三电系统服役性能监控技术研究综述

Review of monitoring technologies for the service performance of tri-electric systems in new energy vehicles

摘要

回顾了近年来国内外新能源汽车三电系统服役性能的相关研究进展，从故障诊断、预测及处理3个方面进行综述，分析相关技术在研究与应用中的优劣，强调了提高故障监控技术的重要性，以确保新能源汽车的安全、稳定运行。最后，本文展望了三电系统服役性能监控研究的发展方向，车-云协同、大数据及机器学习以及知识图谱等技术将促进新能源汽车三电系统服役性能监控技术的发展。

Abstract

This paper reviews recent research progress on the service performance of tri-electric systems in new energy vehicles， both domestically and internationally. It provides a comprehensive overview of fault diagnosis， prediction， and handling， analyzing the advantages and limitations of related technologies in research and applications. The importance of enhancing fault monitoring technologies is emphasized to ensure the safe and stable operation of new energy vehicles. Finally， the paper explores future research directions in performance monitoring for tri-electric systems， highlighting the potential of vehicle-cloud collaboration， big data and machine learning， and knowledge graphs to advance the development of monitoring technologies for tri-electric systems.

Graphical abstract

关键词

车辆工程 / 三电系统 / 服役性能 / 故障诊断 / 故障预测 / 故障处理

Key words

vehicle engineering / tri-electric systems / service performance / fault diagnosis / fault prediction / fault handling

0 引 言

发展新能源汽车是应对能源危机与气候变化、推动社会绿色发展的战略举措。根据国务院办公厅的《新能源汽车产业发展规划（2021—2035年）》，中国将加快推进高质量与可持续的新能源汽车发展，实现汽车产业的强国目标。到2035年，由动力电池、驱动电机和电控系统所组成的三电系统的技术将达到国际领先水平。

三电系统服役性能指的是在车辆实际使用过程中，电池、电机以及电控系统所表现出的稳定性、耐久性、效率性、环境适应性等综合性能指标，主要表现为不发生故障的性能。《中国新能源汽车大数据研究报告（2023）》通过对接入国家监管平台的发生故障的新能源乘用车进行分析发现，2022年故障新能源乘用车中动力电池故障占比71.1%，驱动电机故障为3.4%，其他电气故障（DC/DC故障、高压互锁等电控系统故障）占17.7%，上述故障占新能源汽车的故障的主要部分^［1］。其中，过充、过放、短路以及挤压碰撞等情况容易导致热失控，严重威胁驾乘人员安全^［2］。而驱动电机、电控系统故障也容易导致车辆失控、断电，造成行车安全风险。随着三电系统复杂度的不断提高，其故障预测、诊断和处理愈发复杂。总的来讲，三电系统服役性能监控技术仍然存在如下若干问题：①故障诊断精度低；②故障预测不及时；③故障处理成本高、效率低；④关键部件特性认知不清。

因此，发展三电系统服役性能监控技术，能精准、高效地实现故障的诊断、预测以及处理，对新能源汽车安全、稳定地运行起着至关重要的作用。本文围绕近年来国内外新能源汽车三电系统研究中的3个关键方面——故障诊断、故障预测及故障处理，系统地回顾了现有技术的研究进展与特点，分析了不同方法的优势与局限。在此基础上，本文总结了三电系统服役性能技术的研究应用现状，并从模型优化、数据驱动、车-云协同及知识图谱等新兴技术角度提出了该领域未来的发展方向和研究建议。

1 故障诊断方法

故障诊断是通过对三电系统历史及现有数据进行分析，提取数据中的特征元素，并使用相关的理论对其进行总结归纳，进而输出对应的诊断结果的过程^［3］。在此过程中，为了实现准确、快速地故障诊断，研究者对模型与信号分析、大数据及人工智能、车-云协同等方法进行了大量研究。本文将根据诊断方法的核心技术手段、适用场景及计算资源需求等方面的差异，将其分为如下3类：①基于模型与信号处理：依靠物理建模和信号特征提取进行故障诊断；②基于数据驱动的方法：通过分析自车数据，利用机器学习等技术识别潜在故障模式，重点关注单车独立系统的实时故障诊断；③基于车-云协同的方法：结合车端与云端优势，利用分布式计算和多源数据融合技术进行跨车辆/跨部件数据的大规模协同故障分析与监控。后续小节将基于该分类，分析总结各类方法在动力电池、驱动电机以及电控系统方面的研究现状及发展趋势。

1.1　基于模型与信号处理的诊断方法

基于模型与信号处理的方法对三电系统进行故障诊断的基本原理是根据基于模型的状态预测值和当前系统测量值之间的差异，进而实现故障的检测。得益于模型与信号处理方法早期在轴承、齿轮等机械领域中的研究应用^［4］，基于此类方法的三电系统故障诊断技术能够较早地应用在故障诊断研究当中。

动力电池系统是一个复杂的非线性时滞系统，由于机械滥用、电滥用和热滥用等导致的故障极易造成热失控^［5］。基于模型与信号处理的诊断首先需要对动力电池进行准确建模，当前新能源汽车主流使用的电池为锂离子电池，其模型主要分为3种。电化学模型与等效电路模型较为传统，但其研究与应用广泛，已经能够取得较好的效果；黑箱模型（数据驱动模型）依靠人工智能和机器学习技术在近几年快速发展，是新的电池建模思路。

基于锂离子电池工作过程中内部化学反应机理与特性，以此建立电化学模型，采用偏微分方程来描述电池内部各项参数和电化学反应过程，从而实现对动力电池的状态监测与故障诊断。常见的电化学模型包括伪二维（Pseudo two-dimensional， P2D）模型、简化P2D模型以及单粒子（Single particle， SP）模型。1993年，基于多孔电极理论、浓缩溶液理论，Doyle等^［6］提出了P2D模型，其结构如图1所示。该模型精度高，成为后续简化模型研究中检验和评估的基准参考。但P2D模型本身计算复杂，参数难以确定，因此需要对P2D模型进行简化来协调模型计算效率和计算精度，才能满足故障诊断应用的实时、准确性需求。Zou等^［7］使用基于奇异扰动和平均的系统方法对不同时间尺度的动力学进行简化；葛亚明等^［8］通过减少P2D模型待辨识参数数量，使用启发式算法进行参数辨识，减少计算时间的同时实现电池的状态进行精确估计。SP模型本质上也是P2D模型的简化模型，使用单个球形粒子取代电极固相锂离子，忽略液相动力学，能提升计算和模拟的速度，满足低倍率充放电的诊断需求。但是，模型忽略了众多因素的影响，导致其在高倍率情况下精度不高，需要进行修正处理。赵本言^［9］提出基于电流倍率的电化学修正模型以实现的荷电状态（State of charge， SOC）估计，解决高倍率SOC估计误差变大的问题。另外，锂离子电池电化学性能容易受到温度的影响，电化学-热耦合模型也受到广泛的研究^［10-12］。该模型的电热耦合关系能够很好地描述锂电池的动态特性，具有重要的科学研究与工程应用价值，但是如何确定电化学参数以及温度之间的关系并实现定量描述，是模型建立的难点。

等效电路模型利用电阻、电容、电源等电路元件组成电路，根据电学基本原理和方法，模拟锂离子电池在不同工况下的响应特性。通过定义系统参数，能方便地推导出模型的状态方程。美国可再生能源实验室开发的高级车辆仿真软件ADVISOR具有丰富的等效电路模型，能够实现高效、准确地建模及仿真^［13］。Hinz^［14］对4种常见的等效电路模型进行对比研究，探讨模型关键参数的确定过程，以满足准确预测电池行为的需求；Hu等^［15］以新能源汽车锂离子电池作为主要研究对象，针对电池模型的准确性、复杂性、鲁棒性的平衡问题，对12个典型的等效电路模型进行对比研究和参数优化，在设计电池管理系统时，根据锂离子电池类型，推荐使用不同的等效电路模型；潘凤文等^［16］设计了电池集总热力学模型和一阶Thevenin等效电路模型耦合模型，并基于此设计滑膜观测器用于锂电池输入电流传感器的故障诊断。

除上述提到的整数阶的等效电路模型以外，研究者对分数阶等效模型（Fractional-order equivalent circuit model， FOECM）也进行了研究。例如，Xu等^［17］对阻抗模型中的恒相元件（Constant phase element，CPE）进行建模过程中引入分数阶微积分方法，提出一种基于电池阻抗模型的简洁而准确的模型辨识方法，并利用分数阶卡尔曼滤波进行SOC估计；Zou等^［18］使用具有CPE的非整数阶导数的电池动力学状态方程，结合粒子群优化方法对模型参数进行辨识，通过数据集验证了该模型的准确性和鲁棒性；Guha等^［19］采用FOECM实现对电化学阻抗谱进行锂离子电池健康状态检测，能够实现较为准确的寿命预测。基于上述等效电路的模型需要准确的模型参数辨识，同时需要协调解决模型的有效性以及自适应性，才能满足故障诊断应用的需求。

上述的电化学模型以及等效电路模型也被用于建立锂电池老化模型。老化模型被用于诊断动力电池功率及容量下降的问题，这些问题对于电池的安全性和性能的影响至关重要。电化学老化模型主要分为基于副反应的老化模型和基于机理定义参数的老化模型^{［20，21］}。Fang等^［22］以等效电路模型为基础，基于欧姆内阻和电池健康状态（State of health， SOH）进行老化模型的建立，实现SOH估计误差最大仅1.52%；Tian等^［23］通过构建分数阶模型进行参数识别，实现对电池剩余容量的估计。

电驱系统基于模型的故障诊断方法可以分为两类：即混合动态（Mixed logic dynamic， MLD）模型法和状态观测器法^［24］。如图2（a），混合动态模型法通过开环估计来分析理论值与测量值之间的误差实现故障诊断。而状态观测器能进行闭环估计，精度高，但模型的设计复杂度更高，其框图如图2（b）。基于MLD模型对电驱系统的单相整流器、三相永磁同步驱动系统的开关管故障诊断有相应的研究^{［25，26］}。杜嘉晨等^［27］提出基于混合逻辑动态模型和剩余电流实现故障诊断，能对永磁同步电机驱动系统的功率器件故障进行快速、准确诊断。基于状态观测器的电驱系统故障诊断常用龙伯格观测器^［28］、卡尔曼滤波器^［29］、滑膜控制器^［30］等。状态观测器的模型故障诊断方法需要对初始误差、系统噪声进行消除，以避免系统振荡影响诊断结果。除此之外，该方法往往依赖于模型参数的高准确度，对系统算力也有较高的要求。

电驱系统在运行过程中，能容易地获取其电流、电压等宏观物理信号，通过对这些信号的处理和分析，可以实现对电驱系统的故障诊断。信号处理法通过探究信号特性与潜在故障源之间的关联性，对电流及电压信号进行深入分析。此方法聚焦于提取信号的关键特征，如幅值、频率及方差等，作为判断系统当前运行状态的依据，实现高效、精准的故障检测与诊断。电驱系统的基于信号处理的故障诊断方法可以根据不同的信号源分为电流信号处理法和电压信号处理法。

根据不同的电流信号特征及处理分析方法，电流信号处理法可以分为周期电流法、矢量轨迹法、误差电流法和时频特征法四类。周期电流法使用Park变换、归一化处理等方法通过监测和分析变流器运行过程中单位基波周期内的电流的均值来实现故障诊断。例如，当驱动电机某一相发生开路故障时，该相电流会出现脉冲式畸变；矢量轨迹法则是单位基波周期内三相电流中，将其中两相静止为坐标系，从而得到电流旋转矢量图进行故障判别；误差电流法计算变流器输出的三相电流的残差，监控单位基波周期内的近零电流占比进行故障的诊断；时频分析法利用傅里叶变换^［31］和小波变换^［32］实现信号的频域或者时域的信息特征提取，结合诊断规则实现故障处理。电压信号处理方法包括桥臂电压法、门极电压法以及输出电压法。近年来，随着变流器复杂度增加、结构集成度提高，前两种方法研究应用较少。输出电压法判断理论计算值和实际测量值之间的误差进行诊断，也属于一种基于模型的方法。刘博等^［24］对上述两种基于信号处理的电驱故障诊断方法做了详尽的综述分析。

电控系统以整车控制器作为动力域的控制核心，是实现系统集成化、轻量化和智能化的关键。但是电控系统作用范围广，因此并无具体对该系统的建模研究。其故障诊断往往基于经验分析、知识推理等方法确定。未来，提高电控系统的控制精度、实现系统可靠的安全监测，是电控系统的重点发展方向^［33］。

基于模型与信号处理的三电系统故障诊断方法包括提高诊断精度、优化故障预测和有效处理故障的作用。通过精确的模型建构和详细的信号分析，能够较为准确地识别。然而，这类方法也面临一些挑战，如机理模型构建复杂度高、系统参数辨识困难等。

1.2　基于数据驱动的诊断方法

近年来，随着机器学习技术的快速发展，其在三电系统故障诊断研究中得到广泛应用。基于数据驱动的方法使用已有的数据进行训练，获取以数据为输入和故障问题为输出的映射模型，不需要关注模型内部的系统机理关系及参数定义，因此也被称为黑箱模型^［34］。基于数据驱动的诊断方法需要大量、准确的训练数据才能提高其模型诊断的精确性，这是黑箱模型建立、训练的难点。另外，目前典型的基于数据驱动的诊断方法与上述模型及信号处理方法存在技术融合特征。结合传统方法的优点以实现融合故障诊断，是基于数据驱动的诊断方法的研究方向。

基于黑箱模型的方法主要使用人工神经网络（Artificial neural network， ANN）、支持向量机（Support vector machine， SVM）、K临近（K-nearest neighbors， KNN）算法、深度学习（Deep learning， DL）、随机森林（Random forests， RF）实现故障的诊断及分类。Yang等^［35］基于ANN仅使用电池的电压信息就能实现电池短路情况下的电流估计，对没有配备电流传感器的电池单元能够准确、稳定地实现电流估计；张振坤^［36］提出基于ANN和模型预测控制（Model predictive control， MPC）的框架，能快速、准确地实现对电驱系统中变流器的单管及双管故障诊断；Jaouher等^［37］对电机的轴承故障进行分类与性能评估时，提取经验模态分解能量熵特征用于训练ANN，模型取得了优良的效果。

SVM的方法也是应用广泛的机器学习算法之一，具有较好的小样本泛化能力。Chen等^［38］利用基于SVM的最大温升两步预测方法，实现对外部短路故障诊断；Song等^［39］提出一种基于S变换和SVM的故障识别系统，用以识别诊断永磁同步电机的局部退磁故障，识别率能够达到100%；Ali等^［40］在实验研究中发现，所提出的基于SVM的机器学习方法能准确检测感应电机的多类故障，包括单个或多个电气与机械故障，实现接近100%的故障分类准确度。从相关研究中发现，基于SVM的故障诊断方法在处理大规模训练样本的情况下需要消耗大量的计算资源和时间，并且需要结合其他的优化算法才能实现快速、准确的多类型故障诊断。

KNN首先计算带标签的样本故障与待识别故障之间的“距离”，然后进行故障诊断分析。傅振亮等^［41］使用基于螳螂算法优化的KNN对实车数据平台获取的电池数据进行特征提取，将多提取的特征用于故障诊断模型中，实现对单体电池的低压与高压故障实时诊断；Ali等^［40］提出的精细KNN、加权KNN、子空间KNN分类器能实现对每个电机的电气或者机械故障实现准确的诊断；Minaz等^［42］利用KNN基于图像特征对轴向磁通无铁芯永磁同步电机的退磁故障实现诊断。

DL的方法利用卷积神经网络、深度迁移学习（Deep transfer learning， DTL）算法等实现故障诊断，具有较强的学习能力和适应性。Heinrich等^［43］针对汽车运行过程中产生的海量车载时序数据，构建可用于训练的电池数据集，并基于此采用长短时记忆（Long short-term memory，LSTM）神经网络实现电池建模，为故障诊断提供了高性能的电池模型；Xiao等^［44］利用LSTM学习不变工况的标记数据的知识，再将其迁移到动态工况中的未标记数据进行故障诊断，从而提高了电机故障诊断精度；Liu等^［45］考虑电机在非平稳条件下的物理特性，提出了多尺度核的残差神经网络用于电机故障诊断，该方法是一种能从原始信号中提取特征的端到端故障诊断方法，该框架可扩展应用到齿轮、轴承等其他领域的故障诊断中。

RF是一种包含了多个决策树的分类器，能对异常值和噪声有较高的容忍度，因此也被广泛应用于故障诊断中。Yang等^［46］提出基于RF模型的有效分类方法识别电池短路中的电解液泄漏故障，能实时诊断外部短路电池的短路故障与电解液泄漏故障；禹杭等^［47］针对永磁电机故障辨识困难的问题，提出一种基于主成分分析（Principle component analysis， PCA）和RF的故障诊断方法，能提取正常运行情况、转子偏心和定子短路等故障情况下的特征，实现高精度、快速的电机故障诊断。基于RF的方法能够处理高维的数据，无须特征选择，但需要大量的数据进行训练，因此在基于低维数据的故障诊断中应用效果不好。

发展数据驱动的故障诊断方法是未来三电系统故障诊断研究与应用的核心趋势，相较于传统复杂且泛化能力有限的模型故障诊断方法，展现出显著优势。这类方法能深入挖掘数据与故障之间的映射关系，从而实现更加鲁棒和精确的故障诊断。然而，要充分发挥其潜力，也面临着不容忽视的挑战：①需要对海量数据进行有效的降噪和压缩预处理，以确保输入数据的质量；②模型训练过程通常需要消耗大量的计算资源和时间，这对硬件资源和算法优化提出了更高要求。

1.3　基于车-云协同的诊断方法

前两节分析了基于模型与信号处理和基于数据驱动的两类典型三电系统故障诊断方法。从相关的研究中可以发现，故障诊断的模型从机理模型逐渐转变为数字模型，诊断方法从传统经验识别转变为数据特征提取，由此带来的海量数据及计算资源需求限制了实车故障诊断在此方面的研究与应用^［48］。基于大数据的车-云协同故障诊断方法便能解决上述问题，实现车辆的远程故障诊断与预警。与前述基于数据驱动的方法相比，该方法在数据、理论等方面存在相似之处，但在技术路线（诊断模型、数据规模）、计算资源、适用场景方面存在本质差别，两者的差异总结如表1所式，两者在适用场景方面的差异将在文末总结部分中体现。

在国家力推大数据战略的宏观背景下，新能源汽车车联网的综合性大数据平台构成了技术研究与应用不可或缺的基石^［33］。这些数据为研究者开展车-云协同的服役性能监控技术研究与应用提供了有力支撑。基于北京市电动汽车服务与管理中心（Service and Management Center for electric vehicle， SMC-EV）所提供的4辆电动汽车的全天候监控数据，Wang等^［49］提出一种基于修正香农熵理论分析电动汽车动力电池组中多单体电池的实时电压数据，来诊断和预测电池组内电压的故障发生的时间和位置，并进一步设计了基于Z-score统计方法的管理策略，从而满足电压异常状态的实时评估需求。该研究通过车端数据采集-云端数据分析的方式，提升了SMC-EV对公共服务车辆的监控服务水平。基于同样的车-云协同架构，Hong等^［50］提出了基于改进多尺度熵的多电池故障协同诊断方案，该方法实现提取锂离子电池故障特征，能在故障早期实现诊断和定位，首次实现了改进多尺度熵在实车电池故障诊断上的应用。如图3所示，在车端实现早期的动力电池状态预警与评估，通过T-box将车端数据及信息传输到云端实现实时监控以及数据存储。这种方式不仅能实现对车（用户）端的安全监管，也为企业以及研究者提供了真实的海量数据支撑。新能源国家监测与管理平台能够获取国内千万辆级的新能源汽车的状态参数，实现车辆运行状态的在线监测和历史数据的离线储存^［51］。傅振亮等^［41］基于新能源汽车国家监测与管理平台、新能源汽车国家检测与动力蓄电池回收利用溯源综合管理平台提供的数据，提出基于SOC和电压/温度的联合故障诊断方法，从全局视角定位电池单体故障以及关联故障，奠定了动力电池多故障研究以及安全预警平台研发的基础。

基于车-云协同的故障诊断方法，通过结合车辆和云端的数据分析，可实现远程故障诊断和预警，克服传统方法中的数据量和计算资源限制。这种方法利用车联网的大数据平台，实现了实时监控和历史数据的离线存储，有效提高了故障诊断的准确性和及时性。基于车-云协同的联合故障诊断方法是未来三电系统故障诊断的重点发展方向。

2 故障预测方法

故障预测基于各类数据、系统机理、先进分析技术实现对未来寿命、可能发生的故障及其概率实现估计。基于新能源汽车三电系统的使用数据、工况数据、性能数据等，构建相关模型（机理模型、数据驱动模型）进行故障预测，有助于延长设备寿命、降低故障率。研究者对上述两类故障预测方法进行了大量的研究，下面将对三电系统的故障预测方面的研究现状与发展趋势进行分析。

2.1　基于机理模型的故障预测方法

根据系统的理论知识的失效原理进行预测被称为基于机理模型的故障预测。该方法将传感器感知到的状态信息输入到建立的机理模型中获取理论值，计算其与系统准确值的差距，分析差距特征以实现较为精确的故障预测。

与故障诊断研究类似，电池的机理模型包括等效电路模型、电化学模型以及热模型，除此之外，还有基于滤波算法的预测模型。首先，在特定的条件下，获取对电池老化、寿命等的影响参数，如温度、电流等，构建反应故障机理的数值化模型，通过输入电池的历史以及当前状态信息完成预测故障的工作。刘鹏等^［52］基于镍氢电池构造与热传导理论，构建了电池热模型以实现在线预测电池内外温度。他们还通过对比预测值和实际值判断出异常温度情况，通过CAN传递于整车控制器实现实时响应故障的功能。Burgos等^［53］基于模糊规则建模，利用粒子滤波算法作为在线估计技术，实现对锂电池的最大瞬时功率（State of maximum power available， SoMPA）的估计。Li等^［54］利用电化学阻抗谱（Electrochemical impedance spectroscopy， EIS）监测电池健康，构建指数增长模型拟合电解液阻抗且对数据进行平滑处理，提高电池模型进行剩余使用寿命（Remaining useful life， RUL）预测的准确性。

电池的预测模型还包括基于多种滤波算法，比如卡尔曼滤波、粒子滤波等，该方法使用预测值和使模型优化的权重值，构建准确的电池故障预测模型。Bueguss等^［55］提出了基于卡尔曼滤波的预测模型，将电池的寿命分为两个阶段，通过两阶段的前向预测步骤估算电池剩余寿命；Xiong等^［56］依据电池SOC与其功率能力的关系，基于自适应扩展卡尔曼滤波算法开发出多状态联合估计器，且验证了在电池退化和各种复杂环境下的SOC的准确预测；Saha等^［57］将电化学模型以等效电路参数的形式与统计模型结合，同时将贝叶斯理论应用于回归和分类，基于粒子滤波器对电池SOC、SOH和RUL进行预测。

驱动电机的机理模型通过观测电机的振动、电信号等参数，结合电机特性进行构建。Wu等^［58］建立了永磁电机模型，分析电机转子偏心引起的不平衡磁力导致的电机主轴故障问题。虽然该研究主要面向机械加工领域，但其为振动条件下的电机主轴故障预测提供了理论基础。胡伟等^［59］对电驱系统进行可靠性分析，建立相应的可靠性模型，基于控制电路等失效模式，利用元器件应力分析法来预测电驱系统的可靠性；Wang等^［60］利用机械信号处理、建模来构建基于振动的轴承和齿轮的健康指标，并为预测其RUL提供基础；Vlok等^［61］利用历史故障数据和相应的诊断测量值构建比例强度模型，并从运转的滚子轴承获得的故障和诊断数据，预测轴承的未来故障时间。

在电机预测基于物理模型的方法中，还有结合可靠性理论来构建电机的寿命预测模型。可靠性是指在给定的时间、特定的情况下，系统可以连续、高效地完成指定的任务的性能。以可靠度为基础的失效预测方法，主要是利用失效概率、失效密度等可靠度指标对系统的故障进行预测。Rodriguez等^［62］采用无损监测技术，通过检测电流频谱中故障与正常状态之间的差异，预测三相感应电动机的故障；Goode等^［63］提出了一个基于状态的维护策略，该方法结合可靠性数据和状态检测量，以实现对零件的剩余寿命预测。

电控系统故障预测主要方向集中在电力电子器件的RUL预测问题上，电控的机理模型从元件的失效变化和材料的形态改变过程等方面构建其物理模型，或者根据失效状态参数（电阻偏移值、导通电压等）模拟电控元件的特征参量的变化规律，建立数学模型，预测未来失效时间。Ugur等^［64］依据二极管的压降，以此监测电压漂移和封装退化，通过对SiC金属氧化物半导体场效应晶体管进行老化操作，以此识别相应的电气参数变化与器件健康状态的关系；Celaya等^［65］采用热循环的方式使器件老化，使用高斯过程回归作为预测方法，将此技术应用于MOSFET的使用寿命预测。

对三电系统的复杂真实体系进行精确的机理建模仍然是一个难点，其参数的精确估算往往依赖于充足的实验数据和历史经验。在使用过程中，外部环境、操作条件等外界因素也会影响电池、电机、电控的故障预测结果，基于机理模型的预测方法运用于工程实际时存在精度不足、场景受限等短板。

2.2　基于数据驱动的故障预测方法

基于数据驱动的方法主要依靠信号处理和机器学习等技术，通过海量的原始数据，训练出未来状态量与当前状态的映射关系，从而构建故障预测模型，能够有效避免复杂场景中机理模型失效的情况。

预测电池的故障时，将电池大时间尺度下的状态信息（如一定时间域下的电压、电流等）作为模型训练样本，实现故障预测模型的训练。常用的模型包括前馈神经网络、递归神经网络、SVM模型等，通过构建数据特征与电池寿命等状态估计值之间的关系，构建出电池故障预测模型。Liu等^［66］提出了一种自适应循环神经网络（Adaptive recurrent neural network， ARNN）用于系统动态状态预测，并应用于锂离子电池的RUL进行预测；Nuhic等^［67］使用SVM估计电池的SOH和RUL，利用SVM与基于负载的训练和验证数据处理方式结合，解决SOH和RUL的估计受环境和负载条件影响过大的问题；Zhao等^［68］交替使用灰色模型和相关向量机（Relevance vector machine， RVM）预测电池的健康状态，并通过整合不同的容量退化模型减少预测误差的积累，从而提高电池健康状态的预测准确性；Yao等^［69］将电压等参数作为广义回归神经网络（Generalized regression neutral network， GRNN）的输入，用于故障状态的分类，在使用离散小波变换（Discrete wavelet transform， DWT）去噪技术消除电压的噪声的基础上，提出一种基于小波神经网络（Wavelet neural network， WNN）的电池电压故障预测方法。

上述方法基于非概率模型实现故障预测，预测电池故障还有基于概率模型的方法。概率模型采用高斯回归的方法，利用先验知识，计算出期望预测值的方差，从而得到预测结果。Richardson等^［70］使用高斯过程回归预测电池的健康状态，并对锂电池的容量-循环数据集进行选择，展示高斯过程在RUL预测方面的能力；Wang等^［71］结合了RVM和电池容量衰退模型，估算出锂离子电池的RUL。

预测电机的故障通过海量数据构建电机状态参量和电机当前状态的关系，预测电机内部轴承、定子绕组等元件的故障。常用的数据驱动理论有神经网络、灰色理论、决策树等。电机的故障预测从时间序列、机器学习、组合预测等方面进行展开。时间序列预测通过分析数据序列所展现的时序特征进行模型训练。通过时间推理，预估未来系统可能的状态或故障程度。Li等^［72］依据轴承振动强度时间序列的混沌特征和典型分数阶特征，提出一种长程依赖的预测方法，此方法揭示了振动强度时间序列具有混沌特性，且验证了其预测精度优于自回归模型和神经网络模型；Mirikitani等^［73］提出一种递归神经网络二阶段训练的概率方法，以此改进时间序列建模，显著提高了单步预测的精度。

很多学者也利用机器学习来完成电机故障预测，其方法包括神经网络、决策树等。李兵等^［74］利用聚类方法通过降低分类结点的数量改进传统的决策树算法，解决了随机森林决策树数据复杂度高的问题。在研究过程中发现，决策树中分类器存在漏报问题，基于议会制思想，提出集成投票算法解决该问题，所提算法为电机的轴承故障预测提供了新思路。Gebraeel等^［75］设计了一个基于神经网络的轴承故障预测模型，基于轴承加速寿命实验装置收集轴承故障振动数据训练神经网络模型，以预测轴承的未来发生故障的时间。

组合预测通过结合多种预测技术，整合来自不同模型的预测结果，形成一种多维的故障预测策略。Verma等^［76］基于不同速度工况下获取的电机电流和振动信号进行故障诊断，采用多尺度熵结合灰色理论的方法构建预测算法，经过验证，此方法在预测定子绕组故障方面达到较高的精确度；Liu等^［77］提出了联合损失卷积神经网络架构，该方法可实现故障诊断信息和预测的RUL的融合，能在不同的输出层实现不同的功能，同时进行轴承的故障诊断和RUL预测；Xiao等^［78］提出了双层（深层和浅层）的自联想神经网络架构，提出了递归最小化策略用于处理缺失值，然后利用核密度估计缓解对导出数据的高斯假设，基于故障统计量数据和自回归移动平均模型实现长期的故障预测。

电控系统的故障预测主要采用数据驱动方法，并结合其他辅助技术，构建多技术耦合的故障预测框架。实现该方法的关键在于确保预测模型能够准确捕捉电控系统的故障特征，同时保证训练数据具有较高的相关性，从而使故障特征得以识别和量化。常见的基于数据驱动的预测算法包括贝叶斯网络、粒子滤波、卡尔曼滤波、灰色理论模型和神经网络等。

朱宝琳^［79］根据电路的历史与当前等效电路数据，构建了电解电容器等效串联电路的退化模型，并通过设定步长采集等效串联电阻（Equivalent series resistance， ESR）值，结合粒子滤波预测技术进行不同时间点的ESR预测实验。根据ESR值与失效阈值的接近程度，可确定是否发出故障预警并采取更换电解电容器等措施。Haque等^［80］提出了一种基于辅助粒子滤波的绝缘栅双极型晶体管（Insulated-gate bipolar transistor， IGBT）的RUL估计方法，并通过斜率分析识别IGBT退化区域，从而减少RUL估计的波动性；Li等^［81］提出了回声状态网络（Echo state network， ESN），利用热应力条件下电阻变化作为故障依据，并结合粒子滤波方法更新初始训练的网络模型，从而实现功率MOSFET的RUL预测；吴坚等^［82］通过结合支持向量机与时间滚动学习方法，不断更新样本与预测模型，实现了对电子机械制动传感器故障的精准预测。

基于数据驱动的故障预测方法展现了更高的预测精度，但其局限性在于难以全面展示故障发展的整体过程。此外，大多数数据驱动方法依赖于大量高质量的训练数据，而数据的采集和标注过程是一个巨大的挑战。

组合预测策略通过整合不同类型的模型，展现了较为精准的预测能力。得益于多模型的互补性，合适的权重分配能充分发挥每个模型的独特优势，从而提升整体预测精度。然而，如何确定各模型的最优加权系数仍然是一大难题。尽管如此，凭借其在预测精度上的显著优势，组合预测方法仍然是未来故障预测研究的重点方向。

3 故障处理方法

故障处理是在故障发生后，依据故障信号与故障类型，确定故障的等级与相关信息，给予相应的维修建议或者安全保护措施的过程。目前，相关研究与实际应用主要集中在基于分级的故障处理方法，根据不同级别的故障采取宏观应对措施。随着信息科学、应用数学的快速发展，知识图谱（Knowledge graph， KG）能实现海量的非结构化文本知识的组织管理。因此，知识图谱也被应用在三电系统的故障处理领域，通过构建面向三电系统的故障处理知识体系，能实现根据故障现象快速地获取故障的原因及解决办法^［83］。本文基于上述两类故障处理方法进行综述研究，探讨其基本流程与发展现状。

3.1　基于故障分级的处理方法

新能源汽车的故障分为一级故障、二级故障和三级故障三个级别。基于分级处理的思想，现有的应用和研究利用该思想进行故障分类与处理。分级的处理方法有助于标准化和规范化故障处理流程，提升维修人员的操作水平和处理效率，减少操作不当导致的二次故障。根据相关研究，按系统分类总结在表2中。

宋大凤等^［87］针对混合动力汽车电机故障检测问题，使用模糊逻辑方法求解电机负荷信号和转速信号的绝对值之差的门限值，通过比较电机期望负荷和实际负荷差值与门限值之间的大小，实现故障的分级（无故障、轻微故障、严重故障）检测处理；Ginzarly等^［88］根据严重性等级对永磁电机的故障进行识别分类，研究发现磁体退磁是最严重的故障，提出应当突出电机永磁体故障的严重性的方法；Peters等^［89］提出一种基于数据驱动与故障严重性的诊断框架，利用基于正则回归训练的分类器实现退化与故障诊断，虽然该研究重点研究的是电池与启动机组成的发动机启停系统，但对于新能源汽车的分级故障处理有一定借鉴作用；Kokare等^［90］将混合动力汽车的故障严重度等级分为4个等级，实现对汽车中变速器、永磁同步电机、传动系统和热管理系统进行故障分级处理，使制造商能通过良好的失效模式与影响分析（Failure modes and effects analysis， FMEA）、过程失效模式与影响分析（Process FMEA， PFMEA）和故障研究处理不同的故障；聂振宇等^［91］采用模糊集理论和专家评判的方法构建了故障分类的评价指标体系，实现对燃料电池汽车的故障可能性及后果进行定量分析。

从上述研究中不难看出：①不同研究对故障的分级处理方法依赖专家经验和判断，主观性强；②分级分类的标准较为混乱，不同的厂家、不同车型的新能源汽车故障的特性不同，难以制定统一的分类标准。对于这类传统的故障处理方法，在汽车领域的应用过程中，存在大量的信息没有得到有效的组织与管理现象，造成了故障处理与维修知识的浪费。

3.2　基于知识图谱的处理方法

知识图谱以节点与边的形式来描述故障处理过程中实体以及实体之间的关系，基于故障处理中的海量知识和智能算法，能实现这种结构化语义知识库的自动化构建与更新。知识图谱的技术架构如图4所示，其中虚线框内区域详细描绘了知识图谱的构建与更新流程，每轮的更新包含3个阶段：信息抽取、知识融合和知识加工^［92］。

通用知识图谱和领域知识图谱是知识图谱的两种基本类型，两者覆盖不同的知识范围，分别使用自底向上和自顶向下的构建方法^［93］。由于新能源汽车故障知识具有很强的专业性，因此在相关研究中均采用自顶向下的方法构建领域知识图谱。故障知识图谱主要分为数据层、模式层以及应用层^{［83，94］}，如图5所示。数据层作为汽车故障知识的来源，包含了汽车检修手册、故障维修案例等知识作为确定汽车故障实体和关系的基础数据，在该层中通过对原始数据的整理与关联，为模式层的知识抽取提供数据支撑。模式层从多源异构的文本数据中提取定义好的实体和关系，并进行知识融合，将知识三元组以本体模式存储到知识库中，从而不断构建和更新图谱。应用层则将知识图谱实际应用于故障处理和维修，通过问答和推荐的形式完成故障业务处理。

新能源汽车故障领域的知识图谱的数据层的构建需要结合专家知识，预先定义图谱本体（即车系、车型、故障现象、故障原因等实体及相互关系，如图6所示）。通过命名实体识别（Named entity recognition， NER）将本体从来源于故障手册、维修案例等的非结构化文本中提取，为图谱的构建与应用奠定数据基础。早期的NER基于词典和规则，具有较高的准确度，但是可移植性差，识别的过程会消耗大量的人力、物力^［95］。随着机器学习领域的快速发展，支持向量机^［96］、长短时记忆网络^［97］和预训练语言模型^［98］（Bidirectional encoder representations from transformers， BERT）等方法应用于NER任务中。何玉洁等^［99］将BiLSTM与条件随机场模型（Conditional random field， CRF）进行结合，得到的BiLSTM-CRF成为现有的识别的基础模型。但该模型不能解决故障处理知识中大范围存在实体嵌套的问题，例如“电机过热”这一故障现象实体中，又包含零部件实体“电机”。Li等^［100］提出将NER任务表述为机器阅读理解任务而非序列标记任务来解决嵌套问题；李先旺等^［83］将中文分词引入全局指针中，提出中文分词的嵌套实体识别模型AT-RWSGP，提升了小规模、嵌套的维修文本实体识别。另外，领域知识图谱中存在一词多义等问题。例如，“车辆无法充电”中“充电”作为故障现象实体的一部分，但某些语境中“充电”也可以作为处理办法实体。Devlin等^［98］提出利用BERT微调来联系上下文信息来解决一词多义的问题；胡杰等^［101］采用BERT-BiLSTM-CRF模型对非结构化的故障现象和处理方法进行识别，其模型的整体结构如图7所示。

关系抽取主要指从非结构化的文本中抽取得到计算机可以理解的结构化信息。早期的关系抽取方法是基于规则的，基于规则的方法需要人工构建大量的规则库，耗费大量的人力资源与时间，且泛化能力差，已经制定好的规则不一定适用其他领域。后续又出现了基于机器学习的方法，但此方法为统计机器学习，虽然具有一定的泛化能力，但训练模型的效果很大程度依赖于人工标识的特征。深度学习的算法具有低训练成本和提取特征能力强的特征，因此成为现在关系抽取任务的主流方法。Zeng等^［102］利用卷积深度神经网络将词语标记成输入，同时使用卷积的方法学习句子级别的特征，再使得这两个特征串联起来，最后输入到softmax分类器中完成关系抽取的任务。在之后的研究中，又在原有的基础上提出带有多实例学习的分段卷积神经网络^［103］，该研究将远程监督关系提取转化为多实例问题。Socher等^［104］在关系抽取任务中使用了一种递归神经网络模型，通过学习任意语法和长度的短语以及句子的组合向量表示，再结合解析树来表完成抽取任务，然后分类名词语义关系。

新能源汽车故障及维修文本具有高度的非结构化特征。从非结构化的故障文本中抽取的知识会存在典型的语义重复问题，为实现故障知识的统一，需通过知识融合方法解决其中的重复问题。常用的知识融合的方法是通过计算实体之间的相似度进行融合，李先旺等^［83］以编辑距离和余弦相似度两个参数计算实体相似度，融合相似度大于预设阈值的实体；胡杰等^［101］通过计算编辑距离和结合Jaccard相关系数法计算实体间的相似度。还有一些学者采用联合知识嵌入的方法完成实体对齐。Zhang等^［105］将基于表示学习的算法嵌入知识图谱并对齐实体，该方法通过相应的上下文向量对实体的头/尾进行建模，将跨网络的实体嵌入到一个公共空间中。此外，为了促进知识图谱之间上下文信息的传递，还预先实体对齐。Zhu等^［106］通过IPTransE模型的联合知识嵌入的方法实现实体对齐，将各种知识图的实体和关系联合编码到一个维度的语义空间中，根据实体的语义距离进行对齐。

随着神经网络等机器学习方法的出现，基于学习模型的知识融合方法也得到了发展，Guo等^［107］提出RSN4EA，其为一种实体对齐的循环跳过网络，利用有偏随机游走采样来生成跨知识图的长路径，并用一种新的循环跳过网络对路径进行建模，有效解决了此前基于嵌入的实体对齐方法严重依赖先验对齐的量的问题；Xie等^［108］提出DKRL学习模型，探索了两种编码器，包括连续词袋和深度卷积神经网络模型，用于对实体描述的语义进行编码。

在完成关系抽取、知识融合后，可选择表现优异、安全性高的数据进行存储。基于此，可构建智能问答系统，根据搭建好的知识图谱作为知识库，将用户以及维修人员的自然语言进行语义解析，将结构化的语句传入知识系统，系统将结合知识图谱的数据给出故障处理与维修意见，此过程的系统构架如图8所示。

知识图谱在各领域的热度逐年上升，能对错综复杂的故障及处理信息能够进行高效的加工、处理以及整合。通过构建和更新汽车故障领域的知识图谱，能协助维修人员快速完成故障查询与定位，有利于提升故障处理效率和顾客满意程度。

4 总 结

本文回顾了近年来国内外三电系统服役性能的相关研究进展，从故障诊断、预测及处理三个方面进行综述，表3总结了各类典型方法的优缺点以及适用场合。

故障诊断方面，基于模型与信号处理的方法通过模型构建和详细的信号分析，有较强的理论支撑，且通过模拟系统行为来诊断，对于简单系统故障诊断准确率高，但其有着构建模型复杂和计算成本高的缺点。该方法适用于有明确机理和需要高精度诊断的简单系统，如新能源汽车的单体电池故障。相较于基于模型与信号处理的方法，基于数据驱动的方法避免了复杂的模型构建，可处理大规模的数据，泛化能力强，能适应不同系统；但需要大量的标注数据以支持训练，模型的质量过度依赖数据的质量，且数据驱动的方法基于“黑箱”模型，缺乏可解释性。该方法适用于缺乏精确物理模型的系统和要求实时获取故障信息的场合，例如电池电解液泄漏故障、驱动电机转子偏心等难以辨识的故障。基于车-云协同的故障诊断方法通过结合车辆和云端的数据分析，云端计算资源丰富，拥有持续学习的能力，便于优化系统，分析处理宏观多车的行驶数据，有利于实现多车/多部件的联合故障诊断；但有云端数据泄漏等安全问题，且依赖网络质量，在网络不好的地区存在数据传输延迟问题。该方法适用于目标规模较大且网络质量好的场合，如新能源汽车车队的电池与电力系统性能监控以及单车的多部件联合故障诊断。

故障预测方面，基于机理模型的方法经过大量的试验和数据验证，理论较为完备，具有较高的精度，但针对复杂系统，机理模型难以建立或需要巨大的计算成本，且此方法也难以满足实时性的要求。一般用于过程简单、有明确的输入和输出关系的系统，如动力电池、电子器件寿命预测。基于数据驱动的方法主要关注训练数据的内在规律，其拥有解决在线故障预测的能力，且泛化能力强，能够适应不同的系统，对复杂系统和非线性的数据处理能力较强；但海量数据的存储和提取仍然是一个难点。一般适用于在线预测，处理非线性、时变性较强的数据的场景。

故障处理方面，基于故障分级的方法直观，容易实现，方便资源优先投入到最紧急和最严重的故障处理上，减少资源浪费。但依赖专家经验和判断，主观性强，且分级分类的标准较为混乱，不同的厂家、不同车型的新能源汽车故障的特性不同，难以制定统一的分类标准。适用于单一部件的即时故障处理场合，例如新能源城市客车优先处理电机控制系统失效等高等级故障，延后处理车内显示屏异常等低等级的故障，优先保证车辆安全。基于知识图谱的方法故障处理方法按照命名实体识别、关系抽取、知识融合、智能问答的步骤，高效管理和查询故障信息，能满足不同车型、系统以及部件故障处理需求；但对算力要求较高，训练数据预处理困难。该方法适用于涉及复杂关系和多层次结构的系统。例如，在故障处理中，新能源汽车中动力电池和驱动电机的故障可能存在相互关联，基于知识图谱的方法能快速提供多维度的故障处理建议。

5 结 论

发展新能源汽车是我国汽车产业实现跨越式发展的关键机遇，其三电系统的服役性能相关技术更是未来技术革新的核心突破内容。未来，三电系统性能监控技术的发展可以聚焦以下方面：

（1）技术融合与多维优化：在提升模型与信号处理方法计算效率与准确性的基础上，未来研究应注重引入多信号融合技术以处理多源传感器数据，多维度提升故障特征提取精度；结合机器学习技术，研究多时间尺度的模型参数和性能参数优化方法，提升三电系统多状态联合估计的效率与鲁棒性。

（2）车⁃云协同的智能化拓展：构建车端设备更加高效边缘计算方案以及更精确的故障监测模型，平衡单车性能监控精度与效率；加快构建基于大数据和人工智能的开放式云端性能监控平台，并基于平台研究三电系统的跨车辆、跨区域的故障诊断及预警技术。

（3）系统知识与智能决策：深入分析故障处理全流程的数据特征，在知识图谱构建过程中，研究考虑新能源汽车故障特性的知识融合以及实体对齐关键技术；结合自然语言解析技术与知识图谱，研究故障处理知识问答系统构建方案，实现从故障检测到维修决策的全流程智能化支持。

参考文献

[1] 王震坡, 梁兆文. 中国新能源汽车大数据研究报告(2023)[R]. 北京: 机械工业出版社, 2023.

[2] 陈泽宇, 熊瑞, 孙逢春. 电动汽车电池安全事故分析与研究现状[J]. 机械工程学报, 2019, 55(24): 93-104, 116.

[3] Chen Ze-yu, Xiong Rui, Sun Feng-chun. Research status and analysis for battery safety accidents in electric vehicles[J]. Journal of Mechanical Engineering, 2019, 55(24): 93-104, 116.

[4] 孙振宇, 王震坡, 刘鹏, 等. 新能源汽车动力电池系统故障诊断研究综述[J]. 机械工程学报, 2021, 57(14): 87-104.

[5] Sun Zhen-yu, Wang Zhen-po, Liu Peng, et al. Overview of fault diagnosis in new energy vehicle power battery system[J]. Journal of Mechanical Engineering, 2021, 57(14): 87-104.

[6] 赵志宏. 基于振动信号的机械故障特征提取与诊断研究[D]. 北京: 北京交通大学机械与电子控制工程学院, 2012.

[7] Zhao Zhi-hong. Research on vibration signal based machinery fault feature extraction and diagnosis[D]. Beijing: School of Mechanical, Electronic and Control Engineering, Beijing Jiaotong University, 2012.

[8] Wang Q S, Mao B B, Stoliarov S, et al. A review of lithium ion battery failure mechanisms and fire prevention strategies[J]. Progress in Energy and Combustion Science, 2019, 73: 95-131.

[9] Doyle M, Fuller T F, Newman J. Modeling of galvanostatic charge and discharge of the lithium/polymer/insertion cell[J]. Journal of the Electrochemical Society, 1993, 140(6): 2221597.

[10] Zou C, Manzie C, Nešić D. A framework for simplification of pde-based lithium-ion battery models[J]. IEEE Transactions on Control Systems Technology, 2016, 24(5): 1594-1609.

[11] 葛亚明, 李军. 锂离子电池模型参数辨识方法和放电模拟[J]. 兵器装备工程学报, 2018, 39(6): 188-191.

[12] Ge Ya-ming, Li Jun. Parameters identification of lithium-ion batterie model and simulation of the discharge voltage curves[J]. Journal of Ordnance Equipment Engineering, 2018, 39(6): 188-191.

[13] 赵言本. 基于磷酸铁锂电池修正电化学模型的SOC估计方法研究[D]. 哈尔滨: 哈尔滨工业大学电气工程及自动化学院, 2021.

[14] Zhao Yan-ben. Research on state of charge estimation method for lfp batteries based on modified electrochemical model[D]. Harbin: School of Electrical Engineering & Automation, Harbin Institute of Technology, 2021.

[15] Tang Y, Wu L, Wei W, et al. Study of the thermal properties during the cyclic process of lithium-ion power batteries using the electrochemical-thermal coupling model[J]. Applied Thermal Engineering, 2018, 137: 11-22.

[16] Kim S, Wee J, Peters K, et al. Multiphysics coupling in lithium-ion batteries with reconstructed porous microstructures[J]. The Journal of Physical Chemistry C, 2018, 122(10): 5280-5290.

[17] Zhu J, Knapp M, Darmr M S D, et al. An improved electro-thermal battery model complemented by current dependent parameters for vehicular low temperature application[J]. Applied Energy, 2019, 248: 149-161.

[18] Jhonson V H. Battery performance models in ADVISOR[J]. Journal of Power Sources, 2002, 110(2): 321-329.

[19] Hinz H. Comparison of lithium-ion battery models for simulating storage systems in distributed power generation[J]. Inventions, 2019, 4(3): 41.

[20] Hu X, Li S, Peng H. A comparative study of equivalent circuit models for Li-ion batteries[J]. Journal of Power Sources, 2012, 198: 359-367.

[21] 潘凤文, 弓栋梁, 高莹, 等.基于锂离子电池线性化模型的电流传感器故障诊断[J]. 吉林大学学报: 工学版, 2021, 51(2): 435-441.

[22] Pan Feng-wen, Gong Dong-liang, Gao Ying, et al. Fault diagnosis of current sensor based on linearization model of lithium ion battery[J]. Journal of Jilin University (Engineering and Technology Edition), 2021, 51(2): 435-441.

[23] Xu J, Mi C C, Cao B, et al. A new method to estimate the state of charge of lithium-ion batteries based on the battery impedance model[J]. Journal of Power Sources, 2013, 233: 277-284.

[24] Zou Y, Li S E, Shao B, et al. State-space model with non-integer order derivatives for lithium-ion battery[J]. Applied Energy Barking Then Oxford, 2016,161: 330-336.

[25] Guha A, Patra A. Online estimation of the electrochemical impedance spectrum and remaining useful life of lithium-ion batteries[J]. IEEE Transactions on Instrumentation and Measurement, 2018, 67(8): 1836-1849.

[26] Li J, Adewuyi K, Yagin N L, et al. A single particle model with chemical/mechanical degradation physics for lithium ion battery state of health (soh) estimation[J]. Applied Energy, 2018, 212(2): 1178-1190.

[27] Yang S H, Yang Q, Dan L, et al. A coupled electrochemical-thermal-mechanical degradation modelling approach for lifetime assessment of lithium-ion batteries[J]. Electrochimica Acta, 2019, 326: 134928.

[28] Fang L, Li J, Peng B. Online estimation and error analysis of both SOC and soh of lithium-ion battery based on DEKF method[J]. Energy Procedia, 2019, 158: 3008-3013.

[29] Tian J, Xiong R, Yu Q. Fractional order model based incremental capacity analysis for degradation state recognition of lithium-ion batteries[J]. IEEE Transactions on Industrial Electronics, 2018,66(2): 1576-1584.

[30] 刘博, 李晨, 阎彦, 等. 电机驱动系统故障诊断技术综述[J]. 中国电机工程学报, 2023, 43(14): 5619-5634.

[31] Liu Bo, Li Chen, Yan Yan, et al. Review of fault diagnosis techniques for motor drive systems[J]. Proceedings of the CSEE, 2023, 43(14): 5619-5634.

[32] Ge X, Pu J, Gou B, et al. An open-circuit fault diagnosis approach for single-phase three-level neutral-point-clamped converters[J]. IEEE Transactions on Power Electronics, 2018, 33(3): 2559-2570.

[33] An Q T, Sun L, Sun L Z. Current residual vector-based open-switch fault diagnosis of inverters in pmsm drive systems[J]. IEEE Transactions on Power Electronics, 2015, 30(5): 2814-2827.

[34] 杜嘉晨, 樊启高, 黄文涛. 基于混合逻辑动态模型的PMSM系统开路故障诊断方法[J]. 电机与控制学报, 2023, 27(8): 100-108.

[35] Du Jia-chen, Fan Qi-gao, Huang Wen-tao. Open-circuit fault diagnosis for PMSM system based on mixed logical dynamic model[J]. Electric Machines and Control, 2023, 27(8): 100-108.

[36] Ferdowsi H, Cai J, Jagannathan S. Actuator and sensor fault detection and failure prediction for systems with multi-dimensional nonlinear partial differential equations[J]. International Journal of Control, Automation and Systems, 2022, 20(3): 789-802.

[37] 马铭遥, 凌峰, 孙雅蓉, 等. 三相电压型逆变器智能化故障诊断方法综述[J]. 中国电机工程学报, 2020, 40(23): 7683-7699.

[38] Ma Ming-yao, Ling Feng, Sun Ya-rong, et al. Review of intelligent fault diagnosis methods for three-phase voltage-mode inverters[J]. Proceedings of the CSEE, 2020, 40(23): 7683-7699.

[39] Yin S, Gao H, Qiu J, et al. Descriptor reduced-order sliding mode observers design for switched systems with sensor and actuator faults[J]. Automatica, 2017, 76: 282-292.

[40] 郑大勇, 张品佳. 交流电机定子绝缘故障诊断与在线监测技术综述[J]. 中国电机工程学报, 2019, 39(2): 395-406, 637.

[41] Zheng Da-yong, Zhang Pin-jia. A review of fault diagnosis and online condition monitoring of stator insulation in ac electrical machine[J]. Proceedings of the CSEE, 2019, 39(2): 395-406, 637.

[42] 陈勇, 梁洪, 王成栋, 等. 基于改进小波包变换和信号融合的永磁同步电机匝间短路故障检测[J]. 电工技术学报, 2020, 35(): 228-234.

[43] Chen Yong, Liang Hong, Wang Cheng-dong, et al. Detection of stator inter-turn short-circuit fault in PMSM based on improved wavelet packet transform and signal fusion[J]. Transactions of China Electrotechnical Society, 2020, 35(Sup.1): 228-234.

[44] 王震坡, 黎小慧, 孙逢春. 产业融合背景下的新能源汽车技术发展趋势[J]. 北京理工大学学报, 2020, 40(1): 1-10.

[45] Wang Zhen-po, Li Xiao-hui, Sun Feng-chun. Development trends of new energy vehicle technology under industrial integration[J]. Transactions of Beijing Institute of Technology, 2020, 40(1): 1-10.

[46] 胡晓松, 唐小林. 电动车辆锂离子动力电池建模方法综述[J]. 机械工程学报, 2017, 53(16): 20-31.

[47] Hu Xiao-song, Tang Xiao-lin. Review of modeling techniques for lithium-ion traction batteries in electric vehicles[J]. Journal of Mechanical Engineering, 2017, 53(16): 20-31.

[48] Yang R, Xiong R, Ma S, et al. Characterization of external short circuit faults in electric vehicle Li-ion battery packs and prediction using artificial neural networks[J]. Applied Energy, 2020, 260: 114253.

[49] 张振坤. 三电平四象限电驱系统故障诊断及其容错控制[D]. 济南: 山东大学电气工程学院, 2021.

[50] Zhang Zhen-kun. Fault diagnosis and tolerant control of three level four quadrant motor drive systems[D]. Jinan: School of Electrical Engineering, Shandong University, 2021.

[51] Jaouher B A, Nader F, Lotfi S, et al. Application of empirical mode decomposition and artificial neural network for automatic bearing fault diagnosis based on vibration signals[J]. Applied Acoustics, 2015, 89(3): 16-27.

[52] Chen Z, Xiong R, Lu J, et al. Temperature rise prediction of lithium-ion battery suffering external short circuit for all-climate electric vehicles application[J]. Applied Energy, 2018, 213: 375-383.

[53] Song X, Zhao J, Song J, et al. Local demagnetization fault recognition of permanent magnet synchronous linear motor based on s-transform and pso-lssvm[J]. IEEE Transactions on Power Electronics, 2020, 35(8): 7816-7825.

[54] Ali M Z, Shabbir M N S K, Liang X, et al. Machine learning-based fault diagnosis for single- and multi-faults in induction motors using measured stator currents and vibration signals[J]. IEEE Transactions on Industry Applications, 2019, 55(3): 2378-2391.

[55] 傅振亮, 张建敏, 罗崴, 等. 电池充电状态和电压/温度异常联合故障诊断[J]. 科学技术与工程, 2024, 24(8): 3260-3268.

[56] Fu Zhen-liang, Zhang Jian-min, Luo Wei, et al. Joint fault diagnosis of soc and voltage/temperature abnormalities[J]. Science Technology and Engineering, 2024, 24(8): 3260-3268.

[57] Minaz M R, Akcan E. An effective method for detection of demagnetization fault in axial flux coreless pmsg with texture-based analysis[J]. IEEE Access, 2021, 9: 17438-17499.

[58] Heinrich F, Pruckner M, Jonas K, et al. Unsupervised data-preprocessing for Long Short-Term Memory based battery model under electric vehicle operation[J]. Journal of Energy Storage,2021, 38: 102598.

[59] Xiao D, Huang Y, Zhao L, et al. Domain adaptive motor fault diagnosis using deep transfer learning[J]. IEEE Access, 2019(7): 80937-80949.

[60] Liu R, Wang F, Yang B, et al. Multiscale kernel based residual convolutional neural network for motor fault diagnosis under nonstationary conditions[J]. IEEE Transactions on Industrial Informatics, 2019, 16(6): 3797-3806.

[61] Yang R, Xiong R, He H, et al. A fractional-order model-based battery external short circuit fault diagnosis approach for all-climate electric vehicles application[J]. Journal of Cleaner Production, 2018, 187(6): 950-959.

[62] 禹杭, 高海波, 付博, 等. 基于PCA-RF的永磁电机故障诊断[J]. 应用科技, 2021, 48(6): 90-96.

[63] Yu Hang, Gao Hai-bo, Fu Bo, et al. Fault diagnosis of permanent magnet motor based on PCA-RF[J]. Applied Science and Technology, 2021, 48(6): 90-96.

[64] 向兆军, 胡凤玲, 罗明华, 等. 基于电池组模型和聚类算法的锂离子电池组SOC不一致估计[J]. 机械工程学报, 2020, 56(18): 154-163.

[65] Xiang Zhao-jun, Hu Feng-ling, Luo Ming-hua, et al. Estimation of SOC inconsistencies in lithium-ion battery packs based on battery pack modeling and clustering algorithm[J]. Journal of Mechanical Engineering, 2020, 56(18): 154-163.

[66] Wang Z, Hong J, Liu P, et al. Voltage fault diagnosis and prognosis of battery systems based on entropy and Z-score for electric vehicles[J]. Applied Energy, 2017, 196: 289-302.

[67] Hong J, Wang Z, Chen W, et al. Multi‐fault synergistic diagnosis of battery systems based on the modified multi-scale entropy[J]. International Journal of Energy Research, 2019, 43(14): 8350-8369.

[68] 周洋捷, 王震坡, 洪吉超, 等. 新能源汽车动力电池"过充电-热失控"安全防控技术研究综述[J]. 机械工程学报, 2022, 58(10): 112-135.

[69] Zhou Yang-jie, Wang Zhen-po, Hong Ji-chao, et al. Review of overcharge-to-thermal runaway and the control strategy for lithium-ion traction batteries in electric vehicles[J]. Journal of Mechanical Engineering, 2022, 58(10): 112-135.

[70] 刘鹏, 朱建新, 储爱华, 等. 基于热模型的动力电池热故障诊断系统[J]. 上海交通大学学报, 2015, 49(4): 487-493.

[71] Liu Peng, Zhu Jian-xin, Chu Ai-hua, et al. Power battery thermal faults diagnostic system based on thermal model[J]. Journal of Shanghai Jiaotong University, 2015, 49(4): 487-493.

[72] Burgos M C, Orchard M E, Kazerani M, et al. Particle-filtering-based estimation of maximum available power state in lithium-ion batteries[J]. Applied Energy, 2016, 161(1): 349-363.

[73] Li D Z, Wang W, Ismail F. A mutated particle filter technique for system state estimation and battery life prediction[J]. IEEE Transactions on Instrumentation and Measurement, 2014, 63(8): 2034-2043.

[74] Bueguss W L. Valve regulated lead acid battery float service life estimation using a kalman filter[J]. Journal of Power Sources, 2009, 191(1): 16-21.

[75] Xiong R, Sun F, He H, et al. A data-driven adaptive state of charge and power capability joint estimator of lithium-ion polymer battery used in electric vehicles[J]. Energy, 2013, 63(1): 295-308.

[76] Saha B, Goebel K, Poll S, et al. An integrated approach to battery health monitoring using bayesian regression and state estimation[C]∥IEEE Autotestcon, Baltimore, USA, 2007: 646-653.

[77] Wu Q, Sun Y, Chen W, et al. Theoretical prediction and experimental verification of the unbalanced magnetic force in air bearing motor spindles[J]. Proceedings of the Institution of Mechanical Engineers, Part B: Journal of Engineering Manufacture, 2019, 233(12): 2330-2344.

[78] 胡伟, 温旭辉, 刘钧. 电动汽车电机驱动系统可靠性模型及预计[J]. 电气传动, 2007(12): 7-10.

[79] Hu Wei, Wen Xu-hui, Liu Jun. Reliability model and prediction of motor driving system in electric vehicles[J]. Electric Drive, 2007(12): 7-10.

[80] Wang D, Tsui K L, Miao Q. Prognostics and health management: a review of vibration based bearing and gear health indicators[J]. IEEE Access, 2018(6): 665-676.

[81] Vlok P J, Wnek M, Zygmunt M. Utilising statistical residual life estimates of bearings to quantify the influence of preventive maintenance actions[J]. Mechanical Systems and Signal Processing, 2004, 18(4): 833-847.

[82] Rodriguez I, Alves R. Notice of violation of ieee publication principles bearing damage detection of the induction motors using current analysis[C]∥IEEE/PES Transmission & Distribution Conference and Exposition: Latin America, Caracas, Venezuela,2006: 1-5.

[83] Goode K B, Moore J, Roylance B J. Plant machinery working life prediction method utilizing reliability and condition-monitoring data[J]. Journal of Process Mechanical Engineering, 2000, 214(2): 109-122.

[84] Ugur E, Xu C, Yang F, et al. a new complete condition monitoring method for SiC power mosfets[J]. IEEE Transactions on Industrial Electronics, 2021, 68(2): 1654-1664.

[85] Celaya J R, Saxena A, Vashchenko V, et al. Prognostics of power mosfet[C]∥IEEE 23rd International Symposium on Power Semiconductor Devices and Ics, San Diego, USA, 2011: 160-163.

[86] Liu J, Saxena A, Goebel K, et al. An adaptive recurrent neural network for remaining useful life prediction of lithium-ion batteries[C]∥Annual Conference of the Prognostics and Health management Society, Oregon, USA, 2010: 1-9.

[87] Nuhic A, Terzimehic T, Soczka-Guth T, et al. Health diagnosis and remaining useful life prognostics of lithium-ion batteries using data-driven methods[J]. Journal of Power Sources, 2013, 239(10): 680-688.

[88] Zhao L, Wang Y, Cheng J. A hybrid method for remaining useful life estimation of lithium-ion battery with regeneration phenomena[J]. Applied Sciences, 2019, 9(9): 9091890.

[89] Yao L, Xiao Y, Gong X, et al. A novel intelligent method for fault diagnosis of electric vehicle battery system based on wavelet neural network[J]. Journal of Power Sources. 2020, 453(31): 227870.

[90] Richardson R R, Osborne M A, Howey D A. Gaussian process regression for forecasting battery state of health[J]. Journal of Power Sources, 2017, 357: 209-219.

[91] Wang D, Miao Q, Pecht M. Prognostics of lithium-ion batteries based on relevance vectors and a conditional three-parameter capacity degradation model[J]. Journal of Power Sources, 2013, 239(10): 253-264.

[92] Li Q, Liang S, Yang J G, et al. Long range dependence prognostics for bearing vibration intensity chaotic time series[J]. Entropy, 2016, 18(1): 18010023.

[93] Mirikitani D T, Nikolaev N. Recursive bayesian recurrent neural networks for time-series modeling[J]. IEEE Transactions on Neural Networks, 2010, 21(2): 262-274.

[94] 李兵, 韩睿, 何怡刚, 等. 改进随机森林算法在电机轴承故障诊断中的应用[J]. 中国电机工程学报, 2020, 40(4): 1310-1319, 1422.

[95] Li Bing, Han Rui, He Yi-gang, et al. Applications of the improved random forest algorithm in fault diagnosis of motor bearings[J]. Proceedings of the CSEE, 2020, 40(4): 1310-1319, 1422.

[96] Gebraeel N, Lawley M, Liu R, et al. Residual life predictions from vibration-based degradation signals: a neural network approach[J]. IEEE Transactions on Industrial Electronics, 2004, 51(3): 694-700.

[97] Verma A, Verma S, Verma M H. Stator winding fault prediction of induction motors using multiscale entropy and grey fuzzy optimization methods[J]. Computers & Electrical Engineering, 2014, 40(7): 2246-2258.

[98] Liu R, Yang B, Hauptmann A G. Simultaneous bearing fault recognition and remaining useful life prediction using joint-loss convolutional neural network[J]. IEEE Transactions on Industrial Informatics, 2020, 16(1): 87-96.

[99] Xiao H, Huang D, Pan Y, et al. Fault diagnosis and prognosis of wastewater processes with incomplete data by the auto-associative neural networks and ARMA model[J]. Chemometrics & Intelligent Laboratory Systems, 2016, 161: 96-107.

[100] 朱宝琳. 基于模型的电力电子电路智能故障预测技术研究[D]. 南京: 南京航空航天大学自动化学院, 2015.

[101] Zhu Bao-lin. Research on smart fault prediction of the power electronics based on models[D]. Nanjing: College of Automation Engineering, Nanjing University of Aeronautics and Astronautics, 2015.

[102] Haque M S, Choi S, Baek J. Auxiliary particle filtering-based estimation of remaining useful life of IGBT[J]. IEEE Transactions on Industrial Electronics, 2018, 65(3): 2693-2703.

[103] Li Z, Zhang Z, Outbib R. A prognostic methodology for power mosfets under thermal stress using echo state network and particle filter[J]. Microelectronics Reliability, 2018, 88: 350-354.

[104] 吴坚, 赵阳, 何睿. 基于支持向量机回归算法的电子机械制动传感器系统故障诊断[J]. 吉林大学学报: 工学版, 2013, 43(5): 1178-1183.

[105] Wu Jian, Zhao Yang, He Rui. Fault detection and diagnosis of EMB sensor system based on SVR[J]. Journal of Jilin University (Engineering and Technology Edition), 2013, 43(5): 1178-1183.

[106] 李先旺, 黄忠祥, 贺德强, 等. 汽车故障知识图谱构建及应用研究[J]. 科学技术与工程, 2024, 24(4): 1578-1587.

[107] Li Xian-wang, Huang Zhong-xiang, He De-qiang, et al. Construction and application of failure knowledge graph in automobile field[J]. Science Technology and Engineering, 2024, 24(4): 1578-1587.

[108] 于姝娜. 基于新能源汽车电机驱动系统故障处理方式探讨[J]. 内燃机与配件, 2021(11): 169-170.

[109] Yu Shu-na. Based on the discussion of fault handling methods for electric motor drive systems in new energy vehicles[J]. Internal Combustion Engine & Parts, 2021(11): 169-170.

[110] 檀斐. 车用动力锂离子电池系统故障诊断研究与实现[D]. 北京: 北京理工大学机械与车辆学院, 2015.

[111] Tan Fei. Fault diagnosis and implementation of electric vehicle lithium-ion battery system[D]. Beijing: School of Mechanical Engineering, Beijing Institute of Technology, 2015.

[112] 杜德清. 电动汽车VCU故障诊断系统开发与测试[D]. 长春: 吉林大学汽车工程学院, 2016.

[113] Du De-qing. Development and testing of vcu fault diagnosis system for pure electric vehicle[D]. Changchun: College of Automotive Engineering, Jilin University, 2016.

[114] 宋大凤, 李广含, 张琳, 等. 模糊逻辑在混合动力汽车电机故障检测中的应用[J]. 吉林大学学报: 工学版, 2016, 46(2): 354-359.

[115] Song Da-feng, Li Guang-han, Zhang Lin, et al. Application of fuzzy mathematics in fault diagnosis of motor of hybrid vehicle[J]. Journal of Jilin University (Engineering and Technology Edition), 2016, 46(2): 354-359.

[116] Ginzarly R, Hoblos G, Moubayed N. Severity faults classification in hybrid electric vehicles' permanent magnet machines for prognostic purposes[J]. International Journal of Computer Aided Engineering and Technology, 2017, 9(4): 480-496.

[117] Peters B, Yildirim M, Gebraeel N, et al. Severity-based diagnosis for vehicular electric systems with multiple, interacting fault modes[J]. Reliability Engineering & System Safety, 2020, 195: 106605.

[118] Kokare B D, Deokar S A, Kale M. Hybrid electric vehicle fault diagnosis and detection technique[J]. International Journal of Engineering Research and Technology, 2021, 10(4): 6-10.

[119] 聂振宇, 李良雨, 张广秀, 等. 贫数据条件下燃料电池汽车故障分类方法[J]. 汽车文摘, 2024(6): 39-44.

[120] Nie Zhen-yu, Li Liang-yu, Zhang Guang-xiu, et al. Fault classification methods for fuel cell vehicles under poor data conditions[J]. Automotive Digest, 2024(6): 39-44.

[121] 刘峤, 李杨, 段宏, 等. 知识图谱构建技术综述[J]. 计算机研究与发展, 2016, 53(3): 582-600.

[122] Liu Qiao, Li Yang, Duan Hong, et al. Knowledge graph construction techniques[J]. Journal of Computer Research and Development,2016, 53(3): 582-600.

[123] 杨玉基, 许斌, 胡家威, 等. 一种准确而高效的领域知识图谱构建方法[J]. 软件学报, 2018, 29(10): 2931-2947.

[124] Yang Yu-ji, Xu Bin, Hu Jia-wei, et al. Accurate and efficient method for constructing domain knowledge graph[J]. Journal of Software, 2018, 29(10): 2931-2947.

[125] Zhang Z, Sun Y, Zhang L, et al. Enabling online search and fault inference for batteries based on knowledge graph[J]. Batteries, 2023, 124: 1-18.

[126] 史玉潇. 基于汽车问答文本的知识图谱构建及应用[D]. 大连: 大连海事大学信息科学技术学院, 2022.

[127] Shi Yu-xiao. Construction and application of knowledge graph based on car question and answer text[D]. Dalian: Information Science and Technology College, Dalian Maritime University, 2022.

[128] Shan F, Liu J, Wang X, et al. A smart access control method for online social networks based on support vector machine[J]. IEEE Access, 2020, 8: 11096-11103.

[129] Zhang Y, Yang J. Chinese NER using lattice LSTM[J]. Arxiv Ppreprint, 2018, 5: 180502023.

[130] Devlin J, Chang M W, Lee K, et al. BERT: pre-training of deep bidirectional transformers for language under standing[J]. Arxiv Ppreprint, 2018, 10: 181004805.

[131] 何玉洁, 杜方, 史英杰, 等. 基于深度学习的命名实体识别研究综述[J]. 计算机工程与应用, 2021, 57(11): 21-36.

[132] He Yu-jie, Du Fang, Shi Ying-jie, et al. Survey of named entity recognition based on deep learning[J]. Computer Engineering and Applications, 2021, 57(11): 21-36.

[133] Li X, Feng J, Meng Y, et al. A unified MRC framework for named entity recognition[C]∥58th Annual Meeting of the Association for Computational Linguistics, Online, 2020: 5849-5859.

[134] 胡杰, 陈林, 魏敏, 等. 融合知识图谱和XGBoost的车辆故障诊断研究[J]. 机械科学与技术, 2026, 45(1): 163-172.

[135] Hu Jie, Chen Lin, Wei Min, et al. Research on vehicle fault diagnosis combining knowledge graph and XGBoost[J]. Mechanical Science and Technology for Aerospace Engineering, 2026, 45(1): 163-172.

[136] Zeng D, Liu K, Lai S, et al. Relation classification via convolutional deep neural network[C]∥30th International Conference on Computational Linguistics, Torino, Italy, 2014: 2335-2344.

[137] Zeng D, Liu K, Chen Y, et al. Distant supervision for relation extraction via piecewise convolutional neural networks[C]∥Conference on Empirical Methods in Natural Language Processing, Lisbon, Portugal, 2015: 1753-1762.

[138] Socher R, Huval B, Manning C D, et al. Semantic compositionality through recursive matrix-vector spaces[C]∥Proceedings of the 2012 Joint Conference on Empirical Methods in Natural Language Processing and Computational Natural Language Learning, Jeju Island, Korea, 2012: 1201-1211.

[139] Zhang Y, Liu L, Fu S, et al. Entity alignment across knowledge graphs based on representative relations selection[C]∥5th International Conference on Systems and Informatics, Nanjing, China, 2018: 1056-1061.

[140] Zhu H, Xie R, Liu Z, et al. Iterative entity alignment via joint knowledge embeddings[C]∥26th International Joint Conference on Artificial Intelligence, Melbourne, Australia, 2017: 4258-4264.

[141] Guo L, Sun Z, Cao E, et al. Recurrent skipping networks for entity alignment[J]. Arxiv Preprint, 2018, 11: 181102318.

[142] Xie R, Liu Z, Jia J, et al. Representation learning of knowledge graphs with entity descriptions[C]∥Proceedings of the AAAI Conference on Artificial Intelligence, Phoenix, USA, 2016: 2659-2665.

基金资助

重庆市自然科学基金创新发展联合基金项目(CSTB2023NSCQ-LZX0168)