3. 车辆健康管理基础
Robotaxi 的运维对象不是单台“会跑的车”，而是一支由传感器、控制器、执行器、动力电池、制动系统、计算平台和远程监控链路共同构成的复杂系统。传统“坏了再修”或“按里程定期保养”的方式，难以应对 Robotaxi 高频运营、载客安全等级高、停运成本大的特点。因此，车辆健康管理（Vehicle Health Management, VHM）成为运维工程的核心方法论，而 PHM（Prognostics and Health Management，故障预测与健康管理）则是其技术内核。
一、PHM 的基本概念
PHM 可以拆成三个关键词：故障预测、健康管理、决策支持。它通过采集车辆运行数据，评估当前健康状态，预测未来一段时间内发生故障的概率或剩余寿命，并据此安排维护、调度和备件策略。与诊断（Diagnostics）关注“现在坏没坏”不同，PHM 更关注“未来会不会坏、什么时候坏、还能安全运行多久”。
在 Robotaxi 场景中，PHM 的输入通常包括：CAN 总线信号、电池 BMS 数据、电机与制动温度、胎压、IMU 振动、激光雷达与摄像头自检结果、计算平台资源占用、远程接管事件等。输出则包括健康指标、故障预警、剩余寿命估计和维护建议。
核心区别：诊断回答“当前状态”，预测回答“未来趋势”，健康管理回答“现在该做什么”。
二、故障预测与健康管理的方法流程
一个可落地的 PHM 流程通常包含六个环节：数据采集、特征提取、健康指标构建、异常检测、寿命预测、维护决策。数据采集层负责从车辆各子系统获取高频与低频信号；特征提取层将原始信号转换为时域、频域或统计特征；健康指标层把多维特征压缩为可解释的评分；异常检测层识别偏离正常基线的行为；寿命预测层估计剩余使用寿命（RUL）；维护决策层结合运营计划、备件库存和安全阈值生成工单。
数据采集 → 特征提取 → 健康指标 → 异常检测 → 寿命预测 → 维护决策
↑______________________________________________|
反馈闭环：维修结果回写模型在 Robotaxi 中，这一流程必须与远程监控平台和调度系统联动。例如，当某车的制动片健康指标低于阈值时，系统不应只报警，而应自动评估“是否还能完成当前订单”“最近可用的维修工位在哪里”“替换车辆能否及时到位”。
三、健康指标（HI）的构建与解读
健康指标是 PHM 的“仪表盘”。一个好的健康指标应具备单调性、趋势性和可解释性。常见构建方式包括：基于物理模型计算（如电池内阻增长）、基于统计基线（如振动 RMS 偏离均值）、基于机器学习（如自编码器重构误差）。在 Robotaxi 中，健康指标通常按子系统分层：
- 动力电池：SOH、内阻、单体压差、温度一致性、快充次数。
- 驱动系统：电机温度、电流谐波、减速器振动、效率衰减。
- 制动系统：制动片厚度、制动液含水率、ABS 响应时间。
- 感知与计算：激光雷达点云完整率、相机脏污度、GPU 温度、推理延迟。
- 底盘与轮胎：胎压、胎温、悬架行程、四轮定位偏差。
健康指标不是越低越好或越高越好，而应结合阈值和趋势。例如，电池 SOH 从 98% 降到 95% 可能仍属正常，但若一个月内下降 3%，则需重点排查。
四、寿命预测与维护策略
寿命预测的核心是估计剩余使用寿命（RUL）。常用方法包括：基于退化模型的拟合、基于相似性的匹配、基于神经网络的序列预测。在工程中，RUL 往往不是一个精确数字，而是一个带置信区间的范围。例如“制动片剩余寿命 12±3 天”比“还能用 12 天”更有决策价值。
维护策略则从“定期维护”向“视情维护”和“预测性维护”演进。下表对比了三种策略在 Robotaxi 场景中的差异：
| 维护策略 | 触发依据 | 优点 | 局限 | Robotaxi 适用性 |
|---|---|---|---|---|
| 定期维护 | 里程或时间 | 计划性强、易管理 | 可能过度维护或漏检 | 适合低风险易损件 |
| 视情维护 | 健康指标阈值 | 减少浪费、响应及时 | 依赖传感器质量 | 适合制动、轮胎、电池 |
| 预测性维护 | RUL 预测与风险模型 | 提前排程、降低停运 | 模型复杂、需数据积累 | 适合关键安全部件 |
实操建议：Robotaxi 车队可先对安全关键件（制动、转向、电池）实施视情维护，再逐步对高价值件（电池包、激光雷达）引入预测性维护。
五、案例：制动片健康管理闭环
某 Robotaxi 车队在制动片上部署了厚度传感器和温度传感器。系统每 10 分钟计算一次健康指标：厚度余量、温度循环次数、紧急制动频次。当健康指标低于 30% 时，平台自动生成“建议 7 天内更换”的工单；低于 15% 时，车辆被限制接单并优先调度回场。维修完成后，实际更换数据回写模型，用于修正退化曲线。经过三个月运行，该车队制动相关故障停运时间下降约 40%。
六、常见误区与复盘
- 误区一：把 PHM 当成“多装传感器”。传感器只是输入，没有特征工程和决策闭环，数据不会自动变成健康管理。
- 误区二：追求 100% 准确预测。PHM 的价值在于风险排序和提前量，而非绝对精确。
- 误区三：忽略运营约束。预测到故障但无法安排维修工位和替换车辆，等于没有管理。
- 误区四：健康指标不可解释。运维人员不信任“黑箱分数”，指标必须能追溯到具体部件和信号。
复盘要点：PHM 项目失败最常见的原因不是算法不行，而是数据质量差、阈值拍脑袋、维修流程不闭环。先打通“采集—指标—工单—回写”链路，再谈模型升级。
综上，PHM 在 Robotaxi 车辆健康管理中扮演“预测—决策—闭环”的角色。它把传感器数据转化为健康指标，把健康指标转化为寿命预测，再把寿命预测转化为可执行的维护策略。只有将数据、模型、流程和人员协同起来，才能真正降低故障停运率，提升车队可用性和运营安全。