)測(cè)。例如，車輛傳感器數(shù)據(jù)的分類可以使用支持向量機(jī)（SVM），也可以使用記憶網(wǎng)絡(luò)（LSTM）的時(shí)間長(zhǎng)度來(lái)預(yù)測(cè)車輛部件的剩余壽命。用戶界面通過(guò)可視化工具展示車輛狀態(tài)、故障預(yù)警信息、保養(yǎng)建議等，為用戶提供了一個(gè)友好的互動(dòng)平臺(tái)[4]。用戶可以通過(guò)手機(jī)APP或Web界面訪問(wèn)這些信息，以便在出現(xiàn)故障時(shí)及時(shí)采取應(yīng)對(duì)措施。

4.2 特征提取與選擇

特征提取與選擇是構(gòu)建有效故障診斷模型的關(guān)鍵步驟，通過(guò)對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理，提取出與故障相關(guān)的特征，并利用特征選擇算法（如互信息法）挑選出最具判別力的特征。例如，互信息I（X; Y）衡量特征X與目標(biāo)Y之間的相關(guān)性，公式為：

其中，p（x， y）是聯(lián)合概率密度函數(shù)，p（x）和p（y）是邊緣概率密度函數(shù)。通過(guò)計(jì)算每個(gè)特征與故障類型的互信息值，可以選擇出最相關(guān)的特征子集用于模型訓(xùn)練。

4.3 故障診斷模型的建立

建立故障診斷模型是智能化故障診斷系統(tǒng)的核心環(huán)節(jié)，需要對(duì)經(jīng)過(guò)預(yù)處理的數(shù)據(jù)進(jìn)行特征提取，以獲得與故障類型密切相關(guān)的特征。特征提取通常包括時(shí)域分析、頻域分析以及基于深度學(xué)習(xí)的方法。例如，時(shí)域分析可以提取均值、標(biāo)準(zhǔn)差等統(tǒng)計(jì)特征；頻域分析則通過(guò)傅里葉變換提取頻譜特征。對(duì)于復(fù)雜數(shù)據(jù)，可以采用卷積神經(jīng)網(wǎng)絡(luò)（CNN）自動(dòng)提取深層特征。特征提取完成后，接下來(lái)是特征選擇，目的是去除冗余特征并保留對(duì)故障診斷最有價(jià)值的特征。常用的特征選擇方法包括基于信息增益的方法和遞歸特征消除 （RFE）。信息增益 IG計(jì)算公式為：

其中，H（D）是數(shù)據(jù)集D的熵，H（D|A）是在特征A條件下的條件熵。通過(guò)計(jì)算每個(gè)特征的信息增益，可以挑選出對(duì)故障分類貢獻(xiàn)最大的特征子集。選擇合適的機(jī)器學(xué)習(xí)算法來(lái)構(gòu)建故障診斷模型，常用的算法包括支持向量機(jī)（SVM）、隨機(jī)森林（RF）和深度神經(jīng)網(wǎng)絡(luò)（DNN） 等。例如，支持向量機(jī)可以通過(guò)最大化決策邊界與最近樣本點(diǎn)之間的距離來(lái)尋找最優(yōu)分類面[5]。

4.4 模型訓(xùn)練與驗(yàn)證

模型訓(xùn)練與驗(yàn)證是確保故障診斷系統(tǒng)性能的關(guān)鍵步驟，把提取的特征數(shù)據(jù)集分成訓(xùn)練集、校驗(yàn)集兩個(gè)部分。訓(xùn)練集用于對(duì)選定的機(jī)器學(xué)習(xí)模型進(jìn)行訓(xùn)練，如支持向量機(jī)（SVM）或深度神經(jīng)網(wǎng)絡(luò)（Deep Neuron Network，DNN）。在訓(xùn)練過(guò)程中，模型可以學(xué)習(xí)到故障和正常狀態(tài)之間的差異，通過(guò)不斷調(diào)整模型參數(shù)，將損失函數(shù)最小化。驗(yàn)證集合用于評(píng)估模型的泛化能力，確保模型在新數(shù)據(jù)中不僅能在訓(xùn)練數(shù)據(jù)上表現(xiàn)出色，而且還能對(duì)故障進(jìn)行精確診斷。常用的性能指標(biāo)有準(zhǔn)確度、召回率、F1積分等。通過(guò)交叉驗(yàn)證等技術(shù)對(duì)模型參數(shù)進(jìn)行進(jìn)一步優(yōu)化，最終得出高性能的故障診斷模型，不僅可以準(zhǔn)確識(shí)別故障，而且可以避免過(guò)度擬合。

5 智能化故障診斷技術(shù)的效果評(píng)估

5.1 故障事件背景

一輛新能源汽車在行駛過(guò)程中出現(xiàn)了動(dòng)力減弱的現(xiàn)象，初步檢查發(fā)現(xiàn)電池管理系統(tǒng)顯示電池電壓有異常下降的情況，但具體故障原因尚不清楚，可能會(huì)產(chǎn)生了嚴(yán)重的安全問(wèn)題，如突然失去動(dòng)力或電池過(guò)熱等，必須盡快確定故障根源并采取相應(yīng)的維護(hù)措施。該車型是一輛配備了多種傳感器的純電動(dòng)車型號(hào)，能夠?qū)崟r(shí)監(jiān)測(cè)電池的電壓電流溫度等關(guān)鍵參數(shù)，因此維修人員根據(jù)車輛的各種傳感器反饋的信息，結(jié)合故障診斷系統(tǒng)的診斷算法進(jìn)行分析，從而迅速定位故障原因并對(duì)車輛進(jìn)行相應(yīng)的維修和保養(yǎng)。利用收集到的資料，結(jié)合機(jī)器學(xué)習(xí)的算法，構(gòu)建出故障診斷模型，對(duì)可能發(fā)生的故障類型及其原因進(jìn)行分析和識(shí)別。

5.2 技術(shù)應(yīng)用過(guò)程

針對(duì)上述故障事件，工作人員通過(guò)車載傳感器對(duì)包括電池電壓、電流、溫度等關(guān)鍵參數(shù)在內(nèi)的故障發(fā)生前后的一系列數(shù)據(jù)進(jìn)行了采集。這些數(shù)據(jù)實(shí)時(shí)傳輸?shù)皆贫朔?wù)器，采用物聯(lián)網(wǎng)技術(shù)。服務(wù)器端則是將數(shù)據(jù)送到之前培訓(xùn)過(guò)的機(jī)器學(xué)習(xí)模型中，進(jìn)行預(yù)處理后的分析。該模型基于歷史故障數(shù)據(jù)訓(xùn)練，可以自動(dòng)識(shí)別出與故障相關(guān)的特征模式。工作人員通過(guò)模型的預(yù)判，很快鎖定了電池內(nèi)部短路的可能性，并對(duì)具體發(fā)生故障的地點(diǎn)進(jìn)行了進(jìn)一步的細(xì)致分析和確認(rèn)。整個(gè)過(guò)程既對(duì)故障原因進(jìn)行了準(zhǔn)確診斷，又為有效規(guī)避安全隱患提供了及時(shí)的維修建議。

5.3 技術(shù)應(yīng)用效果

基于智能化技術(shù)的故障診斷系統(tǒng)在新能源汽車故障診斷中取得了良好的應(yīng)用效果，具體如表1所示。通過(guò)對(duì)比故障發(fā)生前后的數(shù)據(jù)，可以看出該系統(tǒng)顯著提升了動(dòng)力輸出、穩(wěn)定了電池電壓和電流，并降低了電池溫度。同時(shí)，故障診斷耗時(shí)從15分鐘縮短到了5分鐘，維修成本大幅下降，從2000元降至800元，而且將安全事故可能性從50%降低到了5%，有效保證了車輛的安全運(yùn)行。

6 結(jié)語(yǔ)

智能化技術(shù)可以提高故障診斷的精確性和效率，降低維修費(fèi)用，減少安全事故的可能性，是今后故障診斷領(lǐng)域的一個(gè)重要研究方向。未來(lái)，可進(jìn)一步研究如何將更多的智能化技術(shù)集成到故障診斷系統(tǒng)中去，提高系統(tǒng)的實(shí)時(shí)性和自適應(yīng)能力，從而在新能源汽車行業(yè)不斷發(fā)展的情況下，滿足其不斷提高的需求。

基金項(xiàng)目：教育信息化視域下校企共建職業(yè)教育智慧云平臺(tái)課程實(shí)踐研究課題批準(zhǔn)號(hào)：2023B-288此論文為甘肅省2023年高校教師創(chuàng)新基金項(xiàng)目：“教育信息化視域下校企共建職業(yè)教育智慧云平臺(tái)課程實(shí)踐研究”的階段性成果。

參考文獻(xiàn)：

[1]朱英明.智能化技術(shù)在新能源汽車故障診斷中的應(yīng)用[J].集成電路應(yīng)用，2024，41（01）：222-223.

[2]李鈺.新能源汽車動(dòng)力電池故障診斷關(guān)鍵技術(shù)研究[J].內(nèi)燃機(jī)與配件，2024（14）：79-81.

[3]屈鳳禎.新能源汽車故障診斷與維修策略[J].汽車畫刊，2024（06）：119-121.

[4]袁立嘉.電子診斷技術(shù)在新能源汽車維修中的應(yīng)用[J].汽車維修技師，2024（12）：20-23.

[5]張小兵，余強(qiáng)，梁文銓，等.新能源汽車電機(jī)故障診斷與維修方法[J].汽車畫刊，2024（05）：64-66.