覆盖车辆全生命周期的车辆诊断：基于云的诊断服务

在技术文章《通过基于云的工具链实现高效、自动化的校准》中，Thorsten Huber 和 Suresh Sivavarman 阐述了集成式自动化软件解决方案如何从根本上优化校准流程。

云端无缝工作流

要高效地对现代车辆进行校准，需要将各个工艺步骤转移到基于云的环境中。其目标是建立一个自动化、连续的工作流程，涵盖从处理原始测量数据到优化ECU功能的整个过程。这使汽车工程师能够克服传统方法的局限性。

• 自动化数据处理：新的测量数据会自动上传至云端，并由 ETAS 的 Data Operator 进行处理。该软件将来自不同来源的原始数据整合、统一，调整采样率，过滤掉无关内容，并将其转换为 MF4 等标准化格式。这不仅省去了在本地计算机上进行手动预处理的步骤，同时还建立了统一的数据基础。

• 基于事件的分析和报告生成：诸如 ETAS Analytics Toolbox（EATB）等工具可自动分析数据，查找特定的事件和条件。识别出的数据段将用于后续处理步骤，并记录在标准化的报告中。这确保了评估过程的结构化，并使结果具有可追溯性。

• 基于机器学习（ML）的自动化标定优化：相关数据被传输至 ETAS ASCMO-MOCA 工具，用于基于数据的系统建模和优化。该工具执行自动化优化流程，计算出改进的参数集，并将结果存储为新的标定数据记录。借助机器学习（ML）算法，仅需少量数据点即可构建精确的模型。基于这些模型，可以高效地确定最佳标定方案。 随后，将在虚拟环境中使用 EHANDBOOK 或 Measure Data Analyzer(MDA) 等工具进行验证。整个过程可实现自动化，在夜间运行，次日早晨即可为工程师提供完整的报告和优化结果。

面向未来、适用于 SDV 开发的解决方案

对软件定义车辆进行标定需要进行根本性的重新思考，因为传统的基于PC的方法已无法跟上数据量不断增长和系统复杂性日益提高的步伐。未来在于一种贯穿整个开发过程的、基于云的、数据驱动的端到端工具链。这种集成方法将自动化数据处理、可扩展分析以及基于机器学习的建模整合到一个持续的工作流中。 借助仿真和数字孪生技术，以及本地与云端执行之间的灵活协调，开发团队能够更高效地工作，缩短开发周期，并持续提升校准质量。这有效利用了海量数据，并将其转化为开发软件定义汽车的战略优势。

下载文章