车辆实际运行大数据挖掘与分析|EVH2024新能源电驱动协同·融合·创新年会演讲

首先，介绍第一部分大数据是重工况的数据，众所周知，汽车产品检测工况是汽车行业的一项重要的共性基础技术是车辆开发和检测认证的基础，之前，我们国家没有自己的工况一直在采用欧洲的工况，但是采用国外工况也带来了一系列的问题。

第一，很多节能减排政策的实施并没有达到预期的效果，如图（两张）显示的是欧洲的ADC工况和WLCC工况，从下表所计算的特征可以发现，欧洲工况与我国实际工况的差异已经非常大，这就造成两个比较具体的表现。

第一，用户开车过程中的实际油耗水平和我们车辆标签上贴到的相关的数据差异较大，据相关统计显示，自然车型公告油耗和用户实际油耗的差异达到了28%，增压车型差异更大达到32%，另外很多企业也反映由于我们在采用欧洲的工况导致很多好的技术，在法规检测中并没有很好的体现。

另一方面，从这方面也可以体现出之前传统车一直比不过欧美日，这其中有我们技术积累的不足，另一方面，也是法规标准的不足，因为我们很多的法规标准都是在直接引用欧洲，导致国外车型进入中国市场可以不进行任何本土化的设计，而我们的企业却没有这方面的先发优势，从近些年新能源汽车高速发展这一现象，也可以印证由于我们国家的新能源汽车很多标准都开始用自己的标准，这也是我们新能源汽车能够领跑世界的一个重要的原因。

基于以上原因在2015年，原国务院副总理马凯同志两次指示，中国汽车产业做大做强，必须要有自己的信任工况，在中央领导的多次指示以及五部委的联合指导之下，由我们中汽中心牵头组织全行业的力量，进行了中国工况项目的开发和研究，项目总经费超过了1亿元。

开发工况我们最先要有车辆实际行驶的数据，之前说欧洲工况与中国工况实际不符，我们要采到中国实际的用户工况，但是我国幅员辽阔，道路交通状况复杂，车辆种类繁多，并不是简单我们组织一个小规模的车队，就能够代表中国实际的。

所以说，我们利用新的技术，在2015年远程监控的方案还是比较新的，我们开发了几代的中国工况的数据采集终端，这个终端采用最早的一赫兹，升级到了4赫兹采集的参数类型，包括车辆的行驶的GPS车速以及道路的坡度，空调的使用状况，车辆的载重等一系列的信息。

另外，我们还包括一套本地存储高精度的设备，这种设备的采集频率提高到20-500赫兹，除了具备刚才小中端的功能之外，我们还集成DBC的解析以及加速度相关传感器的外接功能，这是我们采集到的一些参数的情况。包括车辆的GPS，环境温度，车速，档位，加速和刹车，踏板的开度，另外还包括电池的温度、电压、电流以及电机的转速扭矩，以及车辆多个位置的三种加速度的信号。

有了远程终端的传输之后，我们建立了中国工况信息化系统，通过车联网的方式实现远程监控数据，实时采集、分析、处理以及后续工况的自动化开发。

目前，我们中国工况的大数据是在全国41个城市采集了几千台车，超过6千万公里的车辆实际行驶数据，覆盖我国主要的区域，其中这个区域比如说哈尔滨，我们采集的数据并不仅限于哈尔滨，是在哈尔滨注册的车型在周边的区域都有覆盖。

第二个讲的大数据是重型车远程监控的数据，随着国6标准的实施，重型车远程监控成了法规的要求下，目前我们团队在负责北京、天津、唐山、安阳等多个城市的重型车，远程监控数据的接入工作，目前，已经接入我们所分析平台的数据达到10几万台。

第三个大数据是交通量大数据，刚才我们提到了无论中国有几亿台的车，我们不可能把所有车都采到，但是有百度后台的大家用导航的时候，生成的低频交通量大数据我们就可以得到我国车辆在不同城市、不同速度区间行驶的宏观特征，这一数量一年大概有几十亿条，我们掌握了百度后台两年的交通量的大数据，这个数据包括两部分：

1、道路的信息。道路的ID、道路的等级、长度、车道数以及限速情况，就是我们中国所有的道路都在大数据之内。

2、车辆运行的数据，这里的数据包括道路的平均车速以及交通相关的拥堵等级，交通指数等等。

第二部分介绍一下，以上我们这些大数据在我们准入的法规标准中的应用，首先还是说刚才我们谈到几千万公里的车辆实际行驶数据，另外我们还获得百度后台导航的交通流大数据，我们通过交通流大数据，得到了车辆在不同速度区间行驶的宏观权重，对我们采集到的少量这就是刚才提到的几千台，高频高精度的数据进行加权，就是用宏观的权重对少量高精度的数据进行加权，我们就得到了中国的汽车行驶工况，这包括八条，其中轻型车有两条，一个是乘用车，一个是轻型商用车，重型车有对5类车型开发了6条工况曲线，开发了工况之后，我们在相关的能耗标准中，得到了前面的应用，基本上覆盖了目前我国绝大多数车型的能耗测试标准，包括基础通用标准，实验方法标准，限制标准以及相关的标识标准，目前能耗标准有25项国标，我们中国工况已经在20项国标中得到了应用。

除了能耗之外，我们在噪声、热管理、可靠耐久等领域都有基于我们大数据分析的应用结果，比如说，左下（如图）显示的台阶型的稳态的工况，这就是中国的极限环境的测试工况和噪声工况的一种出行，目前中国的噪声工况已经在国际法规中得到了应用。

此外，目前我们正在推动随机的工况库，在排放标准中的应用以及基于我们大数据计算出的纯电利用系数，这就是我们算混合动力汽车，综合友好和综合点号过程中，我们需要对不同的里程进行加权，所以说这也是我们大数据的一个应用的产出。

第三部分介绍一下我们大数据在车辆开发中的应用，首先，我们对于不同的车企来讲，它在我国不同的区域销售车辆，实际上是需要针对特定的区域进行本土化的设计的，比如说我们在重庆卖车就需要考虑他的坡度的影响，比如说在昆明卖车，可能会需要考虑他高原锡箔燃烧相关的影响。

所以说，还是利用刚才的百度后台的交通量大数据，我们直接拿到交通量大数据的话，是没有办法得到我们最终需要的宏观权重的，所以说，我们团队开发了交通流模型，通过采集视频的动态显示的交通流数据，对相关的交通流模型进行标定，再把百度后台的数据输入到我们标定好的交通流模型之中，便可以得到符合我国实际交通状况的多参数的交通流模型库，最终我们是得到了覆盖区分五种城市类型，因为我们的城市有特大型城市，还有普通的县级城市，我们区分城市类型，还包括道路等级，道路等级方面我们分了四类，主干路、侧支路、快速路和高速路。

还包括工作日和周末以及白天和夜间共80种交通状况的交通流模型库，有了这个交通流模型库，我们就可以把百度后台的数据转换成我们车辆在中国不同城市、不同区域行驶的宏观权重。

这是我们交通流模型的一个精度，整体上来讲，我们可以达到误差小于15，此外，利用我们实际采集到的高精度的数据，我们可以分析车辆的活动特征，包括日均出行里程，单次出行里程，出行时间，充电时间，充电SOC，充电使用时间等等一系列在我们车辆开发过程中所需要应用的数据，另外还包括车辆的驾驶特征数据，包括起步的特征，制动的特征，档位分布，油门踏板分布以及发动机、电机相关的工况点的分布以及行驶的区域。

另外对于重型车而言，我们还包括研究了相关坡度的影响，以及空调对于轻重型车的影响。

此外，我们将百度后台的交通量大数据和我们实际采集的数据进行关联，我们就可以把精确的道路坡度映射到每条道路上去，此外，刚才也提到我们采集过程中采了很多温度的数据，包括电池的数据以及电机的数据，我们就可以结合到我们相关的一些DBC解析的工作，就可以把车辆行驶过程中的能量流分布，进行细致的划分，支撑我们部件能耗水平的提升。

这里我们将之前提到的我们工况开发方法形成了一个专业化的工况开发软件，可以应用于我们本行业内，但是不是说工况开发领域的专家直接对我们这套软件进行使用，除了开发我们国家整体的测试工况之外，我们还可以开发典型城市的工况，典型区域的工况，这里刚才提到的这些工况都是代表性的测试工况，相当于我们测试要测试用户平均水平，但是对于排放、可靠性等领域我们并不仅仅要关注工况平均水平的工况，我们要关注覆盖性的工况也是代表比较极端情况下，驾驶特征的工况。

这里我们是基于我们采到的实际数据，引入了正加速度的概念，用相对正加速度衡量用户激烈驾驶的水平，通过95%分位的相对加速度曲线，去挑选片段，构建出了中国的激烈驾驶工况，利用这条工况就可以用于车辆排放的标定。

这里我们还有一套结合坡度功能的包括坡度、速度、时间三维工况的一个工况开发的软件，主要是用于重型车、企业相关的研发工作，除了提到我们转毂台架上做的那个测试工况之外，我们还有实际道路的测试路线的规划，刚才提到了我们的幅员辽阔，气候地理条件多变，比如说我要做一个代表北京城市实际道路的一个工况，比如说我需要行驶20公里，代表北京的一个综合交通工况，这里我们也是利用到了百度后台的数据，我们可以在不同的时段，规划出一条具体比如说十公里或者二十公里的线路，这条线路的综合的工况特征，以及他统计学分析的特征就和我们整个北京市的统计学的分析的结果比较接近，这里我们有这个能力

另外，还包括我们结合导航的数据，我们可以预测，比如说我现在从咱们酒店出发，到南京南站，这个过程中大体车辆行驶的速度时间是怎么样的，在这过程中，车辆的能耗是怎么样一个水平。

另外，除了我们刚才提到的台架的工况，以及实际道路工况之外，我们还可以提炼出一些封闭实验厂的测试工况，在实际道路上做实验很多边界条件是不可控的，我们又要看车辆在道路上行驶的特征，所以我们简化出一系列稳态的工况，可以在封闭实验厂中去测试车辆和相关部件的性能。

最后，讲一下我们刚才提到的都是整车的工况，我们完全可以把整车的工况去映射到部件层级，这里整个的技术路线图是我们和华为以及麦格纳以及滴滴进行合作，做的一个通过整车工况转移到部件工况得到载荷谱，再到最后生成电驱总成耐久工况的一个流程，这里我们做的整个思路和传统的做电驱系统中的可靠性的思路是有一些差异的。

这里我们有几个亮点：

1、做整车工况的时候我们是做了30万公里的整车工况，这个工况并不是代表平均性质的工况，我们是30万公里的激烈驾驶工况，做激烈驾驶工况我们拆分成了4个小时的激烈驾驶工况库，包括低速、中速、高速以及拥堵状况的激烈驾驶工况库，通过激烈驾驶我们可以代表更多的用户，因为如果做一个平均性质只能代表50%的用户，我们做一个激烈驾驶工况可以覆盖95%用户的场景。

另外我们通过百度后台的交通流数据，把不同激烈驾驶子工况库说白了讲是确定了他相关前面乘以的系数，比如说我们低速占比30，前面我可能系数就是X0.3，高速占比10%，我就X0.1，这10%和30%就是来自于百度后台的交通量大数据，这样我们既可以覆盖宏观的交通特征，也可以覆盖微观的用户驾驶场景，有了这个前提之后，我们通过传统系统模型，将整车的工况可以导到特定电驱总成的部件上来，这里如果说我们某个企业，我的电驱总成是适配某一类车的，我们就可以把这个车型的传动系统以及档位选择模型建一个仿真的模型，通过我们的整车的工况，通过传动系统模型，导到部件上去就可以转化出你这个电驱总成的载荷谱。

后续就是比较常规的通过疲劳损伤理论，我们对载荷谱进行加速，我们跟华为合作是得到了一个900个代表30万公里的一个强化的一个电驱总成的测试工况。

今天我的汇报就这些，谢谢大家！

扫描二维码 ｜ 关注我们

●  电动车千人会  ● 

欢迎加入新能源汽车产业交流群  

关注公众号后台回复关键词“社群”

即可获取入群方式

点击“阅读全文”，报名参加IPF超级集成电驱动&小三电系统峰会