摘要：电驱桥作为新能源工程车辆的核心零部件，在面对企业数字化变革时，研发目标除了传统的减重、降本和性能提升外，还应该加入数据采集、大数据分析的软硬件应用，并在此基础上建立属于自己的大数据库及数据智能提炼分析工具，从而依靠先发优势占领未来工程车辆大数据平台的领导地位。基于数据管理知识体系(DMBOK)的数据科学过程迭代模型，结合公司新能源工程车辆电驱桥业务实际发展需要，通过增加一系列传感器进行数据采集，再经过车载终端和企业云平台对数据进行分析提炼，最后通过算法挖掘单个数据以及各数据组合背后的价值并进行反馈。该技术不但可以对现有服役产品进行实时监控、寿命预警和故障诊断，还可以为研发及时提供准确的客户痛点和设计优化方向，减少设计冗余和规避设计风险，真正达到提质降本的目的。

　　关键词：大数据；数据科学；电驱桥；数据管理知识体系(DMBOK)

　　Research on the Application of Intelligent Electric Drive Axle Look-ahead Technology Based on DMBOK

　　Song Feng1,2，Li Jiakuo2，Wei Yongxiang2，Wu Shuai2

　　(1.Business School of Hunan University,Changsha 410082,China；2.Sany Heavy Industry Co.,Ltd.,Changsha 430100,China)Abstract:Electric drive axle is the core component of new energy engineering vehicles.In the face of the digital transformation of enterprises,in addition to the traditional weight reduction,cost reduction and performance improvement,the software and hardware applications of data acquisition and big data analysis should also be added to the research and development goals.On the basis,the own big database and intelligent data extraction and analysis tools were establish,so as to occupy the leading position of the future engineering vehicle big data platform by relying on the first-mover advantage.Based on the iterative model of data science process of DMBOK,combined with the actual development needs of the company’s new energy engineering vehicle electric drive axle business,data was collected by adding a series of sensors,and then the data was analyzed and refined through the vehicle terminal and enterprise cloud platform.Finally,the algorithm was used to mine the value behind a single data and each data combination and feedback.It can not only carry out real-time monitoring,failure warning and fault diagnosis of existing service products,but also provide accurate customer concerns and design optimization directions for R&D in time,reduce design redundancy and avoid design risks,and truly achieve the purpose of improving quality and reducing cost.

　　Key words:big data;data science;electric drive axle;data management body of knowledge

　　0引言

　　随着大数据云平台、芯片和互联网技术的不断发展以及人工智能在汽车领域的广泛应用，车辆数据产生的速度、种类和数量都呈现出指数级的增长[1]。这些数据对于传统汽车制造商开展以数据驱动企业可持续发展的数字化变革创造了先决条件，但是要想从“6个V”的大数据中获取有用的知识并将其转化为商业价值，仍然绝非易事[2]。

　　一方面车辆动力系统电驱化、智能化成为技术更新换代和能源结构升级变革的大势所趋，作为“大三电”核心部件的智能电驱桥的研发及应用也越来越受到国家和企业关注[3]。另一方面数字化转型对于企业而言是通过数据来推动业务增长，其目的是从数据管理出发，开展数据挖掘、构建预测模型、机器学习模型，统计分析方法和新一代信息技术对业务进行改造创新[4-6]。因此在智能电驱桥新品开发过程中，普遍存在客户需求不及时、整车边界不全面、设计开发不精准，试验验证不充分、质量管控力度不足和成本压力较大等诸多难题。

　　本文基于数据管理知识体系(Data Management Body of knowledge，DMBOK)，结合三一重工智能电驱桥产品开发实践，探讨数据科学管理与产品前瞻技术研究与验证的新思路，以期为其他企业提供借鉴。

　　1 DMBOK学习

　　数据管理知识体系(DMBOK)由国际数据管理协会(DAMA International)组织数据管理行业专家对过去30多年数据管理领域知识和实践的归纳总结，是一部综合了数据管理方方面面且具有权威性的工具书。DMBOK强调的是将数据作为一种独特属性的资产，最明显的特点是数据在使用过程中不会产生消耗，可以无限次使用。但是仅仅有一类小数据的使用价值是不高的，只有拥有大数据及优秀的数据分析工具，像google、亚马逊、淘宝、百度等这种大数据平台及搜索引擎工具，才能分享到数据治理带来的红利。所以应该加大工程机械方面的数据采集及数据分析的软硬件投入，并在此基础上建立属于自己的大数据库及数据提炼分析工具，进而占领工程机械大数据平台的领导地位[7]。

　　本文以DMBOK中大数据和数据科学中的数据科学过程迭代模型为研究框架[8]，遵循科学的方法，通过观察、设立和检验假设、观察结果、构思解释结果的通用理论来提炼数据。本文将利用该模型并结合三一重工智能电驱桥业务实际发展需要，分7个步骤开展数据过程迭代，实现数据战略和业务目标，并最后在新产品上加以实施和应用。

　　2车桥以及电驱桥

　　车桥(也称车轴)通过悬架和车架(或承载式车身)相连，其两端安装车轮，其功用是传递车架(或承载式车身)与车轮之间承载、驱动、转向灯各方向的作用力及其力矩。车桥根据功能又可分为转向桥、驱动桥、转向驱动桥和支持桥4种类型。电驱动桥作为驱动桥的一种，是针对电动汽车而设计的一种机电一体化电驱动系统，它将传统驱动桥与驱动电机、变速箱、电控单元和其他附属机构等集成在一起[9]。驱动电机经过变速箱和车桥减速增扭后直接用于驱动车轮。这样就减少了传统底盘的传动轴和悬置支架等零部件，使得整车的成本变得更低，传动效率更高，占用空间更小，更方便于动力电池包的布置；尤其是多挡电驱桥，在兼顾上述优点的同时还提供了良好的动力性和燃油经济性[10-11]。目前主要的电驱动桥类型包括集成式电驱桥、轮边电驱桥、轮毂电驱桥3种形式。

　　本文主要以工程车辆用集成电驱桥为对象开展智能化研究。针对目前新能源汽车整车更高效率、更高功率密度、更高安全性的系统目标，智能电驱动动力总成将具备智能诊断、健康管理、数据处理等模块，智能电驱系统是未来智能车与车联网的必然选择。

　　3车桥与数据智能结合

　　基于公司已开发的云数据平台，通过车桥与数据智能相结合，可以实现车桥载荷数据提取、智能化健康管理、故障监测诊断、寿命周期等性能的预测；此外，智能大数据与云控制技术符合公司“三化”(电动化、智能化和国际化)的战略发展方向，对推动公司工程车辆智能化施工、集群调控技术取得自主创新突破具有重要战略意义，也为智能车技术实现智能化产业应用提供了应用平台。

　　3.1定义大数据战略和业务需求

　　以电动自卸车用集成电驱桥为例，应根据国家相关法律法规、行业标准及客户实际需求，并结合数据分析总结出一些可衡量的、能够产生实际收益的大数据战略和业务需求(表1)。其中，车载称重技术可以方便驾驶员实时查看载货重量，规避超载风险；电驱桥故障监控可以提前对典型故障进行预警，减少故障发生概率；电驱桥寿命预测主要针对关、重件开展寿命预测并将数据通过后台反馈，研发部通过分析开展精准设计，如减少冗余设计等。

　　3.2选择数据源

　　通过分析表1大数据战略和业务需求表，在公司当前的数据资产库中识别出与业务需求描述相对应的短板数据源，并对该短板数据源进行描述形成表2所示数据源分析，为后续采集和提取数据做好准备。

　　其中，与车载称重相对应的数据源有中后桥桥壳、前桥前轴应变传感器等；与故障监控相对应的数据源包括齿轮和轴承转速、振动传感器、温度传感器等；以及对关键结构件和关键传动件进行寿命预测的各类传感器。

　　3.3采集和提取数据资料

　　针对表2数据源分析表开展数据收集并加载使用。继续以车载称重为例，其具体步骤如下：首先称重数据采集装置采集应变模拟信号，将其转化为数字信号后通过CAN通信发送至数据处理装置；其次，数据处理装置经计算处理后得出车载重量值，使其能够在车辆怠速和行车情况下均实现对车厢内部重量的实时监测，且保证高精度的测量误差；最后驾驶员通过车载显示屏等外设直接查看实时重量，同时还通过4G信号将测量信息实时上传至企业平台进行管理。

　　3.4设定数据假设和方法

　　通过对采集和提取数据资料进行剖析、可视化和挖掘来探索数据源。定义模型算法的输入、种类或者模型假设和分析方法。以车载称重为例，图2所示为BP神经网络结构，以BP神经网络作为算法模型，该模型是一种误差反向传播进行训练算法的多层前馈人工神经网络[12-15]。其主要特点是信号前向传递和误差反向传播。其输入信号除车载称重信号n外，还应当考虑车辆速度信号、加速度信号和胎压信号等影响称重测量精度的信号。因此，将上述信号作为输入层，按训练精度选择最佳隐含层节点数m，车辆载荷预测值Y作为BP神经网络的输出层建立模型。

　　3.5集成和调整数据进行分析

　　由于上述模型的可行性部分取决于源数据的质量，因此要利用可靠地数据来源，应用适当的数据集成和数据清洗技术提升预备数据集的质量和可用性。以车载称重为例，按3步走，分别通过测量方法、降噪处理和算法优化开展，如图3所示数据分析组合优化[16]。在该项目中，通过优化比较选择间接测量作为测量方法，以小波阈值降噪作为降噪处理方式，以BP神经网络做为算法模型，开展数据分析组合。

　　3.6使用模型探索数据

　　通过模型对集成的数据应用统计分析和机器学习算法进行验证、训练，并随着时间的推移演化模型。模型训练需要针对实际数据对模型进行反复运行，已验证假设并对模型进行调整。

　　在车载称重算法模型为中，将车载称重信号n、车辆速度信号、加速度信号等作为BP神经网络的输入层，按训练精度选择最佳隐含层节点数m，车辆载荷预测值Y作为BP神经网络的输出层建立模型。BP神经网络学习流程如图4所示，在前向传递中，若输出层得不到期望输出T，则进入误差反向传播，通过调整各层神经元的权值和阈值使Y和T之间的误差不断减小，当训练精度满足预设精度时训练结束。

　　3.7部署和监控

　　将上述模型部署到实际生产环境中，并持续监控它们的价值和有效性。通常，数据科学项目会转变成数据仓库项目。在这些项目中，会有更为活跃的开发过程(ETL、数据质量、主数据等)。以车载称重为例，将算法模型部署在试验车辆上，并在试验场开展持续监控。模型在实际运行中不断地被改进和维护，最终使其满足业务使用要求。具体测试验证与结果分析在第4章中进行独立论述。

　　4测试验证与结果分析

　　4.1测试验证

　　结合数据科学过程迭代模型，将车载称重算法模型部署在目标试验车辆上，本次以4桥纯电动自卸车为例，在公司试验场开展测试标定工作。测试对象准备：前一桥、前二桥中桥总成和后桥总成的传感器安装位置分别如图5~6所示。因现场采用的是在普通路面直接焊接安装的方式，故还应考虑被测对象存在初始应变。传感器安装数量分别为前一桥和前二桥各1个，中桥总成和后桥总成各安装2个，每辆车共计安装6个传感器。

　　测试标定方法：共测试6组数据，从空载开始，分6次依次随机装载，通过现场地磅进行称重。分别记录每次的传感器采集数据和地磅读取数据，录入数据后得到表3数据。

　　4.2数据分析

　　以前桥为例，根据此前对前桥仿真分析结果计算得出，应变与轴荷的斜率k1=0.017 57。根据试验场的测试数据，对前轴应变与载荷进行线性拟合，获得图4所示车桥传感器数据与地磅关系，并得出传感器数据与地磅读数的函数为：y=0.181 4x+29 419，得出斜率k2=0.181 4。初步选定应变信号放大倍数为10。

　　然后通过MATLAB进行BP神经网络拟合，获得BP神经网络训练图，如图5所示。通过对其线性度进行分析，误差1%~4%，满足车载称重误差不大于5%的使用要求。

　　5结束语

　　本文以新能源工程车辆用电驱桥为例，通过运用DMBOK的数据科学过程迭代模型，并结合公司新能源工程车辆电驱桥业务实际发展需要，在电驱桥的基础上前瞻性地通过增加一系列传感器进行数据采集，包括但不限于如车载质量、轴承和齿轮的振动、桥壳应变、制动片磨损报警、ABS、润滑油温度和液位面等各种数据。

　　然后，经过车载终端和企业云平台对数据进行分析提炼，最后通过算法挖掘单个数据以及各数据组合背后的价值并进行反馈。这不但可以对现有服役产品进行实时监控、寿命预警和故障诊断，还可以为研发及时提供准确的客户痛点和设计优化方向，减少设计冗余和规避设计风险，真正达到产品提质降本的目的。同时，通过智能电驱桥产品开发实践，探讨数据科学管理与产品前瞻技术研究与验证的新思路，以期为其他企业提供借鉴。

　参考文献：

　　[1]倪俊,姜旭,熊周兵,等.无人车大数据与云控制技术综述[J].北京理工大学学报自然版,2021,41(1):1-8.

　　[2]刘南海.基于DAMA体系运营商数据资产管理体系构建研究[J].电信网技术,2016,9(1):61-66.

　　[3]许磊,罗荣锋.我国智能电驱系统的发展现状及展望[J].机电工程技术,2020,6(49):90-91.

　　[4]王子清,陈佳.企业数字化转型与价值创造——以三一重工为例[J].国际商务财会,2021,10(1):76-82.

　　[5]张庆龙.数字化转型背景下的财务共享服务升级再造研究[J].中国注册会计师,2020(1):102-106.

　　[6]侯庆坤.大数据在汽车行业的运用及影响分析[J].现代商业,2019(3):42-43.

　　[7]孟庆思,陈川,李宏伟.电驱动系统产业发展现状和趋势研究[J].汽车实用技术,2021,46(9):222-224.

　　[8]美国DAMA国际.DAMA数据管理知识体系指南[M].2版.北京:机械工业出版社,2020.

　　[9]黄剑飞,王建华,靳迪,等.电驱动桥研究综述[J].机械传动,2020,44(11):171-176.

　　[10]RUAN J,WALKER P D,ZHANG N,et al.An investigation of hy⁃brid energy storage system in multi-speed electric vehicle[J].Energy,2017,140:291-306.

　　[11]TSENG C Y,YU C H.Advanced shifting control of synchroniz⁃er mechanisms for clutchless automatic manual transmission in an electric vehicle[J].Mechanism and Machine Theory,2015,84:37-56.

　　[12]李海龙.基于BP算法的整车式动态称重仪表的研究与设计[D].太原:太原理工大学,2016.

　　[13]王彦明,贾克斌,刘鹏宇,等.基于增强型BP网络的气象传感器标校方法[J].中国测试,2020,46(12):105-111.

　　[14]FENG Y,XU X.A short-term load forecasting model of natural gas based on optimized genetic algorithm and improved BP neu⁃ral network[J].Applied Energy,2014,134:102-113.

　　[15]秦伟,徐国艳,余贵珍.基于BP神经网络的汽车车载称重系统研究[J].汽车工程,2017,39(5):599-605.

　　[16]郝晓娴,牛昱光,韩芝星,等.基于小波和BP神经网络的车载动态称重算法[J].仪表技术与传感器,2017(8):110-113.