基于大數據相關性思維的整車試驗與質量問題關聯性分析

李濤 吳傳洋 李琳

摘 要：文章基于大數據關聯性思維模式，建立了試驗項目-零部件-問題數量模型，分析了整車研發驗證試驗與質量問題的關聯性，如試驗項目-零部件、零部件-試驗項目等。

關鍵詞：大數據思維;試驗;關聯性

中圖分類號：U467.1 ?文獻標識碼：A ?文章編號：1671-7988（2020）14-112-03

Abstract： Based on the thinking mode of big data relevance， this paper establishes a quantitative model of test items-Parts- problems， and analyzes the relevance between vehicle R & D verification test and quality problems， such as test items-parts， parts - test items， etc.

Keywords： Big data thinking; Test; Relevance

CLC NO.： U467.1 ?Document Code： A ?Article ID： 1671-7988（2020）14-112-03

引言

每個行業都會在長期的實踐、探索過程中總結出自己特有的思維模式及相關理論以指導實踐。例如互聯網行業近些年就提出了互聯網思維、大數據思維等。在當今知識大爆炸時代，跨界思維當屬最簡單、最便捷的途徑，可以快速從其他行業吸納新思維、新方法、新技術。

雖然汽車行業是傳統行業，但其知識體系磅礴，可謂海納百川，跨界借鑒和吸收其他行業的優秀思維模式及相關理論的例子屢見不鮮。例如，在汽車行業發展歷程中，從外借鑒航空、航天等領域的技術，內部也有集SUV的操控性、轎車的舒適性等各種優點于一身的跨界車（Crossover）。

汽車研發過程中會進行大量的試驗，進而暴露大量質量問題。但是，試驗與研發過程質量問題之間未必能確切地直接找到關聯原因，因為試驗過程受到人、機、料、法、環等多種因素的影響。然而，分析試驗與研發過程質量問題之間的關聯關系，有助于指導試驗策劃及試驗點檢等工作，例如變更變速箱需要做什么試驗、驅動耐久試驗需要重點點檢車輛哪些零部件等，大數據的相關性思維模式正好契合這一分析需求。

1 大數據相關性思維簡介

隨著科技的發展，全世界的數據以指數級增長，導致以前的數據處理模式發生巨大變化，思維模式也發生根本性變革，進而形成了大數據思維，主要包括全樣思維、非精確思維、相關性思維等，要求盡可能收集全面完整的數據。相關性思維，是一種思維模式，基于全樣本數據統計得到事物之間的關聯關系。不同于通過因果推理，基于部分準確度較高的樣本數據，進行嚴謹的推理，確定事物之間的因果關系，一般能使用數學模型進行表達。

在一個全新汽車研發項目中，僅整車試驗項目就上千項，每項試驗都針對某項或數項功能、性能進行驗證，提出各種各樣的研發過程質量問題，在數年研發過程中累積記錄的問題數量十分龐大。試驗項目和研發過程質量問題之間的關聯強弱，有時并不能找到直接的因果關系，例如驅動耐久試驗，除了發動機和變速箱問題數量名列前茅，組合儀表的問題數量緊隨其后，可能是因為試驗現場工程師并不能立即解析組合儀表顯示異常，而僅僅提出了組合儀表顯示異常。負責設計組合儀表的產品開發工程師，接收到驅動耐久試驗提出的質量問題時，可能并不需要緊急應對。無論什么原因，能證明驅動耐久試驗和組合儀表顯示異常強相關即可。

2 試驗項目-零部件-問題關聯性

受大數據關聯性思維啟發，從研發過程質量問題庫中選取試驗項目、問題零部件名稱兩個維度進行統計，建立試驗項目-零部件-問題關聯模型，如表1所示，也可轉換為圖1所示。

圖1中，橫坐標代表試驗項目，縱坐標代表零部件，垂向坐標代表每個零部件在每個試驗項目中被暴露問題的數量。例如，P1零部件在T1試驗項目中總共被暴露了問題50次。

2.1 試驗-高發問題零部件

在上述模型中，將某一試驗抽取出來，并對零部件依據問題數量進行排序，即可得到圖2。此處以驅動耐久試驗為例，高發問題依次為TCU、發動機本體、EMS、組合儀表、變速器本體等。從圖中可以看出，發動機、變速器及相關的TCU、EMS等發生變更時，應當實施驅動耐久試驗，而同為驅動系統的驅動軸，其問題數量則相對較少，其發生變更時可以視情況決定是否需要實施驅動耐久試驗。

另一方面，驅動耐久試驗工程師在實施試驗過程中，應當著重點檢TCU、發動機本體、EMS、組合儀表、變速器本體等零部件;同時，這些零部件的開發工程師應當著重實時關注驅動耐久試驗。

如前所述，組合儀表可能只是在這個試驗中顯示了驅動系統故障，本身并沒有什么問題。這就要求驅動耐久試驗人員在提出組合儀表問題時，做進一步地問題診斷，找出真因再提出問題。

2.2 零部件問題高發試驗統計

在上述模型中，將某一零部件抽取出來，并對試驗依據問題數量進行排序，即可得到圖3。

此處以變速器為例，高發問題的試驗依次為驅動耐久試驗、整車綜合耐久試驗、整車商品性評價等。從圖中可以看出，變速器發生變更時，應當優先實施。此外，變速器開發工程師，在研發驗證階段應當著重關注驅動耐久試驗、整車綜合耐久試驗、整車商品性評價等試驗。

2.3 問題高發零部件統計

將上述模型中，某一時期所有零部件問題疊加起來并進行排序，即可得到圖4。可以看出，AVNT問題數量遙遙領先，一方面可以指導高層管理者著重關切AVNT開發團隊的技術能力和管理水平，另一方面也提示試驗領域近期各類試驗應當著重點檢AVNT，并且反省試驗過程是否有操作不當，或問題判定是否合理。

2.4 問題高發試驗統計

將上述模型中，某一時期所有試驗暴露的問題疊加起來并進行排序，即可得到圖5。可以看出，綜合耐久試驗作為綜合性最高、投入資源最大的試驗，暴露的問題數量也最多。但是，是否最有實施價值，還需要結合單臺次問題暴露數量來看。如圖6所示，綜合耐久試驗單臺次問題暴露數量名列第二。

3 小結

試驗對整車的研發具有舉足輕重的作用，是開發流程中極其重要的環節，其試驗策劃項目的精準性、以及試驗過程的點檢傾向性，對研發過程質量問題的暴露，有十分重要的影響。本文基于大數據關聯性思維，總結出試驗-零部件-問題關聯性分析方法，分析了歷年來研發過程中暴露的質量問題數據庫，雖然并不清楚各維度之間的因果關系，但依然可以通過統計這些數據之間的關聯性，有效地指導試驗和開發工作，這表明大數據相關性思維在整車試驗和研發過程質量問題關聯性分析中有較大應用價值。

參考文獻

[1] 吳軍.智能時代[M].中信出版集團，2016.9.

[2] 王堅.在線[M].中信出版集團，2018.5.