何為“千人千面”?

過去的發(fā)動機設計是通過一套設計來覆蓋大部分應用場景及應用工況(牽引、平板、專用車及自卸車，高速、城市、郊區(qū)工況等)。在不同應用場景及工況下，發(fā)動機某些性能可能會有局限性，而客戶則希望發(fā)動機能適應不同應用場景及實際應用工況，盡可能優(yōu)化性能。

康明斯基于大數據算法，開發(fā)了一套“運行畫像”，來指導發(fā)動機的定制化設計，為每一位客戶進行“私人定制”。通過了解發(fā)動機關鍵信息、大數據分析及算法評估發(fā)動機運行工況，運用OTA技術動態(tài)調整軟件標定來適配不同運行工況，優(yōu)化性能表現和油耗，提升出勤率。

接下來，讓我們一起圍觀如何實現定制化開發(fā)吧!

在車聯網及數字化時代，通過網聯大數據可以獲取更多洞察，更加深入了解用戶如何使用發(fā)動機產品，從而為定制化產品開發(fā)及優(yōu)化提供無限可能。為了實現這個目標，車輛使用場景的細分尤為重要。車輛使用場景細分的關鍵是羅列出有意義的特征標簽，將特征標簽類型按照業(yè)務含義來進行不同維度劃分。基于這些標簽在發(fā)動機標定設計、硬件選型及試驗驗證方面實現定制化：

定制化標定設計

1.大數據模型分析

工程師基于大數據梳理出細分市場分類，分析出不同細分市場的實際運行工況。對發(fā)動機標定庫中幾萬個參數進行特征分析，開發(fā)出用于發(fā)動機標定的推薦系統方法，從而更好地指導工程團隊對標定進行定制及發(fā)放。

該推薦系統方法是通過對比分類回歸樹和主成分分析法，以現有市場運行中的標定數據庫為訓練集，將客戶需求轉化為各個參數特征，并通過機器學習模型的建立，預測出每個參數取值，從而為不同細分市場客戶定制最優(yōu)標定。這個方法不僅提高了基礎標定質量和開發(fā)效率，也讓不同客戶體驗差異化的發(fā)動機性能。

2.標定定制及發(fā)放

完成標定定制后，通過車聯網OTA功能，對不同細分市場的車輛進行定向標定下發(fā)，使各細分市場有適合自己的標定，使發(fā)動機性能達到更優(yōu)。

定制化硬件選型優(yōu)化

1.大數據模型分析

在確立細分市場分類后，使用大數據模型來梳理發(fā)動機運行工況，利用這些實際運行工況數據，作為發(fā)動機開發(fā)中的輸入，從而指導工程師更好地進行發(fā)動機關鍵部件的選型及設計優(yōu)化，比如空壓機、后處理系統、增壓器系統。

2.定制化硬件選型優(yōu)化

通過車聯網及大數據分析后，為發(fā)動機開發(fā)提供設計邊界條件，更好地指導工程師進行發(fā)動機硬件選型及優(yōu)化，為客戶提供更優(yōu)性能、更可靠及更低碳化的發(fā)動機。

定制化試驗驗證優(yōu)化

1.大數據模型分析

針對細分市場分類，結合大數據分析出的實際工況及運行數據，與發(fā)動機設計驗證標準(ESW)及失效模式分析(FMEA)相結合，從而更好地指導工程師來進行發(fā)動機設計驗證規(guī)劃及優(yōu)化發(fā)動機道路試驗。

比如多選擇發(fā)動機高失效的區(qū)域或典型運行工況場景來測試，而不是對所有工況進行平均化測試。另外，通過結合車聯網數據及大數據分析，結合軟件模擬來輔助或替代發(fā)動機開發(fā)中的部分臺架及實際道路驗證。

2.定制化道路試驗優(yōu)化

采用車聯網及大數據分析，為發(fā)動機開發(fā)驗證提供實際運行的邊界條件，更好地指導發(fā)動機設計驗證及道路試驗。通過識別發(fā)動機運行的實際工況，有效的實驗可以提升產品可靠性及質量，保障客戶在各種工況下的可靠應用。