分散型電動車両の故障診断と耐故障制御の最前線
電動モビリティの進化は、従来の中央集権型の駆動方式から、各車輪に独立したモーターを搭載する分散型電動車両（DEV）へと、構造的なパラダイムシフトを遂げつつある。このアーキテクチャは、プロペラシャフト、デフ、トランスミッションといった複雑な機械式駆動系を排除することで、空間効率の向上、エネルギー損失の低減、そして個別車輪制御による優れた操縦安定性を実現する。しかし、その利点の裏側には新たな課題が存在する。多数のアクチュエーター（モーター、インバータ、センサー）が搭載されることで、その分、システム全体の故障リスクが高まる。特に、1つの駆動モーターが故障した場合、左右または前後のトルクバランスが崩れ、予期せぬヨーイング（横滑り）やトラクションの喪失を引き起こし、車両の安定性と安全性に深刻な影響を及ぼす可能性がある。このため、故障を前提とした「耐故障制御（Fault-Tolerant Control, FTC）」は、単なる付加機能ではなく、分散型電動車両の信頼性を担保するためのコア技術として、学術界と産業界の両方から注目を集めている。
この分野の最新の知見を体系的に整理し、今後の研究の方向性を示した研究が、山東科技大学交通学院の王強（Qiang Wang）氏らのチームによって発表された。同研究は『重慶理工大学学報（自然科学）』誌に掲載され、分散型電動車両における駆動モーターの故障診断と耐故障制御に関する国内外の研究成果を網羅的にレビューしている。本研究は、国家自然科学基金や中国博士後科学基金などの支援を受けており、その内容は単なる情報の羅列にとどまらず、技術の本質的な課題と未来の展望を深く考察している。
王強氏らの研究の核となるのは、永久磁石同期モーター（PMSM）に特有の二大故障モードへのアプローチである。すなわち、「巻線の短絡故障」と「永久磁石の減磁故障」だ。これらは、車両の性能劣化や最悪の場合、走行不能に至るまで、重大な影響を及ぼす。
まず、巻線の短絡故障は、モーターの定子コイルに発生する代表的な電気的故障である。その中でも「ターン間短絡」は、絶縁体の劣化が原因で、隣接する巻き線同士が部分的に短絡する現象である。初期段階では、モーターの異音や過熱といった微細な兆候しか現れないが、これが進行すると、より深刻な「相間短絡」に発展する。この故障は、異常な電流が流れることで発熱が増大し、さらには逆起電力の変化や振動の増加を引き起こす。この悪循環が、永久磁石の不可逆的な減磁を誘発するなど、複数の故障が連鎖する「カスケード故障」の引き金ともなる。したがって、ターン間短絡を早期に検知・診断することは、車両の信頼性を維持する上で極めて重要である。
故障診断のアプローチは大きく二つに分けられる。一つは「信号抽出法」、もう一つは「知能識別法」である。信号抽出法は、モーターの電気的・機械的信号（電流、電圧、逆起電力、振動、音響など）に着目し、故障に特有の特徴量を抽出して診断する方法だ。代表的なのが高速フーリエ変換（FFT）であり、正常時と故障時の電流波形を周波数領域で比較し、故障に起因する特定の高調波成分の出現を検出する。しかし、FFTは信号が「定常的」であることを前提としており、実際の走行中は負荷や回転数が常に変化するため、非定常信号への対応が難しく、診断精度が低下するという課題がある。
この課題を克服するために、時間-周波数領域の解析が注目されている。小波パケット変換やヒルベルト・ファン変換（HHT）は、信号の時間的変化を捉えることができ、非定常な信号でも故障の発生・進展を高精度に追跡できる。例えば、HHTは信号を「本質的モード関数（IMF）」に分解し、各IMFの瞬時周波数を算出することで、故障の進行に伴う周波数変化を可視化する。しかし、HHTは「モード混成」という現象が発生しやすく、複数の振動モードが一つのIMFに混ざり合うことで、診断の精度が損なわれる可能性がある。
このような信号抽出法の限界を補うのが「知能識別法」である。この方法は、モーターの物理的なモデルに依存せず、大量のデータから故障のパターンを学習する。深層学習の一種である畳み込みニューラルネットワーク（CNN）は、電圧、電流、回転速度などの時系列データから空間的な特徴を抽出し、短絡の位置を高精度に特定できる。また、リカレントニューラルネットワーク（LSTM）は、故障の時間的変化を学習するのに適しており、短絡の進行度合いを定量的に評価することが可能だ。さらに、生成対抗ネットワーク（GAN）を用いて、実際には稀な故障データを人工的に生成（データ拡張）し、学習データの不均衡を解消する手法も開発されている。これにより、稀な故障パターンに対しても高精度な診断が可能となる。
一方、永久磁石の減磁故障は、PMSMに特有の物理的故障である。高温、逆方向の磁界、機械的振動、化学的腐食などが原因で、永久磁石が部分的または完全に磁力を失う現象だ。特に「部分的減磁」は、完全な減磁よりも発生頻度が高く、しかも均一に磁力が失われるわけではないため、磁界が非対称になり、トルクリップル（脈動）や振動を引き起こす。この故障は、電気的信号の変化が比較的緩やかであり、早期に発見することが極めて難しい「サイレントキラー」とも言える。
減磁故障の診断も、信号抽出法と知能識別法に分かれる。信号抽出法では、減磁に伴って発生する非整数倍の高調波に注目する。FFTやHHTを用いて、逆起電力や零相電圧に現れる異常な高調波を検出する。また、カルマンフィルタを用いてトルクリップルをリアルタイムで推定し、その大きさから減磁の程度を評価する方法もある。さらに、モーターのインダクタンスを構造的に解析することで、磁束の変化を間接的に推定するアプローチも提案されている。
知能識別法では、有限要素法（FEM）シミュレーションで得られた正常・故障時の電流・温度データを用いて、ニューラルネットワークを訓練する。これにより、実際の走行データから減磁の有無や程度を分類・識別する。最近では、灰色システム理論や動的ベイズネットワークと組み合わせることで、ノイズの多い環境下でも頑健な診断が可能となる研究も進んでいる。特に、複数のセンサーからのデータ（電流、振動、温度）を融合して診断する「マルチモーダル融合」は、部分的減磁や他の故障（偏心など）との区別を明確にする上で極めて有効である。
診断技術の進歩に加え、故障が発生した後の「耐故障制御」の戦略も二つの流れに分かれている。一つは「受動的耐故障制御」、もう一つは「能動的耐故障制御」である。
受動的耐故障制御は、あらかじめ設計された固定の制御ルール（制御則）を用いて、特定の故障に対して頑健に動作するようにする方法だ。故障の検出や診断は必要なく、故障の有無にかかわらず同じ制御器を使用する。例えば、ロバストなPI制御器やスライディングモード制御器を、モーター1台の故障を想定して設計しておく。この方法は構造がシンプルで、リアルタイム性に優れるが、あらかじめ想定されていない故障や、進行性の故障（巻線の短絡が徐々に進行するなど）には対応できないという限界がある。
これに対して、能動的耐故障制御は、故障診断の情報をリアルタイムで取得し、制御システムを動的に再構成する高度なアプローチである。このアーキテクチャは通常、階層的構造を取る。上位層（運動制御層）は、運転者の意図（アクセル、ハンドルの開度）と車両状態（速度、ヨー角速度など）に基づいて、車両に必要な「目標縦方向力」と「目標ヨー力モーメント」を計算する。ここで用いられるのが、2自由度の自転車モデルや3自由度の車両モデルである。しかし、タイヤが摩擦限界に達するような急旋回時には、これらの線形モデルが不正確になるため、路面摩擦係数を推定して補正する必要がある。
上位層で計算された目標値は、下位層（トルク配分層）に渡される。この層の役割は、目標の力とモーメントを、各車輪のモーターに適切に配分することである。これは、複数の制約条件（モーターの最大出力、タイヤの摩擦円）を満たしながら最適解を求める「制御配分問題」として定式化される。代表的な解法として、擬似逆行列法（pseudo-inverse）があるが、これは故障したモーターの出力をゼロと見なすことで、残りのモーターで目標を達成しようとする。しかし、この方法はモーターの出力制限を直接考慮できず、最適解が得られない場合がある。
より高度な解法として「二次計画法（QP）」が登場している。QPは、目標の達成度（誤差）と、タイヤの利用効率（摩擦円への接近度）を組み合わせた「コスト関数」を最小化するように、各車輪のトルクを最適に配分する。この方法は、複数の制約を同時に扱うことができ、故障時でも車両の安定性を最大化するような配分が可能になる。例えば、故障した側のモーターの出力を下げ、健全なモーターに負荷を集中させすぎず、各タイヤが摩擦円の限界に近づかないように制御することで、急な旋回でも安定した走行を維持できる。
さらに、能動的耐故障制御の最前線には「知能制御技術」が存在する。これは、モデルに依存せず、自ら学習して適応する能力を持つ。例えば、「マルチモデル制御」は、正常時、モーター1台故障時、2台故障時など、複数の典型的な運転モードに対して、それぞれ最適な制御器をあらかじめ用意しておく。故障診断の結果に基づいて、これらの制御器の出力を重み付けして合成することで、滑らかなモード切り替えを実現する。また、「強化学習」を用いるアプローチでは、故障シナリオをシミュレーションで学習させ、最適な制御ポリシーを獲得する。これにより、予測不可能な複合故障にも柔軟に対応できる可能性がある。
王強氏らの研究は、これらの技術が急速に進化している一方で、いくつかの重大な課題が残っていることを指摘している。第一に、故障は静的ではなく「時変的」である。巻線の短絡や永久磁石の減磁は、時間とともに進行する。そのため、単に「故障あり/なし」を判別するのではなく、故障の「進行度合い」を連続的に推定する「ソフトセンシング」技術が不可欠である。第二に、故障診断と耐故障制御は、依然として分離して研究されることが多い。診断の信頼性が制御の再構成に直接反映されるような、緊密に融合した「共設計」アーキテクチャの開発が求められている。第三に、実走行環境での検証が不足している。シミュレーションや試験台での評価に加え、ハードウェアインザループ（HIL）や実車での検証が、技術の信頼性を高める上で不可欠である。
結論として、分散型電動車両の真の信頼性は、いかに故障に対処するかにかかっている。王強氏らの研究は、故障診断と耐故障制御が、単なる補助機能ではなく、電動車両の安全性と信頼性を支える「心臓部」であることを明確に示している。今後は、信号処理、機械学習、最適化制御の融合がさらに進み、車両自身が故障を「予知」し、「診断」し、「対処」する、自律的な安全システムの実現が期待される。
王強、梁奎、王志勇、尚澤明、任澤、趙子亮、劉松、山東科技大学交通学院；重慶理工大学学報（自然科学）、DOI: 10.3969/j.issn.1674-8425(z).2024.05.001