在混合动力电车中，发动机的建模架构，对降低事故风险有何作用

麻烦看官老爷们右上角点击一下“关注”，方便您进行讨论和分享，感谢您的支持!

本头条号已与维权骑士签约，搬运必追究！

随着全球对能源和环境问题的日益关注，混合动力电动汽车（HEVs）因其出色的排放和燃油效益，在与传统汽车相比越发引人关注。

然而，HEVs的复杂结构、潜在多样的故障以及尚不成熟的诊断技术使得对其故障诊断研究变得尤为紧迫。

本文探讨了针对HEVs故障诊断的各种技术和方法，特别关注发动机建模架构，以提前发现和确认故障，降低事故风险，保障车辆正常运行和乘员安全

混合动力电动汽车故障诊断研究及发动机模型应用

混合动力电动汽车（HEVs）因其在排放和燃油消耗方面的优势，相对于相同排量的传统汽车越来越受到关注。

由于HEVs具有更复杂的结构、更高多样性的潜在故障以及相对不成熟的诊断技术，与传统汽车相比，对HEVs的故障诊断研究变得尤为必要，以便提前发现和确认故障，降低事故概率，确保车辆正常运行和人员安全。

作为新能源车辆的一种类型，HEVs的故障诊断技术也涉及到传统车辆的技术，主要通过车载诊断（OBD）。

如今的OBD技术还算成熟，但现有的OBD技术主要针对传统车辆的发动机电控单元，不能始终诊断HEVs中动力电池、电机等组件的所有故障，如电池包不一致、电池过压以及电机的机械故障等。

为了满足HEVs的诊断需求，一系列混合动力系统的故障诊断技术得到了研究，对于发动机故障诊断，传统的发动机故障诊断技术，如诊断代码、目视检查和压力测试，可以应用于诊断HEVs中的故障。

对于动力电池故障诊断，我们提出了一种基于电压曲线相关系数的短路故障检测方法，通过利用来自电池单体的直接电压测量，计算相邻电池单体之间的相关系数来判断电池是否短路。

对于电机故障诊断，可以通过一种基于多类支持向量机（SVM）分类器和混合粒子群优化（PSO）的方法，用于诊断电机驱动系统（EMDS）中变流器的开路（OC）故障。

HEV诊断应用的发动机建模技术主要包括基于物理、基于数据和混合建模技术，基于物理的模型通过应用热力学、质量守恒、热动力学关系等物理定律，模拟发动机循环过程中发生的现象，以捕捉发动机运行特性。

物理模型通过数值方法迭代求解，不能满足实时约束，不适用于实时控制，主要用于发动机性能模拟。

为了满足实时约束，可以忽略单个循环中发动机状态的差异，同时保留发动机的动态特性，物理过程的部分，如进气、排气和燃烧，可通过半经验公式、经验公式或实验值替代，以简化物理模型。

然而，其精度低于带曲轴角分辨率的完全物理模型，有必要添加扩展以适应需要曲轴角分辨率水平的应用，例如缸内现象和定时控制（如气门正时和喷油正时控制）。

通过添加在不同SOI和涡轮增压器涡轮区域进行发动机状态修正的扩展，开发了扩展的平均值发动机模型。

尽管可以可靠地预测不同时机下的发动机性能，最大相对变化在6%左右，但仍然不能预测单个循环中发动机缸内状态的循环波动此外，需要较大的积分时间步长以满足实时约束。

作为混合动力车辆的主要动力源，发动机模型的实时性能和准确性直接影响车辆模式的性能，为解决在HEV故障诊断的HILS中准确性与实时性之间的冲突。

本文针对不同的故障诊断应用程度简化了发动机模型，并分别验证了基于MVM的和基于FRM的车辆模型在HILS中的故障分类，使用SVM进行发动机的失火故障诊断。

不同故障诊断应用所选的发动机模型

作为混合动力系统的主要动力源，发动机模型的准确性直接影响整车性能仿真结果的可靠性，发动机不仅具有复杂的结构，如曲轴连杆和气门机构，而且不在稳态下工作。

在运行过程中，还包括进气和排气、燃油喷射、缸内燃烧、压缩等瞬态过程，涉及动力学、传热、流体力学等多个学科。

基于多学科理论的发动机详细模型保留了发动机运行过程中的瞬态过程，能够很好地反映发动机的动态特性。

虽然高保真度的发动机详细模型可以最好地模拟发动机的实际工况，但它们在仿真中往往运行速度太慢，无法集成到系统级模型中，其中仿真模型必须在比实时更快的时间内响应，比如用于HILS和故障诊断等瞬态应用。

当仿真速度更为重要时，发动机详细模型可以简化为MAP模型、MVM（平均值模型）或FRM（快速运行模型）。

MAP模型主要基于发动机台架试验收集的各种参数，如发动机性能参数（功率输出和扭矩等）、燃油消耗、热排放、排放等特性，生成描述发动机在速度-负荷范围内工作特性的一系列性能图。

发动机的所有输出都是速度-负荷图查找的结果，对于台架试验数据未涵盖的工况，发动机输出通过线性插值计算。

由于MAP模型不考虑发动机运行过程中的瞬态变化，如进气和排气、燃油喷射、缸内燃烧等，因此只适用于稳态仿真。

此外，由于发动机台架测试的限制，由固定大气条件生成的MAP模型将不适用于外部环境变化，如温度或压力的变化。

由于MAP模型通过许多校准实验获得发动机数据，并通过地图查找计算发动机输出，因此它是最简单且最快的仿真方法，但仅适用于固定外部环境下的稳态仿真。

MVM利用发动机一个循环（即曲轴角720°CA）内每个气缸状态变量的平均值作为输出值，它基于详细模型，通过简化发动机进气处理系统和气缸来提高模型的实时性能。

发动机进气处理系统，尤其是进气和排气系统，可以通过将各种流动子体合并为更大的等效体积来简化。

MVM的气缸可以通过利用地图来表征气缸气流和燃料能量分布来进行简化，有三个量用于表征发动机气缸性能。

第一个是气缸的容积效率，用于确定在仿真期间通过气缸的空气质量流量，第二个是指示效率，描述了多少燃料能量将转化为对活塞所做的工作。

FRM是一种动态的、完全物理的发动机模型，FRM的概念是通过将管道和流量分割合并为具有更大等效体积的单一子体积部分来减少详细发动机模型的复杂性。

这个过程类似于MVM中描述的过程，与MVM不同的是，气缸部分被保留下来，为模型提供了燃烧和气缸传热模型。

而且，FRM通过使用“气缸平移法”来减少气缸计算，以加快仿真速度，所谓的“气缸平移法”是假设所有气缸都以相同的方式工作，忽略每个气缸的工作不均匀性，只计算一个气缸中的状态变化过程。

其他气缸的状态不是直接计算的，而是根据点火顺序从计算出的气缸的状态派生而来，如果忽略每个气缸喷射的燃料质量的不均匀性。

并且排气系统没有干扰，可以认为每个气缸都是均匀的，因此一个气缸的计算结果可以代替其他气缸的计算结果。

不同故障诊断应用中的发动机实时模拟结果

当发动机模型被替换为FRM时，其他条件与之前的情况相同，选择CTUDC的部分作为目标工作条件，在这种条件下，车辆由发动机和电动机驱动，以60公里/小时的恒定速度行驶。

可以通过将第1缸的喷射质量设置为0来模拟单缸缺火，即堵塞喷油器，单缸缺火故障在第2秒注入。

当单缸火故障发生后，发动机的瞬时转速在1秒内从2200转/分钟下降到2070转/分钟，然后再次上升，稳定在大约第6秒时的2190转/分钟。

最终，瞬时速度达到了略低于缺火前的情况，但波动更大，这是因为当单缸火故障发生时，缺火缸从动力输出部分变为负载部分，这会导致瞬时转速降低。

同时，在其他缸的驱动下，瞬时转速将上升，并逐渐在接下来的一些循环中达到新的稳定状态。

然而，由于单缸火导致发动机设计和运行过程中的原本平衡被打破，从而导致瞬时速度的波动增加，MP值和故障计数值在第2秒增加。

这是因为单缸缺火后，瞬时速度变化并出现更大的波动，导致发动机在同一曲轴角度上转动所需的时间不同。

MP值偏离正常发动机循环下的值，以指示发动机单缸缺火故障，在0.8秒后，计数器确认了故障，故障标签从0变为1，可以准确识别单缸发动机的缺火诊断。

因此，柴油发动机的FRM非常适用于需要具有曲轴角分辨率的发动机性能参数的故障诊断应用，例如缸压诊断、燃烧诊断、气门和燃油喷射的定时控制等。

本文针对混合动力电动汽车（HEVs）的不同故障诊断应用，提出了三种发动机模型架构，即MAP模型、均值模型（MVM）和快速运行模型（FRM），然后分别在硬件在环仿真（HILS）中验证了基于MVM和基于FRM的车辆模型，用于使用支持向量机（SVM）进行故障分类以及发动机的失火故障诊断。

从实时性因素来看，MAP模型通过查找在校准实验中生成的地图来获得所有发动机输出，具有最佳的实时性能。

MVM和FRM均具有不到3%的稳态误差，并保留了发动机的动态特性，其实时性能优于详细模型。

此外，MVM的实时性能约比FRM快14%，而详细模型没有实时性能，因为其实时因子大于1。

在HILS中，分别对基于MVM和基于FRM的车辆模型进行了故障分类使用SVM和发动机失火故障诊断的测试。

由于发动机的失火故障诊断需要具有曲轴角分辨率的发动机性能，因此选择了FRM，由于故障模拟方案涉及用于SVM故障分类的外部环境变化，而MAP模型仅适用于固定的外部环境，因此选择了具有比FRM更好实时性能的MVM。

当MVM通过神经网络训练将多个详细缸合并为一个均值缸，MVM通常用于对快速计算速度特别重要，且发动机过程的详细特征相对不重要的诊断情况，如涉及控制系统设计、热管理系统故障和电源系统故障等的车辆级故障诊断应用。

本研究系统地探讨了混合动力电动汽车故障诊断领域的关键问题，特别聚焦于发动机建模架构的研究。

我们的研究结果为HEVs的故障诊断提供了重要的理论和实验支持，帮助确保车辆的可靠性、安全性和环保性。

未来，我们可以进一步探索更精细的模型和更智能的诊断技术，以推动混合动力电动汽车的发展，迈向更清洁、高效的汽车出行时代。