基于模糊綜合評價的電動城市公交健康度評估和應用

熊剛，王文明，謝勇波，康祖超

（長沙中車智馭新能源科技有限公司，湖南 長沙 410083）

0 引言

近年來，電動汽車蓬勃發展，電動汽車保有量日益增長，如2018年中國城市電動公交保有量達67萬輛，并以大于10萬輛的數量增長。隨著電動汽車數量和電氣化程度增長，車輛故障也日趨增長，車輛故障將導致車輛在行駛時故障限功、拋錨等故障情形，極大影響出行體驗和增加交通擁堵。因此對電動汽車健康評估的需求更顯迫切，以便對車輛進行有效管理和預測性維護，減少車輛故障，提高出勤率和乘坐體驗[1-3]。電動汽車電動部件眾多結構復雜，難以統一地對其健康進行評估，電動汽車網聯化和大數據分析技術發展，實現了車輛各環節數據的匯聚和多維度的分析，這為電動汽車健康評估提供了條件[4-6]。本文基于電動公交售后維護信息的大數據分析，選定以車輛故障碼為特征，以模糊綜合評價技術來評估車輛健康。

1 健康評估應用框架

為對接入云平臺每輛城市電動公交進行健康評估，為公交運營和維保提供參考建議，基于云平臺評估車輛每日的運營健康狀態，車輛健康評估應用框架如圖1，電動汽車通過車聯網將車輛三電數據匯集到云平臺，同時將售后維保數據儲存到云平臺服務中，在云平臺的大數據分析服務器提取售后維保數據和對應車輛三電數據，進行清洗和融合；通過大數據預處理探索車輛健康與車輛數據的關系，建立起健康評估模型，并將健康模型轉換為可實時執行的健康評估規則，評估模型和規則庫可不斷更新和迭代；當車輛上傳相關的數據后根據健康評估規則庫，產生相應的車輛健康評分，為車輛運行和管理提供建議，便于車輛預測性維護和運營管理及售后備貨。

圖1 車輛健康評估應用框架

健康評估模型采用離線計算，以歷史故障車輛數據為模型數據來源，使用模糊綜合評價對車輛健康的因素進行計算，產生對車輛健康的模糊評價，通過影響因素和模糊評價建立車輛健康評價規則庫。

根據城市公交運營特點和減輕云平臺計算負擔，對車輛健康評估采用離線方式以自然天的方式進行計算，即對每日完整數據離線進行一次車輛的健康評估，根據規則庫計算各因素健康評分在通過加權方式獲取車輛整體健康評分。

2 車輛健康評估

篩選車輛健康影響因素，使用模糊評價方法生產健康評價規則，并產生最終健康評分。

2.1 城市公交健康影響因素

影響車輛健康因素眾多，根據可觀測和數據可達云平臺原則，采用云平臺獲取的數據來進行評估。對于城市運營公交，車輛故障是影響車輛正常運營的最主要因素，其將導致車輛跛行甚至拋錨，本文以車輛故障的角度對車輛進行健康評估，依據車輛維保數據，在數據探索中使用CBC算法對車輛故障相關聯度計算，選定車輛故障代碼、車輛狀態關鍵表征參數、車輛里程作為車輛健康影響因素[7]。

車輛故障代碼、狀態關鍵表征參數均可認為特定場景下車輛狀態的體現，故障代碼在眾多車型中具備通用性，便于不同車型下統一尺度地進行健康評價，車輛狀態關鍵表征參數可分為預設報警和關鍵特征參數，預設報警作為故障代碼的補充，關鍵特征參數為對車輛某狀態某特征參數的統計值。由于影響因素的數量眾多且關聯復雜難以在同一模型下進行評估，將其進行分解，如圖2。其中，故障代碼可分為儲能、驅動、電控三個部分，每一類影響因素下包括多個數據項。

圖2 車輛健康影響因素

2.2 模糊綜合評價

根據2.1的分類，對每一類進行模糊綜合評價產生每一個因素的健康評估規則[8-10]。

（1）建立每一類的影響因素集：

（2）建立評估對象的評語集：

（3）建立權重集

（4）確定單因素評判矩陣

（5）模糊綜合評判

通過模糊綜合評價建立了每一個影響因素對應健康評價的對應關系及參數，對影響因素集，可為原始數據也可為通過統計或聚類的參數，對權重集和評判矩陣依據專家經驗和CRC計算的相關度進行設定。

儲能、電驅動、電控三類故障代碼、預設報警、關鍵特征參數、車輛總里程分別進行模糊綜合評價后，生成城市電動公交的健康評估規則庫。

2.3 車輛健康評分

對車輛健康評分采用百分制即健康評分在[0,100]內來評價車輛健康度，在車輛影響因素觸發后采用減分制，健康評分表述為：

H：車輛健康評分；

X：故障代碼扣分項；

Y：預設報警扣分項；

Z：車輛總里程扣分項；

S：車輛關鍵特征參數扣分項；

k1、k2、k3、k4為各影響因素設定的比例系數，根據其重要程度設定。；

對健康評分項的每一項扣分項，根據健康評估規則，對車輛觸發的每一項評分規則進行累加，即：

3 車輛健康評估應用示例

以一純電動城市公交車型展現本文健康評估方法的應用。

3.1 創建健康評估規則示例

通過該車型維保記錄，將維保記錄中車輛按實際記錄狀況分為{良好，正常，注意，故障} 四類，并按相應車輛故障記錄數據聚類和相關度分析篩選出車輛相關度較高的車輛故障代碼、預設報警、車輛總里程等影響因素，并對所有車輛每日對每個影響因素發生次數聚類并劃分為三個區間，對每個影響因素運行模糊綜合評價算法，獲取該因素隸屬的評語集vi及隸屬度bi，創建車輛健康評估規則。其中根據評語集狀態設置車輛健康扣分如車輛狀態良好則不扣分，車輛故障扣30分。評語集對應狀態扣分與其隸屬度乘積取整即為某個因素對應的扣分值。

根據該模糊綜合評估對影響因素的評估，轉換為健康評估規則，并在云平臺該類車型下設定評價規則如圖3。

圖3 車輛健康評估規則設定

3.2 車輛健康評估示例

當設定好該車型的健康評估規則后，每日凌晨將對該車型本日所有車輛的數據進行處理并按公式6計算各輛車本日的健康評分。如圖4為該型號車輛在最近6天的健康評分。

圖4 車輛健康評分

表1為某天的該車型所有車輛健康評分的分布，由表中可見健康評分在90以上占比達76.69%，平均值為92.56，車輛健康評分集中在高分段，60分以下占比0.39%，該分段車輛故障較頻發，健康狀態較差，應需多進行關注，提前進行維保。

表1 車輛健康評分分布

4 結語

本文對電動汽車健康評估進行應用性研究，以電動汽車每日的運營健康評估為研究對象，確立以車輛故障代碼為主要影響因素來評估車輛健康，使用模糊綜合評價方法建立單影響因素的健康評估模型，并將其轉化為車輛健康評估規則，綜合各評估規則建立以天為單位車輛健康評分，實現了對電動城市公交的車輛健康評估，對車輛管理和預測性維護具有一定的指導意義。本文方法能對整車進行健康評估，對健康評分較低的車輛無法指導具體部件故障，無法針對具體的故障點進行預測性維護，對關鍵零部件進行預測維護將是后續提升的重點。