MathArt | 如果把整车试验看作是一道数学问题......

新车上市前，车辆动力性、安全性和耐久性等方面的可靠性试验至关重要。整车可靠性试验通过在不同环境及路况下的驾驶测试，对样车各项性能、技术参数进行全面了解，目的在于及时发现产品缺陷并加以改进，为产品的正式量产做准备。

 ‍‍‍‍‍‍‍‍‍‍

然而，由于路况、天气、车主驾驶习惯等因素构成了复杂多样的汽车使用场景，汽车问题往往种类繁多且难以归因，‍‍而整车试验一般车辆数较少且里程数有限，车企很难‍‍在有限的时间内测试出超过试验里程之后的一些高发问题及其规律性。因此，如何通过较少的车辆数、里程数，在较短的试验周期内，提前发现样车存在的问题并加以改进和消除，一直是有待车企解决的难题。‍‍

 ‍‍‍‍

‍一说到优化问题，一般大家第一时间想到的是找到自变量和因变量之间的关系。在整车可靠性试验优化这个问题上，虽然除了车辆数和里程数这两个自变量，人为、环境车辆本身等自变量也会影响测试所需车辆数，但对车企来说，在众多自变量中，只有车辆数和里程数是在其掌握范围内的。所以，车企在进行整车可靠性试验优化时，主要通过使用合理的车辆数和里程数来发现尽可能多的样车问题。‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

‍‍ ‍‍‍‍

‍伴随着物联网时代的到来，车、人、路通过传感器形成了一个完美的闭环，云端互联促进了汽车相关数据几何级的增长，也无时无刻不在丰富车企的内部数据库。既然车企内部数据仓库里存在着大量的基础数据，那么这些数据是否可以加以利用，优化整车试验进程呢？‍‍‍‍

‍实际上，当我们一旦把整车可靠性试验优化看作是数学问题时，它便成了一道可通过算法寻找待优化自变量和因变量关系的单目标多参数优化问题。‍‍‍‍‍‍

‍明确问题本质及其解决方法后，我们从某车企数据仓库的基础数据中抽取了最近‍‍10年所有生产车辆信息和索赔车辆信息。在数据样本基础足够大的前提下，选取每款车型的第一辆车的售出日期至其之后的36个月内为样本限定时间区间，并对样本限定时间区间内售出的车辆进行里程数据修复。

‍通过建立模型‍‍，我们得到不同的车型在不同里程范围内，针对不同零件发生问题的概率，并依此计算出‍‍在‍‍80%概率水平度下，不同零件在不同里程范围内至少发现一个问题所需的车辆数，如图所示：

‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

图1 某款车型发现零件问题的最少车辆数和里程数的组合

从图中可以看出，该车型除了制动系统，大部分零件在行驶‍‍1万公里以后，发现问题所需的样车数基本趋于平稳。也就是说，当该款车型的测试里程达到1万公里时，除制动系统外的另外四种零件都将有80%的概率至少可以发现一个问题；而制动系统至少需要测试2万公里才能得到同样的结果。

‍‍ ‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

随后，我们又通过模型对‍‍‍‍100辆该款车型行驶2万公里数的数据进行分析，将不同零件在80%概率水平下测试所需的车辆数和里程数结果进行统计，结果如下：

从这一数据我们可以看出，对于同一款车而言，不同零件在‍‍80%概率下推荐的车辆数和里程数差别较大。在这种情况下，车企便可根据整车试验是以特定零件试验为目的还是整车试验为目的，进行相应的车辆数和里程数的选择。

‍‍由上述案例可见，通过搭建数学模型，对大量整车售后数据进行整理分析，可计算出不同车型、不同零件发生问题的概率，继而推导出指定数量零件问题对应的所需最少车辆数和里程数，这对于汽车是否符合正式批量生产要求将起到有效的指导作用。

‍‍ ‍‍‍‍

‍近些年来，为应对日益凸显的汽车消费升级趋势，越来越多的车企争先恐后地推出重磅车型，举行新车上市发布会。显然，在车企不断加速市场拓展步伐的过程中，快人一步抢占更换车潮的先机，成为在激烈的竞争之中制胜的利器。依靠海量历史试车数据建立的试验车评价模型，将原先依靠工程师团队经验决定试车参数，升级为由模型根据试车相关维度输出最优的试车数以及里程数，能够帮助车企在最短的时间，以最高的效率、最合理的成本完成试车实验，从而以最快的速度推出新车，抢占市场。