純電動汽車電驅動系統故障診斷研究進展［摘要］為全面梳理純電動汽車電驅動系統故障診斷的發展現狀，明確未來發展趨勢，本文首先介紹了純電動汽車電驅動系統的基本架構、功能及發展歷程；然后詳細總結了純電動汽車電驅動系統關鍵部件的故障類型及原因，分析了純電動汽車電驅動系統關鍵部件故障診斷方法的主要研究現狀；接著將診斷方法從專家知識驅動、模型驅動、信號驅動和數據驅動4個方面詳細綜述了純電動汽車電驅動系統國內外研究進展和發展動態，并針對不同方法的優缺點進行了對比；最后對純電動汽車電驅動系統故障診斷所面臨的問題及發展方向進行了分析和展望，進一步討論并指出未來純電動汽車電驅動系統故障診斷研究可以集中在變工況耦合故障診斷、微小故障診斷和前期故障診斷研究、實時在線故障診斷、基于故障診斷的智能運維、未知故障診斷與系統自愈技術等方面。PureElectricVehicles［Abstract］Inordertocomprehensivelyreviewthecurrentstatusandclarifythefuturetrendoffaultdiagno?sisintheelectricdrivesystemofpureelectricvehicles，thispaperfirstintroducesthebasicstructure，functionsanddevelopmenthistoryoftheelectricdrivesystemofpureelectricvehicles；thensummarizesindetailthetypesandcausesoffaultsofcrucialcomponentsoftheelectricdrivesystemofpureelectricvehicles，andanalyzesthemainresearchstatusquooffaultdiagnosismethodsforkeycomponentsoftheelectricdrivesystemofpureelectricvehicles.Thenthedomesticandinternationalresearchprogressanddevelopmentofthediagnosismethodsofthepureelectricvehicleelectricdrivesystemarereviewedindetailfromthefouraspectsofexpertknowledge-driven，model-driven，signal-drivenanddata-driven，withtheadvantagesanddisadvantagesofdifferentmethodscompared.Finally，theproblemsfacedbythefaultdiagnosisofelectricdrivesystemofpureelectricvehiclesandthedevelop?mentdirectionareanalyzedandforeseen，anditisfurtherdiscussedandpointedoutthatthefutureresearchonthefaultdiagnosisofelectricdrivesystemofpureelectricvehiclescanbefocusedonvariableconditioncoupledfaultdi?agnosis，micro-faultandpre-faultdiagnosis，real-timeonlinefaultdiagnosis，intelligentoperationandmainte?nance，unknownfaultdiagnosisandsystemself-healingtechnology，etc.Keywords：pureelectricvehicle；electricaldrivepowertrainsystem；faultdiagnosis前言全球化石能源危機日趨嚴峻［1］環境污染問題逐漸突出［2-3］因具有低污染、高效率等優點，新能源汽車的發展越來越受到人們的重視［4］。國務院在2035）》中指出，發展新能源汽車不僅是我國實現汽車強國的必由之路，也是應對氣候變化、推動綠色發展的戰略舉措［5］。作為節能減排的重要途經，發展新能源汽車符合我國“雙碳”戰略的規劃目標，也是我國能源轉型的重要手段［6-8］。純電動汽車是新能源汽車中的一種，它只使用電能驅動，無須使用傳統燃料。電驅動系統承擔著將電能轉化為機械能、驅動車輛行駛的關鍵角色［9］。電動車電驅動系統的結構有中央驅動式、輪邊驅動式和輪轂直驅式3種拓撲類型［10主要由電機、電機］件、驅動原理等顯著區別于傳統內燃機車，是一個非線性機電強耦合系統，且隨著技術的發展集成度越來越高［12］。復雜的集成結構使得其故障率相對較高，當純電動汽車電驅動系統關鍵部件發生故障時，可能會導致車輛動力性能下降，甚至造成安全隱患［13-14］。隨著新能源汽車的發展，汽車保有量不斷增加，隨之而來的汽車安全問題也不斷增多，2019年奇瑞汽車召回8580輛新能源汽車，差速器后懸置支架與副車架之間的連接螺栓在使用過程中可能松動，導致底盤出現異響，且在極端工況下松動的連接螺栓可能脫落，導致后懸置連同差速器整體位置下沉及半軸竄動，進而造成半軸傳動失效和車輛行駛中動力中斷，存在安全隱患［15寶馬在2019年因驅動電機控制單元故障召回了92輛新能源汽車。這一故障可能會導致電機控制單元失靈，造成車輛在行駛過程中電源關閉和失去驅動力，增加發生事故的風險，存在安全隱患［16］2020年，我國新能源汽車召回45次，涉及車輛35.7萬輛，占全年召回總數量的5.3%［17］東風悅達在2021年因起亞汽車電機控制邏輯故障召回KX3純電動汽車共計309輛，該故障可能會導致無法控制電機正常工作，可能導致車輛儀表盤多個警告燈亮起并發生制動踏板發硬等現象，進一步可能造成制動力下降，存在安全隱患［182022年，特斯拉新能源汽車Model3召回近主要原因是逆變器故障導致的多方面安全隱患，造成逆變器不能正常控制電流，故障可能導致車輛在］10104輛EQC新能源汽車，主要原因是電動驅動模塊制造偏差可能會導致在極端條件輸出功率下降，進而造成電驅動系統安全隱患［20］。因此，開展純電動汽車電驅動系統故障診斷研究對提高純電動汽車的可靠性與安全性、降低運行及維護成本至關重要。當前針對純電動汽車電驅動系統故障診斷方法研究的主要內容包括1）針對電驅動系統關鍵部件如電機、電機控制器、軸承、齒輪傳動等的典型故障開展故障診斷2）模型驅動、信號驅動和數據驅動的故障診斷方法共存，且逐步向數據驅動智能故障診斷方向轉變3）開發更先進的故障診斷方法，如基于遷移學習、小樣本學習的故障診斷方法、數字孿生驅動的故障診斷方法等，改善模型訓練數據樣本不足或不平衡的限制問題，進一步提高故障診斷的準確度和效率。本文首先對純電動汽車電驅動系統的結構、功能及發展歷程進行討論，通過對關鍵部件典型的故障類型及原因進行分類，采用文獻綜述的方法對電驅動系統現有的故障診斷方法進行總結并對比分析其優缺點，指出了純電動汽車電驅動系統故障診斷未來的發展方向，以期為純電動汽車電驅動系統的故障診斷研究提供科學依據。1純電動汽車電驅動系統結構與發展1.1基本構造電驅動系統是純電動汽車動力輸出的核心部分，負責將電能轉化為機械能，驅動汽車前進。主要包括電動機、電機控制器和變速器等部件，是一個復雜的機電強耦合系統，圖1所示為純電動汽車電驅動系統整車構架。永磁同步電機以其突出的性能優勢被廣泛應用于電驅動系統［21通過控制電機控制器為汽車提供組成，電磁線圈通過交流電或直流電來產生旋轉磁場，永磁體受到旋轉磁場的影響產生動力，電機控制器通常采用計算機控制的工作方式來協調電機控制器各部件工作。變速器是將電機的動力轉化為汽車齒輪在變速器中起到轉速調節的作用，軸承是用來支撐齒輪轉動的部件，外殼主要用來固定電動機、電機控制器和變速器三者的集成。體積減小質量減輕效率提高整車續航能力提升電機-減速器集成體積減小質量減輕效率提高整車續航能力提升電機-減速器集成自備供電設備輔助系統動力控制單元車內氣候控制裝置電機控制單元減速器驅動電機自備供電設備輔助系統動力控制單元車內氣候控制裝置電機控制單元減速器驅動電機能源管理儲能元件能源管理儲能元件能量守恒能量守恒車載控制器電控車輛結構電控車輛結構逆變器直流-換器直流變逆變器直流-換器 電池組電氣傳動系統 驅動 驅動電機變速器圖1純電動汽車電驅動系統整車架構1.2發展歷程電驅動系統最初由單軸電動機和手動變速器組成，由于技術水平限制，電動汽車的各個部件都不能達到理想的狀態，因此電動汽車的整體性能相對較差。該階段電動機的控制系統也比較簡單，通常采用機械式變速器或手動變速器，沒有專門的電機控制器。隨著電動汽車技術快速發展，作為電動汽車的核心部分，電驅動系統出現不同的設計方案，根據電動機的數量和位置，可以分為單電動機、雙電動機和多電動機系統，常見的驅動電機主要有永磁同步電機、交流感應電機和開關磁阻電機等。除電動機外，電驅動系統還包括電機控制器和變速器等部件，且隨著技術的發展而不斷改進。電機控制器可根據駕駛需求和工況條件，調節電動機的輸出功率和轉矩，同時保護電動機免受過載、過熱等故障的影響；變速器根據電動機的轉速和車速，調節電動機與車輪之間的傳動比以適應不同的工況條件。目前，常用的變速器有恒速器、雙離合器變速器、無級變速了將電機、電機控制器和減速器分開設計再組裝的的集成式電驅動總成仍為電驅動系統主流的技術方2電驅動系統故障類型及診斷方法2.1電驅動系統典型故障類型根據電驅動系統的運行狀態和輸出信號，進而減速器動力電池動力電池電機控制器動力電池動力電池電機控制器圖2電驅動總成技術發展歷程能夠判斷系統是否存在故障，以及故障的類型、程度和位置。故障診斷可以分為3個層次：定性診斷、定量診斷和定位診斷。定性診斷是指判斷系統是否存在故障，以及故障的類型或類別。定量診斷是指確定故障的程度或嚴重性，即故障參數的大小或范圍。定位診斷是指確定故障發生的具體位置或部件。電驅動系統的故障類型主要分為機械故障、電氣故障、電磁故障及耦合故障，故障模式包括沖擊振動、積見故障類型及失效模式如圖3所示。純電動汽車電驅動系統故障診斷方法的研究越來越得到了廣泛的關注，其中模型驅動的故障診斷方法、信號驅動的故障診斷方法、數據驅動的智能故障診斷方法是最典型的3種故障診斷方法，下面將對這3種方法的國內外研究現狀進行綜述。2.2國內外研究進展2.2.1專家知識驅動的故障診斷方法專家知識的故障診斷方法是指在故障診斷中使用包括拆卸、檢查、測量等物理方法，旨在通過對電驅動系統關鍵部件的實體進行檢查，找出故障的原因，又可稱為知識驅動的故障診斷方法。該方法需要操作者具備一定的專家知識和操作技能且比較耗時，此外，該方法在非機械類故障診斷及實現電驅動圖3常見故障類型及失效模式系統全方位故障診斷具有很大局限。2.2.2模型驅動的故障診斷方法模型驅動的故障診斷方法是利用電驅動系統的動態模型來診斷故障，這種方法通常使用線性或非線性模型來描述電驅動系統的動態行為，并利用故障模式識別技術來識別故障。針對定子繞組故障，Gu［22］提出了一種基于穩態d-q平面內的阻抗不平衡的異步電動機離線匝間故障診斷方法，通過建立具有匝間短路電路回路和故障電阻的感應電動機模型，可以實現匝間短路診斷和故障相繞組中的特定故障繞組，并結合有限元及實驗進行了驗證，但所提方法僅適用于離線診斷。Majid等［23］提出了一種基于有限元模型的定子匝間絕緣故障監測方法，能夠在定子繞組絕緣劣化的初期對其進行評估和診斷，并通過實驗驗證了該方法在不同負載條件下的可行性，能夠在相繞組中只有1.2%匝數的絕緣劣化開始發生時檢測到，僅適用于繞組絕緣檢測。Romeral等［24］建立了永磁同步電機定子匝間繞組短路故障的數值模型，并通過仿真和實驗探究了匝間短路對偏心、非正弦定子繞組結構和轉子結構引起的定子電流固有諧波的影響規律，為實施匝間短路故障在線診斷和容錯控制奠定了理Tian等基于對地短路電阻電壓及電流的諧波分析實現了對地短路故障的監測與定位，只能實現交流測或直流側的故障定位，不能準確定位故障位置。Lare等［26］提出基于有限元仿真的定子繞組短路和氣隙偏心故障診斷方法，基于相電流特征分析可實現閉環電動汽車動力傳動系統的仿真和多個工作點的故障檢測與診斷，但模型的準確性缺少必要的實驗驗證。針對逆變器故障，Poon等［27］提出基于模型的開關功率變換器故障檢測和識別方法，可以用于檢測和識別開關功率轉換器中的組件和傳感器中的任意故障。柯炎等［28］提出利用電壓殘差來診斷逆變器開路故障的方法，建立逆變器閉環控制系統模型，將延遲后的電壓與延遲之前進行比較獲得殘差，通過設置故障檢測閾值進行故障診斷。余運俊等［29］提出基于混合邏輯動態模型的三電平逆變器故障診斷方法，建立逆變器混合邏輯動態模型，通過比較功率管發生單管開路故障時逆變器輸出的三相電流真實值和狀態估計器輸出的三相電流估計值得到殘差方程，并對殘差方程表現特性進行分析實現故障診斷。彭偉發等［30］通過建立電機驅動系統混合邏輯動態模型，提出基于電流殘差的逆變器開路故障診斷方法，僅通過仿真分析驗證。李戰等［31］提出基于平均模型及誤差自適應閾值的方法實現了逆變器開路故障的準確診斷與定位，最快診斷時間僅需2個周期，然而診斷準確度過于依賴模型的準確度，且模型難以及時隨實際變化進行更新。針對軸承和齒輪機械故障，雷亞國等［32］建立行星齒輪齒輪箱仿真模型，結合傳動機理，通過對比分析健康與故障齒輪下振動信號的差異實現了齒輪箱的故障診斷，并進行實驗驗證，但忽略了實際運行工況變化對振動信號的影響。Zhang等［33］提出基于模型的感應電機軸承故障的分析和量化方法，通過使用基于互感變化的氣隙位移重建技術來評估軸承的故障程度，診斷誤差小于10%，但研究忽略了其它故障對氣隙磁場的影響。Sheng等［34］通過搭建齒輪傳動系統仿真模型模擬齒輪故障下的電流響應，提出基于電機電流信號的齒輪斷裂故障診斷方法，但電流信號可能受其它故障因素干擾而影響診斷準確度。楊明等［35］建立了電機、齒輪一體化機電系統模型，基于仿真分析，采用電磁轉矩和電流信號對齒輪故障診斷，發現電磁轉矩分析法適用的轉速范圍更廣，但研究未考慮非穩態工況。基于電機電感結構分析的退磁故障診斷方法，利用分析法計算不同磁鏈下的電機電感，并考慮了磁飽和效應，結合最小二乘法估計電機的磁鏈，實現了對永磁同步電機退磁故障的診斷，但研究沒有進行實驗驗證，只依賴于仿真結果；李紅梅等［37］通過有限元分析建立了PMSM的退磁故障模型，提出基于分形維數的PMSM局部退磁故障診斷方法，利用分形維數作為故障特征，從定子電流信號中提取故障信息，實現了對永磁同步電機局部退磁故障的診斷，研究［38］中基于二維有限元分析，提出一種基于齒槽轉矩分析的永磁同步電機均勻退磁故障診斷方法，通過仿真和實驗驗證了該方法能夠成功檢測均勻退磁故障，所提方法適用于均勻退磁故障，且需要額外測量齒槽轉矩信號，圖4為模型驅動的一般故障診斷流程。否否是圖4模型驅動的故障診斷流程總結發現，模型驅動的故障診斷方法大多基于理想經驗公式推導數學模型而忽略很多干擾因素，而實際中環境對于系統運行的穩定性也會產生影響，這也會影響故障診斷的準確性；此外，現有模型驅動的故障診斷方法大多基于靜態模型，而實際電驅動系統處于動態變化過程中。因此，模型驅動的故障診斷方法難以應用到工程實際。2.2.3信號驅動的故障診斷方法信號驅動的故障診斷方法是利用電驅動系統的工作信號來診斷故障，通常使用時頻域或小波變換等手段對信號進行處理［39以便提取出故障信息，進一步確定故障類型與故障定位。針對定子繞組故障，Jeong等［40］提出了基于電壓負序分量實現永磁同步電機匝間短路早期故障的診斷方法，在短路匝數為1匝~3匝時通過實驗驗證了該方法對于短路匝數少、故障電流小的早期匝間短路故障診斷的有效性，而對短路匝數多、故障電流較大的情況缺少驗證。Sadeghi等［41］提出了基于電機電流經驗模態分解的方法來實現不同定子短路故障的檢測與診斷并通過實驗進行了驗證。Hang等［42］提出一種永磁同步電機匝間短路故障在線檢測方法，通過將定子電流幅值差的絕對值之和作為故障指標，僅需定子電流基波分量就能夠實現故障診斷，研究僅考慮單一故障類型，對于耦合故障情況缺少分析。Guerrero等［43］提出了一種基于對連接在電池組中點和地之間的接地電阻器中電壓的分析，實現接地故障定位診斷的接地故障檢測方法，并通過實驗驗證了方法的可靠性，然而該方法須安裝額外的接地電阻。Yang等［44］提出了基于電機電流信號的故障檢測方法，僅通過電機軸承故障、匝間短路故障驗證了所提方法的有效性。性分析的三相PWM整流器單管和多管開路故障診斷方法，并通過實驗結果驗證了該方法的有效性和魯棒性，該方法需要對三相電流進行重構、形狀分析及對電流相似性進行度量，診斷復雜度較高。Eickhoff等［46］提出基于電流觀測偏差的逆變器開路故障監測方法，可在故障發生后的幾個開關周期內檢測到故障，并通過仿真和實驗證實了所提方法在表貼式永磁同步電機變工況下故障診斷的有效性。黃科元等［47］提出利用三相電流的Park矢量作為故障診斷特征量來診斷逆變器開路故障，計算復雜度高。陳勇等［48］提出基于電流矢量特征分析的逆變器開路故障診斷方法，僅通過逆變器輸出電流的矢量瞬時頻率的變化率和平均值的診斷變量即可實現快速診斷與定位，實驗和仿真結果顯示：定位最短時間小于研究僅考慮了單相開路故障模式。許水清等［49］提出基于電流瞬時頻率估計的逆變器開路故障診斷方法，無需額外附加硬件，故障特征更為顯著，研究方法只針對單一故障類型。傳感器數據融合方法，基于電流和振動信號融合實現了軸承故障類型的有效識別，并指出該方法可用于變轉速條件下的開關磁阻電機故障在線診斷。Popescu等［51］提出了一種振動信號變化檢測和最優分割方法用來實現滾動軸承的內圈、外圈和滾動體的故障檢測，并使用凱斯西儲大學軸承數據中心的數據集進行驗證，對振動信號變化點進行檢測和分等［52］提出利用定子相電流信號和電磁轉矩觀測器成功檢測出齒輪局部式故障，且工程實際中難以獲得轉矩波動信號，實際應用難度大。針對齒輪故障，He等［53］提出了基于振動信號的LEASgram方法來實現高斯和非高斯背景噪聲下齒輪箱的多故障診斷，并通過仿真和實驗在有限場景下驗證了該方法的優越性，研究僅針對單一齒輪故障，而軸承故障對振動信號的影響并未考慮。Sigonde等［54］通過對嚙合齒輪實測振動響應特征進行分析實現了偏心導致的齒輪故障診斷，研究基于特定實驗平臺開展，工程實際中實測振動信號獲取難度較大且成本高。Park等［55］提出了基于齒輪傳動誤差的集合經驗模態分解方法，實現了齒輪輪齒剝落和裂紋故障的分類與診斷，強干擾噪聲下應用該方法的故障診斷準確度缺少驗證。針對退磁故障，張業成等［56］提出基于電流波動特征的故障診斷方法，能夠有效區分繞組匝間短路和轉子局部退磁故障，通過嵌入式軟件即可實現故分析額定轉矩下定子和零序電流利用快速傅里葉變換獲得的諧波，實現電機的退磁故障檢測。Urresty等［58］提出了一種在線檢測表貼式永磁同步電機退磁故障的方法，該方法基于監測定子相電壓的零序分量，實現了局部退磁的故障診斷，但需要訪問定子繞組的中性點，需要額外的硬件或軟件來實現零序電壓分量的測量。Espinosa等［59］提出一種利用希爾伯特-黃變換來對非穩態轉速條件下運行電機定子電克服基于電機電流譜分析的診斷方法的缺點，但僅考慮恒轉矩工況。總結發現，信號驅動的故障診斷大多針對單一故障類型進行，不同故障類型可能導致同樣的故障信號，不同的故障信號也可能對應同樣的故障類型，這可能會導致“誤診”，因此該方法在電驅動系統故障精確診斷的應用中受到限制。2.2.4數據驅動的智能故障診斷方法數據驅動的智能故障診斷方法主要利用傳感器測試數據來實現診斷故障，通常使用機器學習或深度學習及神經網絡等人工智能技術來建立模型，通過對數據進行特征提取并利用建立的模型對特征進行分析來實現故障診斷。Dehbia等［60］對電驅動系統及關鍵部件的典型故障類型進行總結，Zhang等［61］對深度學習算法在電驅動系統故障診斷及健康監測方面的應用進行了綜述，指出人工智能算法在電驅動系統及關鍵零部件的故障診斷中具有明顯優勢。針對定子繞組故障，李垣江等［62］提出基于深度學習的永磁同步電機匝間短路故障診斷方法，利用生成對抗網絡擴充采集的負序電流和轉矩數據集并結合稀疏自編碼網絡實現故障分類，診斷準確率高達99.4%，但過于依賴大量實測樣本來保證訓練網絡的準確度。Peng等［63］針對多工況下對永磁同步電機不可逆退磁和匝間短路故障，提出以電流信號構建自注意力機制的深度學習網絡實現故障診斷，克服了噪聲干擾和多工況變化的影響，并通過實驗驗證了該方法對永磁同步電機早期故障診斷的優越性，但診斷精度受傳感器信號質量影響較大。間短路的故障診斷和分類，該研究需要大量實驗數Park等［65］提出將電流時域信號經希爾伯特變換轉化neuralnetworks，CNN）實現永磁同步電機定子繞組匝間短路故障診斷，但研究僅針對單一故障開展，將信號轉換為2D圖像耗時且計算量大。目前針對電驅動系統中的定子繞組故障診斷大多圍繞匝間短路開展，而相間短路、開路故障、對地短路及多故障耦合的研究少有報道。斯網絡的數據驅動的三相逆變器故障診斷方法，通過快速傅里葉變換提取不同故障模式下的電壓信號特征，并結合實驗驗證了方法的準確性，但該研究僅針對逆變器單一故障開展，多故障下故障特征可能會受到不同程度的影響。Liu等［67］提出了基于電機電流信號特征融合空間金字塔池網絡方法，可直接通過電機運行的當前數據診斷電機故障。于海等［68］提出了一種基于CNN的逆變器故障診斷方法，在噪聲數據和稀疏數據條件下，該方法也能具有很傳感器信號采集模型選擇與建立模型訓練 傳感器信號采集模型選擇與建立模型訓練 好的魯棒性和普適性。Wang等［69］將電機定子三相電流按角度增量同步采樣進一步將角域信號轉換為灰度圖像，通過CNN從灰度圖像中提取故障特征，實現了端到端的逆變器開路故障診斷，并通過實驗證明了該方法在速度域和負載域均具有較好的適應性。孫權等［70］提出基于二維CNN自適應特征提取的逆變器開路故障診斷，在不同工況和不同故障模式下準確率均保持在95.14%以上；為了解決樣本adversarialnetworks，故障診斷方法，但需要人工添加標簽［71］。數據驅動的逆變器開路故障診斷研究普遍沒有考慮樣本條件對網絡性能及診斷的影響，大多直接采用數量多、時長超基波周期的長樣本訓練網絡以保證精度，這極大地限制了方法的實際應用。針對軸承和齒輪機械故障，Li等［72］提出了一種多模態深度支持向量分類方法，采用基于分離-融合的深度學習來執行齒輪箱的故障診斷，并在直齒和斜齒齒輪箱上驗證了該方法的有效性，而工程應用中實測數據樣本稀缺、不平衡等限制導致該方法難以適用。Senanayaka等［73］首先提出了一個電動動力總成的多故障在線診斷與預測在線故障診斷系統的開發過程，但僅通過臺架數據對所開發系統進行了驗證；接著通過實測電驅動總成非穩態運行數據，提出采用卷積神經網絡來實現單一及復合故障的離線診斷方法，有效實現了對定子及齒輪故障的診斷［74針對變工況下耦合故障提出了基于自監督特征學習的電驅動系統多故障在線診斷方法，實現了變轉速、變負荷下多故障及故障嚴重度的在線檢測，并基于測試裝置進行驗證，該方法無須人工標注或先驗知識，然而針對不同類型或規模的傳動系統，特征學習的泛化性和可遷移性有待研究［75］。Chen等［76］提出了基于CNN和離散小波變換（輪箱的故障狀態。He等［77］提出了一種深度置信網絡來實現齒輪傳動故障診斷，該方法通過無監督特征學習自適應地挖掘與故障相關的魯棒特征，減少了對信號處理技術和診斷經驗的先驗知識要求。Ulatowski等［78］提出一種使用組合邏輯的方法，通過分析傳感器信號和控制命令在不同工況下的變化來實現電動汽車電驅動總成齒輪傳動系統關鍵部件的故障診斷，診斷準確度受傳感器和控制系統精度的影響較大。Shao等［79］提出基于振動信號集成深度自動編碼器的軸承智能故障診斷方法，首先使用不同的激活函數作為隱藏函數來設計一系列具有不同特征的自編碼器，然后構建自編碼器從測量的振動信號中進行無監督的特征學習，最后設計了一種組合策略來確保準確和穩定的診斷結果，不依賴于人工特征提取，克服了單個深度學習模型的局限性，但等［80］提出一種基于隨機森林分類器混合的方法來實現滾動軸承故障診斷并通過實驗驗證了所提出方法的魯棒性。Shao等［81］提出基于改進傳遞卷積神經網絡和熱圖像的轉子-軸承系統故障診斷方法，并指出深度遷移學習在解決變工況下的故障診斷任務中具有很大潛力。Shi等［82］提出一種滑動窗口疊加去噪自編碼器和長短時記憶模型的滾動軸承初始故障診斷方法，并通過實驗和經典旋轉機械數據集驗證了該方法的有效性及其相對于現有方法的優越性。Oh等［83］提出基于振動成像和深度學習的無監督特征提取方法來實現轉子故障診斷。Hadraoui等［84］針對電機轉子斷裂故障，通過采集電機啟動和穩定狀態下的瞬時電流和電壓信號并進行時頻域分析，使用有監督的機器學習方法開發故障診斷模型并用來評估電機的運行狀態，取得了良好的診斷效果，實測樣本不足、不平衡或缺失可能影響診斷模型的準確度，圖5為數據驅動的智能故障診斷流程。傳感器或邊緣設備傳感器或邊緣設備其它模型評估與改進圖5數據驅動的智能故障診斷流程針對退磁故障，張丹等［85］提出基于概率神經網步直線電機局部退磁故障診斷方法，通過仿真獲取大量局部退磁故障數據并構建數據庫，利用PNN分類算法實現局部退磁故障的精確分類識別，識別率高達99.4%，但所提方法需要大量樣本數據支撐；Li等［86］提出了一種基于CNN和圖像識別的方法，利用自相關矩陣將定子電流轉換為灰度圖像，然后用CNN提取故障特征，實現了對內置式永磁同步電機的退磁故障的診斷，該方法不受速度和負載的影響；Huang等［87］提出了一種基于磁泄漏信號的非接觸式類器，通過磁等效電路模型分析，選擇了電機表面的磁泄漏信號作為故障信號，然后用對稱點圖法將故障信號轉換為二維圖像，再用WSCN從圖像中提取特征，最后用SSDRB分類器進行故障診斷，實現了對永磁同步電機退磁故障的診斷，但研究僅考慮退磁單一故障類型，且需要轉換信號為圖像和標記樣本。總結發現，電驅動系統故障診斷方法從傳統的基于模型和信號的方法逐步向大數據人工智能的方法轉變，智能故障診斷方法大多基于關鍵部件的充足實測數據進行，而電驅動系統關鍵退化數據稀缺又嚴重制約智能故障診斷在新能源汽車動力系統新型未知故障診斷方面的應用，表1為電驅動系統故障診斷方法對比。針對這一難題，行業專家學者也進行了探索，如：通過不同工況或者不同設備收集的故障數據，利用遷移學習實現跨域或跨任務的知識遷移［88］提高故障診斷模型的泛化能力和適應能力；針對實測樣本不足或者樣本數據不平衡的問題，可采用小樣本學習［89］的方法，通過構建特征網絡和關系網絡，將故障診斷問題轉化為相似度量問題，實現小數據集上的高效故障診斷；針對數據難以獲取問題，可采用數字孿生技術建立研究對象的高保真數字孿生體，將物理實體映射到虛擬空間來模擬工程實際中難以獲得的故障數據，用模擬數據結合少量實測樣本對診斷模型進行訓練，進一步實施故障診斷征提取網絡，提取信號的有效特征，降低過擬合的風險2）優化遷移算法，克服源域與目標域之間的分布差異、標簽不足、噪聲干擾等問題，提高遷移學習的魯棒性3）搭建高保真的數字孿生模型來反映真表1電驅動系統故障診斷方法對比故障診斷方法大類具體診斷方法代表文獻優點缺點模型驅動數值模型驅動［22，24，25，27-30，31-35］2.可重復操作且成本低；3.效率高，響應速度快；4.可診斷多種類型的故障1.故障診斷準確性受模型精度的影響較大；2.模型的維護需要不斷更新和改進；3.非穩態、非線性系統難適用；4.復雜耦合故障診斷難度大有限元驅動信號驅動電流信號驅動2.故障診斷準確率高；3.可實時監測1.信號易受干擾，影響診斷結果；2.不同故障可能對應同一種信號響應，診斷識別難度大；3.特殊信號的傳感器部署、監測及數據采集難度大且成本高電壓信號驅動振動信號驅動多信號融合數據驅動深度學習魯棒性強；2.無須事先建立數學模型，適用于多種不同類型的故障；3.可通過不斷學習來提高診斷準確度1.對數據的質量要求高，需要對數據進行預處理和特征提取；2.受數據質量和傳感器精度等因素的影響，可能會出現誤診斷；3.需要較高的計算能力；4.診斷結果可解釋性較差人工神經網絡卷積神經網絡貝葉斯網絡金字塔池網絡生成對抗網絡深度置信網絡組合邏輯自編碼器隨機森林機器學習概率神經網絡實設備的運行狀態、孿生模型與物理實體間高效的數據傳輸以及模型實時更新難度大。3未來方向與發展趨勢針對純電動汽車電驅動系統的結構特點及大數據智能診斷的趨勢與挑戰，認為可從以下幾個方面持續深入開展電驅動系統故障診斷研究工作，為電驅動系統的智能運維提供充足可靠的理論依據與技術支撐，進而為保證駕駛安全性提供保障。3.1變工況下耦合故障診斷研究現有的電驅動系統及其部件故障診斷研究是在理想的實驗條件下設計和驗證的，而電動驅動系統的實際運行條件復雜多變，溫度、濕度和扭轉振動干擾等非線性時變因素可能會在不同程度上影響故障特征。此外，故障類型與特征之間并不存在嚴格的一一對應關系，故障之間可能存在相互映射和相互影響，這大大增加了故障診斷的復雜性。因此，在非平穩運行條件下開發電驅動系統的實時多故障診斷策略更具有工程意義。3.2微小故障診斷和前期故障診斷研究隨著純電動汽車的普及和發展，對微小故障的診斷和預測變得越來越重要。