← 返回
基于深度迁移学习技术的电动汽车动力总成系统状态监测与故障诊断综述
Deep Transfer Learning Technology-Based Condition Monitoring and Fault Diagnosis of Electric Vehicle Electric Powertrain Systems: A Review
| 作者 | Haoxiang Xu · Zicheng Liu · Dong Jiang · Ronghai Qu · Jie Tian |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2026年1月 |
| 技术分类 | 智能化与AI应用 |
| 技术标签 | 故障诊断 机器学习 深度学习 可靠性分析 |
| 相关度评分 | ★★★★ 4.0 / 5.0 |
| 关键词 | 电动汽车 动力总成系统 状态监测 故障诊断 深度迁移学习 可靠性 电力电子 |
语言:
中文摘要
本文综述了电动汽车动力总成（电池、电机、电力电子系统）的状态监测与故障诊断技术。针对电动汽车运行工况复杂、系统配置多样导致的诊断难题，重点探讨了深度迁移学习在提升系统可靠性与安全性方面的应用，为实现动力总成的高效运维提供了理论基础。
English Abstract
The safety and reliability of battery, motor, and power electronics systems in electric vehicles (EVs) are critical determinants of vehicle operation and passenger safety. Precise condition monitoring and fault diagnosis are essential for ensuring optimal electric powertrain systems performance. EVs operate under complex and variable conditions with diverse onboard system configurations, resulting...
S
SunView 深度解读
该技术对阳光电源的电动汽车充电桩业务及储能系统运维具有重要参考价值。深度迁移学习能有效解决不同工况下设备故障特征提取难的问题，建议将其引入iSolarCloud智能运维平台，通过迁移学习算法优化充电桩及储能PCS的故障预测模型，提升设备在复杂环境下的预警准确率。此外，该诊断思路可延伸至PowerTitan等大型储能系统的电池管理系统（BMS）中，通过AI赋能实现更精准的寿命预测与故障隔离，进一步巩固阳光电源在系统可靠性方面的行业领先地位。