电动汽车具有实现零二氧化碳排放的潜力，其驱动系统的能效（从油箱到车轮以及从油井到油箱）远高于任何其他移动推进系统。然而，即使使用可再生能源作为动力来源，由于可再生能源的有限性和高成本，其能源消耗仍然是一个关键因素。在实际使用条件下，整车效率受到部分负荷运行、驱动系统损耗以及辅助设备的影响，这些因素显著影响了车辆的续航里程和主要能源需求。因此，驱动系统技术的进一步发展仍是当前研究和开发工作的重点。
这一进展的关键组成部分是对现有概念的全面分析，通常称为“基准测试”。此类分析使研究人员能够了解当前的性能水平，识别改进的薄弱环节和机会，并生成优化各个组件的宝贵数据。这些数据可以作为仿真模型的参考，同时有助于在专用测试台上对单个组件进行测试，提供现实的边界条件。
Morra等人[1]描述了一种多层次的基准测试策略，该策略定义了从第0层（市场概述）到第2层（动力系统层）再到第3层（组件层）的层次结构。特别是第2层和第3层的详细分析需要广泛的和侵入式的测量设备以及专用的测试环境。例如，Newman等人[2]进行了从整车测试到单个发动机和传动部件的全面基准测试；Schauer等人[3]将这一结构化过程应用于纯电动汽车，旨在将其标准化以评估电动驱动单元。
虽然车辆级基准测试提供了系统级的洞察，但深入的组件级基准测试能够更细致地了解各个部分的损耗和效率。在电动汽车领域，电池单元是最常被详细分析的对象，通常在受控的实验室条件下进行，例如研究电化学行为、退化和阻抗特性（参见[4]）。然而，也有项目将类似的方法应用于电动机和逆变器，在专门的测试台上进行组件级测量，从而获得详细的效率图和热模型（参见[5]）。这些研究提供了有价值的物理洞察，但需要复杂的测量设备、精确的负载控制以及昂贵的实验室环境。
当数据来自多种类型的车辆时，基准测试的价值进一步增加。广泛的基准测试活动能够跨不同车类比较架构、能源管理策略和整体驱动系统效率。DOE AVTA[6]、INL[7]或ANL数据库[8]等项目展示了这类大型数据集在评估先进电动汽车方面的潜力。
因此，基准测试中的一个核心挑战是在信息深度和覆盖范围之间找到平衡。高度侵入式的组件级研究能够提供最高的诊断精度，但可扩展性有限；而大规模车队评估虽然具有统计意义，但缺乏详细的能量流解析能力。弥合这一差距的方法需要能够在最小测量努力和硬件成本下捕获物理上有意义的数据。
本文提出了一种基准测试方法，通过结合基于物理的系统模型和来自生产车辆的诊断数据采集来精确解决这一平衡问题。该方法不依赖于侵入式测量设备，而是利用车辆内部的诊断协议来获取关键物理变量，然后用这些变量对简化后的组件模型进行参数化和验证。
尽管专用实验室设备具有极高的准确性和带宽，但由于成本和复杂性，它们很少适用于大规模基准测试。因此，研究人员探索了是否可以利用车辆内部的诊断接口来获取驱动系统数据。第一代方法依赖于CAN总线上的标准化OBD-II通信（ISO 15765-4）。这些接口可以访问有限且由法规定义的参数集，但已可用于监测运行条件并估算总体能耗或效率（参见Hnatov [9]；Rimpas [10]）。尽管这些方法实现简单且兼容性广，但其诊断深度仅限于少数几个汇总量，并且采样率较低。
为了扩展这一原理，开发了定制的低成本记录系统，这些系统仍然基于CAN总线的OBD协议，但在实际驾驶条件下提供了更高的配置灵活性和数据采集能力（参见Ramai [11]）。更进一步的方法是部分使用专有的CAN消息，除了标准化的OBD数据外。这至少需要对信号定义进行部分逆向工程，但由于大多数CAN标识符仍然加密或未记录，因此可获取的信息有限，实际分析往往较为表面化。同时，还提出了基于简化的物理模型或电阻模型的方法来解释车辆级数据并近似驱动系统行为（参见Tseng [12]）。虽然这些建模工作提高了可获取数据的可解释性，但可实现的分辨率仍受限于低级组件变量的观测能力。
在此基础上，最近的研究专注于超越OBD-II协议的更深层次的诊断。通过使用统一诊断服务（UDS），可以提取ECU内部的详细变量（如电压、电流和温度），从而在子系统层面进行物理上有意义的分析（参见Rosenberger [13]）。对这些UDS数据结构的自动化逆向工程进一步提高了专用控制单元信号的可访问性，为在生产车辆中进行最小侵入式的全面测量开辟了途径。
另一方面，基于模型的方法为描述车辆能量流动和驱动系统组件之间的动态交互提供了理论框架。这类模型可以表示电气、机械和热损耗，常用于仿真、续航预测和控制优化（参见[14]、[15]等）。当与诊断接口的测量数据结合使用时，它们也可用于模型校准和验证。Castillo-Calderón [16]证明，将简化的动力系统模型与OBD级别的数据结合使用已经可以初步估算实际效率和能耗，尽管模型的精确度仍受限于数据分辨率的限制。
因此，本文提出的方法结合了这两个领域的元素：它将基于物理的系统模型与来自生产车辆的诊断数据采集相结合。该方法不依赖侵入式测量设备，而是利用车辆内部的诊断协议来获取关键物理变量，然后用这些变量对简化后的组件模型进行参数化和验证。
尽管专用实验室设备具有极高的准确性和带宽，但由于成本和复杂性，它们很少适用于大规模基准测试。因此，研究人员探索了是否可以利用车辆内部的诊断接口作为获取驱动系统数据的实用替代方案。第一代方法依赖于CAN总线上的标准化OBD-II通信。这些接口可以访问有限的、由法规定义的参数集，但已经可以用于监测运行条件和估算总体能耗或效率（参见Hnatov [9]；Rimpas [10]）。尽管这些方法实现简单且兼容性广，但其诊断深度仅限于少数几个汇总量，并且采样率较低。
为了扩展这一原理，开发了定制的低成本记录系统，这些系统仍然基于CAN总线的OBD协议，但在实际驾驶条件下提供了更高的配置灵活性和数据采集能力（参见Ramai [11]）。进一步的步骤是部分使用专有的CAN消息，除了标准化的OBD数据外。这至少需要对信号定义进行部分逆向工程，但由于大多数CAN标识符仍然加密或未记录，因此可获取的信息有限，实际分析往往较为表面化。同时，还提出了基于简化的物理模型或电阻模型的方法来解释车辆级数据并近似驱动系统行为（参见Tseng [12]）。虽然这些建模工作提高了可获取数据的可解释性，但可实现的分辨率仍受限于低级组件变量的观测能力。
在此基础上，最近的研究集中在超越OBD-II协议的更深层次的诊断上。通过使用统一诊断服务（UDS），可以提取ECU内部的详细变量（如电压、电流和温度），从而在子系统层面进行物理上有意义的分析（参见Rosenberger [13]）。对这些UDS数据结构的自动化逆向工程进一步提高了专用控制单元信号的可访问性，为在生产车辆中进行最小侵入式的全面测量开辟了途径。
基于模型的方法为描述车辆能量流动和驱动系统组件之间的动态交互提供了理论框架。这类模型可以表示电气、机械和热损耗，常用于仿真、续航预测和控制优化（参见[14]、[15]等）。当与诊断接口的测量数据结合使用时，它们也可用于模型校准和验证。Castillo-Calderón [16]证明，将简化的动力系统模型与OBD级别的数据结合使用已经可以初步估算实际效率和能耗，尽管模型的精确度仍受限于数据分辨率的限制。
因此，本文提出的方法结合了这两个领域的元素：它将基于统一诊断服务（UDS）的诊断数据采集与关键驱动系统组件的物理基础子模型相结合。这种方法能够在最小化仪器化的实际驾驶测试中提取详细的子系统特性（电池、逆变器和电机）。因此，它建立了一个可扩展的框架，用于高效、基于模型的基准测试，弥合了昂贵实验室分析和纯车辆级评估之间的差距。本文的具体贡献总结如下：
- (1)
一种结合基于物理的组件模型和最小侵入式诊断数据的基准测试方法，无需专用测试台即可进行子系统级分析。
- (2)
一种系统化的参数识别框架，可以直接从实际驾驶数据中校准驱动系统子模型（电池、逆变器和电机）。
- (3)
一项验证研究表明，可以从低带宽的车辆内部信号中提取物理上有意义的组件级信息，从而弥合实验室基准测试和大规模车队评估之间的差距。
这里展示的结果集中在大众ID.3上。选择这款车型进行研究是因为其广泛的可用性、技术成熟度和详细记录的特性。其简单的驱动系统架构和运行行为使其成为清晰且可重复地展示所提出的基准测试方法的理想平台。虽然本文基于ID.3展示了详细结果，但重点在于验证所采用的建模方法本身，而非评估车辆本身。该方法本质上不依赖于特定车型，也已成功应用于其他各种电动汽车架构，包括丰田Mirai、Mirai 2和现代Nexo等燃料电池电动汽车。因此，该方法有助于推进电动驱动系统的分析和开发。
