1. 从“能动”到“能懂”：车载执行器故障诊断的现代挑战

在汽车电子电气架构日益复杂的今天，车载执行器早已不是简单的“开关”或“马达”。它们是车辆与物理世界交互的“手脚”，从控制节气门开度的电子油门，到调整悬架软硬的电磁阀，再到实现高级驾驶辅助的电子转向和线控制动。这些执行器的可靠性，直接关系到车辆的操控性、安全性与舒适性。然而，一个残酷的现实是：执行器是整车系统中故障率相对较高的部件之一，因为它直接承受机械负载、环境应力（如温度、振动、腐蚀）和频繁的电气冲击。

传统的故障诊断，很大程度上依赖于故障码（DTC）。当某个执行器的反馈信号（如位置传感器、电流传感器）超出预设范围，或与控制器指令不匹配时，系统会点亮故障灯，记录一个代码。维修技师通过诊断仪读取代码，再结合维修手册和经验进行排查。这套方法在过去几十年里行之有效，但它存在明显的滞后性和局限性：它通常只在故障已经发生、且严重到足以触发预设阈值时才会报警。对于一些间歇性故障、性能退化（如电机扭矩下降、电磁阀响应变慢）或由多个子系统耦合引发的复杂故障，传统诊断方法往往力不从心。

这就引出了现代故障诊断与故障保险（Fault Tolerance）的核心命题：我们能否让系统在故障发生前或发生初期就“感知”到异常？能否在部分功能失效时，依然保障车辆的基本安全行驶能力？这不仅仅是维修层面的问题，更是功能安全（ISO 26262）和预期功能安全（SOTIF）的核心要求。近期行业热议的“智能运维系统故障诊断报告”、“故障诊断数据集”以及“随机工况下锂离子电池在线故障诊断的模型约束深度学习”等概念，正是这一趋势的体现——诊断正在从基于规则的阈值判断，走向基于数据的智能预测与健康管理。

2. 车载执行器常见故障模式与根因分析

要对执行器进行有效诊断，首先必须理解它会“怎么坏”。不同类型的执行器，其故障模式和机理差异很大，但大体可以归为以下几类。

2.1 电气类故障

这是最常见的故障类型之一。执行器通常由电机（直流有刷/无刷、步进电机）、电磁阀或压电陶瓷等电驱动部件构成。

1. 绕组故障 ：电机绕组会发生匝间短路、对地短路或开路。短路会导致电流异常增大、局部过热，甚至烧毁驱动芯片；开路则直接导致执行器失效。原因包括绝缘老化、过载、制造缺陷或振动导致的导线疲劳断裂。
2. 功率驱动电路故障 ：负责驱动执行器的H桥或MOSFET阵列可能发生击穿、开路或参数漂移。这会导致执行器接收不到正确的驱动电压和电流，表现为无力、抖动或完全不动。过热和电压浪涌是主要诱因。
3. 传感器故障 ：用于闭环控制的位置传感器（如霍尔传感器、旋转变压器）、电流传感器或温度传感器本身可能失效。传感器提供错误反馈，会导致控制器发出错误指令，可能引发执行器过度动作或系统误判。例如，节气门位置传感器信号漂移，会导致发动机怠速不稳或加速无力。

2.2 机械类故障

执行器最终要输出力或位移，机械部分的磨损和卡滞是不可避免的。

1. 磨损与间隙增大 ：齿轮箱、丝杠、轴承等传动部件长期工作后会产生磨损，导致传动间隙（Backlash）增大。这表现为执行器定位精度下降、产生异响或出现空程。对于转向系统，间隙增大会直接导致方向盘旷量变大，影响操控手感。
2. 卡滞与阻塞 ：电磁阀的阀芯可能因油液污染、胶质凝结而卡滞；电动执行器的推杆可能因异物侵入或润滑不良而运动受阻。卡滞轻则导致响应迟缓，重则导致执行器堵转，电流急剧上升而触发保护或损坏。
3. 机械结构失效 ：如固定螺栓松动、塑料齿轮断齿、连杆变形等。这类故障通常由过载、疲劳或材料缺陷引起，会导致功能完全丧失。

2.3 性能退化类故障

这类故障最为隐蔽，在故障码被触发之前就已长期存在，是智能诊断的重点关注对象。

1. 效率下降 ：电机因永磁体退磁、轴承润滑不良等原因，其扭矩-电流特性发生变化，需要更大的电流才能输出相同的扭矩。电磁阀因线圈老化，其力-电流特性也会漂移。
2. 响应特性变化 ：执行器的阶跃响应时间变长、超调量变大，或频率响应带宽变窄。这可能是由于机械摩擦增大、电气参数（如电感、电阻）变化或控制参数不再匹配造成的。
3. 热特性变化 ：执行器的热阻增大或散热条件变差，导致在相同工作负荷下温升更快，更容易触发过热保护，限制其性能输出。

注意 ：许多故障并非孤立发生。例如，机械卡滞会导致电流升高，长期过热又会加速电气绝缘老化，最终可能表现为电气短路。因此，诊断时需要建立系统性的关联思维。

3. 现代故障诊断技术：从阈值判断到智能预测

传统的诊断基于静态阈值，而现代诊断技术则像一位经验丰富的“老中医”，通过“望闻问切”（多维度数据感知）来综合判断系统的“健康状况”。

3.1 基于模型的方法

这种方法需要建立执行器精确的数学模型（物理模型或辨识模型），然后将模型输出的预测值与实际传感器的测量值进行比较，产生“残差”。通过对残差的分析来判断故障。

1. 状态观测器与参数估计 ：例如，对于直流电机，可以建立包含电枢电阻、电感、反电动势系数的模型。通过观测器实时估计这些参数。如果估计出的电阻持续异常增大，可能预示着绕组接触不良或过热；反电动势系数下降可能意味着永磁体退磁。论文中常探讨的“模型约束深度学习”，可以理解为用深度学习网络来学习复杂非线性系统的残差生成或参数估计规则，弥补纯物理模型精度不足的问题。
2. 残差生成与评估 ：生成的残差需要经过统计检验（如卡方检验、序贯概率比检验）来判断是否超出正常随机波动的范围。这比简单的阈值比较更加鲁棒，能更好地抑制噪声干扰。

3.2 基于数据驱动的方法

当系统过于复杂难以建立精确物理模型时，数据驱动方法显示出巨大优势。它依赖于大量的历史运行数据（即“故障诊断数据集”）。

1. 特征提取与健康指标构建 ：从执行器的电流、电压、位置、振动、温度等时序信号中，提取时域特征（如均值、方差、峭度）、频域特征（如频谱峰值）或时频域特征（如小波包能量）。将这些特征组合成一个或多个“健康指标”（Health Index, HI），用于量化性能退化程度。
2. 机器学习与深度学习分类 ：这是处理“故障诊断数据集”的核心。将历史数据（包含正常和各种故障状态下的数据）作为训练集，训练分类模型（如支持向量机SVM、随机森林），或更强大的深度学习模型（如卷积神经网络CNN、长短期记忆网络LSTM）。训练好的模型可以根据实时数据流直接输出故障类型或概率。例如，用一维CNN分析电机电流波形，可以有效区分轴承磨损、转子偏心等不同机械故障。
3. 趋势预测与剩余有用寿命估计 ：智能诊断的更高阶段是预测。通过监测健康指标随时间的变化趋势，使用回归模型（如线性回归、支持向量回归SVR）或序列预测模型（如LSTM），可以预测该指标何时会达到失效阈值，从而估算出剩余有用寿命（RUL）。这对于计划性维修至关重要。

3.3 混合诊断方法

在实际工程中，纯数据驱动方法需要大量标注数据，且可解释性差；纯模型方法又受限于模型精度。因此，混合方法成为主流。例如，用物理模型生成初级残差和特征，再用数据驱动方法（如深度学习）对这些特征进行高级融合与决策，这正是“模型约束深度学习”的思想精髓。它既利用了先验物理知识缩小搜索空间、增强可解释性，又利用数据驱动方法处理模型不确定性和非线性。

4. 故障保险设计：当诊断出故障后，系统该如何应对？

诊断出故障只是第一步，更重要的是系统如何响应。故障保险（Fault Tolerance）设计的目标是防止故障导致危险事件发生，或至少减轻其后果。其策略通常分为几个层级。

4.1 架构层面的冗余设计

对于安全关键系统（如制动、转向），单一的诊断和响应可能不够，需要在硬件架构上提供冗余。

1. 双通道冗余 ：关键的执行器（如电子稳定程序ESP的液压单元、电动助力转向EPS的电机）采用双绕组电机、双驱动电路、双传感器，甚至双微控制器。主通道工作时，副通道实时监控并处于热备份状态。一旦诊断出主通道故障，系统能在毫秒级内无缝切换到副通道，用户可能毫无察觉。
2. 异构冗余 ：采用不同原理的传感器或执行器进行交叉验证和备份。例如，除了用电机电流估算扭矩，额外增加一个扭矩传感器进行直接测量；或在线控制动系统中，保留一部分机械备份链路。

4.2 软件层面的降级与跛行策略

当故障无法通过冗余完全掩盖时，系统需要进入性能受限的“跛行回家”（Limp Home）模式。

1. 功能降级 ：例如，当主动悬架系统的某个电磁阀故障时，系统可以将其锁定在中位，并通知驾驶员悬架系统已失效，车辆将以传统被动悬架模式继续行驶，牺牲舒适性但保障基本安全。
2. 默认状态回归 ：许多执行器设计有“失效-安全”位置。例如，电子节气门在断电或故障时，会由弹簧拉回到一个保证发动机能怠速运行的小开度位置；涡轮增压器的废气旁通阀在故障时会默认全开，防止增压过度。
3. 控制策略重构 ：当某个传感器失效时，利用其他可用信号进行估计（软件冗余）。例如，轮速传感器失效时，可以利用其他三个轮速信号结合车辆模型进行估算；电机位置传感器失效时，可以切换到无位置传感器控制模式（通过反电动势观测）。

4.3 故障处理的具体流程：以电动助力转向为例

让我们结合一个具体案例，看看诊断与保险如何联动。假设电动助力转向系统的电机电流传感器发生信号漂移故障。

1. 故障检测 ：基于模型的诊断模块发现，根据电机电压、转速模型估算出的电流，与实际电流传感器读数之间存在持续且增大的残差。同时，数据驱动模块分析电流信号的频谱，发现了异常谐波成分。两个证据交叉验证，确认为电流传感器故障，置信度超过95%。
2. 故障隔离与系统重构 ：
   • 一级响应 ：控制器立即弃用故障的电流传感器信号。
   • 二级响应 ：切换到软件冗余模式，利用电机电压方程和已知的电机参数（电阻、电感、磁链）实时估算电流值，用于闭环控制。同时，为了安全，将最大助力扭矩限制在正常值的70%。
   • 三级响应 ：通过CAN总线向仪表盘发送明确的故障信息（如“转向助力减弱”），并点亮黄色警告灯，提示驾驶员尽快安全停车检查。
3. 驾驶员体验 ：驾驶员可能会感觉到方向盘比平时稍重一些，但转向功能完全保持，车辆依然可控，能够安全驶往维修站。这就是一个成功的故障保险案例。

5. 构建诊断与保险系统的核心环节与工具链

实现上述先进的诊断与保险功能，离不开一套完整的开发工具链和验证流程。

5.1 数据采集与故障注入

高质量的“故障诊断数据集”是数据驱动方法的基石。获取它不能只靠真实的车辆故障（那太慢且不可控），需要主动进行故障注入。

1. 硬件在环测试 ：在HIL台架上，可以模拟各种极端工况和故障。例如，通过故障注入单元，可以模拟传感器信号短路、开路、漂移；可以模拟执行器堵转、短路；甚至可以模拟网络通信延迟和错误。在受控环境中大量、重复地注入故障，采集系统响应数据。
2. 实车道路测试与数据挖掘 ：从量产车的远程诊断终端或车联网平台，匿名收集海量的车辆运行数据。通过数据挖掘技术，从这些数据中寻找异常模式，甚至可以反推出潜在的故障案例，用于补充和修正模型。

5.2 诊断算法开发与部署

算法开发通常在MATLAB/Simulink、Python等环境中进行，但最终要部署到车规级微控制器上。

1. 模型设计与仿真 ：在Simulink中搭建包含执行器、控制器和诊断模块的完整模型。利用Simulink Design Verifier等工具可以自动生成测试用例，验证诊断逻辑的覆盖率。
2. 代码生成与集成 ：通过Embedded Coder等工具将诊断算法模型自动生成高效、可靠的C代码。这部分代码需要与底层的驱动代码、上层的应用层控制代码进行集成，并满足汽车软件标准（如AUTOSAR）的接口要求。
3. 资源与实时性考量 ：复杂的深度学习模型计算量大，直接部署到MCU可能困难。实践中，常采用两种策略：一是将模型“瘦身”（如剪枝、量化），生成轻量级网络；二是在云端运行复杂模型，车辆端只进行简单的特征提取和上传，接收云端的诊断结果（车云协同诊断）。

5.3 验证与确认：从台架到道路

这是确保诊断系统可靠、不误报、不漏报的关键，也是最耗时耗力的阶段。

1. 单元测试与模型在环测试 ：对每一个诊断算法模块进行严格的单元测试，验证其输入输出关系。
2. 软件在环与硬件在环测试 ：将生成的代码放入仿真环境或HIL台架，进行大规模、系统性的测试。需要覆盖所有定义的故障模式，以及各种边界条件、干扰条件和复合故障条件。测试用例库的管理至关重要。
3. 实车道路测试 ：最终，系统必须经受真实道路环境的考验。包括不同气候（极寒、酷热、高原）、不同路况（颠簸、潮湿）、不同驾驶风格的测试。在这个过程中，可能会发现一些在实验室未曾考虑的干扰源或故障耦合情况。

6. 工程实践中的挑战与应对策略

在实际项目中，将先进的诊断与保险理念落地，会遇到诸多教科书上不会写的挑战。

6.1 误报与漏报的平衡艺术

这是诊断系统设计的核心矛盾。过于敏感的诊断逻辑会导致误报率高，频繁触发警告，让用户感到厌烦，甚至无视真正的严重警报（“狼来了”效应）。过于迟钝的逻辑则会漏报，留下安全隐患。

应对策略 ：

• 多证据融合 ：不要仅凭一个信号或一个模型就下结论。结合时序信息（故障是否持续出现）、多传感器信息交叉验证、以及驾驶员操作上下文（例如，在激烈驾驶时某些参数短暂超限可能是正常的）进行综合判决。
• 置信度管理 ：为诊断结果输出一个置信度分数，而不是简单的“是/否”。系统可以设置不同置信度阈值对应不同级别的响应。例如，低置信度时仅内部记录；中置信度时限制部分性能；高置信度时才向驾驶员报警并执行降级。
• 自适应阈值 ：静态阈值难以适应所有工况。可以基于历史数据或实时工况（如温度、电压）动态调整诊断阈值。例如，电机绕组电阻会随温度升高而增大，其诊断阈值也应相应放宽。

6.2 系统复杂性与诊断耦合

现代汽车的域控制器集中控制多个执行器，执行器之间也存在物理耦合。一个执行器的故障，可能会被另一个执行器的控制器误判。

案例与策略 ： 例如，在混合动力车辆中，发动机的怠速抖动，可能导致与发动机刚性连接的电机产生异常的反电动势波动。电机控制器如果仅监测自身电压电流，可能会误判为电机或逆变器故障。

• 跨域诊断信息共享 ：通过车载网络（如CAN FD、以太网），不同域控制器之间共享关键的诊断状态和原始数据。在上例中，发动机控制器可以广播“当前处于怠速不稳状态”的标志位，电机控制器接收到后，可以暂时放宽相关诊断或采用不同的诊断逻辑。
• 系统级故障树分析 ：在设计初期，就进行系统级的FTA，理清故障传播路径。这有助于在设计诊断逻辑时，区分根因故障和衍生现象。

6.3 长尾问题与数据稀缺

尽管可以通过故障注入获得大量数据，但一些极其罕见、由特殊条件组合引发的“长尾故障”，在测试中很难覆盖，数据也极其稀缺。

应对策略 ：

• 利用生成式AI ：使用生成对抗网络或扩散模型，基于已有的少量故障数据，生成符合物理规律的、多样化的“合成故障数据”，用于扩充训练集，提升模型对罕见故障的识别能力。
• 无监督与半监督学习 ：不依赖大量带标签的故障数据，而是学习正常数据的分布模式。任何显著偏离该模式的行为都被视为异常。这种方法对于发现未知的、新的故障类型特别有用。
• 车云协同与持续学习 ：量产车辆在运行中，其诊断系统本身也在不断产生数据。通过车联网，可以将边缘端不确定的“疑似故障”案例上传到云端，由云端更强大的计算平台进行集中分析和标注，再将更新后的诊断模型或规则下发到车队，实现诊断能力的持续进化。

7. 未来展望：诊断即服务与全生命周期健康管理

车载执行器的故障诊断与保险，正在从一个被动的、事件驱动的售后功能，演变为一个主动的、数据驱动的全生命周期服务。

未来的智能汽车，其诊断系统将深度融入整车电子电气架构和云平台。在车端，它作为一个智能的“车载医生”，实时监控各执行器的“生命体征”，进行本地快速诊断和应急处理。在云端，它作为一个“专家会诊中心”，汇聚千万辆车的运行数据，利用超大规模模型进行深度分析和知识挖掘，不仅能更精准地预测单个车辆的故障，还能发现潜在的设计缺陷或批次性问题。

对于用户而言，他们获得的将不再是冰冷的故障灯，而是清晰的提示：“您的车辆刹车助力泵电机性能预计将在未来1500公里后下降至临界点，建议您预约下次保养时进行检查。” 对于制造商和运维方，他们获得的是基于数据的“智能运维系统故障诊断报告”，能够优化备件库存、精准安排维修资源、甚至指导下一代产品的设计改进。

最终，故障诊断与保险的目标，是让汽车从一个需要人类时刻警惕其“健康”的复杂机器，转变为一个能够自我感知、自我评估、甚至自我调节的可靠伙伴。这条路还很长，但每一次从“故障后维修”到“故障前预警”的进步，都在让出行变得更安全、更安心。