Fehlerdiagnose und fehlertolerante Steuerung in verteilten Elektrofahrzeugen
Die Automobilindustrie steht vor einem tiefgreifenden Wandel, bei dem die Entwicklung elektrischer Antriebssysteme zunehmend in den Fokus rückt. Insbesondere die Architektur verteilter Elektrofahrzeuge (Distributed Electric Vehicles, DEVs) gewinnt an Bedeutung, da sie eine höhere Effizienz, bessere Dynamik und eine flexiblere Fahrzeugarchitektur verspricht. Anstelle eines zentralen Motors verfügen diese Fahrzeuge über mehrere, unabhängig angetriebene Räder, oft in Form von Radnaben- oder Radnähermotoren. Diese Konfiguration eliminiert komplexe mechanische Komponenten wie Getriebe, Differential und Antriebswellen, was zu einem geringeren Gewicht, einer höheren Energieeffizienz und verbesserten Fahrdynamikeigenschaften führt.
Doch dieser technologische Fortschritt bringt auch neue Herausforderungen mit sich. Die erhöhte Anzahl an Aktuatoren steigert die Wahrscheinlichkeit von Ausfällen in Motoren, Leistungselektronik oder Sensoren. Ein einzelner Motorausfall kann das Drehmomentgleichgewicht stören, was zu instabilen Gierbewegungen, verminderter Traktion und letztlich zu einer Beeinträchtigung der Fahrzeugstabilität führt. Im Gegensatz zu herkömmlichen Fahrzeugen, bei denen ein einziger Antriebsstrang das System dominiert, sind verteilte Elektrofahrzeuge komplexe, mehrfach redundante Systeme, deren dynamische Interaktionen zwischen den Rädern die Längs-, Quer- und Gierbewegungen in nichtlinearer Weise beeinflussen. Eine Störung in einem Antriebsstrang kann daher nicht isoliert betrachtet werden, sondern wirkt sich unmittelbar auf das Gesamtfahrverhalten aus.
In einer umfassenden Studie, die kürzlich in der Zeitschrift für Chongqing University of Technology (Natural Science) veröffentlicht wurde, untersuchen Qiang Wang und sein Team von der Fakultät für Verkehrswesen der Shandong University of Science and Technology die aktuellen Entwicklungen und zukünftigen Perspektiven im Bereich der Fehlerdiagnose und fehlertoleranten Steuerung (Fault-Tolerant Control, FTC) für diese Fahrzeuge. Die Forschung, die auch die Zusammenarbeit mit Kollegen wie Kui Liang, Zhiyong Wang, Zeming Shang, Ze Ren, Ziliang Zhao und Song Liu umfasst, liefert eine systematische Analyse der vorherrschenden Technologien und identifiziert kritische Forschungslücken, die für die Sicherheit und Zuverlässigkeit der nächsten Fahrzeuggeneration entscheidend sind.
Ein zentraler Aspekt der Studie ist die Fokussierung auf zwei häufige und schwerwiegende Fehlerarten in Permanentmagnet-Synchronmotoren (PMSMs), die in der Regel in verteilten Elektrofahrzeugen eingesetzt werden: Wicklungsfehler und Entmagnetisierung der Permanentmagnete. Wicklungsfehler, insbesondere Kurzschlüsse zwischen Windungen (inter-turn short circuit) oder zwischen Phasen (phase-to-phase short circuit), sind häufige elektrische Ausfälle. Sie beginnen oft subtil, mit einer Degradation der Isolierung, die zu lokaler Überhitzung und erhöhten Stromharmonischen führt. Wenn diese Fehler nicht frühzeitig erkannt werden, können sie sich verschlimmern und zu einem vollständigen Phasenkurzschluss führen, was zu einer rapiden Temperaturerhöhung, erheblichen Drehmomentpulsationen und letztlich zu irreparablen Schäden am Motor führt.
Die Diagnose solcher Wicklungsfehler erfolgt hauptsächlich über zwei Ansätze: die Signalanalyse und die intelligente Identifikation. Die Signalanalyse nutzt Abweichungen in elektrischen und mechanischen Parametern wie Strom, Spannung, Gegen-EMK, Vibrationen und akustischen Emissionen. Traditionelle Methoden wie die schnelle Fourier-Transformation (FFT) analysieren harmonische Komponenten im Statorstrom, die durch Kurzschlüsse erzeugt werden. Allerdings stößt die FFT an ihre Grenzen, wenn das Fahrzeug unter nicht-stationären Bedingungen betrieben wird – eine typische Situation im realen Verkehr. Da die FFT stationäre Signale voraussetzt, kann ihre Zuverlässigkeit bei variierenden Drehzahlen und Lasten eingeschränkt sein.
Um diese Limitationen zu überwinden, gewinnen zeitfrequenzbasierte Analyseverfahren wie die Wavelet-Paket-Transformation und die Hilbert-Huang-Transformation (HHT) an Bedeutung. Diese Techniken sind in der Lage, transiente Merkmale und nichtlineares Signalverhalten zu erfassen. Die HHT zerlegt Signale in intrinsische Modusfunktionen und extrahiert Informationen zur momentanen Frequenz, wodurch Fehlermuster sichtbar werden, die sich im Laufe der Zeit entwickeln. Obwohl leistungsfähig, sind diese Methoden nicht frei von Herausforderungen. Probleme wie Modalmischung, bei der verschiedene Schwingungsmoden in einer Funktion verschmelzen, können die Genauigkeit der Diagnose beeinträchtigen und die reale Anwendung in Echtzeitsystemen erschweren.
Demgegenüber bieten intelligente Identifikationsmethoden, insbesondere solche, die auf maschinellem Lernen und Deep Learning basieren, eine vielversprechende Alternative. Diese Ansätze benötigen keine präzisen physikalischen Modelle des Motors und sind daher flexibler und anpassungsfähiger an unterschiedliche Betriebszustände und Fehlerausprägungen. Faltungsneuronale Netze (CNNs) haben sich beispielsweise als effektiv erwiesen, um räumliche Merkmale aus Spannungs-, Strom- und Drehzahlsignalen zu extrahieren und die genaue Position eines Kurzschlusses zu lokalisieren. Wiederkehrende Architekturen wie Long Short-Term Memory (LSTM)-Netzwerke, die mit Metaheuristiken wie dem Wal-Optimierungsalgorithmus optimiert werden, zeigen eine hohe Genauigkeit bei der Schätzung der Anzahl der kurzgeschlossenen Windungen.
Hybride Modelle, die Signalverarbeitung mit künstlicher Intelligenz kombinieren, steigern die Diagnoseleistung weiter. Ein bemerkenswerter Ansatz verwendet Generative Adversarial Networks (GANs), um begrenzte Fehlerdatensätze zu erweitern, was ein häufiges Problem in der realen Welt ist, wo gesunde Betriebszustände viel häufiger vorkommen als Fehlerzustände. Anschließend werden Sparse Autoencoder eingesetzt, um hochwertige Merkmale aus diesen erweiterten Datensätzen zu extrahieren, was die Klassifizierungsgenauigkeit für anfängliche Fehler verbessert. Support Vector Machines (SVMs), wenn sie mit symmetrischen Stromkomponenten gefüttert werden, die aus der Fourier-Analyse gewonnen wurden, zeigen ebenfalls eine starke Leistung bei der Unterscheidung zwischen gesunden und fehlerhaften Wicklungszuständen.
Trotz dieser Fortschritte bei der Diagnose von Zwischenwindungskurzschlüssen weist die Studie eine signifikante Forschungslücke bei Phasen-zu-Phasen-Kurzschlüssen auf. Diese schwerwiegenden Fehler, obwohl seltener, können zu einem katastrophalen Motorausfall führen. Einige Studien, wie die von Daizong Tian und Kollegen, haben versucht, Phasen-zu-Phasen-Fehler durch thermische Feldanalyse zu modellieren, aber systematische Diagnoseframeworks fehlen noch weitgehend. Dies stellt einen kritischen Bereich für zukünftige Forschung dar, insbesondere angesichts der Tendenz, Motoren mit höherer Leistungsdichte und höheren Betriebstemperaturen zu entwickeln.
Ein weiterer kritischer Fehlermodus, der speziell für PMSMs relevant ist, ist die Entmagnetisierung der Permanentmagnete. Einflüsse wie hohe Temperaturen, entgegengesetzte Magnetfelder, mechanische Vibrationen oder chemische Korrosion können einen teilweisen oder vollständigen Verlust des magnetischen Flusses verursachen, was sich direkt auf das Drehmoment und die Effizienz des Motors auswirkt. Im Gegensatz zu Wicklungsfehlern verläuft die Entmagnetisierung oft schleichend und kann unbemerkt bleiben, bis die Leistungsdegradation erheblich ist.
Die Diagnose der Entmagnetisierung stützt sich stark auf die Erkennung abnormaler harmonischer Inhalte in Motorstrom und -spannung. Die schnelle Fourier-Transformation bleibt ein grundlegendes Werkzeug, wobei Forscher Harmonische in der Gegen-EMK, der Nullfolgespannung und dem Statorstrom analysieren, um die Schwere der Entmagnetisierung abzuleiten. Die Hilbert-Huang-Transformation wird ebenfalls angewendet, um zeitvariante Frequenzkomponenten zu extrahieren, die mit einem geschwächten Fluss korrelieren. Die Wavelet-basierte Hüllkurvenanalyse der Luftspaltmagnetdichte bietet eine weitere effektive Methode, um Entmagnetisierungsmuster zu identifizieren, insbesondere bei Linearmotoren.
Modellbasierte Parameterschätzverfahren liefern quantitative Einblicke. Der Kalman-Filter ermöglicht beispielsweise eine Echtzeit-Verfolgung von Drehmomentpulsationen, die mit einer durch Entmagnetisierung verursachten Flussasymmetrie korrelieren. Kleinste-Quadrate-Methoden wurden verwendet, um den Entmagnetisierungsgrad durch die Analyse von Variationen im Radius der Gegen-EMK zu schätzen. Die strukturelle Analyse der Motorinduktivität, wie von Seungmok Moon vorgeschlagen, bietet einen indirekten, aber zuverlässigen Indikator für Änderungen der Flussverkettung.
Intelligente Methoden werden zunehmend für die Diagnose der Entmagnetisierung eingesetzt. Neuronale Netze, die mit Daten aus Finite-Elemente-Simulationen trainiert wurden, können die Schwere der Entmagnetisierung basierend auf Strom- und Temperaturprofilen klassifizieren. Deep-Learning-Modelle, einschließlich Faltungsnetzwerke, haben eine hohe Genauigkeit bei der Unterscheidung zwischen normalem und entmagnetisiertem Zustand unter verschiedenen Lastbedingungen gezeigt. Die Graue Systemtheorie und dynamische Bayes-Netzwerke wurden ebenfalls mit der Signalverarbeitung integriert, um die Robustheit der Fehlererkennung in verrauschten Umgebungen zu verbessern.
Ein zentraler Erkenntnis der Studie ist die wachsende Betonung der lokalen Entmagnetisierung, die häufiger vorkommt als eine vollständige Entmagnetisierung, aber schwerer zu erkennen ist. Eine lokalisierte Flussreduktion erzeugt asymmetrische Magnetfelder, die zu komplexen harmonischen Signaturen führen, die sich mit denen anderer Fehler wie Unwucht überschneiden können. Das gleichzeitige Auftreten mehrerer Fehlerarten – wie kombinierte Entmagnetisierung und Unwucht – erschwert die Diagnose zusätzlich. Die Autoren betonen die Notwendigkeit von Multi-Signal-Fusion-Strategien, die elektrische, magnetische und mechanische Daten kombinieren, um die Fehlerdiskriminierung zu verbessern.
Im Hinblick auf die Fahrzeug-Ebene der Steuerung unterscheidet die Studie zwei Hauptstrategien für die fehlertolerante Steuerung: passive und aktive FTC. Passive FTC verwendet feste Regelgesetze, die so ausgelegt sind, dass sie gegenüber einer vordefinierten Menge an Fehlern robust sind. Diese Regler erfordern keine Echtzeit-Fehlererkennung oder eine Neukonfiguration der Regelung und sind daher einfacher zu implementieren. Beispiele hierfür sind robuste PI-Regler und Sliding-Mode-Regler, die für bekannte Ausfallmodi wie den Ausfall eines einzelnen Motors abgestimmt sind.
Passive Methoden haben jedoch inhärente Anpassungsgrenzen. Sie können nicht auf unvorhergesehene oder sich entwickelnde Fehler reagieren und opfern oft die Leistung, um die Stabilität zu gewährleisten. Im Gegensatz dazu rekonfiguriert die aktive FTC das Regelungssystem dynamisch basierend auf der Echtzeit-Fehlerdiagnose. Dieser Ansatz nutzt Fehlerinformationen, um das Drehmoment neu zu verteilen, die Regelungsziele neu zu optimieren und die Fahrzeugdynamik innerhalb sicherer Grenzen zu halten.
Aktive FTC-Architekturen folgen typischerweise einer hierarchischen Struktur. Die obere Ebene, die Bewegungsregelungsebene, bestimmt die gewünschte Längskraft und das gewünschte Giermoment basierend auf Fahrerinputs und dem Fahrzeugzustand. Dies wird durch Referenzmodelle wie das Zwei-Freiheitsgrade-(2DOF-)Fahrradmodell erreicht, das die ideale Giergeschwindigkeit und den Seitenrutschwinkel vorhersagt. Allerdings können bei hoher Querbeschleunigung die Reifensättigung die Annahmen linearer Modelle ungültig machen. Um dies zu beheben, integrieren fortschrittliche Regelstrategien Schätzungen des Reibungskoeffizienten der Fahrbahn, um die Referenzwerte zu modifizieren und Instabilität zu verhindern.
Die modellprädiktive Regelung (MPC) und die Sliding-Mode-Regelung (SMC) sind die dominierenden Techniken in der Bewegungsregelungsebene. Die MPC verwendet ein dynamisches Fahrzeugmodell, um zukünftige Zustände vorherzusagen und die Regelungsgrößen über einen endlichen Zeithorizont zu optimieren. Ihre Fähigkeit, Beschränkungen und mehrere Zielsetzungen zu berücksichtigen, macht sie besonders gut für FTC-Anwendungen geeignet. Die Sliding-Mode-Regelung, bekannt für ihre Robustheit gegenüber Parameterunsicherheiten und externen Störungen, ist effektiv, um die Tracking-Leistung trotz Aktuatorfehlern aufrechtzuerhalten. Allerdings muss das typische „Chattering“ (Ruckeln) der SMC durch Grenzschichttechniken oder adaptive Verstärkungen gemildert werden.
Die untere Ebene, die Drehmomentzuweisungsebene, übersetzt die gewünschten Kräfte und Momente in individuelle Radmomente. Dies ist ein Optimierungsproblem mit Beschränkungen, besonders unter Fehlerbedingungen, bei denen bestimmte Motoren teilweise oder vollständig deaktiviert sein können. Pseudoinverse Methoden, die häufig in überaktuierten Systemen verwendet werden, berechnen die Drehmomentverteilung, indem sie die Steuerwirksamkeitsmatrix invertieren. Standard-Pseudoinverse-Lösungen berücksichtigen jedoch nicht die Aktuatorbegrenzungen oder durch Fehler verursachte Asymmetrien. Gewichtete Pseudoinverse-Ansätze, die degradierten Motoren eine geringere Priorität zuweisen, verbessern die Machbarkeit und Konvergenz.
Die quadratische Programmierung (QP) hat sich als flexiblere und leistungsfähigere Alternative herauskristallisiert. Durch die Formulierung der Drehmomentzuweisung als ein Kostenminimierungsproblem mit Ungleichheitsbeschränkungen – wie Motordrehmomentbegrenzungen, Reibungsausnutzung der Reifen und Ausschluss von Fehlern – stellt QP sicher, dass die Lösungen optimal und physikalisch realisierbar sind. Algorithmen wie die Active-Set-Methode und die Primal-Dual-Innere-Punkt-Methode bieten eine schnelle Konvergenz, die für die Echtzeitimplementierung entscheidend ist. Die Integration von Reifenausnutzungsmetriken in die Kostenfunktion hilft, die Stabilität zu erhalten, indem sichergestellt wird, dass einzelne Reifen ihre Reibungsgrenzen nicht überschreiten, besonders beim Kurvenfahren.
Über die herkömmliche Steuerungszuweisung hinaus gewinnen intelligente FTC-Methoden an Aufmerksamkeit. Dazu gehören adaptive Regelung, Backstepping und Multi-Modell-Schaltstrategien. Die adaptive Regelung passt die Reglerparameter in Echtzeit basierend auf Fehlerschätzungen an, um unbekannte Dynamiken auszugleichen. Das Backstepping-Design, eine rekursive Methode für nichtlineare Systeme, ermöglicht den systematischen Aufbau stabilisierender Regler auch unter zeitvariierenden Fehlern.
Multi-Modell-FTC-Systeme verwalten eine Gruppe von Reglern, von denen jeder auf einen bestimmten Betriebsmodus – wie normal, Ausfall eines Motors oder Ausfall zweier Motoren – abgestimmt ist. Basierend auf der Fehlerklassifizierung mischt das System die Ausgaben der Regler unter Verwendung einer gewichteten Mittelung, um einen sanften Übergang zwischen den Modi zu gewährleisten. Ansätze mit Verstärkendem Lernen und Meta-Lernen werden ebenfalls erforscht, bei denen Regelungsrichtlinien offline auf Fehler-Szenarien trainiert und für die Online-Anpassung bereitgestellt werden.
Hybride FTC-Strategien, die passive und aktive Elemente kombinieren, werden zunehmend üblich. Zum Beispiel kann ein System einen robusten Sliding-Mode-Regler als Grundlage verwenden und gleichzeitig die Fehlerschätzung nutzen, um die Regelverstärkungen anzupassen oder die Drehmomentverteilung neu zu konfigurieren. Dieser hybride Ansatz balanciert Zuverlässigkeit und Anpassungsfähigkeit und bietet Fallback-Mechanismen, wenn die Fehlerdiagnose unsicher ist.
Die Autoren identifizieren mehrere aufkommende Trends und Herausforderungen. Erstens erfordert die dynamische Natur von Fehlern – wie die fortschreitende Degradation der Wicklungen oder die sich entwickelnde Entmagnetisierung – die Entwicklung von Soft-Sensing- und Online-Gesundheitsüberwachungssystemen. Die traditionelle binäre Fehlererkennung reicht nicht aus; stattdessen ist eine kontinuierliche Schätzung der Fehlerschwere erforderlich, um prädiktive Regelungsanpassungen zu ermöglichen.
Zweitens bleibt die Integration von Fehlerdiagnose und FTC in ein einheitliches Framework fragmentiert. Während viele Studien die Diagnose oder die Steuerung isoliert betrachten, bieten nur wenige ko-designierte Lösungen an, bei denen das Vertrauen in die Diagnose die Regelungsrekonfiguration direkt beeinflusst. Zukünftige Systeme könnten probabilistische Fehlerschätzungen – unter Verwendung von Bayes-Netzwerken oder Partikelfiltern – nutzen, um die Unsicherheit zu quantifizieren und die Aggressivität der Regelung entsprechend zu modulieren.
Drittens bleibt die Validierung in der realen Welt eine Engstelle. Die meisten Studien stützen sich auf Simulationen oder Labortests unter kontrollierten Bedingungen. Tests in Echtzeit mit Hardware-in-the-Loop (HIL) und auf Fahrzeugebene unter verschiedenen Fahrbedingungen sind entscheidend, um die Robustheit und Sicherheit zu bewerten. Die Autoren fordern standardisierte Fehlerinjektionsprotokolle und Benchmark-Datensätze, um einen vergleichenden Leistungsvergleich zu ermöglichen.
Schließlich erfordert die zunehmende Komplexität der DEVs – insbesondere mit der Integration autonomer Fahrfunktionen – umfassende Sicherheitsarchitekturen. Die Fehlertoleranz muss neben funktionaler Sicherheit (ISO 26262), Cybersicherheit und Mensch-Maschine-Interaktion berücksichtigt werden. Ein Fehler in einem Teilsystem sollte nicht zu einem systemweiten Ausfall führen, was eine mehrschichtige Redundanz und ein fehlerbetriebsfähiges Design notwendig macht.
Zusammenfassend unterstreicht die Forschung von Qiang Wang und seinem Team, dass Fehlerdiagnose und fehlertolerante Steuerung keine optionalen Funktionen mehr sind, sondern zentrale Komponenten der nächsten Generation von Elektrofahrzeugen. Während verteilte Antriebe zunehmend zur Norm werden, wird die Fähigkeit, Motorfehler zu erkennen, zu isolieren und auszugleichen, die Sicherheit, Zuverlässigkeit und das Vertrauen der Nutzer in die Elektromobilität definieren. Der Weg nach vorn liegt in der Integration fortschrittlicher Signalverarbeitung, künstlicher Intelligenz und adaptiver Regelung in kohärente, echtzeitfähige Systeme, die die Fahrzeugstabilität unter allen Bedingungen aufrechterhalten können.
Qiang Wang, Kui Liang, Zhiyong Wang, Zeming Shang, Ze Ren, Ziliang Zhao, Song Liu, Fakultät für Verkehrswesen, Shandong University of Science and Technology; Zeitschrift für Chongqing University of Technology (Natural Science), DOI: 10.3969/j.issn.1674-8425(z).2024.05.001