基于模糊综合评价的电动城市公交健康度评估和应用

熊刚，王文明，谢勇波，康祖超

（长沙中车智驭新能源科技有限公司，湖南 长沙 410083）

0 引言

近年来，电动汽车蓬勃发展，电动汽车保有量日益增长，如2018年中国城市电动公交保有量达67万辆，并以大于10万辆的数量增长。随着电动汽车数量和电气化程度增长，车辆故障也日趋增长，车辆故障将导致车辆在行驶时故障限功、抛锚等故障情形，极大影响出行体验和增加交通拥堵。因此对电动汽车健康评估的需求更显迫切，以便对车辆进行有效管理和预测性维护，减少车辆故障，提高出勤率和乘坐体验[1-3]。电动汽车电动部件众多结构复杂，难以统一地对其健康进行评估，电动汽车网联化和大数据分析技术发展，实现了车辆各环节数据的汇聚和多维度的分析，这为电动汽车健康评估提供了条件[4-6]。本文基于电动公交售后维护信息的大数据分析，选定以车辆故障码为特征，以模糊综合评价技术来评估车辆健康。

1 健康评估应用框架

为对接入云平台每辆城市电动公交进行健康评估，为公交运营和维保提供参考建议，基于云平台评估车辆每日的运营健康状态，车辆健康评估应用框架如图1，电动汽车通过车联网将车辆三电数据汇集到云平台，同时将售后维保数据储存到云平台服务中，在云平台的大数据分析服务器提取售后维保数据和对应车辆三电数据，进行清洗和融合；通过大数据预处理探索车辆健康与车辆数据的关系，建立起健康评估模型，并将健康模型转换为可实时执行的健康评估规则，评估模型和规则库可不断更新和迭代；当车辆上传相关的数据后根据健康评估规则库，产生相应的车辆健康评分，为车辆运行和管理提供建议，便于车辆预测性维护和运营管理及售后备货。

图1 车辆健康评估应用框架

健康评估模型采用离线计算，以历史故障车辆数据为模型数据来源，使用模糊综合评价对车辆健康的因素进行计算，产生对车辆健康的模糊评价，通过影响因素和模糊评价建立车辆健康评价规则库。

根据城市公交运营特点和减轻云平台计算负担，对车辆健康评估采用离线方式以自然天的方式进行计算，即对每日完整数据离线进行一次车辆的健康评估，根据规则库计算各因素健康评分在通过加权方式获取车辆整体健康评分。

2 车辆健康评估

筛选车辆健康影响因素，使用模糊评价方法生产健康评价规则，并产生最终健康评分。

2.1 城市公交健康影响因素

影响车辆健康因素众多，根据可观测和数据可达云平台原则，采用云平台获取的数据来进行评估。对于城市运营公交，车辆故障是影响车辆正常运营的最主要因素，其将导致车辆跛行甚至抛锚，本文以车辆故障的角度对车辆进行健康评估，依据车辆维保数据，在数据探索中使用CBC算法对车辆故障相关联度计算，选定车辆故障代码、车辆状态关键表征参数、车辆里程作为车辆健康影响因素[7]。

车辆故障代码、状态关键表征参数均可认为特定场景下车辆状态的体现，故障代码在众多车型中具备通用性，便于不同车型下统一尺度地进行健康评价，车辆状态关键表征参数可分为预设报警和关键特征参数，预设报警作为故障代码的补充，关键特征参数为对车辆某状态某特征参数的统计值。由于影响因素的数量众多且关联复杂难以在同一模型下进行评估，将其进行分解，如图2。其中，故障代码可分为储能、驱动、电控三个部分，每一类影响因素下包括多个数据项。

图2 车辆健康影响因素

2.2 模糊综合评价

根据2.1的分类，对每一类进行模糊综合评价产生每一个因素的健康评估规则[8-10]。

（1）建立每一类的影响因素集：

（2）建立评估对象的评语集：

（3）建立权重集

（4）确定单因素评判矩阵

（5）模糊综合评判

通过模糊综合评价建立了每一个影响因素对应健康评价的对应关系及参数，对影响因素集，可为原始数据也可为通过统计或聚类的参数，对权重集和评判矩阵依据专家经验和CRC计算的相关度进行设定。

储能、电驱动、电控三类故障代码、预设报警、关键特征参数、车辆总里程分别进行模糊综合评价后，生成城市电动公交的健康评估规则库。

2.3 车辆健康评分

对车辆健康评分采用百分制即健康评分在[0,100]内来评价车辆健康度，在车辆影响因素触发后采用减分制，健康评分表述为：

H：车辆健康评分；

X：故障代码扣分项；

Y：预设报警扣分项；

Z：车辆总里程扣分项；

S：车辆关键特征参数扣分项；

k1、k2、k3、k4为各影响因素设定的比例系数，根据其重要程度设定。；

对健康评分项的每一项扣分项，根据健康评估规则，对车辆触发的每一项评分规则进行累加，即：

3 车辆健康评估应用示例

以一纯电动城市公交车型展现本文健康评估方法的应用。

3.1 创建健康评估规则示例

通过该车型维保记录，将维保记录中车辆按实际记录状况分为{良好，正常，注意，故障} 四类，并按相应车辆故障记录数据聚类和相关度分析筛选出车辆相关度较高的车辆故障代码、预设报警、车辆总里程等影响因素，并对所有车辆每日对每个影响因素发生次数聚类并划分为三个区间，对每个影响因素运行模糊综合评价算法，获取该因素隶属的评语集vi及隶属度bi，创建车辆健康评估规则。其中根据评语集状态设置车辆健康扣分如车辆状态良好则不扣分，车辆故障扣30分。评语集对应状态扣分与其隶属度乘积取整即为某个因素对应的扣分值。

根据该模糊综合评估对影响因素的评估，转换为健康评估规则，并在云平台该类车型下设定评价规则如图3。

图3 车辆健康评估规则设定

3.2 车辆健康评估示例

当设定好该车型的健康评估规则后，每日凌晨将对该车型本日所有车辆的数据进行处理并按公式6计算各辆车本日的健康评分。如图4为该型号车辆在最近6天的健康评分。

图4 车辆健康评分

表1为某天的该车型所有车辆健康评分的分布，由表中可见健康评分在90以上占比达76.69%，平均值为92.56，车辆健康评分集中在高分段，60分以下占比0.39%，该分段车辆故障较频发，健康状态较差，应需多进行关注，提前进行维保。

表1 车辆健康评分分布

4 结语

本文对电动汽车健康评估进行应用性研究，以电动汽车每日的运营健康评估为研究对象，确立以车辆故障代码为主要影响因素来评估车辆健康，使用模糊综合评价方法建立单影响因素的健康评估模型，并将其转化为车辆健康评估规则，综合各评估规则建立以天为单位车辆健康评分，实现了对电动城市公交的车辆健康评估，对车辆管理和预测性维护具有一定的指导意义。本文方法能对整车进行健康评估，对健康评分较低的车辆无法指导具体部件故障，无法针对具体的故障点进行预测性维护，对关键零部件进行预测维护将是后续提升的重点。