車輛耐久性工程中最基礎(chǔ)，同時又是最重要的輸入就是為產(chǎn)品設(shè)定的耐久性目標(biāo)，正確的耐久性目標(biāo)應(yīng)使其產(chǎn)品在統(tǒng)計學(xué)上滿足用戶使用工況的結(jié)構(gòu)強(qiáng)度，避免設(shè)計不足或設(shè)計過度的問題，從而提升產(chǎn)品競爭力和用戶口碑。

圖1: 用戶工況分布與耐久性驗證目標(biāo)的關(guān)系

西門子Simcenter用戶關(guān)聯(lián)技術(shù)（Customer Correlation,簡稱CUCO）從開始研究至今，已經(jīng)歷了30個年頭，期間在為全球各知名主機(jī)廠建立車輛耐久驗證規(guī)范的過程中，展示了強(qiáng)大的功能和生命力。實踐證明，相比其他的耐久目標(biāo)設(shè)定方法，CUCO技術(shù)具有明顯的優(yōu)勢(參考本公眾號文章《西門子工程咨詢服務(wù)團(tuán)隊解決方案之商用車疲勞耐久用戶相關(guān)性分析技術(shù)》)。隨著車輛電氣化轉(zhuǎn)型和技術(shù)升級，CUCO技術(shù)亦在不斷地實現(xiàn)更新，以便為客戶提供更加高效的服務(wù)。

圖2: 傳統(tǒng)CUCO技術(shù)的一般流程

上圖展示了傳統(tǒng)CUCO的技術(shù)流程，我們不難知道，傳統(tǒng)的CUCO技術(shù)路線中，車隊測量和全通道車測量是必不可少的環(huán)節(jié)，這兩項工作也是需要相對較長的時間來完成，它可以讓我們得到經(jīng)得住考驗的關(guān)聯(lián)結(jié)果。然而，傳統(tǒng)的CUCO技術(shù)是從宏觀的維度(路面，車速，轉(zhuǎn)向等)去評價用戶車輛的載荷損傷分布的，同時隨著汽車行業(yè)競爭加劇，研發(fā)周期縮短，如何縮短項目時長也是擺在我們面前一個無法迴避的問題。

前言

01

新一代CUCO解決方案概述

得益于當(dāng)今大數(shù)據(jù)分析方法和傳感器技術(shù)的飛速發(fā)展，在繼承了CUCO技術(shù)核心算法和數(shù)據(jù)分析方法的基礎(chǔ)上，西門子對傳統(tǒng)的CUCO技術(shù)進(jìn)行了升級，形成了依托大數(shù)據(jù)分析和車載傳感器數(shù)據(jù)的新一代用戶工況分析方法,即CUCO(2.0 Evo)。 

圖3: CUCO(2.0 Evo)方案概述

如圖所示，用戶的數(shù)據(jù)將全部來自于車載傳感器，這些數(shù)據(jù)詳細(xì)記錄了用戶的使用情況和工況信息。我們工程咨詢服務(wù)團(tuán)隊在Simcenter Testing Solution的基礎(chǔ)上專門開發(fā)了相應(yīng)的高級數(shù)據(jù)分析工具集，在數(shù)據(jù)分析時,可以便捷地使用機(jī)器學(xué)習(xí)算法進(jìn)行工況識別和載荷預(yù)測，得到用戶車輛的偽損傷密度和工況分布，亦可以得到我們關(guān)注部件的“內(nèi)載”分布，從而制定關(guān)聯(lián)用戶的耐久性驗證規(guī)范。

CUCO(2.0 Evo)將機(jī)器學(xué)習(xí)算法廣泛地應(yīng)用到數(shù)據(jù)分析過程中，它基于樣本數(shù)據(jù)(被稱為“訓(xùn)練集”)建立分析模型，根據(jù)分析模型做出用戶數(shù)據(jù)分析及預(yù)測。 

圖4：CUCO(2.0 Evo)的技術(shù)路線

CUCO(2.0 Evo)一般包含如下步驟：

1. 用戶數(shù)據(jù)導(dǎo)入

我們無需專門組織額外的測試活動，僅從數(shù)據(jù)庫中導(dǎo)出一定數(shù)目和通道(通常小于40通道)的用戶樣本數(shù)據(jù)，這些數(shù)據(jù)基于高度集成的車載傳感器和數(shù)據(jù)總線，包含豐富的用戶駕駛行為和車輛的載荷響應(yīng)，這將有助于我們的工程師將所有精力集中在高效的數(shù)據(jù)處理和分析工作上。

2. 數(shù)據(jù)準(zhǔn)備和特征提取

通常要建立相對豐富和準(zhǔn)確的用戶模型，直接使用下載的數(shù)據(jù)是遠(yuǎn)遠(yuǎn)不夠的，我們通常先需要對數(shù)據(jù)進(jìn)行擴(kuò)展，例如通過車速，輪速，GPS等信號去拓展出用戶工況矩陣所需的坡度，路面粗糙度等信息。

這樣，我們的數(shù)據(jù)通道會有所增加，一些機(jī)器學(xué)習(xí)分析方法的實踐表明，簡單的增加數(shù)據(jù)通道并不能提高我們分析模型的精度，有時候還會降低分析模型的精度，因此，需要抓住主要矛盾，通過主成分分析找出哪些通道(通常不超過8通道)的數(shù)據(jù)對我們用戶工況模型產(chǎn)生的影響最為顯著，依此修正模型，使模型兼顧精度與可積性，有助于我們獲取更加穩(wěn)定的分析結(jié)果，同時降低計算耗時。

3. 模型優(yōu)化與結(jié)果輸出

在2的基礎(chǔ)上，在此我們引入部件在行駛時產(chǎn)生的損傷量，結(jié)合如卡爾曼濾波\最小二乘擬合等方法，對模型進(jìn)一步優(yōu)化，最終得到可視化的時域數(shù)據(jù)和用戶工況下每公里產(chǎn)生的損傷，依此我們可以制定相應(yīng)的耐久規(guī)范及用于關(guān)注部位的載荷評估。

可以看出，隨著技術(shù)進(jìn)步，CUCO(2.0 Evo)為我們耐久性目標(biāo)設(shè)定提供了新的思路和方法，相較于傳統(tǒng)的CUCO和其他用戶關(guān)聯(lián)方法，實施更加便捷。但是，我們也要注意到，準(zhǔn)確的結(jié)果是需要高質(zhì)量的數(shù)據(jù)輸入作為前提的，在信號類別足夠的情況下，數(shù)據(jù)的采樣頻率直接決定我們的方案能否順利實施，就耐久性而言，過低的采樣頻率會導(dǎo)致我們無法捕獲一些重要的操作特征和車輛的響應(yīng)，這種先天的“缺陷”是無法通過后續(xù)的數(shù)據(jù)處理來彌補(bǔ)的。通常要實施該技術(shù)，原始數(shù)據(jù)的采樣頻率要盡可能高，同時結(jié)合合理的關(guān)聯(lián)數(shù)據(jù)通道選擇，方可保證預(yù)測模型的準(zhǔn)確性。否則，要搭建更加精確的用戶工況模型，我們只能老老實實去完成數(shù)據(jù)采集工作，而數(shù)據(jù)庫的數(shù)據(jù)可作為補(bǔ)充信號，扮演“錦上添花”的角色。

02

應(yīng)用實例與拓展

當(dāng)然，用于用戶工況分析的CUCO思想在耐久性方面的應(yīng)用只是一個方面，基于CUCO的思想和基本原理，我們亦可以將其應(yīng)用拓展到其他領(lǐng)域，下面通過兩個案例進(jìn)行說明。

1. 基于神經(jīng)網(wǎng)絡(luò)的用戶車輛負(fù)載識別

本案例依托傳統(tǒng)CUCO項目，基于平臺的車隊數(shù)據(jù)外加全通道車載荷采集。車隊的載重相關(guān)的CAN信號由企業(yè)IoT平臺導(dǎo)出，運(yùn)用機(jī)器學(xué)習(xí)算法完成車輛載重狀態(tài)的識別。

圖5：基于神經(jīng)網(wǎng)絡(luò)的用戶車輛載重識別

我們將數(shù)據(jù)按10s一個片段劃分，將連續(xù)數(shù)據(jù)離散成等時長的data segment， 定義號半載,滿載,空載標(biāo)簽(對應(yīng)0，1，2),建立關(guān)聯(lián)目標(biāo)，在Python環(huán)境下使用機(jī)器學(xué)習(xí)算法進(jìn)行模型搭建，通過特征提取，訓(xùn)練集生成，模型迭代與優(yōu)化，測試數(shù)據(jù)載重狀態(tài)識別等工作，得到了較為理想的識別精度。

2. 關(guān)聯(lián)用戶的整車能量管理試驗drive cycle生成

本案例屬于CUCO思想的應(yīng)用拓展，在整車能量管理分析工作中，驅(qū)動車輛運(yùn)行的循環(huán)工況是必不可少的輸入。在行業(yè)或國家制定的標(biāo)準(zhǔn)循環(huán)工況基礎(chǔ)上，為了獲得更能代表產(chǎn)品相應(yīng)客戶群體的真實使用工況，我們可以基于用戶的CAN信號，使用CUCO技術(shù)進(jìn)行工況分析及循環(huán)工況生成。根據(jù)time at level技術(shù)原理，生成車速和縱向加減速的二維工況矩陣，將工況矩陣進(jìn)行歸類，得到更接近用戶真實使用工況的drive cycle，依此指導(dǎo)產(chǎn)品進(jìn)行針對性的改進(jìn)。 

圖6：關(guān)聯(lián)用戶的整車能量管理試驗drive cycle生成