摘要

隨著智能電子設備、嵌入式傳感器和人工智能驅動軟件的整合，汽車系統的發展速度不斷加快，催生了結構日益復雜的車輛，這些車輛需要先進的診斷和可靠性框架提供支持。本系統綜述探討了支撐智能診斷的各項技術的融合情況，重點關注動力總成系統、機電一體化診斷、人工智能、數字平臺以及網絡安全領域。研究遵循 PRISMA 2020 方法學，對 112 篇同行評審文章進行了嚴格分析，旨在明確汽車故障診斷和系統可靠性領域的關鍵進展、應用趨勢及新興挑戰。研究結果表明，在實時傳感器監測、機器學習算法和云邊計算架構的支持下，汽車維護模式已從傳統的被動維護向預測性維護和狀態基維護發生范式轉變。值得注意的是，卷積神經網絡、支持向量機和無監督學習模型等人工智能技術的應用，實現了對動力總成、電池和熱管理子系統等關鍵系統故障的更早發現和更精準分類。綜述還強調，數字孿生技術的應用日益廣泛，該技術可對車輛部件進行虛擬建模，無需物理測試即可開展預測性維護、系統優化和遠程診斷工作。此外，研究發現整合 SAE J3061 和 ISO/SAE 21434 等網絡安全框架對于在聯網車輛環境中保護診斷系統免受不斷演變的數字威脅至關重要。基于云與邊緣的診斷平臺已成為管理實時故障數據、支持空中下載更新以及確保分布式車輛網絡快速決策的可擴展解決方案。文獻中反復提及的一項挑戰是診斷工程領域日益擴大的技能差距，尤其是在人工智能應用和系統集成方面，這阻礙了相關技術在工業場景中的有效應用。同時，綜述強調了標準合規性和系統互操作性的重要性，這是確保多供應商環境下診斷一致性的關鍵。通過綜合分析來自多個學科的 112 項高影響力研究，本綜述對智能診斷和汽車可靠性管理領域的當前能力、局限性和未來發展方向進行了全面評估，可為研究人員、工程師和行業領導者通過智能診斷技術優化車輛性能、安全性和可維護性提供重要參考。

1、引言

汽車系統可靠性廣義上指車輛部件和系統在特定條件下、規定時間內無失效執行其預定功能的能力。這一概念是現代汽車工程的基石，直接影響車輛安全性、運行效率和全生命周期成本。在技術層面，可靠性包含平均無失效時間（MTBF）、平均修復時間（MTTR）和失效模式及影響分析（FMEA）等衡量指標。與可靠性相輔相成的是機電一體化領域，這是一個融合機械系統、電子技術、控制工程和計算機科學的交叉學科。機電一體化系統在現代車輛中應用廣泛，從防抱死制動系統（ABS）到電子穩定控制（ESC），均高度依賴傳感器、執行器、微控制器和嵌入式軟件。機電一體化診斷是指用于檢測、隔離和修復這些復雜集成系統中故障的方法和工具。汽車可靠性原則與機電一體化的融合重塑了診斷的實施方式，強調實時分析和狀態基監測。

圖 1、機電一體化系統故障在汽車可靠性中的影響占比

智能動力總成系統通過整合自適應變速箱、電子控制燃油噴射、混合能源模塊和再生制動裝置等智能部件，實現了汽車設計的技術飛躍。這些系統利用嵌入式傳感器和執行器提供的實時數據，優化發動機性能、減少排放并提高燃油經濟性。正如 Jiang 等人所探討并經 Ta?er 等人在汽車領域拓展的觀點，技術融合指的是將以往各自獨立的技術（機械工程、電子技術、遠程信息處理和人工智能）融合為統一系統，共同提升車輛功能。傳統上以機械結構為主的動力總成，如今已包含軟件定義功能和預測算法。智能動力總成通過電動馬達與智能控制邏輯的集成、機器學習算法引導的熱管理子系統等部件，充分體現了這種融合特性。車輛檢測異常、適應不斷變化的行駛條件并與其他車輛系統（如高級駕駛輔助系統（ADAS）或車對萬物（V2X）通信）交互的能力，彰顯了汽車診斷和控制技術的日益成熟。

圖 2、汽車可靠性及診斷技術的全球應用情況

鑒于汽車行業的規模和經濟影響力，汽車系統可靠性和診斷技術具有全球重要性。根據國際汽車制造商組織的數據，2022 年全球汽車產量超過 9200 萬輛，這凸顯了確保車輛安全、高效和可持續性的巨大壓力。德國、日本、韓國和美國等國家在智能汽車系統研發方面投入巨資，認識到可靠、技術密集型車輛在國內和出口市場中的戰略價值。歐盟的歐 7 標準和美國環境保護局的 Tier3 排放標準正推動診斷和可靠性技術的進步，以滿足合規要求。中國和印度等新興經濟體也因對高效交通和空氣質量監管的需求日益增長，加速了智能診斷技術的應用。ISO 26262（功能安全）和 SAE J3061（汽車系統網絡安全）等國際監管框架進一步凸顯了先進診斷技術在確保系統可靠性方面的必要性。因此，全球產業競爭與監管合規的交織，凸顯了智能診斷和可靠性工程的重要性。汽車領域診斷技術的發展與電子和軟件工程的進步同步。傳統診斷主要依賴車載診斷系統（OBD-I 和 OBD-II），該系統基于排放控制和傳感器讀數進行故障碼檢測。然而，現代診斷已超越故障碼范疇，整合了傳感器融合、模式識別和實時數據分析技術。預測性診斷利用機器學習和統計模型，在故障發生前識別性能退化模式，從而實現主動維護。這些系統通常依賴遠程信息處理和云平臺遠程收集、處理和解讀車輛健康數據。控制器局域網（CAN）和 FlexRay 協議的廣泛整合，實現了各電子控制單元（ECU）之間的可靠通信，從而支持更全面的診斷。嵌入式軟件和空中下載（OTA）固件更新技術的進步進一步增強了診斷工具的適應性，能夠進行實時修正和更新。因此，診斷不再是被動響應，而是成為系統優化和運行可靠性的戰略工具。

現代診斷策略的一個關鍵推動因素是嵌入式傳感器的普及，這些傳感器可實時監測車輛狀態。這些傳感器包括溫度、壓力、振動、聲學和電流傳感器，能夠持續收集運行數據。嵌入動力總成和機電一體化子系統的智能傳感器具備自校準和自適應反饋回路功能，可提高診斷準確性。例如，加速度計和陀螺儀有助于診斷懸架和轉向系統故障，而氮氧化物（NOx）傳感器和氧傳感器則是排放診斷不可或缺的部分。傳感器融合技術能夠綜合多種類型傳感器的數據，形成更全面的診斷視角。此外，嵌入電子控制單元（ECU）的診斷算法應用快速傅里葉變換（FFT）和卡爾曼濾波等信號處理技術來檢測異常和偏差。基于人工智能的故障檢測（如深度學習分類器）的整合，使車輛能夠高精度識別復雜的非線性失效模式。這些傳感器網絡是狀態基維護（CBM）的基礎，可減少停機時間并優化資源配置。本綜述的主要目的是綜合并批判性地審視智能技術融合在提升汽車系統可靠性方面的作用，重點關注動力總成系統和機電一體化診斷。隨著車輛對集成電子、機械和軟件子系統的依賴日益增加，理解這些元素如何相互作用以影響可靠性，對于學術研究和工業實踐都至關重要。綜述系統地探討了智能動力總成技術（包括電子控制單元、自適應變速箱、電池管理系統和混合推進模塊）在改進故障檢測、運行效率和耐久性方面的作用。同時，本文評估了診斷策略從傳統的基于故障碼的方法向由人工智能和機器學習算法支持的先進實時狀態監測的演變過程。本研究還旨在在系統思維框架內描繪可靠性工程與機電一體化之間的多維相互作用，解決信號解讀、傳感器融合和基于模型的故障預測等挑戰。為實現這一目標，綜述圍繞三個核心維度展開：（1）技術融合在塑造下一代汽車架構中的作用；（2）用于機電一體化診斷和預測性可靠性分析的方法和工具；（3）電子技術、機械設計和計算智能在汽車可靠性保障中的跨學科整合。綜述重點關注 2005 年至 2024 年期間發表的同行評審研究，涵蓋了汽車診斷和智能系統發展的二十年歷程。本綜述不包括商業手冊，而是側重于學術和工業研究成果，以提供基于證據的綜合分析。通過這種全面分析，本研究有助于深入理解診斷智能和技術整合如何重塑現代汽車工程中的可靠性范式。

2、綜述

本文獻綜述旨在批判性地審視和綜合汽車工程領域智能技術融合的現有知識體系，重點關注動力總成系統和機電一體化診斷在汽車系統可靠性框架內的應用。隨著汽車系統演變為具有嵌入式智能和多領域集成特征的復雜信息物理平臺，可靠性保障已成為設計的必要條件和戰略差異化因素。過去二十年的文獻越來越多地關注預測性診斷、實時監測、機器學習和傳感器融合如何重塑車輛的維護策略和故障檢測協議。本節首先概述系統可靠性及其在汽車工程中的相關性，然后討論智能動力總成系統的演變和現狀。接著，探討機電一體化診斷的理論基礎和技術方法，包括傳統技術和智能技術。特別關注基于人工智能（AI）的診斷模型、嵌入式傳感器框架和系統健康管理協議。此外，綜述還識別了影響全球汽車生態系統診斷和可靠性性能的關鍵標準、監管影響和設計方法。最后，綜述指出了研究空白，例如缺乏統一的診斷架構以及在異構平臺上實時實施的挑戰。所選文獻包括學術出版物、標準文件、行業白皮書和基準研究，全面展示了智能汽車系統中的跨學科融合。

汽車系統可靠性與機電一體化

汽車領域的系統可靠性指車輛部件和系統在特定時間內、給定環境條件下按預期功能運行而不發生故障的概率。這一定義源于經典可靠性工程，該工程采用概率模型和確定性模型來評估部件耐久性和系統級穩健性。在汽車行業，可靠性不僅限于機械耐久性，還延伸到電子設備、嵌入式軟件和信息物理集成。現代汽車系統通常集成數百個電子控制單元（ECU），其復雜性要求對可靠性進行更廣泛的解讀，以涵蓋功能安全和實時系統交互。Kang 等人強調，向電氣化和數字化的日益轉變，要求在推進、通信和控制領域采取全面的可靠性策略。

圖 3、現代汽車系統中的關鍵機電一體化和電子控制功能

可靠的車輛系統必須確保動力總成、制動、轉向和車載診斷等子系統在其使用壽命內無意外失效運行。根據 Chan的觀點，汽車可靠性必須考慮失效后果（而不僅僅是失效可能性），因此必須從開發初期就融入系統設計。這種系統級可靠性評估對于滿足 ISO 26262 等道路車輛功能安全國際標準至關重要，該標準要求對每個汽車功能進行危險識別和風險分類。此外，Ehsani 等人和 Chandran 等人的研究表明，在機電一體化系統中，可靠性既包括硬件穩健性，也包括軟件完整性。診斷和容錯控制邏輯的整合進一步將可靠性的范圍從單純的預測擴展到主動管理。隨著高級駕駛輔助系統（ADAS）和電動傳動系統等技術的普及，理解和定義可靠性已成為系統認證、客戶信任和全生命周期成本優化的基礎。汽車系統可靠性的量化需要應用成熟的工程指標和模型，其中平均無失效時間（MTBF）、可靠性框圖（RBD）和故障樹分析（FTA）最為常用。MTBF 是衡量系統在運行期間固有故障之間平均時間的統計指標，廣泛用于電子控制單元（ECU）和傳感器等不可修復部件。它是汽車設計中評估產品壽命和服務間隔規劃的基礎基準。盡管 MTBF 被廣泛引用，但對于容錯性、冗余性或使用變異性起主要作用的復雜系統而言，它往往不夠充分。因此，可靠性工程師越來越多地采用可靠性框圖（RBD）來建模大型系統內部件的相互依賴關系。

汽車中的機電一體化系統

機電一體化系統已成為現代汽車工程的基礎，實現了機械結構與嵌入式電子設備、執行器、傳感器和實時軟件控制的無縫集成。“機電一體化” 一詞最初由安川電機公司在 20 世紀 70 年代提出，指系統設計中機械與電子的協同結合。在汽車領域，機電一體化體現在防抱死制動系統（ABS）、電子穩定控制（ESC）、自適應懸架和電動助力轉向等子系統中。這些系統展示了多領域技術如何融合以提供增強的性能、安全性和用戶控制。對智能移動解決方案的需求日益增長，要求車輛能夠動態適應駕駛員行為和外部環境，這推動了汽車機電一體化的發展。根據 Alabi 等人的觀點，這種實時控制和嵌入式計算的整合構成了汽車領域信息物理系統的基礎。

圖 4、汽車機電一體化系統及其功能領域分類

汽車機電一體化系統的一個關鍵特征是其依賴反饋回路和控制器局域網（CAN）、本地互聯網絡（LIN）和 FlexRay 等數字通信網絡進行協調和決策。這些系統依靠準確的傳感器數據和穩健的控制邏輯來管理扭矩分配、牽引力控制和主動安全響應等功能。Jafari 等人和 Kamimoto的研究強調了傳感器融合在復雜決策過程中的作用，通過結合加速度計、陀螺儀和全球定位系統（GPS）的數據實現精確的車輛狀態估計。此外，對執行器和控制器的狀態基監測能夠早期發現故障，從而提高可靠性并降低維護成本。然而，這些系統的復雜性帶來了新的可靠性和診斷挑戰，特別是在實現實時故障檢測和隔離方面。正如 Sharma 和 Habibullah所觀察到的，機電一體化系統中軟件算法與機械部件的相互作用，要求采用系統工程方法進行可靠性建模和容錯設計。

車輛中機電一體化系統的演變反映了從特定功能機械裝置向具有自適應行為的互聯軟件驅動模塊的范式轉變。早期的應用僅限于半自動制動和懸架控制，但最近的進步已實現了線控驅動、線控制動和線控轉向等全集成系統。這些系統消除了傳統的機械連接，完全依賴電子信號來控制關鍵車輛操作。這種轉變不僅需要高精度傳感器和執行器，還需要能夠處理實時計算、失效管理和冗余的穩健軟件架構。嵌入式微控制器和實時操作系統（RTOS）的普及在這些技術跨車型推廣中發揮了關鍵作用。此外，AUTOSAR 等標準化框架促進了機電一體化功能的模塊化設計和集成，使原始設備制造商（OEM）能夠在多個平臺上重用軟件組件，同時保持安全性和合規性。先進的機電一體化系統還為預測性維護和車輛健康監測奠定了基礎，通過收集和分析各個部件的性能數據來預測退化或失效。例如，研究表明，配備加速度計和位置傳感器的智能懸架系統能夠檢測路面不平，并實時調整阻尼以提高行駛質量和部件壽命。同時，與遠程信息處理平臺的整合支持空中下載診斷和固件更新，減少車輛停機時間并提高可維護性。然而，電子和機械子系統之間日益增強的相互依賴性帶來了新的失效模式和網絡安全漏洞，尤其是在車輛變得更加互聯和自主的情況下。因此，汽車機電一體化系統的研究需要一種多維方法，既要考慮軟硬件協同設計、故障傳播建模，也要重視系統級診斷，以確保功能安全和長期可靠性。

汽車系統中的智能部件

現代車輛中的智能部件是信息物理功能的核心，通過整合傳感器、執行器、微控制器和嵌入式軟件，實現自適應行為、實時控制和自主決策。這些部件戰略性地嵌入動力總成控制、制動、轉向和熱管理等子系統，以支持基于環境和駕駛員輸入的動態運行。例如，智能電子節氣門控制系統通過自適應響應機制調節發動機進氣量，同時提高燃油經濟性和排放控制水平。在混合動力和電動汽車中，配備智能控制算法的電池管理系統（BMS）持續監測電池單體電壓、溫度梯度和充電行為，以防止熱失控并延長電池壽命。這些部件依賴分布式電子控制單元（ECU），通過控制器局域網（CAN）、本地互聯網絡（LIN）和 FlexRay 等車載網絡進行協調，實現子系統之間的高速通信。

圖 5、現代汽車系統中的智能部件

嵌入懸架系統和傳動系統模塊的智能傳感器在狀態基監測和主動安全方面發揮著至關重要的作用。加速度計、陀螺儀和扭矩傳感器通常用于監測動態負載，實現自適應懸架控制、扭矩矢量控制和防側翻功能。根據 Gumiel的研究，這些傳感器為車道保持輔助、自適應巡航控制和緊急制動等高級駕駛輔助系統（ADAS）提供數據支持，這些系統利用實時環境感知和機器學習進行控制優化。此外，智能熱管理系統基于實時駕駛艙和發動機溫度數據自主調節冷卻液流量和暖通空調（HVAC）系統，從而提高能源效率。智能部件的模塊化和可擴展性使制造商能夠在多個車輛平臺上實現功能標準化，優化開發時間同時保持功能完整性。Zhao 等人和 Xie 等人的研究強調，這些智能部件的整合不僅提高了可靠性和性能，還創造了支持實時診斷和預測的富數據環境。

汽車診斷的傳統方法與現代方法

汽車診斷已從基本的故障檢測系統發展為先進的實時監測平臺。早期的基礎是 20 世紀 80 年代末推出的第一代車載診斷系統（OBD-I），該系統主要基于與排放相關的部件進行基本故障碼記錄。然而，OBD-I 缺乏標準化和互操作性，這促使第二代車載診斷系統（OBD-II）在 20 世紀 90 年代中期問世。OBD-II 標準化了診斷接口、通信協議和診斷故障碼（DTC），提高了不同汽車制造商之間的排放監測和維修準確性。盡管 OBD-II 改善了故障數據的可訪問性，但其主要局限性在于其被動性 —— 僅在故障發生后才能檢測到故障，預測能力有限，且對系統退化的上下文理解不足。為了克服這些局限性，制造商開始利用專用電子控制單元（ECU）和控制器局域網（CAN）、本地互聯網絡（LIN）等通信總線，在車輛子系統中直接整合嵌入式診斷功能。

圖 6、汽車診斷的傳統方法與現代方法

基于控制器局域網（CAN）的嵌入式診斷通過實時監測系統健康狀況、實現電子控制單元（ECU）之間的交叉通信以及支持安全關鍵應用中的復雜決策，徹底改變了車輛失效管理。這些系統利用傳感器反饋和控制算法進行局部故障檢測，減少診斷延遲并提高根本原因識別的準確性。此外，汽車診斷現在越來越多地依靠以太網和 FlexRay 在高級駕駛輔助系統（ADAS）和自主平臺等數據密集型系統中實現高速通信。這些嵌入式框架得到統一診斷服務（UDS）和 ISO 14229 等診斷協議的補充，這些協議標準化了內存讀取、傳感器校準和診斷故障碼（DTC）清除等功能。隨著汽車系統復雜性的增加，嵌入式診斷為管理故障檢測和性能監測提供了可擴展的模塊化解決方案，超越了傳統 OBD 框架的靜態、基于代碼的局限性。隨著聯網車輛基礎設施的擴展，汽車診斷已迅速向基于云和邊緣的平臺發展，實現預測分析、遠程監測和空中下載（OTA）故障檢測。這些現代診斷方法利用從車載傳感器和電子控制單元（ECU）收集的數據，這些數據實時傳輸到云服務器進行集中分析和健康評估。基于云的診斷在車隊管理和共享出行環境中特別有效，在這些環境中，可以利用人工智能（AI）算法匯總和處理來自多輛車輛的運行數據，在故障發生前檢測異常并預測故障。這些平臺支持車對基礎設施（V2I）和車對云（V2C）交互，能夠基于觀察到的故障趨勢部署實時軟件補丁和診斷規則更新。與在車輛本地架構內運行的嵌入式診斷不同，基于云的診斷將可見性擴展到單個車輛之外，有助于系統級可靠性和全生命周期優化。

基于傳感器的系統監測和信號處理技術

基于傳感器的系統監測是智能汽車診斷的核心，能夠實現實時數據收集、異常檢測和預測性維護。現代車輛中嵌入了各種類型的傳感器，包括振動傳感器、聲學傳感器、壓力傳感器、熱傳感器、加速度計和陀螺儀。振動傳感器廣泛應用于動力總成和懸架系統，用于監測異常振動或不平衡，而聲發射傳感器則用于檢測發動機軸承和氣門機構的早期故障。壓力傳感器監測燃油噴射系統、輪胎壓力和制動液壓系統，為安全關鍵功能提供必要輸入。另一方面，熱傳感器管理電池溫度、發動機冷卻系統和暖通空調（HVAC）單元，支持最佳性能和安全性。這些傳感器不僅提供原始數據，還是狀態基維護（CBM）的關鍵推動因素，在狀態基維護中，維護決策基于實時健康數據而非定期檢查。然而，要有效利用傳感器數據，需要強大的信號調理和預處理技術來過濾噪聲、標準化輸入并檢測有意義的模式。信號調理過程（如放大、濾波和模數轉換）對于確保高質量數據傳輸到診斷算法至關重要。例如，在基于振動的診斷中，高通或帶通濾波器用于隔離特定故障頻段，而在聲學診斷中，包絡檢測用于提取與故障相關的調制。預處理技術還包括平滑、去趨勢和標準化，以處理傳感器漂移和不同運行條件下的變異性。這些預處理步驟在電子控制單元（ECU）級和邊緣計算平臺中均有實施，以確保后續故障檢測方法接收清潔且結構化的數據。隨著車輛系統變得越來越數據密集和多傳感器驅動，整合強大的預處理技術對于避免誤報和實現準確的故障隔離至關重要。

故障診斷中的人工智能和機器學習

由于人工智能（AI）和機器學習（ML）能夠處理高維傳感器數據、識別復雜模式并支持預測性維護策略，它們已成為汽車領域故障診斷的核心。最廣泛使用的技術包括人工神經網絡（ANN）、支持向量機（SVM）、卷積神經網絡（CNN）和循環神經網絡（RNN），每種技術在建模車輛系統內的非線性、多變量關系方面都具有獨特優勢。人工神經網絡（ANN）模型善于從標記的歷史數據中學習故障特征，特別是在失效模式通過振動、熱或聲學信號的細微變化表現出來的系統中。支持向量機（SVM）分類器以其在高維空間中的穩健性而聞名，常被用于檢測燃油噴射、變速箱和冷卻系統中的故障，通過最佳決策邊界將故障狀態與正常運行區分開來。卷積神經網絡（CNN）特別適合處理基于快速傅里葉變換（FFT）和小波變換等信號處理技術得出的時間序列信號或頻譜圖的故障分類任務。包括長短期記憶（LSTM）模型在內的循環神經網絡（RNN）用于建模故障發展的時間依賴性，適用于電池熱管理和發動機失火檢測等系統。

圖 7、汽車故障診斷的人工智能和機器學習工作流程

人工智能技術能夠實現自動特征提取，減少手動信號分析的需求，并允許系統直接從原始傳感器輸入中學習診斷模式。在動力總成系統中，這些方法用于基于頻域數據和熱力學指標識別渦輪增壓器、曲軸和凸輪軸的退化模式。主成分分析（PCA）、ReliefF 和互信息等特征選擇算法通常與人工智能分類器結合使用，以提高模型性能并減少過擬合。這些模型使用來自實際駕駛條件或測試臺的標記數據集進行訓練，并通過準確率、靈敏度、特異性和曲線下面積（AUC）等指標進行評估。將人工智能整合到診斷中不僅提高了故障檢測準確性，還促進了自適應學習，使模型能夠隨著更多運行數據的獲取而不斷演變。

系統級診斷框架和互操作性

隨著模型基系統工程（MBSE）的整合，汽車行業的系統級診斷框架取得了顯著發展，能夠開發預測性、可擴展和互操作的診斷架構。模型基系統工程（MBSE）提供了一種形式化方法，通過 SysML 和 MATLAB/Simulink 等圖形建模工具定義、分析和驗證復雜車輛系統的相互作用。在診斷方面，模型基系統工程（MBSE）有助于早期設計驗證，并允許在系統組件及其相關失效模式之間建立可追溯性。這種建模方法支持基于仿真的診斷，能夠在物理實施之前預測和分析故障條件下的系統行為。作為模型基系統工程（MBSE）的補充，以可靠性為中心的維護（RCM）和狀態基維護（CBM）框架強調運行安全性和成本效率，通過根據實際狀態（而非基于時間的計劃）將維護工作重點放在最關鍵的組件上。這些方法越來越多地應用于汽車可靠性計劃，特別是對于動力總成、電子制動系統和電池管理單元等關鍵任務系統。

圖 8、聯網汽車環境中的系統級診斷框架

數字孿生技術通過創建物理組件或整個車輛的虛擬副本，進一步增強了系統級診斷能力，能夠進行實時性能跟蹤和預測。數字孿生在電動汽車（EV）和自主系統中尤其有價值，在這些系統中，必須持續監測系統完整性以確保運行安全和預測性維護。通過將傳感器數據與基于物理的模型和人工智能驅動的模型相結合，數字孿生能夠模擬磨損模式、檢測異常行為并估計部件的剩余使用壽命（RUL）。這些框架中通常采用故障注入和仿真技術，在模擬故障條件下測試診斷穩健性。這些仿真有助于驗證診斷覆蓋范圍、隔離故障點并改進算法對異常事件的響應，同時不影響實際車輛安全。模型基系統工程（MBSE）、以可靠性為中心的維護（RCM）、狀態基維護（CBM）和數字孿生共同構成了一個多維框架，能夠在日益復雜的車輛系統中實現全面診斷、故障預測和全生命周期優化。

遠程信息處理、車對萬物（V2X）通信和系統健康管理的整合，將汽車診斷的范圍從車輛本身擴展到聯網生態系統，重新定義了汽車診斷的內涵。遠程信息處理平臺將運行數據實時傳輸到基于云的服務器，實現集中診斷、車隊級健康監測和基于使用情況的分析。這些平臺支持空中下載更新、遠程故障排除以及動力總成、暖通空調（HVAC）和制動組件等車輛子系統的狀態跟蹤。車對萬物（V2X）通信通過實現車輛、基礎設施和中央服務器之間的數據交換，進一步增強了這一功能，從而將車輛診斷置于路面、交通密度和天氣事件等環境條件中。這種整合方法使診斷能夠結合內部傳感器數據和外部輸入，提高故障預測的準確性，并在動態運行環境中增強車輛安全性。

網絡安全與安全診斷（SAE J3061、ISO/SAE 21434）

隨著車輛對數字通信、嵌入式軟件和聯網基礎設施的依賴日益增加，網絡安全已成為汽車診斷的關鍵組成部分。安全診斷指保護車載診斷接口、電子控制單元（ECU）和聯網平臺免受未授權訪問、篡改或惡意入侵，這些行為可能損害車輛安全、完整性或性能。遠程信息處理、空中下載（OTA）更新和車對萬物（V2X）系統等連接功能的快速普及，使汽車電子設備面臨各種網絡威脅，包括代碼注入、欺騙和拒絕服務（DoS）攻擊。這些風險延伸到診斷系統，未授權訪問可能導致敏感信息泄露、校準數據修改或安全關鍵功能失效。為了應對這些日益嚴峻的挑戰，SAE J3061 網絡安全指南作為基礎文件被制定出來，概述了在車輛開發生命周期中實施網絡安全的流程框架。它引入了一種設計安全方法，與 ISO 26262 中概述的傳統汽車安全流程保持一致，強調在每個系統級別進行威脅分析、風險評估和安全驗證。

圖 9、符合 ISO/SAE 21434 標準的汽車全生命周期安全診斷框架

作為 SAE J3061 的補充，更正式且國際認可的 ISO/SAE 21434 標準已發布，為管理道路車輛全生命周期（從概念到退役）的網絡安全風險提供了全面框架。ISO/SAE 21434 規定了風險管理、持續監測、事件響應和安全軟件更新的要求，將網絡安全實踐整合到系統設計、軟件實施和診斷等開發階段。該標準要求實施安全通信協議、認證機制和入侵檢測系統，以保護內部網絡（如控制器局域網（CAN）、本地互聯網絡（LIN））和外部接口（如 OBD-II 端口、藍牙、遠程信息處理單元）。這些標準強制要求診斷工具和服務接口遵循嚴格的訪問控制和加密保護措施，以防止數據篡改或未授權重新編程。隨著診斷工具演變為人工智能驅動和云整合平臺，遵循 J3061 和 ISO/SAE 21434 標準對于創建可信、安全的汽車生態系統至關重要。

診斷工程和人工智能實施中的技能差距

診斷工程的快速發展，特別是人工智能（AI）和機器學習（ML）在汽車系統中的整合，導致工程師和技術人員之間出現了顯著的技能差距。傳統診斷工程側重于機械和電氣系統，支持技術包括 OBD-II 故障碼和傳統故障排除邏輯。然而，現代診斷框架涉及復雜的信息物理系統，需要具備嵌入式系統、信號處理、軟件架構、數據分析和人工智能驅動算法等方面的知識。如今，工程師需要解讀時頻信號、設計和驗證機器學習模型并實施狀態基維護（CBM）策略，這與之前以機械為中心的模式相比發生了重大轉變。根據 Boza 和 Evgeniou的觀點，許多組織難以找到既具備汽車系統領域專業知識又精通數據科學或人工智能工具鏈的專業人員。這種技能差距在卷積神經網絡（CNN）、循環神經網絡（RNN）和無監督異常檢測系統等先進診斷方法的應用中尤為明顯，這些方法需要了解算法邏輯、Python 編程、數據預處理和驗證指標。Chehri 等人的一項研究強調，缺乏在 TensorFlow、MATLAB 或 SciKit-learn 等人工智能開發環境中的實踐經驗，限制了診斷工程師參與模型開發或評估的能力。此外，傳統汽車組織在重新培訓現有人員方面面臨困難，這些人員通常更熟悉機械檢測技術，而不是解讀頻譜圖、模型混淆矩陣或基于概率學習的診斷閾值。行業報告還指出，學術項目與人工智能驅動的汽車診斷所需能力之間存在不匹配，特別是在銜接電氣工程、計算機科學和汽車設計的混合技能方面。如果不進行有針對性的技能提升，智能診斷平臺和預測性維護系統的全部潛力將無法在實際應用中得到充分發揮。

將人工智能整合到車輛診斷中需要一支能夠將系統工程原則與先進數據分析相結合的多學科團隊，然而當前的工程課程和人才培養體系在這一交叉領域的支持仍顯不足。機械或汽車工程領域的傳統教育項目很少將機器學習、嵌入式系統編程或傳感器融合分析作為核心能力。因此，行業需求與可用人才庫之間存在差距，特別是在從原始傳感器數據中提取特征、應用快速傅里葉變換（FFT）和小波變換、實施卡爾曼濾波以及在實時嵌入式環境中部署深度學習模型等方面。Yu 等人和 Zhang 等人的研究表明，許多負責動力總成診斷或電池管理系統的工程師缺乏參與人工智能框架所需的基礎技能，因此嚴重依賴外部人工智能團隊或商業黑盒工具，而無法自定義、驗證或排除模型故障。此外，支持診斷中人工智能實施的組織基礎設施往往較為分散。車輛診斷團隊、IT 部門和數據科學家之間的跨職能協作常常因術語、工作文化和技術理解的差異而受到阻礙。例如，雖然人工智能專家可能提出高精度分類模型，但部署團隊通常會遇到與電子控制單元（ECU）內存、處理速度或通信帶寬相關的限制，這些挑戰需要系統級思維和軟硬件協同設計。汽車公司越來越多地采用訓練營、專業認證和在線微證書等技能提升計劃來彌補這些差距。然而，正如 Xie 等人和 Singh 等人所指出的，這些干預措施在各組織之間仍然分散且不一致。此外，可供工程師實驗實時故障數據、傳感器融合場景或空中下載診斷流程的仿真平臺和測試臺數量有限，這阻礙了實踐技能的發展。如果不戰略性地投資于跨學科培訓項目，人工智能驅動的診斷工程領域的技能差距將繼續延緩汽車制造和服務行業的創新及實際部署。

3、研究方法

本研究遵循 PRISMA 2020（系統綜述和薈萃分析優先報告項目）指南，確保對汽車系統可靠性、智能診斷以及動力總成和機電一體化系統技術融合相關文獻的回顧過程透明、可重復且方法嚴謹。該方法包括四個關鍵階段：識別、篩選、資格評估和納入，每個階段均與 PRISMA 的結構化系統證據綜合方法保持一致。

研究識別

識別階段始于在多個學術數據庫中進行全面搜索，包括 Scopus、IEEE Xplore、ScienceDirect、SpringerLink 和 Web of Science。選擇這些數據庫是因為它們廣泛涵蓋了工程、汽車技術和計算機科學文獻。搜索使用關鍵詞和布爾運算符組合進行，例如：“汽車診斷”、“動力總成可靠性”、“機電一體化系統”、“預測性維護”、“故障檢測中的人工智能”、“數字孿生”、“模型基系統工程”、“云診斷” 和 “ISO/SAE 21434”。僅考慮 2002 年 1 月至 2025 年 3 月期間發表的同行評審期刊文章、會議論文和綜述文章。初步搜索共檢索到 1143 篇文章。所有結果均導出到 EndNote 參考文獻管理軟件，以便進行去重和文檔記錄。

PRISMA 2020 汽車系統可靠性和智能診斷系統綜述流程圖

篩選和去重

在篩選階段，首先使用 EndNote 去重檢測工具自動移除重復條目，然后進行人工驗證。這一過程共剔除了 267 條重復記錄，將文章庫減少到 876 篇獨特文獻。隨后，根據預定義的納入標準審查標題和摘要，以評估每篇文章的相關性，這些標準包括：關注診斷框架、智能汽車系統、系統可靠性指標、基于傳感器的監測以及汽車領域中基于人工智能的故障檢測。排除了關注一般制造業、無關行業或不包含實證或方法學見解的文章。經過摘要篩選后，保留了 512 篇文章進行全文評估。

資格評估

在資格評估階段，對全文文章進行徹底審查，以確認其與綜述目標的直接相關性。納入的主要標準是明確以汽車診斷、預測分析、可靠性工程、系統健康管理或車輛診斷網絡安全為方法學或實驗重點。如果文章是觀點性文章、缺乏方法學細節或專門關注非汽車機械或消費電子，則將其排除。這導致排除了 344 項研究，最終獲得 168 篇全文文章進行方法學嚴謹性和內容質量評估。由兩名獨立評審員進行交叉驗證，以減少選擇偏差并確保一致性。

最終納入

最終納入階段最終選擇了 112 篇符合所有資格標準的高質量文章。這些文章構成了研究結果和討論部分中證據綜合的基礎。納入的研究涵蓋了廣泛的汽車系統，例如動力總成故障檢測、制動和轉向診斷、嵌入式傳感器平臺、基于云的診斷架構以及人工智能和機器學習在可靠性建模中的應用。所選文獻代表了多種方法，包括實驗驗證、仿真建模、算法開發、案例研究和基于綜述的綜合分析。所有納入的研究均根據主題相關性、診斷技術、傳感器模式和計算方法進行編碼和分類，以便在后續部分中形成結構化的分析敘述。

研究結果

本系統綜述最顯著的發現之一是預測性維護系統在減少計劃外停機時間和提高各行業設備可用性方面的關鍵作用。在 112 篇綜述文章中，有 20 項研究特別強調了預測性維護方法的有效性，共被引用 2913 次。這些文章記錄了實時監測系統、基于傳感器的診斷和預測模型的實施，使制造商能夠從被動維護模式轉變為主動維護模式。研究結果一致表明，預測性維護不僅減少了設備故障，還降低了維護成本并提高了生產連續性。由機器學習算法支持的預測性策略能夠更早地檢測異常并更準確地預測故障，從而最大限度地減少了緊急維修和生產中斷的發生。這些系統在航空航天和汽車等高風險行業中被證明特別有益，在這些行業中，運行連續性和安全性至關重要。在這些研究中，各組織在平均無失效時間（MTBF）和整體設備效率（OEE）等指標方面均取得了改善，突顯了預測性維護框架的實際效益。許多制造商采用基于狀態的維護觸發機制，而非固定的維護計劃，從而更有效地利用資源并延長設備使用壽命。預測性維護的使用還有助于提高工人安全性，因為在潛在故障升級為危險狀況之前就對其進行了識別。在多項汽車案例研究中，預測性診斷有助于優化備件庫存規劃、減少工時并通過更可靠的車輛性能提高客戶滿意度。這些研究中所體現的效益的規模和一致性，驗證了預測性維護在現代診斷和可靠性工程中的核心地位。

綜述中確定的另一個關鍵進步領域涉及人工智能在車輛診斷故障分類任務中的整合。共有 17 項研究（總被引次數為 2450 次）側重于利用神經網絡、支持向量機和深度學習模型等機器學習技術識別和分類汽車部件故障。研究表明，這些基于人工智能的診斷系統通過從歷史失效模式中學習并通過訓練不斷提高分類準確性，顯著優于傳統的基于閾值或規則的方法。在大多數情況下，這些系統能夠通過識別傳感器讀數或信號行為的細微變化，區分正常運行噪聲和早期故障指標。這些改進在動力總成、懸架和制動系統中尤為明顯，在多項實驗中，故障分類準確率始終高于 90%。此外，人工智能模型允許進行多類分類，區分單個組件的各種失效模式，例如電動機中的軸承磨損、不平衡、不對中和電氣故障。與通常需要手動調整和特定領域規則的傳統診斷工具不同，基于人工智能的方法被證明具有適應性和跨平臺可擴展性。它們能夠處理來自多個傳感器的高維數據集，從而實現整體系統分析而非孤立的故障檢測。多項研究還整合了可解釋人工智能（XAI）技術，為工程師提供模型推理的透明度，從而提高了信任度和監管認可度。這些發現證實了人工智能在汽車診斷中的成熟度和適用性日益提高，并表明數據驅動模型現在已成為數字聯網車輛故障檢測流程的組成部分。

圖 10、汽車系統預測性診斷結果的比較可視化

綜述還確定了智能動力總成診斷方面的穩健進展，特別是嵌入式電子設備和智能算法在實時監測性能方面的應用。有 14 項研究（總被引次數為 1834 次）側重于發動機部件、變速箱系統和混合動力總成的診斷框架。綜述的研究一致強調，智能診斷能夠對燃燒、扭矩傳遞、溫度穩定性和排放控制進行持續狀態監測，從而降低了災難性故障的可能性。這些系統通常依賴于集成在動力總成部件中的基于微控制器的傳感器陣列，收集有關壓力、振動、燃油流量和溫度的數據，以評估健康狀況并預測失效模式。人工智能算法的整合進一步增強了它們跟蹤性能退化趨勢并建議維護或調整措施的能力。在電動和混合動力總成中，這些診斷系統在管理電池健康、逆變器運行和再生制動功能方面發揮著關鍵作用。多項研究表明，如何通過實時分析及早發現熱負荷波動和換擋異常。該領域的智能診斷實現了自適應控制策略，根據每個子系統的檢測健康狀態調整運行參數。此外，來自動力總成的診斷數據通常傳輸到云平臺進行長期分析，提供預測性見解并有助于系統優化。綜述的文獻強調，故障檢測速度和診斷精度取得了顯著提高，與駕駛性能、燃油經濟性和發動機響應性相關的客戶投訴也得到了可衡量的減少。總體而言，電子技術、傳感器和智能軟件的融合已將動力總成診斷從被動服務工具轉變為系統性能管理的集成組件。

綜述的 12 篇文章（總被引次數為 1725 次）為傳感器融合和嵌入式監測在提高汽車診斷準確性和可靠性方面的有效性提供了令人信服的證據。這些研究表明，整合來自加速度計、熱電偶、陀螺儀和聲學傳感器等多種類型傳感器的數據，能夠更全面地了解系統行為，并對故障指標進行交叉驗證。傳感器融合技術用于提高故障檢測可靠性、最大限度地減少誤報并檢測單傳感器系統可能忽略的細微異常。嵌入式監測系統利用實時信號處理分析振動特征、熱梯度、壓力變化和聲學發射，從而能夠及早發現發動機、懸架和傳動系統中的故障。研究還強調，嵌入式診斷減少了對外部檢測設備的需求，并支持實時車載決策。多項實施使用先進的信號處理算法在分析前減少噪聲并隔離與故障相關的特征，從而提高了整體系統的靈敏度和特異性。在具備自主或半自主功能的車輛中，傳感器融合還通過確保可靠的環境和內部診斷支持決策系統。這些嵌入式平臺能夠識別系統負載變化、性能偏離標準以及漸進式退化跡象，無需駕駛員干預即可觸發警報或自動調整。大量證據表明，多傳感器方法提高了診斷可信度，并直接有助于實現功能安全、延長生命周期和狀態基維護的目標。

綜述文獻中有 10 篇文章（共被引用 1602 次）專注于整合基于云和邊緣的診斷架構，以實現可擴展的車輛健康監測。這些平臺能夠從車載傳感器獲取實時數據，然后在車輛本地（邊緣計算）或通過云基礎設施（遠程）進行處理，以檢測故障、評估系統健康狀況并為預測性維護行動提供信息。基于云的診斷提供了對多輛車輛運行數據的集中訪問，使其在車隊管理應用中特別有益。這些平臺允許存儲、處理和可視化大量遙測和診斷數據，支持大數據分析和長期可靠性研究。另一方面，邊緣計算解決方案在車輛內部進行實時分析，減少延遲并確保即使在連接受限的環境中診斷響應的及時性。多項研究強調了混合框架，其中初始故障檢測在邊緣進行，而趨勢分析和模型更新則在云端處理。這些平臺顯著減少了診斷準備時間，并支持遠程軟件更新，從而提高了車輛正常運行時間并降低了維護開銷。重要的是，云診斷支持空中下載（OTA）功能，無需前往服務中心即可部署更新的診斷規則和軟件補丁。綜述的研究表明，通過采用云 - 邊緣框架，診斷操作的響應性、故障解決效率和可擴展性取得了一致的提升。這些進步使云和邊緣診斷成為智能聯網車輛基礎設施的基本要素。綜述確定了 11 篇文章（總被引次數為 1681 次），探討了數字孿生技術作為汽車行業實時診斷和預測性維護變革工具的應用。數字孿生是物理系統在虛擬環境中的復制品，能夠對發動機、制動系統和電池等車輛部件進行動態建模。這些虛擬模型通過來自其物理對應物的實時傳感器數據不斷更新，能夠進行性能監測、異常檢測和故障仿真。數字孿生框架使工程師和技術人員能夠可視化內部流程，并預測不同運行條件下的后果，而不會中斷實際車輛功能。多項研究記錄了數字孿生如何通過預測退化趨勢、識別與預期行為的偏差以及基于仿真結果觸發警報，改進維護規劃。將人工智能整合到這些框架中，通過學習復雜的系統動態并隨時間調整模型，進一步提高了它們的預測準確性。此外，數字孿生有助于固件更新、故障注入和系統重新配置的虛擬測試，從而減少了對物理原型的需求。這些能力在安全關鍵系統中被證明具有重要價值，在這些系統中，需要最大限度地降低故障風險。綜述的文獻一致強調了數字孿生在實現以可靠性為中心的設計、減少停機時間以及在車輛全生命周期內增強診斷方面的作用。它們在電動車輛和自主平臺中的應用尤為顯著，在這些平臺中，持續的性能保證至關重要。

網絡安全已成為診斷工程中的一個關鍵主題，有 14 項研究（總被引次數為 1914 次）分析了車載診斷系統的漏洞和保護策略。隨著現代車輛通過遠程信息處理、車對萬物（V2X）接口和云平臺實現更多連接，診斷系統面臨著包括未授權訪問、數據欺騙、固件篡改和命令注入在內的潛在威脅。綜述的文獻記錄了攻擊者如何利用不安全的 OBD-II 端口或無線接口獲取電子控制單元（ECU）功能的訪問權限，從而損害安全性和可靠性。多項研究提出了將加密協議、安全啟動序列、硬件安全模塊和異常檢測框架整合到診斷流程中的方法。SAE J3061 和 ISO/SAE 21434 等標準的使用，為在從概念到退役的整個車輛生命周期中實施安全診斷提供了正式結構。研究還強調了在控制器局域網（CAN）、本地互聯網絡（LIN）和 FlexRay 網絡上進行安全通信的必要性，特別是在診斷數據向外傳輸時。綜述中包含的案例研究展示了入侵檢測系統的成功部署，這些系統監測診斷命令模式并標記未授權行為。多篇文章還詳細介紹了使用公鑰基礎設施（PKI）對遠程診斷工具和空中下載（OTA）更新服務器進行認證。這些發現共同強調，必須將網絡安全機制整合到診斷的各個層面 —— 從車載平臺到基于云的系統 —— 以確保數據完整性、隱私和功能安全。

綜述的 14 篇文章（共被引用 1807 次）強調了互操作性和診斷標準的遵守。這些研究評估了基于標準的工程在促進跨車型、部件供應商和診斷工具提供商的診斷系統無縫整合方面的作用。綜述的文獻強調，當車輛包含來自多個制造商的部件時，往往會出現互操作性挑戰，每個制造商都使用專有協議、數據格式或診斷程序。ISO 14229（UDS）、ISO 26262（功能安全）、AUTOSAR（軟件架構）和 ISO/SAE 21434（網絡安全）等標準的實施，實現了診斷通信和失效管理程序的協調統一。這些標準為診斷故障碼（DTC）處理、服務會話認證、內存訪問和校準協議提供了結構化流程。多項研究強調，遵守這些標準提高了系統透明度，促進了第三方工具整合，并減少了開發和維護期間的工程時間。互操作性也是車隊診斷和集中云平臺的關鍵推動因素，允許使用通用接口診斷各種車型。此外，符合國際認可標準的系統展示出更好的全生命周期可追溯性、錯誤減少和對監管要求的合規性。這些文章中的一致發現是，在全球標準支持下，診斷互操作性對于現代診斷技術的可擴展、模塊化和安全實施至關重要。

討論

綜述顯示，預測性維護（PdM）作為汽車診斷中的一種變革性方法受到了一致關注，這與早期關于其運行和經濟效益的研究一致。包括 Theissler 等人和 Errandonea 等人在內的多項研究長期以來一直強調，預測性維護（PdM）通過早期故障檢測和延長部件壽命實現成本節約。本綜述通過記錄如何通過傳感器驅動的診斷實施預測性維護（PdM）系統，有效減少平均無失效時間（MTBF）并提高整體設備效率（OEE），進一步證實并擴展了這一理解。與依賴基于時間的維護服務的早期框架相比，較新的研究利用人工智能和狀態監測，僅在檢測到退化時才采取干預措施。這與 Anselma的研究一致，該研究表明基于機器學習的預測性維護（PdM）在電動機診斷中優于統計閾值方法。此外，雖然 Wang 和 Jiao主要關注工業機械，但最近針對汽車領域的研究表明，車輛可靠性也取得了類似的提升，特別是在動力總成和底盤系統中。嵌入式傳感、算法建模和遠程信息處理的融合，標志著與傳統預測性維護（PdM）工具相比取得了重大進步，為現代維護工作流程帶來了實時適應性和跨平臺整合。

本綜述的研究結果證實，汽車行業的診斷方法已從基于規則的診斷大幅轉向基于人工智能的故障分類系統。正如 Chen 等人所指出的，傳統故障檢測方法依賴靜態規則或手動校準閾值，無法適應車輛系統中觀察到的復雜和非線性行為。相比之下，Liu 等人和 Palensky 等人的最新研究表明，神經網絡、支持向量機和卷積模型能夠準確識別各個子系統中的故障。本綜述的研究結果驗證了這一轉變，表明人工智能模型即使在多類分類問題中也能實現高準確率，這是基于規則的方法很少能實現的。早期框架容易產生誤報，需要領域專業知識來調整診斷工具。然而，如 Xie 等人和 Rasheed 等人的研究所示，借助人工智能，診斷系統能夠從數據模式中自主學習，并隨著接觸數據的增加而不斷改進。此外，本綜述在先前研究的基礎上，記錄了可解釋人工智能（XAI）框架如何被引入以提高可解釋性 —— 這是人工智能在安全關鍵應用中歷史上一直存在的問題。這種演變不僅提高了診斷性能，還增加了用戶信任并促進了監管合規。

動力總成系統中智能診斷的實施取得了顯著進展，從基本的傳感器監測發展到實時自適應智能。Cioara 等人和 Ibrahim 等人的早期研究強調了基本熱傳感器、扭矩傳感器和振動傳感器在內燃機狀態監測中的作用。本綜述表明，微控制器、嵌入式軟件和人工智能算法的深度整合不僅能夠捕捉系統行為，還能夠預測退化并實現自動故障響應。這與需要事后分析的先前診斷方法有所不同。Bazmohammadi 等人和 Dewangan 等人的研究通過展示用于識別發動機失火、渦輪增壓器不平衡和混合動力傳動系統異常的實時分析，支持了這些發現。此外，雖然早期研究通常將診斷孤立于單個組件，但最近的方法傾向于系統級視角，利用云連接關聯多個子系統的數據。這與 Li 等人的研究結果一致，該研究記錄了基于云的動力總成監測平臺如何提高電動和混合動力車輛車隊的可靠性。診斷與系統控制功能的融合 —— 診斷數據為運行參數提供信息 —— 代表了與過去線性監測框架相比的重大演變。

傳感器融合和嵌入式監測技術在早期研究中就被認為是故障檢測和容錯的關鍵推動因素。Tsybunov 等人和 Ghosh 等人先前描述了結合振動、聲學和熱信號進行穩健診斷的效用。本綜述通過展示多傳感器陣列如何與小波和卡爾曼濾波等信號處理算法協同工作，實現更高的準確性和更早的異常檢測，證實并擴展了這一觀點。包括 Chen 等人和 Tollner 等人在內的最新文獻支持本綜述的研究結果，即傳感器融合通過冗余和交叉驗證提高了診斷可信度并減少了誤報。早期系統通常獨立運行 —— 例如，振動傳感器觸發故障警報 —— 但如今的整合系統使用考慮環境背景、運行狀態和傳感器可靠性的邏輯。值得注意的是，綜述的文獻表明，傳感器已從傳統傳感器轉向能夠進行本地預處理的嵌入式系統，減少了通信負載并支持基于邊緣的決策。這種演變與 Flores 等人所描述的發展相呼應，其中自主車輛平臺需要高保真、冗余的傳感器流來維持安全邊際。總體而言，研究結果表明，雖然傳感器融合并非新事物，但其復雜性及其在汽車架構中的整合在近年來取得了顯著進步。

汽車診斷中的云和邊緣計算代表了 Jain 等人和 Escobar 等人所描述的早期遠程監測系統的明顯演變。本綜述的研究結果強調，人們越來越依賴混合架構 —— 邊緣設備在本地處理數據，而云則支持車隊級分析和長期學習。雖然早期文獻強調集中式云解決方案用于故障報告，但本綜述顯示，邊緣計算已變得同樣重要，特別是對于制動或動力分配診斷等對延遲敏感的應用。Dózsa 等人和 Li 等人的研究支持這種雙架構方法，表明將故障分類器直接嵌入電子控制單元（ECU）可減少檢測時間并提高安全性。此外，基于云的平臺促進歷史趨勢分析和人工智能模型在車輛車隊中的部署。這種能力擴展了 Kumar 和 Viswanathan的工作，他們確定了集中式數據存儲庫對可靠性優化的價值。值得注意的是，綜述的文獻強調，云診斷現在支持空中下載（OTA）更新和固件修改，這與 Lan 等人關于云整合車輛健康平臺的先前研究一致。這些研究結果共同證實，利用本地計算和云分析的分布式診斷架構，現在已成為聯網和自主車輛實時、可擴展失效管理的核心。

本研究綜述的數字孿生在汽車診斷中的部署，建立在 Sayghe 等人開發的概念框架以及 Kamimoto指出的工業自動化早期應用的基礎上。雖然數字孿生以前主要用于有限的仿真環境，但綜述的文章展示了它們在系統可靠性和診斷工作流程中的動態實時整合。這些虛擬副本基于傳感器數據不斷更新，使預測性維護模型能夠模擬各種條件下的磨損和退化。Sharma 和 Habibullah以及 Iyaghigba 等人的研究通過記錄混合動力總成和電池系統的數字孿生如何提供有關組件性能和故障風險的可行見解，驗證了這一趨勢。與早期的靜態建模方法相比，如今的數字孿生利用人工智能和機器學習來完善仿真并適應運行差異，Cioara 等人的研究也顯示了這一點。此外，本綜述的研究結果在先前工作的基礎上，展示了數字孿生如何支持虛擬故障注入、固件測試和診斷驗證，而無需物理原型。這在電動和自主車輛平臺中具有特別重要的影響，在這些平臺中，安全關鍵系統必須在數千個仿真場景中得到驗證。因此，數字孿生整合代表了診斷精度、生命周期建模和成本效益測試策略的重大飛躍。

網絡安全和診斷互操作性的重要性日益提升，這是綜述文獻和早期文獻中反復出現的主題。Ibrahim 等人和 Bazmohammadi 等人的先前研究警告了 OBD-II 端口、控制器局域網（CAN）網絡和無線接口中的漏洞，這些漏洞可能允許惡意重新編程或故障掩蓋。本綜述的研究結果證實了這些擔憂，同時強調了 SAE J3061 和 ISO/SAE 21434 等框架的廣泛采用。正如 Dewangan 等人和 Li 等人的研究中所強調的，這些標準為在整個車輛生命周期內保護診斷系統提供了結構化方法。本綜述還與 Tsybunov 等人的觀點一致，后者討論了符合標準的診斷如何促進跨平臺和供應商的互操作性。在統一診斷服務（UDS）（ISO 14229）和 AUTOSAR 標準的支持下，診斷互操作性在多項研究中被證明可減少多供應商環境中的整合時間并提高可維護性。雖然早期研究通常將網絡安全和診斷視為獨立領域，但本綜述展示了它們通過在診斷工作流程中嵌入加密協議、安全固件交付和實時異常檢測而實現的融合。這些發展不僅保護了車輛完整性，還確保了診斷數據能夠在原始設備制造商（OEM）、服務中心和車隊運營商等利益相關者之間得到可靠解讀。證據表明，安全、標準化的診斷架構不再是可選的，而是現代汽車可靠性和合規框架的必要組成部分。

4、結論

本系統綜述全面考察了汽車系統可靠性與技術融合的交叉領域，特別關注智能動力總成診斷、機電一體化系統、基于人工智能的故障分類和安全診斷架構。通過綜合分析 112 篇高質量文章（被引次數超過 17000 次），綜述證實，預測性維護系統、人工智能、數字孿生和傳感器融合技術的整合，從根本上改變了現代車輛可靠性的保障和維護方式。研究結果強調，診斷方法已從被動和基于規則的診斷轉向主動、數據驅動和自適應的框架，提高了故障檢測準確性、延長了組件壽命并實現了實時狀態監測。云和邊緣計算在支持可擴展診斷平臺方面的作用，以及 SAE J3061 和 ISO/SAE 21434 等網絡安全標準的制定，表明人們越來越需要安全、互操作和面向全生命周期的診斷策略。此外，綜述強調了診斷工程領域的關鍵技能差距，強調需要進行跨學科培訓和跨職能協作，以充分利用這些先進技術。