某大數據平臺在新車品培過程中的應用實踐

Application Practice of Gacicv in the Process of Cultivating New Car Quality

Zhao Xuewei Li Siyuan GAC Motor Co.，Ltd.，Guangzhou 511434，China

Abstract：ThispaperexplorestheinnovativeapplicationofGAC'sself-developed Gacicvinthecultivationofnewcarquality BasedonGAC’technicalpractice，itaalyesthefunctionalarchitectureofDASvehicledigitalanalysissystemandGDinteligentdiagnosticagementssellastheiritegatioehasmithprdctngenaiosonstrctigdago ticsystemof\"data-driven modelsupportcase verification”，theeficiencyoffaultdiagnosis has been improvedby 75% ，and the accuracy of data interpretation has been improved by 35% ，providinga replicable technical path for the digital quality cultivationand transformation of the automotive industry.

Key words：Bigdata platform;New car qualitycultivation;Digital diagnosis;Appliation practice

1前言

隨著汽車產業向智能化、新能源化加速轉型，新車品質成為企業核心競爭力的關鍵載體，大數據技術正重塑品質管控全流程邏輯。在智能汽車領域，環境感知與動態管控精度直接影響汽車的品質和可靠性。

賈鑫等指出，智能汽車環境感知需突破多傳感信息融合瓶頸，其交互多模型融合方法為品質感知奠定基礎；延世龍等2針對復雜交通場景下多目標跟蹤的研究，揭示了動態環境中品質管控對實時響應的依賴。何洋等3的軌跡跟蹤優化方法、周賢文等4的安全制動算法升級，既推動性能提升，也使品質檢測需覆蓋更復雜技術維度，傳統被動模式難以為繼。新能源汽車領域，大數據平臺已成為品質管控的核心支撐。蘭弘羿5強調車聯網大數據平臺是品質追溯基礎；肖忠東等6的三方合作策略研究，印證了平臺架構設計與多方融合的必要性。品質管控正從“被動修復\"轉向“主動預防”。朱冰等[7將大語言模型用于仿真測試來提升效率；陳潔等[8揭示的產業突破式創新機制，更凸顯大數據平臺對品質培育的賦能價值。

在此背景下，研究大數據平臺在品質檢測與培育中的應用實踐，對推動行業升級具有重要意義。

2現實困境

隨著新能源汽車滲透率突破 50% （2025年中國市場數據），新車技術架構正經歷從“機械主導\"向“電-軟-網\"融合的根本性變革[9]。以某款混動車型為例，該車電子控制單元（ECU）數量已達40余個，涵蓋中央域控制單元（CCU）、區域控制單元（ZCU）等復雜系統，傳統“實車讀碼 + 復現數據\"的解析模式面臨三大痛點：

a.解析效率較低：流程繁瑣且依賴現場操作，響應速度滯后；傳統新車品培模式中，讀取故障碼等操作依托于技術人員攜帶專業診斷設備到實車現場采集、讀取，單次操作至少耗時 10min ，若遇復雜故障需多次往返現場。

b.場景局限性：對于軟件邏輯沖突、接觸不良等偶發問題，實車復現依賴“運氣”，可能因為工況、環境等因素導致故障不復現，無法準確還原故障鏈[10]。

c.投入成本高昂：復現問題時需投入較多工時，且專業診斷設備單價通常在數萬元至數十萬元之間，不同設備其功能也不同，在實際應用中，時常出現需使用不同診斷設備的情況。

3某大數據平臺核心功能架構與品培融合機制

為解決傳統品培痛點，廣汽集團自主研發的數字化診斷中樞某大數據平臺集成了兩大核心模塊，即VDAS車輛數字化分析系統和GIDS智能診斷管理系統。平臺通過打通“車端數據-存儲模塊-云端分析”的閉環，將傳統問題解析的\"實地\"升級為\"遠程”，為專業技術人員提供了遠程便捷的數字化診斷解析環境。

3.1VDAS車輛數字化分析：構建數據驅動的智能診斷體系

3.1.1“三端一云\"架構：從“源數據融合\"到\"可視化診斷”

VDAS采用“三端一云\"架構（車端采集、邊緣計算、云端存儲分析），其核心功能模塊包括源數據融合引擎、智能數據分析中樞、可視化診斷工作臺三部分。

a.源數據融合引擎：將接收到報文/信號以高壓縮態存入數據庫，節省存儲空間，支持云端配置采集數據；車端數據采集引擎支持 28+ 基礎算子及基礎算子組合后的復雜算子；根據配置的數采規則進行采集，支持靈活配置，同時支持輕量級算法模型部署運行，實現采集動力域、底盤域、座艙域等40余個ECU的數據，數據同步延遲 lt;50ms ，數據采集壓縮比 gt;12 倍。

b.智能數據分析中樞：內置51項車輛健康檢查模型、80項決策分析模型，覆蓋故障燈、部件故障、車輛功能等場景；通過運行模型， 0.5min 內即可查看故障位置、故障原因、結論名稱、維修建議，為售后客服提供引導話術，為檢修人員快速定位不良原因，提高解析效率 80% 。

c.可視化診斷工作臺：提供整車巡檢、ECU故障樹分析、信號波形回放等交互功能。工程師可通過拖拽方式自定義診斷模板，如針對混動系統創建“電池-電機-電控”聯動分析視圖，將多系統故障關聯分析效率提升3倍。

3.1.2數據分析工具集：從“實車采集”到“遠程召回”

平臺提供專業級數據回放能力：

a.周期采集數據：作為VDAS系統數據分析工具集的核心功能模塊之一，周期采集數據以“ 100ms ”的高頻采集頻率為基礎，實現對車輛全系統關鍵運行信號的精準捕捉與動態跟蹤，為品質工程師開展故障排查、性能評估與狀態監測提供高密度的數據支撐。該功能不僅覆蓋車輛核心系統的關鍵參數，更通過靈活的可視化呈現與深度的關聯性分析，將抽象數據轉化為直觀的故障排查線索，大幅降低數據解讀門檻

b.總線數據召回：支持車端7d（以每日3h計）原始數據回溯，單次可分析1h范圍的CAN總線報文（如充電過程中BMS與CCU的通信幀）。總線數據召回作為VDAS系統實現\"遠程數據溯源\"的核心功能，依托廣汽自研的車云協同數據存儲架構，打破傳統“實車數據本地存儲、事后讀取困難\"的局限，實現對車端CAN總線（控制器局域網）原始數據的長周期留存與精準召回，為品質工程師排查復雜通信故障，還原車輛特定時段運行狀態提供“數字孿生級\"的數據支撐。

c.故障時間軸還原：通過數據回放復現“故障前-故障中-故障后\"的信號變化，精準定位故障觸發點，避免傳統“實車復現靠運氣”的場景局限。故障時間軸還原功能以VDAS系統采集的高頻率、全維度車輛運行數據為基礎，借助“毫秒級時序對齊 + 多信號同步回放\"技術，將故障發生前后的\"故障前-故障中-故障后\"三個關鍵階段的信號變化完整復現。

工程師在實際故障排查中，可通過“周期采集數據”功能初步圈定問題發生的時間范圍與疑似關聯信號，鎖定故障大致方向；再通過“總線數據召回”下載該時段的全量CAN總線原始數據，進行深度解析以驗證初步判斷；最后結合“故障時間軸還原\"功能復現故障發生的完整邏輯鏈，最終確定故障根因。整個過程無需現場接觸實車，僅通過云端平臺即可完成全流程數據分析，經廣汽傳祺實際應用驗證，該工具集可使工程師的故障數據采集與初步分析效率提升 60% ，解析速度較傳統實車采集模式加快3倍以上。

3.2GIDS智能診斷管理：構建模型驅動的故障監控體系

3.2.1監控模型工程化：從\"經驗規則\"到\"算法建模”

平臺支持基于業務邏輯的模型配置，以\"排放故障”模型（表1）為例，其觸發條件包含四種邏輯：

a.信號組合：（EMS_MilS t=1 1IBMS_EngMilLampReq 1IIDCU_EngMilLampReg L_L= 1IIGCU_EngMilLampReq=1

IIIPS_OBCEngMilLampReq σ=σ 1IIDCU2_EngMilLampReq σ=σ 1IITMS_EngMilLampReg L= 1IIVCU_EngMilLampReq ^-1 （204號

IIBCS_EngMilLampReg _[=1 ），即發動機、整車控制器、電池系統、電機、溫控、電源等任意一方請求點亮故障燈。

b.邊界條件：EBSF_BattVolt gt;10 V（排除小電池虧電導致的誤報）。

c.工況限制：VCU_VehRdyS t=1 （車輛處于READY擋）。

d.時序驗證：EPS_SteeringAngleSpdVD 1=1 （已過產線標定崗位）。

通過“多信號交叉驗證”的診斷思維配置模型，避免單一信號誤判，實現精準監控，減少 80% 誤報事件。

表1排放故障模型

3.2.2告警處理全流程：從\"被動響應\"到\"主動報警”

為進一步提升故障處理的時效性與精準性，平臺依托VDAS系統的實時數據監測能力與GIDS系統的智能診斷能力，構建起\"實時監測-信號回放-決策建議”的全流程閉環處理機制，實現從“故障發現\"到“故障解決”的端到端高效銜接，大幅降低品質工程師與售后維修人員的工作復雜度，具體功能模塊設計如下：

a.郵件告警：包含VIN、故障時間、報警故障等。郵件告警作為閉環機制的“故障觸發入口”，旨在第一時間將車輛異常信息傳遞給相關負責人，確保故障得到及時關注與處理。當VDAS系統通過數據分析識別出車輛故障（如零部件性能異常、電子控制單元通信故障、關鍵信號超出正常范圍等）后，會自動觸發郵件告警流程，生成標準化的告警郵件并發送至預設的工程師郵箱（可根據故障類型定向發送至動力系統、電子電氣系統等對應領域的工程師）。告警郵件內容涵蓋故障車輛的核心信息，確保工程師無需額外查詢即可快速掌握故障概況：其中VIN碼（車輛識別碼）可精準定位具體車輛，便于后續調取該車輛的全生命周期數據;故障時間精確到\"年-月-日時：分：秒。”

b.信號回：自動配置故障前后（時間自定義）的信號回放（如VCU_SysFaultLv從“0\"跳變為“5\"的過程）。信號回溯作為閉環機制的“故障分析核心”，承接郵件告警后的故障深度排查需求，通過自動配置故障前后的信號回放任務，幫助工程師還原故障發生的完整過程。當工程師接收到告警郵件并點擊故障分析鏈接后，系統會根據故障時間自動生成信號回溯任務，默認配置“故障前 10min^- 故障后 5min ”的信號回放范圍（工程師可根據故障復雜程度自定義調整時間區間，最長可擴展至“故障前 30min? -故障后 15min^′′ ，并自動篩選與故障相關的關鍵信號（如故障涉及的電子控制單元信號、關聯零部件的工作參數、車輛運行狀態信號等）。

c.決策支持：生成排查課題指引文檔。決策支持作為閉環機制的“故障解決出口”，依托GIDS系統的故障知識庫與智能診斷算法，為工程師快速排查課題提出指引。當信號回溯完成后，系統會基于故障類型、故障根因分析結果（如零部件磨損、電子控制單元軟件故障、線束接觸不良等），并提出實車解析指引：例如針對“BMS與VCU通信中斷\"故障，維修建議會明確“第一步：檢查BMS與VCU之間的通信線束插頭是否松動或氧化，使用萬用表測量線束通斷性；第二步：若線束正常，升級VCU與BMS的軟件版本至最新版；第三步：重新連接線束并啟動車輛，觀察通信信號是否恢復正常”，同時提示“升級軟件前需確保車輛電池電量高于 20% ，避免升級過程中斷電導致系統故障”。

d.多車分析應用：通過“DTC批量查詢\"模塊，可發現共性問題，結合平臺提供的維修建議，可總結出同類故障的快速處理流程。多車分析應用作為閉環機制的“經驗沉淀環節”，通過對多輛車輛的故障數據進行批量分析，挖掘潛在的共性問題，形成標準化的快速處理流程，為后續同類故障的解決提供參考，同時為車輛設計優化與生產工藝改進提供數據支撐。系統內置“DTC批量查詢\"模塊（DTC即故障診斷碼，是車輛電子控制系統中用于標識故障的標準化代碼），工程師可通過該模塊按“故障類型”“車輛生產批次”“使用地區”\"行駛里程”等維度篩選故障數據，實現多車故障的批量查詢與統計分析。

告警處理全流程通過\"實時數據驅動 + 智能模型支撐”，將新車品質培育從依賴經驗的“事后補救”轉變為數據賦能的“全周期管控”，不僅加速單個故障的解決率，而且通過多車分析與跨域融合推動系統性品質提升，為新能源汽車“電-軟-網\"融合架構下的品質管理提供了可復制的數字化路徑。

4某大數據平臺與新車品質培育的融合實踐

a.全流程覆蓋能力：試制驗證階段，在S車型的試制期間，利用VDAS分析動力故障車輛，識別出軟件邏輯bug、硬件設計不良等設計風險，推動策略、結構優化，輔助解析 500+ 課題。例如，動力系統故障通過VDAS的實時采集與回溯，將傳統\"實車復現\"轉化為“數據復現”，大幅縮短解析周期。市場驗證階段，平臺對在售的S車型進行實時數據監控，通過GIDS、VDAS的聚類分析發現， 5% 的共創用戶反饋的“空調不記憶”問題與CCU內部邏輯有關。基于此，通過OTA推送策略優化程序，快速對應課題。

b.跨平臺關聯：星原平臺周期采集軟件版本信息、關聯OTA平臺，通過VDAS識別軟件版本，多次定位因版本沖突導致的整車功能異常。

c.效果追蹤：平臺實時監控后的車輛數據，通過對比升級前后的故障發生率（如升級后告警量下降至0），量化評估軟件優化效果，形成“升級-驗證-迭代”的閉環管理模式。實踐創新點總結如表2所示。

表2實踐創新點總結

5應用效果與行業價值

5.1量化效益分析

a.診斷效率提升：S車型的全車故障診斷時間從傳統方案的 40min 壓縮至 10min ，提升 75% 。b.品質成本下降：平臺的應用使S車型的量產早期故障率（3個月內）下降 35% 。c.技術人員評價：團隊調研數據： 95% 的工程師認為平臺“大幅減少實車調試次數”，某技術主管反饋“以往需 3h 處理的混動系統故障，現在通過平臺1h內即可解決”。

5.2行業創新價值

a.數字化診斷標準化框架：構建“數據采集-模型分析-決策\"閉環體系，打破傳統人工診斷模式，形成可復制的標準化技術路徑。b.跨域數據融合突破：實現40余個ECU數據實時采集與多域協同分析，解決新能源汽車復雜架構下的故障定位難題。c.智能診斷模型復用：將專家經驗轉化為算法模型（如多信號交叉驗證邏輯），減少誤報且可靈活復用，降低對資深專家的依賴。d.全生命周期管控創新：貫穿試制到市場階段，通過實時數據監控實現品質問題早期識別與OTA快速響應，顛覆傳統事后維修模式。e.降本增效示范效應：診斷效率提高 75% 、早期故障率下降 35% ，遠程診斷減少設備與人力投人，提供明確成本優化路徑。

f.開放生態協同潛力：通過聯合產業鏈共建診斷知識圖譜，為新場景拓展提供生態級技術支撐。

6結語

某大數據平臺以“數據中樞 + 智能模型”為雙輪驅動核心，通過構建覆蓋車輛全生命周期的數據采集、處理、分析與應用體系，成功推動新車品質培育完成從傳統“經驗驅動\"向現代化“數據驅動\"的根本性技術變革，徹底重構了新車品培的技術底座——其中，VDAS車輛數字化分析系統作為“車輛數字孿生\"在品培場景落地的關鍵載體，品質工程師可通過大數據實現對車輛的遠程實時監測、極端工況模擬測試與故障預演，無需依賴實車即可開展多輪品培驗證，大幅降低測試成本與周期；而GIDS智能診斷管理系統則聚焦于“專家經驗的算法化轉化”，通過梳理廣汽傳祺多年積累的故障案例，將品質專家在故障排查、根因分析、解決方案制定中的經驗規則轉化為可復用、可迭代的智能算法模型，不僅避免了專家經驗因人員流動導致的流失，更通過算法的自我學習能力，使診斷準確率隨使用時間不斷提升，打破了傳統“經驗依賴個人能力”的局限。

參考文獻：

[1]賈鑫，李松霖，佘遠昇，等.基于交互多模型的智能汽車環境感知信息統一融合方法研究[J].汽車工程，2025，47（6）：1144-1154.

[2]延世龍，陳學文，賈遠鵬.復雜交通環境下智能車多目標重識別跟蹤方法研究[J].重慶理工大學學報（自然科學），2025，39（3）：10-16.

[3]何洋，李剛，冀鳳標，等.基于變論域模糊自適應模型預測控制的智能汽車軌跡跟蹤控制方法研究[J/OL].兵工學報，1-17[2025-07-14].http：//kns.cnki.net/kcms/detail/11.2176.TJ.20250605.1848.007.html.

[4]周賢文，龍瀟，余欣磊，等.基于改進Q學習的智能車輛多場景安全制動算法[J/OL].計算機應用，1-10[2025-07-14].http：//kns.cnki.net/kcms/detail/51.1307.TP.20250613.1641.008.html.

[5]蘭弘羿.新能源汽車車聯網大數據平臺構建探析[J].太陽能學報，2023，44（6）：545-546.

[6]肖忠東，楊舒淇.新能源汽車工業大數據平臺建設三方合作策略研究[J].工業技術經濟，2023，42（5）：58-69.

[7]朱冰，湯瑞，趙健，等.基于大語言模型的智能汽車仿真測試[J].汽車工程，2025，47（4）：587-597.

[8]陳潔，韋俊龍.知識耦合視域下戰略性新興產業實現突破式創新的內在機制與動態過程——以智能汽車芯片為例[J/OL].管理工程學報，1-13[2025-07-14].https：//doi.org/10.13587/j.cnki.jieem.2025.04.020.

[9]劉自凱，徐偉，姚昂，等.汽車電子電氣架構的功能架構設計研究[J].汽車電器，2025（2）：90-92

[10]申靜峰.自動駕駛汽車車輛在環測試方法研究[D].長春：吉林大學，2021.

作者簡介：

趙學偉，男，1984年生，工程師，研究方向為汽車大數據、汽車三電混動系統質量。