通过机器学习提升斯巴鲁的效率

通过运用数据驱动建模技术，斯巴鲁在发动机调校方面取得了显著改进。

日本汽车制造商斯巴鲁在调校内燃机时面临重大挑战。由于法规日益严格以及汽车产业转型带来的复杂性增加，要求调校过程必须更加精准高效。这些发展需要进行大量测量和精细调校，导致时间和成本显著增加。

为应对这些挑战，斯巴鲁多年来成功采用数据驱动建模工具ETAS ASCMO，并结合与IAV合作开发的自动化软件INCA-FLOW。

通常采用实验设计（DoE）方法来执行所需的测试台测量计划。该方法旨在通过精心选择测量点，基于有限数据点创建有意义的模型。专家需预先排除因系统限制（如过高温度或压力）导致的高风险测量区域。然而在测量活动启动时，系统精确极限值往往未知，这可能导致触发临界状态或遗漏关键测量区域，从而造成测量效率低下，最坏情况下甚至引发代价高昂的系统故障。

ETAS ASCMO-ODCM（在线约束建模实验设计）彻底革新了这一流程。该技术不再仅依赖专家知识，而是运用机器学习技术在实验过程中自主探索整个测量范围，自动学习系统极限，并排除潜在风险测量点。其底层分类模型通过主动学习方法在运行中持续优化，将测量范围划分为安全区与风险区，从而实现全面而安全的测量策略。

此外，INCA-FLOW不仅实现了ETAS INCA的自动化，还通过专为开发的工具箱测试台连接器（TBC），实现了与现有工具链（包括ASCMO-ODCM和测试台系统）的无缝集成.INCA-FLOW自动启动并管理所有操作：它以ASCMO生成的ExpeDes实验设计（DoE）作为ODCM基础，向测试台系统和INCA发送对应指令以锁定目标测量点。通过特定功能与集成库的协同作用，确保设计点的分步平滑校准。若发生软限值违规，系统将提供纠正措施（如重新接近目标点）。点位可行性反馈将返回至ODCM，由其判定应瞄准的下一个最优点位及是否终止操作。

通过整合ETAS ASCMO、ETAS ASCMO-ODCM和INCA-FLOW，SUBARU显著提升了工作效率。具体而言，实现了三大核心获益：

• 避开关键测量点不仅节省了大量时间，还降低了发动机损坏的风险及相关成本。
• 通过精确缩小相关测量区域，所有系统相关区域的成功测量数量均有所提升。这不仅使ETAS ASCMO中的模型更具鲁棒性，同时显著提高了整个标定流程的效率。
• 消除对专家知识的依赖极大简化了测量准备工作，因为使用ODCM和INCA-FLOW进行测试的设置和执行均已实现自动化，无需人工干预。

总体而言，这些优化措施使斯巴鲁能够满足汽车行业日益增长的需求，同时节约资源并最大限度地降低风险。

如需了解更多信息，请访问ASCMO产品页面。