基于新能源汽車背景下的現代汽車診斷技術應用研究

關鍵詞：新能源；汽車維修；診斷；故障判斷

0引言

新能源汽車故障相比較于傳統的汽車系統更為復雜，診斷難度大，且由于發展的時間較短，維修人員受到的培訓不足，電池維修和回收的難度較高，這些問題普遍存在。需要結合算法技術、大數據技術、智能識別技術的現代診斷方法，以保護新能源汽車內部的精細零件，避免造成車身結構的損壞，提升檢測數據的準確性和可靠性[1]。

1新能源汽車診斷的發展現狀

1.1新能源汽車產業對診斷技術的需求

伴隨著新能源汽車市場的快速發展，我國針對新能源設施的維護與故障診斷設備也在不斷完善，這些都為用戶充電和維修提供了更加便捷的服務。但是相較于傳統燃油汽車的故障維修和診斷來說，新能源汽車維修中的診斷技術的應用仍然發展相對滯后，還沒有形成系統的維修體系。

1.2現代診斷技術的概念與特點

現代診斷技術是基于數字化、智能化設備，對汽車故障進行判斷和修復的技術，目前這種技術已經在汽車行業有了非常廣泛的應用。基于汽車控制系統獲得傳感器的信號、執行器的回饋線路以及電腦等元件的信號交互，可以為智能診斷提供良好的診斷基礎，方便維修人員應用專業的診斷工具和軟件進行故障判斷。

有效應用現有的自動化技術和智能化技術的成果，可以更加準確地判斷和維修新能源汽車出現的故障，解決傳統技術無法實現的難題，克服傳統維修技術的弊端[2]。現代診斷技術可以幫助維修人員利用多種設備，降低對于維修人員個人經驗和技能的部分依賴，從而使得更多的、缺乏豐富經驗的人員可以快速上手，完成智能診斷和維修。在新能源汽車的電動機、發動機、動力電池、電路系統的智能診斷中，現代診斷技術具有更高的精準程度，能夠大大縮短汽車維修的時間。

2新能源汽車常見診斷方法

現代診斷技術的核心在于利用設備獲得傳感器信號，排查故障位置，也就是使用儀器對新能源汽車運行的各項參數進行判斷和讀取，并結合主控芯片的成分分析，獲得新型診斷結果。目前，現代診斷技術的應用已經達到了相對較高的智能化水平，主要基于神經網絡智能診斷、多元信息智能診斷等方法進行綜合數據判斷。

2.1基于神經網絡的診斷方法

基于神經網絡的診斷方法，關鍵步驟在于構建神經網絡模擬信號。技術人員在采集和預處理獲得的新能源汽車數據之后，對數據進行降噪處理，該方法能夠對復雜的新能源汽車故障類型進行有理化分析，從而有效地判斷故障的具體位置。技術人員借助大數據技術對大量數據進行分析，找出類型一致的數據，并明確不同類型的故障特征。利用算法的優勢實時對故障的特征進行對比，最終按照分類排除方法定位到故障可能的原因（表1）。

例如，最常用的（DNN）深度神經網絡和（TL）遷移學習網絡，就是新能源汽車滾動軸承故障判斷的一種有效方法，可以使用卷積神經網絡（CNN）和長期記憶（LSTM）網絡對軸承的滾動振動信號進行預處理，以提取與故障相關的初步特征。結合神經網絡，應用stepupsort網絡搜索方法優化滾動軸承模擬參數。該方法不僅可以穩健地識別不同的振動類型，還能夠在不同的新能源汽車故障當中不斷地加以信號訓練，使得診斷的效率越來越高，診斷的耗時越來越短[3]。、

從目前整體的應用可靠性情況來看，各種診斷方法的準確率超過95%。基于神經網絡的診斷方法，還可以與人工智能機器學習深入結合在一起，處理大量復雜的故障數據，從而減少維修過程中的不確定性，這種方法在目前的新能源汽車維修中已經取得了廣泛的應用。為了保障該模型的應用有效，未來新能源汽車企業還需要不斷地對故障信息進行去除噪聲、處理缺失值、標準化和歸一化等流程，收集更大量的模型信息用于驗證，以確保模型在未見過的故障數據上也能有良好的表現。

除此之外，技術人員還需要不斷地開展交叉實驗，提高神經網絡的穩定性和可靠性，優化模型的性能，結合網格搜索、隨機搜索和貝葉斯優化等技術，找尋最佳的故障診斷超參數組合，避免過度擬合。使用正則化、dropout、提前停止等技術，減少過度混合的風險[4]。

以新能源汽車底盤輸出功率的檢修來看，基于神經網絡進行診斷，能夠進一步提高電動汽車底盤輸出功率檢修的普及程度，了解故障與電控系統之間的關系，更加準確地定位到故障點。一般來講，新能源汽車底盤輸出功率的調整，需要在不斷精確的背景之下設置參數數值，讀取和修改控制器的內部參數，能夠進一步提高診斷員的工作效率，神經網絡方法可以連接到車輛的控制器和數據總線，以開展車輛的實時監控和有效分析。了解車輛的行駛數據、故障記錄存儲之后，整合對車輛的歷史數據，實時把控，提高檢測的效率和精準程度。

2.2基于故障樹的診斷方法

故障樹分析法（FTA）是智能判斷系統的重要組成，該系統基于計算機算法網絡，對硬件、軟件、環境、人為等相關層面匯報來的感知數據進行判斷。輔助各類傳感信息，智能生成邏輯框圖，方便診斷人員依據該圖譜對不同故障原因進行定點定位，并且依據算法給出的參數范圍，計算不同部位的故障概率。在現有的新能源汽車的整體智能診斷中，該方法應用廣泛，可以有效進行故障分層，例如在新能源汽車車燈亮度不達預期的情況之下，診斷人員就可以基于故障樹算法（圖1），將故障類型劃分為保險層、中間電路層、供電層這三個層次。分層次進行原因查找，分析電路故障類型，深入掌握故障位置，還原故障發生點位，實現快速維修。

如圖1所示，故障樹診斷應用在新能源汽車的繼電器故障排查中，就可以按照邏輯排除方法，首先對繼電器的負載端子和線圈端子進行故障檢測，檢測結果排除負載端子故障后，再進行靜態測試和動態測試。這一方法能夠對系統的復雜問題做出多個回路的分析，尤其是在不同的組件和子系統之間進行故障識別和判斷。診斷人員需要不斷收集車輛運行的各項數據信息，生成故障代碼，記錄維修數據，形成車載診斷系統（OBD）。同時，結合現有的數據，獲取數據的內容，開展故障排除和分析建設有效的故障數。再按照邏輯框圖逐步分解，在更加具體的中間事件和底層事件當中。例如列出繼電器故障、負載端子故障，按照這一流程清晰地反饋各個故障之間的邏輯關系，從而幫助維修人員確定最可能的故障點，生成故障原因，進行排除測試，并在排除之后對繼電器系統進行更新，以反映最新的車輛狀態。

汽車的OBD接口會讀取車輛各個傳感器和控制模塊的數據，完成新能源汽車電動機的故障編碼。編輯完成的故障編碼可以在出現故障之前，存儲在汽車的運行系統當中，一旦發生故障，則幫助診斷員準確定位新能源汽車的故障所在。應用故障數檢測技術的診斷員常用的設備有萬用表、示波器等，這些設備能夠幫助診斷員快速定點、定位故障原因，進行精細化的測算，并且按照提示的結果更換被損壞的部件，并做好參數的上調或下調，輔助配套的軟件更新，甚至能夠在軟件的指示之下更換整個電動機。故障樹檢測方法在生成圖譜與數據之后，診斷員需要將獲得到的故障編碼重新嵌入到整個電子系統中，方便后續的診斷人員依據汽車運行的實際結果將故障碼刪除，以確保整個故障流程完整。

從上述流程的應用角度來看，故障樹技術是定位故障位置、生成解決方案較為有效的成熟系統，能夠進一步改善整體新能源汽車故障解除的效率，提升維修質量。

2.3基于信息融合的多元智能診斷方法

多元智能診斷方法可以基于不同傳感器上傳的數據源頭，將信息有效整合在一起，提高信息診斷的準確性和可靠性。采集多個子系統，如電池管理系統、電機控制系統、車載充電器等系統的數據，將其清洗、歸一化和轉換之后，提取數據當中的不同特征。

例如，車聯網技術應用在汽車診斷中，能夠顯著提高用戶的診斷體驗。北汽集團在2021年上線的電池管理系統BMS，可以基于當前汽車聯網與云端進行數據交換，分析電池狀態開展實時監控和有效預警。BMS整理匯總了過去10年造成汽車自燃的主要原因，判斷為電池產生的內熱遠大于散熱速度，在短時間內溫度急劇升高，出現系列化學反應，最終導致電池單體及模組出現燃燒、爆炸的現象。

根據BMS發布的報告顯示，在新能源汽車安全事故已明確的著火原因的車輛當中，由電池自燃引起的事故占比達到58%（表2）。在事故車輛中，86%的汽車使用了三元鋰離子電池、7%的車輛使用了磷酸鐵鋰電池，7%的事故車輛由燃燒程度過重，使用的電池類型不確定。

車聯網技術可以在事故出現之前就對異常信息情況進行有效匯總，實現電池管理的實時監控，對電池狀態做好實時把握。例如，溫度范圍超過55℃時，電池就會出現異常風險數據，車聯網平臺可以監測不同新能源汽車的運行電池溫度范圍，當溫度超過40℃，即提出相應的預警信息，單體充電截止電壓超過3.5V，則開展相應的降壓處理（表3）。通過這樣的處理方法，結合云計算與5G無線通信技術，實現車輛、云端以及用戶之間的數據交互，為電池系統提供全面立體的數據支持。

3結束語

綜上所述，診斷技術在新能源汽車的諸多系統中具有廣闊的應用前景，可以有效解決新能源汽車電路復雜、隱蔽性強、故障難以定位的特點，進一步提高診斷的系統性和有用性，保障車輛行駛的安全與可靠。目前，消費者對于新能源汽車的接受程度不斷提升，對于對新能源汽車的智能診斷質量也有了更高的要求，因此技術人員還需要不斷提升和完善汽車維修工作的質量，開展更加有效的神經網絡和故障樹多元融合的系統檢查，以保障汽車行駛的安全，推動行業的高速進步。