CUCO(2.0Evo)：西门子Simcenter基于IoT+ML的用户工况分析技术-当前简讯

车辆耐久性工程中最基础，同时又是最重要的输入就是为产品设定的耐久性目标，正确的耐久性目标应使其产品在统计学上满足用户使用工况的结构强度，避免设计不足或设计过度的问题，从而提升产品竞争力和用户口碑。

图1: 用户工况分布与耐久性验证目标的关系

(资料图片)

西门子Simcenter用户关联技术（Customer Correlation,简称CUCO）从开始研究至今，已经历了30个年头，期间在为全球各知名主机厂建立车辆耐久验证规范的过程中，展示了强大的功能和生命力。实践证明，相比其他的耐久目标设定方法，CUCO技术具有明显的优势(参考本公众号文章《西门子工程咨询服务团队解决方案之商用车疲劳耐久用户相关性分析技术》)。随着车辆电气化转型和技术升级，CUCO技术亦在不断地实现更新，以便为客户提供更加高效的服务。

图2: 传统CUCO技术的一般流程

上图展示了传统CUCO的技术流程，我们不难知道，传统的CUCO技术路线中，车队测量和全通道车测量是必不可少的环节，这两项工作也是需要相对较长的时间来完成，它可以让我们得到经得住考验的关联结果。然而，传统的CUCO技术是从宏观的维度(路面，车速，转向等)去评价用户车辆的载荷损伤分布的，同时随着汽车行业竞争加剧，研发周期缩短，如何缩短项目时长也是摆在我们面前一个无法迴避的问题。

前言

01

新一代CUCO解决方案概述

得益于当今大数据分析方法和传感器技术的飞速发展，在继承了CUCO技术核心算法和数据分析方法的基础上，西门子对传统的CUCO技术进行了升级，形成了依托大数据分析和车载传感器数据的新一代用户工况分析方法,即CUCO(2.0 Evo)。 

图3: CUCO(2.0 Evo)方案概述

如图所示，用户的数据将全部来自于车载传感器，这些数据详细记录了用户的使用情况和工况信息。我们工程咨询服务团队在Simcenter Testing Solution的基础上专门开发了相应的高级数据分析工具集，在数据分析时,可以便捷地使用机器学习算法进行工况识别和载荷预测，得到用户车辆的伪损伤密度和工况分布，亦可以得到我们关注部件的“内载”分布，从而制定关联用户的耐久性验证规范。

CUCO(2.0 Evo)将机器学习算法广泛地应用到数据分析过程中，它基于样本数据(被称为“训练集”)建立分析模型，根据分析模型做出用户数据分析及预测。 

图4：CUCO(2.0 Evo)的技术路线

CUCO(2.0 Evo)一般包含如下步骤：

1. 用户数据导入

我们无需专门组织额外的测试活动，仅从数据库中导出一定数目和通道(通常小于40通道)的用户样本数据，这些数据基于高度集成的车载传感器和数据总线，包含丰富的用户驾驶行为和车辆的载荷响应，这将有助于我们的工程师将所有精力集中在高效的数据处理和分析工作上。

2. 数据准备和特征提取

通常要建立相对丰富和准确的用户模型，直接使用下载的数据是远远不够的，我们通常先需要对数据进行扩展，例如通过车速，轮速，GPS等信号去拓展出用户工况矩阵所需的坡度，路面粗糙度等信息。

这样，我们的数据通道会有所增加，一些机器学习分析方法的实践表明，简单的增加数据通道并不能提高我们分析模型的精度，有时候还会降低分析模型的精度，因此，需要抓住主要矛盾，通过主成分分析找出哪些通道(通常不超过8通道)的数据对我们用户工况模型产生的影响最为显著，依此修正模型，使模型兼顾精度与可积性，有助于我们获取更加稳定的分析结果，同时降低计算耗时。

3. 模型优化与结果输出

在2的基础上，在此我们引入部件在行驶时产生的损伤量，结合如卡尔曼滤波\最小二乘拟合等方法，对模型进一步优化，最终得到可视化的时域数据和用户工况下每公里产生的损伤，依此我们可以制定相应的耐久规范及用于关注部位的载荷评估。

可以看出，随着技术进步，CUCO(2.0 Evo)为我们耐久性目标设定提供了新的思路和方法，相较于传统的CUCO和其他用户关联方法，实施更加便捷。但是，我们也要注意到，准确的结果是需要高质量的数据输入作为前提的，在信号类别足够的情况下，数据的采样频率直接决定我们的方案能否顺利实施，就耐久性而言，过低的采样频率会导致我们无法捕获一些重要的操作特征和车辆的响应，这种先天的“缺陷”是无法通过后续的数据处理来弥补的。通常要实施该技术，原始数据的采样频率要尽可能高，同时结合合理的关联数据通道选择，方可保证预测模型的准确性。否则，要搭建更加精确的用户工况模型，我们只能老老实实去完成数据采集工作，而数据库的数据可作为补充信号，扮演“锦上添花”的角色。

02

应用实例与拓展

当然，用于用户工况分析的CUCO思想在耐久性方面的应用只是一个方面，基于CUCO的思想和基本原理，我们亦可以将其应用拓展到其他领域，下面通过两个案例进行说明。

1. 基于神经网络的用户车辆负载识别

本案例依托传统CUCO项目，基于平台的车队数据外加全通道车载荷采集。车队的载重相关的CAN信号由企业IoT平台导出，运用机器学习算法完成车辆载重状态的识别。

图5：基于神经网络的用户车辆载重识别

我们将数据按10s一个片段划分，将连续数据离散成等时长的data segment， 定义号半载,满载,空载标签(对应0，1，2),建立关联目标，在Python环境下使用机器学习算法进行模型搭建，通过特征提取，训练集生成，模型迭代与优化，测试数据载重状态识别等工作，得到了较为理想的识别精度。

2. 关联用户的整车能量管理试验drive cycle生成

本案例属于CUCO思想的应用拓展，在整车能量管理分析工作中，驱动车辆运行的循环工况是必不可少的输入。在行业或国家制定的标准循环工况基础上，为了获得更能代表产品相应客户群体的真实使用工况，我们可以基于用户的CAN信号，使用CUCO技术进行工况分析及循环工况生成。根据time at level技术原理，生成车速和纵向加减速的二维工况矩阵，将工况矩阵进行归类，得到更接近用户真实使用工况的drive cycle，依此指导产品进行针对性的改进。 

图6：关联用户的整车能量管理试验drive cycle生成