人工智能在新能源汽车电力电子设备故障诊断中的应用

摘 要：随着新能源汽车的发展和生产技术的更新换代，其搭载的电力电子设备规模越来越大，功能越来越复杂，故障诊断的要求也越来越高，人工查障也渐渐达不到要求。而人工智能的高速计算能力，自我学习能力、强大适应能力则体现出高度的适应性，且不断发展的算法也满足了增长的安全要求。基于此，本文从新能源汽车的几大核心设备，如电池、电机、电控系统、传动系统等入手，分析了新能源汽车常见的故障和基于人工智能的故障诊断现状，借此可以对新能源汽车的电力电子系统设计起到帮助作用。

关键词：新能源汽车 电力电子 故障诊断 人工智能

随着电池技术的进步、充电设施建设的普及以及智能技术的融入，新能源汽车产业有望不断壮大，为环保事业和可持续发展做出积极贡献。

在新能源汽车的发展过程中，自动驾驶、智能导航、驾驶辅助系统、生物识别技术等诸多便捷的驾驶或安全保障功能应运而生；增加了激光雷达（LIDAR），雷达（RADAR），传感器，电控单元（ECU），全车控制器（VCU），电池管理系统（BMS）等众多电力电子设备。在复杂的系统中，基于经验知识的监控方法对专业知识和操作经验要求非常高，经常会超出工程师的能力范围。而人工智能在新能源汽车上应用的电力电子故障诊断，则具有两大关键优势。首先，通过大数据分析和机器学习，挖掘故障模式和规律，构建故障预测模型，减少故障发生的概率。其次，AI技术可以实时监控和分析设备的运行状态，通过自我学习和适应性优化来提高故障诊断的准确性和适应性。这些优点使故障诊断与复杂多变的故障情景相适应，效果更准确，效率更高。因此采用人工智能技术成为合理的方案。

本文将讨论新能源汽车中人工智能在电池、电机、控制系统故障诊断方面的现状，旨在研究新一代人工智能技术的特点和应用方法，以便为基于人工智能的新能源汽车故障诊断提供指导。

1 电池组故障诊断中人工智能的应用

动力电池的故障可以分为内部和外部。内部故障主要表现为热失控，充电过度，放电过度，内外短路等现象；外部故障主要有传感器失效，电池连接部件失效，冷却系统失效等。

1.1 电池组故障诊断中基于知识的方法

动力电池故障诊断主要采用专家系统法、故障诊断树和神经网络法[1]。

专家系统存储专家的智慧和经验，根据用户的数据和问题，用推理引擎和机制进行推理决策。提供解决办法[1]。郑杭波等[2]采用专家系统结合模糊数学和模糊诊断技术。研究采用了静态电池运行状况（SOR）评估算法，通过该算法计算出了电池的健康程度（DOH）结果，通过判断隶属度的大小，来评判电池是否存在故障和模糊关系。故障树用于描述故障的发生和传播路径[1]。夏淑英[3]基于模糊故障树分析法设计的汽车故障诊断方法，将模糊数学理论与故障树分析法相结合，利用模糊算子和模糊故障树模型，通过模糊计算和模糊故障树模型对电动机、逆变器、电池组等系统进行故障诊断。基于神经网络的故障诊断是通过将故障数据输入，故障类型或状态为输出，通过神经网络学习和优化，准确地识别不同的故障情况。朱布博等[4]中提出基于KF—ESN算法的新能源汽车电池组故障在线监控系统，用霍尔传感器检查电压电流数据，用控制模块使主机具备自动递增特性，解决了在电池组故障诊断时，由于噪声数据影响了改进后的卷积神经网络（CNN），从而降低了故障数据监测的精准度。

1.2 电池组故障诊断中基于模型的方法

将观测到的系统信号与预先建立的模型进行比较得到残差，从而识别故障[1]。残差是通过对观测到的系统信号和预先建立的模型进行比较，然后对失效情况进行识别而得到的。根据电化学、热学、耦合等模型，可以主要研究电动汽车的动力电池[5]。结合这些模型与状态估计、参数估计、奇偶方程等就形成了基于模型的故障诊断。李世忠[6]为克服极化效应带来的回复过程对荷电状态（SOC）估计的影响，提出了通过粒子群优化算法和Calman滤波算法来实现SOC估计值的一种方法。实验结果表明，这种方法在克服了极化作用对估计的作用的同时，还能准确快速地估计SOC。此外，还采用了Steiglitz-McBride迭代算法，在运行速度和计算复杂度方面对粒子滤波器的性能进行了升级，特别是针对计算资源有限的实际电池管理系统。彭运赛等[7]改进了一般CNN对动力电池组故障的诊断，在CNN网络中加入了Contant层，减少了过拟合，采用了最小分类误差目标函数，并配有修正项，优化了CROSS函数，弥补了CROSS函数在处理非标准标签维梯度时不够顺畅的缺点，因此，CROSS函数在运行中最小的分类误差梯度的逆向问题也同时得到了解决。

1.3 电池组故障诊断中基于数据驱动的方法

基于数据驱动的故障诊断方法基于数据的统计分析和机器学习技术，通过对比和分析数据特征来确定故障原因，分为统计分析法，信号分析法，数量型知识资料分析法[1]。许仕明[8]选取电压数据计算得出的方差、水平方差、方差作为除电压外的模型输入参数建立实时、精准的故障预警体制和评价指标体系，以遗传算法优化极限学习机的预测方法预测电池系统的虚接故障。李晗等[9]提出基于稀疏数据观测器的锂离子电池多故障超前诊断方法，并针对锂离子电池特性数据具有时序依赖性的问题，提出基于非线性的锂离子电池故障预测方法，该方法源于回归神经网络，实现了对故障的准确诊断和故障的有效预测预警。

2 电机故障诊断中人工智能的应用

电机故障一般有定子绕组失效，转子绕组失效，电刷及换向器失效等。还会出现磁类故障，如磁路故障、磁场不对称、磁力失衡等。

2.1 电机故障诊断中基于专家系统的方法

制定规则，建立知识库，以专家以往经验为基础，结合各种故障的分析总结。出现故障时，按知识库将故障信息输入推理机，由专家进行推理仿真[1]。沈标正等[10] 直流机故障诊断专家系统中提到的直流机故障诊断专家系统，不仅能诊断直流机的换向故障、机械故障、绝缘故障、电气故障等，而且对故障发生的具体位置也能进行比较准确的判定，为以后的修理工作提供了重要该系统在直流电机故障诊断方面具有较高的可靠性和准确性，对维护工作的效率和精度都能够起到积极的促进作用。尹新权等[11] 借神经网络算法来学习获取已知知识，从而将神经网络与专家系统相结合。这种方法克服了专家系统学习能力弱的问题，提高了其在后续发展中遇到新故障时的诊断能力，并对未知故障类型也具有一定参考意义。

2.2 电机故障诊断中基于神经网络的方法

在神经网络领域，BP神经网络、RBF神经网络和ELMAN神经网络是研究成果最多、应用最广泛的模型。据顾文龙[12]，顾文龙等利用小波包技术对电机失效状态进行特征向量的提取，作为输入BP神经网络的样本。电机的故障输出类型也因此得到了成功的诊断。王娟[13] 提到了在不同故障中作为RBF神经网络输入的提取定子电流的特征频率，并在matlab中进行了模拟分析。成功精准诊断故障类型。闫俊荣[14] 用感测器捕捉电机转子故障的震动讯号，再进行频谱分析，抽取8个的频谱峰值作为特征量，输入ELMAN网络来进行处理。通过该方法，成功获得了准确的诊断结果。

2.3 电机故障诊断中基于粗糙集理论的方法

在粗糙集理论中，通过定义等价关系和近似关系来对数据进行一个分类，将数据分为正域和冗余域，在数据中发现一些隐含的信息，并总结出一般规律，对于那些数据不齐全的电机故障模型，粗糙集理论能体现出优势[1]。在张晓春等[15]中，研究者通过粗糙集理论消除了以往使用小波包技术分析的故障信号特征和Park矢量分析的冗余信息，并建立了一份决策表，通过实验确认对故障的分析判断更加精确。张德齐[16]运用基于区分矩阵的方法实现了信息表中冗余信息的约简与核的求取；采用综合赋权法平衡了属性权重的确定过程中主客观因素的不均衡，对电机故障决策表的条件属性进行了权重值的计算；最后，结合案例推理技术，采用了以旧经验推断新案例的策略，计算待测故障样本与诊断规则库中规则的相似度。实现了快速简便的电机故障诊断。

3 控制系统故障诊断中人工智能的应用

控制系统的故障由软件故障、电子元器件故障、通信故障等导致，常见几种控制系统故障有慢漂移故障、集成系统故障、参数陌生故障等[17]。

3.1 控制系统故障诊断中基于神经网络的方法

栈式降噪自编码器是用于特征提取和无监督学习的一种神经网络模型，它将多个降噪自编码器层层叠叠在一起，构造出一种深层次的网状结构。通过分层学习来获得更高层次的特征表示法 [18]。罗毅等[18]中KPCA-SDAE神经网络模型通过实验验证，通过引入栈式降噪自编码器进行精确的特征提取，进行稳定的非线性特征学习和数据重建，从原始数据中自动提取更具表达能力的特征表达方法，通过逐层训练和微调，明显提高了控制系统慢漂移故障的正确率，通过对栈式降噪自编码器的优化并能适应复杂分布和非线性关系的数据，较好地抵御输入数据中的杂讯和干扰。

3.2 控制系统故障诊断中基于主成分分析方法

KPCA的核心概念是利用核函数向高维特征空间映射数据，然后线性的主成分分析在此空间中进行。通过这种方式捕捉到数据的非线性特征，并找到在高维空间中能够最大程度解释数据方差的主成分[18]。罗毅等[18]采用了将栈式降噪自编码（SDAE）神经网络和主成分分析法相结合的方法进行控制系统故障诊断。该方法成功解决了控制系统中慢漂移故障特征不明显而导致的故障模型诊断准确性低的问题 ，提高故障诊断的精确度。

3.3 控制系统故障诊断中基于信号处理的方法

在小波分析中，信号被表示为一组小波函数的线性组合，具有局部性，能将信号在不同尺度和位置上进行分解，以便获得信号在不同频率和时间上的特征[1]。孙宁[19]首先运用了基于知识的方法构建而成，然后再通过对故障树进行定性定量分析，奠定了故障模式知识库的基础，使集成系统得以进一步构建。在这个知识库和故障树的定量分析结论基础上，随后设计了基于小波分析的故障诊断方案，用于传感器和电子控制单元在SAS和EPS一体化系统中的故障诊断。郭从良等[20]通过小波分解的方法，判断出参数的不连续点，且较大极值点处不随尺度增大而衰减，从而推断出参数的跳变故障，解决了信号的奇异性问题。

4 结语

本文整理了基于知识、模型和数据驱动的电池组故障诊断方法，基于神经网络的成分分析和信号处理的神经网络以及支持向量机控制系统故障诊断方法的粗糙集理论的专家系统、粗糙集理论的电机故障诊断方法。涵盖多种不同故障类型，在提供更多故障诊断选择的同时，有助于提高新能源汽车故障诊断的准确性和效率。

参考文献：

[1]蔡涛，段善旭，康勇.电力电子系统故障诊断技术研究综述[J].电测与仪表，2008，45（5）：1-7，48.

[2]郑杭波，齐国光.电池组故障诊断模糊专家系统的研究[J].高技术通讯，2004，14（6）：70-74.

[3]夏淑英.基于模糊故障树的汽车故障诊断方法及其应用研究[D].湖北：湖北工业大学，2017.

[4]朱布博，魏秋兰，孙少杰，等.基于KF-ESN算法的新能源汽车电池组故障在线监控系统[J].微型电脑应用，2023，39（9）：11-15.

[5]郑旭，郭汾.动力电池模型综述[J].电源技术，2019，43（3）：521-524

[6]李世忠.基于分数阶建模与滤波的锂离子电池SOC估计方法研究[D].山东：山东大学，2021.

[7]彭运赛，夏飞，袁博，等.基于改进CNN和信息融合的动力电池组故障诊断方法[J].汽车工程，2020，42（11）：1529-1536.

[8]许仕明.基于数据驱动的电动汽车动力电池虚接故障诊断方法研究[D].郑州：郑州轻工业大学，2023.

[9]李晗，萧德云.基于数据驱动的故障诊断方法综述[J].控制与决策，2011，26（01）：1-9+16.

[10]沈标正，马竹梧.直流电机故障诊断专家系统[J].冶金自动化，2003，27（1）：16-19.

[11]尹新权，王珺，张亚萍.基于模糊理论的柴油机故障诊断专家系统[J].工业仪表与自动化装置，2015（1）：111-113.

[12]顾文龙，胡业林，郑晓亮.基于小波包神经网络的电机故障诊断分析与研究[J].煤矿机械，2011，32（9）：263-265.

[13]王娟，曹建云，钟永彦.基于RBF神经网络的电机故障诊断的研究[J].系统仿真技术，2009，5（1）：36-39.

[14]闫俊荣，闵勇，郭西进.基于Elman网络LM算法的异步电机故障诊断[J].煤矿机械，2012，33（8）：253-255.

[15]张晓春，许允之，苗壮，等.基于粗糙集理论的异步电机故障诊断研究[J].煤矿机械，2014，35（3）：249-252.

[16]张德齐.基于粗糙集理论的电机故障诊断方法研究[D].锦州：渤海大学，2015.

[17]赵聪杰.基于人工智能的控制系统故障诊断方法研究[D].北京：华北电力大学，2020.

[18]罗毅，赵聪杰，武博翔.基于改进栈式降噪自编码器的控制系统故障诊断[J].计算机应用与软件，2022，39（7）：89-94，127.

[19]孙宁.基于小波分析的SAS与EPS集成系统故障诊断研究[D].镇江：江苏大学，2009.

[20]郭从良，王晗，李蓓.小波分析在信号检测及控制系统故障诊断中的应用[C].//首届电子信息系统质量与可靠性学术研讨会论文集.北京：中国电子学会，2003：237-241.