摘要：針對(duì)電驅(qū)動(dòng)系統(tǒng)在性能質(zhì)量方面的局限性，提出了一種基于關(guān)鍵參數(shù)的性能檢測(cè)方法。該方法引入基于梯度提升決策樹(shù)的機(jī)器學(xué)習(xí)算法，構(gòu)建并驗(yàn)證了性能質(zhì)量檢測(cè)模型，包含質(zhì)量樣本數(shù)據(jù)采集、特征工程分析、模型構(gòu)建、模型融合及模型自訓(xùn)練機(jī)制等，實(shí)現(xiàn)了基于電驅(qū)動(dòng)系統(tǒng)的生產(chǎn)加工關(guān)鍵參數(shù)判斷產(chǎn)品性能檢測(cè)質(zhì)量，并結(jié)合生產(chǎn)實(shí)際，提出了應(yīng)用場(chǎng)景建設(shè)思路及深化方向。結(jié)果表明，基于關(guān)鍵參數(shù)能夠?qū)崿F(xiàn)電驅(qū)動(dòng)系統(tǒng)性能質(zhì)量的檢測(cè)。

關(guān)鍵詞：人工智能 性能檢測(cè) 電驅(qū)動(dòng)系統(tǒng) 質(zhì)量模型

中圖分類(lèi)號(hào)：U468.2+2 " 文獻(xiàn)標(biāo)志碼：B " DOI： 10.19710/J.cnki.1003-8817.20240288

Research on Performance Quality Testing Method of Electric Drive System Based on Key Parameters

Liao Zhenggao， Sun Zhimin， Liu Mingyang， Shi Yu， Xia Xuanqiong， Zhao Qi

（Chongqing Tsingshan Industrial Co.， Ltd.， Chongqing 402776）

Abstract： To address the limitations of the electric drive system in terms of performance， this paper proposes a performance detection method based on key parameters， which introduces machine learning algorithm based on Gradient Boosted Decision Tree （GBDT） to construct and verify the performance quality detection model， including quality sample data collection， feature engineering analysis， model construction， model fusion and model self-training mechanism， etc.， to determine product performance inspection quality based on key production and processing parameters of electric drive system. Combined with production practice， the paper proposes the idea of application scenario construction and its deepening direction. The results show that electric drive system quality inspection can be realized based on key parameters.

Key words： Artificial intelligence， Performance inspection， Electric drive systems， Quality modeling

1 前言

目前，在汽車(chē)傳動(dòng)系統(tǒng)領(lǐng)域，電驅(qū)動(dòng)系統(tǒng)主要基于自動(dòng)化工位設(shè)備和檢測(cè)臺(tái)進(jìn)行質(zhì)量管控，在對(duì)工位進(jìn)行管控時(shí)，多側(cè)重于管控單個(gè)工位的加工結(jié)果，單工位均合格后，產(chǎn)品流向預(yù)檢臺(tái)和終檢臺(tái)進(jìn)行性能檢測(cè)，檢測(cè)臺(tái)性能檢測(cè)步驟較多，臺(tái)架成本高，檢測(cè)節(jié)拍及效果受限于檢測(cè)臺(tái)設(shè)計(jì)，性能檢測(cè)效率提升較難，且實(shí)物檢測(cè)無(wú)法關(guān)聯(lián)產(chǎn)品整體工藝加工情況，缺乏綜合質(zhì)量的判斷能力。

本研究將機(jī)器學(xué)習(xí)算法和電驅(qū)動(dòng)系統(tǒng)性能質(zhì)量檢測(cè)場(chǎng)景相結(jié)合，基于分類(lèi)思想構(gòu)建性能質(zhì)量檢測(cè)模型，對(duì)產(chǎn)品各工位加工數(shù)據(jù)進(jìn)行分析，實(shí)現(xiàn)了基于關(guān)重加工質(zhì)量數(shù)據(jù)預(yù)測(cè)產(chǎn)品性能質(zhì)量。

2 質(zhì)量智能檢測(cè)與人工智能

人工智能技術(shù)是一種模擬人類(lèi)智能思維的技術(shù)，它要求計(jì)算機(jī)系統(tǒng)基于數(shù)據(jù)進(jìn)行學(xué)習(xí)和分析，獲得智能化的能力[1]。在汽車(chē)制造領(lǐng)域，人工智能技術(shù)廣泛應(yīng)用在自動(dòng)駕駛、智能制造等方面。

產(chǎn)品質(zhì)量是汽車(chē)制造領(lǐng)域的核心競(jìng)爭(zhēng)力，人工智能（Artificial Intelligence，AI）檢測(cè)是指包含測(cè)量、檢測(cè)、信息處理、判斷決策及故障診斷等相關(guān)內(nèi)容的智能檢測(cè)技術(shù)[2]，具備多種實(shí)現(xiàn)場(chǎng)景，如利用計(jì)算機(jī)視覺(jué)技術(shù)對(duì)工位涂膠進(jìn)行檢測(cè)，對(duì)表面劃痕進(jìn)行判斷，使用自然語(yǔ)言處理對(duì)生產(chǎn)過(guò)程文檔、工藝要求說(shuō)明書(shū)、研發(fā)設(shè)計(jì)文檔進(jìn)行關(guān)聯(lián)分析等。

當(dāng)前，電驅(qū)動(dòng)系統(tǒng)性能質(zhì)量檢測(cè)大多依賴設(shè)備和檢測(cè)臺(tái)，由于電驅(qū)動(dòng)系統(tǒng)性能檢測(cè)涉及輸入輸出（Input/Output，IO）性能測(cè)試、撥叉自學(xué)習(xí)、換擋自學(xué)習(xí)、離合器壓力和電流自學(xué)習(xí)，以及噪聲、振動(dòng)與聲振粗糙度測(cè)試等，各檢測(cè)大項(xiàng)串行獨(dú)立開(kāi)展，步驟較多，且受檢測(cè)臺(tái)精度限制，同類(lèi)型臺(tái)架檢測(cè)能力存在差異，導(dǎo)致電驅(qū)動(dòng)系統(tǒng)在實(shí)物檢測(cè)方法下性能質(zhì)量綜合檢測(cè)效率較難提高。

本研究將人工智能和性能質(zhì)量檢測(cè)場(chǎng)景進(jìn)行融合，從數(shù)據(jù)的角度出發(fā)，引入基于梯度提升決策樹(shù)的機(jī)器學(xué)習(xí)算法，對(duì)產(chǎn)品關(guān)重加工數(shù)據(jù)進(jìn)行分析，建立性能質(zhì)量檢測(cè)模型，通過(guò)對(duì)一次性加工合格的產(chǎn)品質(zhì)量數(shù)據(jù)進(jìn)行學(xué)習(xí)，實(shí)現(xiàn)了基于關(guān)重參數(shù)對(duì)產(chǎn)品質(zhì)量的檢測(cè)，提高了檢測(cè)效率。

3 性能質(zhì)量檢測(cè)模型構(gòu)建及驗(yàn)證

3.1 性能質(zhì)量檢測(cè)模型構(gòu)建策略

本研究參照?qǐng)D1模型構(gòu)建策略，以一次性工位加工合格但檢測(cè)臺(tái)性能綜合檢測(cè)不合格的產(chǎn)品數(shù)據(jù)作為不合格樣本，以一次性工位加工合格且檢測(cè)臺(tái)性能綜合檢測(cè)合格的產(chǎn)品數(shù)據(jù)作為合格樣本，采用3種基于梯度提升決策樹(shù)的機(jī)器學(xué)習(xí)算法作為基礎(chǔ)模型，經(jīng)過(guò)訓(xùn)練后可判斷產(chǎn)品質(zhì)量表現(xiàn)，采用投票策略，綜合單個(gè)基礎(chǔ)模型分類(lèi)預(yù)測(cè)表現(xiàn)構(gòu)建性能質(zhì)量檢測(cè)模型，實(shí)現(xiàn)通過(guò)產(chǎn)品加工關(guān)重參數(shù)表現(xiàn)預(yù)測(cè)最終產(chǎn)品檢測(cè)臺(tái)性能綜合檢測(cè)質(zhì)量結(jié)果，進(jìn)一步精簡(jiǎn)實(shí)物檢測(cè)步驟，形成基于數(shù)據(jù)的電驅(qū)動(dòng)系統(tǒng)性能綜合質(zhì)量檢測(cè)方法。

其中，質(zhì)量樣本數(shù)據(jù)涵蓋產(chǎn)品的工序數(shù)據(jù)和下線檢測(cè)時(shí)的綜合質(zhì)量結(jié)果數(shù)據(jù)，對(duì)基礎(chǔ)樣本數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗、數(shù)據(jù)轉(zhuǎn)換、數(shù)據(jù)打標(biāo)，保障基礎(chǔ)樣本數(shù)據(jù)質(zhì)量。采用皮爾遜（Pearson）相關(guān)系數(shù)和主成分分析（Principal Component Analysis，PCA）方法分析質(zhì)量樣本數(shù)據(jù)的參數(shù)，保留高相關(guān)性的質(zhì)量特征用于基礎(chǔ)模型的訓(xùn)練。

性能質(zhì)量檢測(cè)模型采用XGBoost（eXtreme Gradient Boosting）、LightGBM（Light Gradient Boosting Machine）和CatBoost（Categorical Features+Gradient Boosting）作為基礎(chǔ)模型，基于樣本對(duì)所有基礎(chǔ)模型開(kāi)展參數(shù)調(diào)整，確認(rèn)最優(yōu)參數(shù)，保障性能質(zhì)量合格和不合格數(shù)據(jù)特征的分類(lèi)能力。其中：XGBoost模型計(jì)算速度快、模型表現(xiàn)好，可用于分類(lèi)和回歸問(wèn)題；LightGBM模型的訓(xùn)練速度和效率較高，并支持并行化學(xué)習(xí)與處理大規(guī)模數(shù)據(jù)；Catboost模型采用的策略是在降低過(guò)擬合的同時(shí)保證所有數(shù)據(jù)集均可用于學(xué)習(xí)，魯棒性與通用性較好，易使用且較為實(shí)用。由于單個(gè)模型的表現(xiàn)存在差異，選擇投票法開(kāi)展模型融合，綜合計(jì)算3個(gè)模型的分類(lèi)預(yù)測(cè)結(jié)果，以少數(shù)服從多數(shù)的原則確認(rèn)最終產(chǎn)品性能綜合檢測(cè)質(zhì)量。

由于初始性能質(zhì)量檢測(cè)模型存在預(yù)測(cè)精確度不足、基礎(chǔ)樣本不夠等風(fēng)險(xiǎn)，因此，建立自訓(xùn)練機(jī)制，基于每日新產(chǎn)生的產(chǎn)品數(shù)據(jù)開(kāi)展模型預(yù)測(cè)，記錄模型性能波動(dòng)情況，并將預(yù)測(cè)失敗及產(chǎn)生的不合格樣本作為新增樣本重新訓(xùn)練模型，記錄模型版本及性能，每日選擇最優(yōu)版本模型開(kāi)展性能質(zhì)量綜合檢測(cè)，持續(xù)優(yōu)化模型預(yù)測(cè)性能。

3.2 性能質(zhì)量檢測(cè)模型試點(diǎn)驗(yàn)證

本研究在模型構(gòu)建驗(yàn)證中，以某型號(hào)產(chǎn)品為試點(diǎn)，驗(yàn)證模型構(gòu)建及分類(lèi)檢測(cè)能力。根據(jù)模型構(gòu)建策略，模型主體結(jié)構(gòu)設(shè)計(jì)如圖2所示，模型整體獲取合格、不合格產(chǎn)品歷史樣本數(shù)據(jù)各100份，經(jīng)分析，對(duì)一次性下線合格且終檢合格的100份樣本和一次性下線合格但終檢不合格的37份樣本進(jìn)行分類(lèi)建模，驗(yàn)證集驗(yàn)證準(zhǔn)確率為80%～95%，具備合格性預(yù)測(cè)參考價(jià)值。

首先，獲取產(chǎn)品加工歷史數(shù)據(jù)作為原始樣本數(shù)據(jù)，針對(duì)樣本數(shù)據(jù)開(kāi)展清洗和打標(biāo)。數(shù)據(jù)清洗階段主要對(duì)數(shù)據(jù)集中的離散數(shù)據(jù)進(jìn)行集成整合，以形成滿足模型開(kāi)發(fā)需要的數(shù)據(jù)寬表樣式。在樣本標(biāo)注中，以產(chǎn)品預(yù)檢臺(tái)和終檢臺(tái)的綜合質(zhì)量檢測(cè)結(jié)果為判斷標(biāo)準(zhǔn)，檢測(cè)合格產(chǎn)品質(zhì)量標(biāo)識(shí)為1，不合格產(chǎn)品質(zhì)量標(biāo)識(shí)為0，分別作為合格產(chǎn)品和不合格產(chǎn)品質(zhì)量數(shù)據(jù)樣本，最終形成132行×350列的數(shù)據(jù)寬表作為基礎(chǔ)樣本。其中，產(chǎn)品加工歷史數(shù)據(jù)項(xiàng)主要有：

a. 擰緊工位數(shù)據(jù)，包括擰緊力、擰緊角度；

b. 壓裝工位數(shù)據(jù)，包括壓裝力、壓裝位移；

c. 泄漏工位數(shù)據(jù)，包括泄漏量、充氣時(shí)間、壓力；

d. 測(cè)量工位數(shù)據(jù)，包括斷面高度、孔深度、墊片測(cè)量值；

e. 稱重工位數(shù)據(jù)，主要為稱重結(jié)果；

f. 檢測(cè)臺(tái)數(shù)據(jù)，包括預(yù)檢臺(tái)和終檢臺(tái)的檢測(cè)項(xiàng)、檢測(cè)值。

其次，選擇Pearson相關(guān)系數(shù)判斷各個(gè)工位與產(chǎn)品合格和不合格的相關(guān)性，完成相關(guān)性分析，并開(kāi)展PCA降維，精煉模型特征，篩選相關(guān)性系數(shù)ρX，Y≥0.5的參數(shù)。相關(guān)性系數(shù)ρX，Y的計(jì)算過(guò)程為：

[ρX，Y=cov（X，Y）σXσY] （1）

式中：X為特征數(shù)據(jù)，Y為標(biāo)簽數(shù)據(jù)，cov（X，Y）為特征數(shù)據(jù)與標(biāo)簽數(shù)據(jù)的協(xié)方差，[σ]X、[σ]Y分別為特征數(shù)據(jù)、標(biāo)簽數(shù)據(jù)的標(biāo)準(zhǔn)差。

PCA降維將原始特征表現(xiàn)壓縮，去除噪聲影響，取m個(gè)產(chǎn)品數(shù)據(jù)，包含n個(gè)數(shù)據(jù)特征，組成原有數(shù)據(jù)矩陣X（m×n），對(duì)矩陣每一行進(jìn)行零均值化，計(jì)算X（m×n）的協(xié)方差矩陣S：

[S=1mX（m×n）XT（m×n）] （2）

求得協(xié)方差矩陣的特征值和對(duì)應(yīng)的特征向量后，按照特征值由大到小排序，取前k個(gè)特征值對(duì)應(yīng)的特征向量組成矩陣P，計(jì)算降維后的數(shù)據(jù)矩陣[Xk=PX（m×n）]。

其中，將原有數(shù)據(jù)矩陣降低為k維，取前k個(gè)特征值的特征向量投影前、后方差的比例作為k的取值標(biāo)準(zhǔn)，判斷條件為[VarxkVarx≥0.99]，其中，[Varx]為原數(shù)據(jù)矩陣特征向量的方差，[Varxk]為降低至k維后數(shù)據(jù)矩陣特征向量的方差。

最后，在當(dāng)前驗(yàn)證條件下，考慮低數(shù)據(jù)量和標(biāo)簽類(lèi)型數(shù)據(jù)量分布不均勻的情況，切分降維后的合格與不合格數(shù)據(jù)集，隨機(jī)取70%的數(shù)據(jù)作為訓(xùn)練集，其余30%的數(shù)據(jù)作為驗(yàn)證集。面向訓(xùn)練數(shù)據(jù)集，基于XGBoost、LightGBM、CatBoost基礎(chǔ)模型開(kāi)展模型調(diào)參和融合，并以準(zhǔn)確率作為算法模型的驗(yàn)證指標(biāo)。

其中，產(chǎn)品加工的工位數(shù)據(jù)集作為模型的輸入數(shù)據(jù)集，預(yù)測(cè)的產(chǎn)品檢測(cè)臺(tái)綜合質(zhì)量檢測(cè)結(jié)果為輸出數(shù)據(jù)，輸出為1代表預(yù)測(cè)質(zhì)量合格，輸出為0代表預(yù)測(cè)質(zhì)量不合格。

將訓(xùn)練數(shù)據(jù)集輸入XGBoost基礎(chǔ)模型，通過(guò)調(diào)參獲取基于XGBoost基礎(chǔ)模型的最優(yōu)目標(biāo)模型[x1]：設(shè)置max_depth的參數(shù)區(qū)間為6～15，調(diào)參步長(zhǎng)為1；設(shè)置learning_rate的參數(shù)區(qū)間為0.05～0.30，調(diào)參步長(zhǎng)為0.02；設(shè)置n_estimators的參數(shù)區(qū)間為150～200，調(diào)參步長(zhǎng)為10；設(shè)置gamma的參數(shù)區(qū)間為0～1，調(diào)參步長(zhǎng)為0.1；設(shè)置reg_lambda的調(diào)參范圍為[0， 0.1， 0.5， 1]；設(shè)置min_child_weight的調(diào)參范圍為[1， 3， 5， 7]。

整體調(diào)參后，得到最優(yōu)目標(biāo)模型[x1]的訓(xùn)練參數(shù)：max_depth為10、learning_rate為0.25、n_estimators為160、gamma為0、min_child_weight為1。

基于[x1]對(duì)傳入的產(chǎn)品數(shù)據(jù)data進(jìn)行質(zhì)量合格性判斷，[x1（data）={0，1}]，0代表判斷質(zhì)量不合格，1代表判斷質(zhì)量合格。

將訓(xùn)練數(shù)據(jù)集輸入LightGBM基礎(chǔ)模型，通過(guò)調(diào)參獲取基于LightGBM基礎(chǔ)模型的最優(yōu)目標(biāo)模型[x2]：設(shè)置max_depth的參數(shù)區(qū)間為15～30，調(diào)參步長(zhǎng)為1；設(shè)置learning_rate的參數(shù)區(qū)間為0.05～0.30，調(diào)參步長(zhǎng)為0.02；設(shè)置n_estimators的參數(shù)區(qū)間為300～600，調(diào)參步長(zhǎng)為10；設(shè)置num_leaves的參數(shù)區(qū)間為10～30，調(diào)參步長(zhǎng)為2。

整體調(diào)參后，得到最優(yōu)目標(biāo)模型[x2]的訓(xùn)練參數(shù)：max_depth為25，learning_rate為0.2，n_estimators為500，num_leaves為25。

基于[x2]對(duì)傳入的產(chǎn)品數(shù)據(jù)data進(jìn)行質(zhì)量合格性判斷，[x2（data）={0，1}]，0代表判斷質(zhì)量不合格，1代表判斷質(zhì)量合格。

將訓(xùn)練數(shù)據(jù)集輸入CatBoost基礎(chǔ)模型，通過(guò)調(diào)參獲取基于CatBoost基礎(chǔ)模型的最優(yōu)目標(biāo)模型[x3]：設(shè)置iterations的參數(shù)區(qū)間為1 000～5 000，調(diào)參步長(zhǎng)為500；設(shè)置learning_rate的參數(shù)區(qū)間為0.05～0.3，調(diào)參步長(zhǎng)為0.02；設(shè)置depth的參數(shù)區(qū)間為5～15，調(diào)參步長(zhǎng)為1；設(shè)置early_stopping_rounds的參數(shù)區(qū)間為100～500，調(diào)參步長(zhǎng)為50；設(shè)置min_data_in_leaf的參數(shù)區(qū)間為10～30，調(diào)參步長(zhǎng)為5。

整體調(diào)參后，得到最優(yōu)目標(biāo)模型[x3]的訓(xùn)練參數(shù)：iterations為1 000，learning_rate為0.05，depth為6，early_stopping_rounds為200，min_data_in_leaf為20。

基于[x3]對(duì)輸入的產(chǎn)品數(shù)據(jù)data進(jìn)行質(zhì)量合格性判斷，[x3（data）={0，1}]，0代表判斷質(zhì)量不合格，1代表判斷質(zhì)量合格。

針對(duì)產(chǎn)品單條加工數(shù)據(jù)的預(yù)測(cè)結(jié)果，以所有單個(gè)模型預(yù)測(cè)結(jié)果中的多數(shù)結(jié)果為主，融合生成質(zhì)量檢測(cè)模型[y]，將產(chǎn)品數(shù)據(jù)data輸入模型[y]，最終合格性判斷如下：

[y（data）=n=13xn（data）] （3）

式中：[xn]為對(duì)應(yīng)的基礎(chǔ)模型，計(jì)算3個(gè)基礎(chǔ)分類(lèi)模型對(duì)同一產(chǎn)品的預(yù)測(cè)情況，當(dāng)[y（data）=0，1]時(shí)，預(yù)測(cè)產(chǎn)品質(zhì)量不合格，[y（data）=2，3]時(shí)，預(yù)測(cè)產(chǎn)品質(zhì)量合格。

利用融合后的性能質(zhì)量檢測(cè)模型對(duì)30%的驗(yàn)證集數(shù)據(jù)進(jìn)行預(yù)測(cè)分類(lèi)，通過(guò)對(duì)比模型預(yù)測(cè)效果和實(shí)際質(zhì)量情況，得到整體預(yù)測(cè)準(zhǔn)確率為80%～95%，由于不合格樣本量較少，部分不合格產(chǎn)品被預(yù)測(cè)為合格產(chǎn)品，而合格產(chǎn)品中未出現(xiàn)預(yù)測(cè)錯(cuò)誤的情況。

4 性能質(zhì)量檢測(cè)模型自訓(xùn)練

由于驗(yàn)證樣本量不足，模型預(yù)測(cè)準(zhǔn)確率波動(dòng)較大，需建立模型自訓(xùn)練機(jī)制，按日自動(dòng)獲取新增產(chǎn)品數(shù)據(jù)，加載模型開(kāi)展檢測(cè)，記錄模型檢測(cè)情況，并將檢測(cè)結(jié)果與實(shí)物檢測(cè)不一致的樣本和不合格樣本插入訓(xùn)練樣本集，通過(guò)模型基礎(chǔ)數(shù)據(jù)的變化和歷史模型比較擇優(yōu)的形式提升模型效果，實(shí)現(xiàn)性能質(zhì)量檢測(cè)模型的自訓(xùn)練功能。

在自訓(xùn)練機(jī)制中，需基于每日全量樣本開(kāi)展訓(xùn)練，生成新模型，全量樣本包括歷史樣本、每天新增的不合格樣本、與現(xiàn)場(chǎng)檢測(cè)結(jié)果不一致的預(yù)測(cè)樣本和保持樣本均衡的合格樣本。

歷史模型比較擇優(yōu)是將約30個(gè)訓(xùn)練的歷史版本模型與當(dāng)日全量模型進(jìn)行比較，選擇準(zhǔn)確率最高的模型版本作為當(dāng)日的最終模型；在當(dāng)日最優(yōu)模型確定后，將預(yù)測(cè)過(guò)程中出現(xiàn)的預(yù)測(cè)錯(cuò)誤數(shù)據(jù)，按照歷史基礎(chǔ)數(shù)據(jù)中合格量與不合格量的比例范圍為1∶1～1.5∶1選擇性補(bǔ)充歷史基礎(chǔ)數(shù)據(jù)，實(shí)現(xiàn)模型迭代。

5 性能質(zhì)量檢測(cè)模型應(yīng)用探究

為驗(yàn)證實(shí)際應(yīng)用邏輯，在生產(chǎn)線下線側(cè)搭建質(zhì)量運(yùn)營(yíng)看板，在線展示工位加工數(shù)據(jù)、波動(dòng)情況和生產(chǎn)質(zhì)量關(guān)重指標(biāo)等信息。當(dāng)產(chǎn)品加工完成下線時(shí)，獲取該產(chǎn)品加工工位數(shù)據(jù)，調(diào)用對(duì)應(yīng)產(chǎn)品的性能質(zhì)量檢測(cè)模型（每個(gè)產(chǎn)品類(lèi)型對(duì)應(yīng)一種模型，每個(gè)產(chǎn)品類(lèi)型對(duì)應(yīng)的模型最優(yōu)參數(shù)不一致），開(kāi)展性能質(zhì)量綜合檢測(cè)并將結(jié)果反饋至運(yùn)營(yíng)看板，與現(xiàn)場(chǎng)實(shí)物檢測(cè)結(jié)果進(jìn)行對(duì)比，提示異常并支持?jǐn)?shù)據(jù)追溯。根據(jù)現(xiàn)場(chǎng)產(chǎn)品下線節(jié)拍，單臺(tái)產(chǎn)品完成模型調(diào)用預(yù)測(cè)及結(jié)果反饋的時(shí)間不超過(guò)30 s。

通過(guò)現(xiàn)場(chǎng)試點(diǎn)檢測(cè)，產(chǎn)品性能質(zhì)量檢測(cè)模型初期準(zhǔn)確率達(dá)到80%，經(jīng)過(guò)為期3個(gè)月的數(shù)據(jù)樣本累積和模型自訓(xùn)練，模型預(yù)測(cè)能力明顯提升，準(zhǔn)確率約為87%，最高可達(dá)95%，證明基于電驅(qū)動(dòng)關(guān)重加工參數(shù)構(gòu)建的質(zhì)量模型檢測(cè)性能質(zhì)量具備可行性。

此外，可通過(guò)以下措施進(jìn)一步精細(xì)化模型算法，持續(xù)提高準(zhǔn)確率：

a. 在業(yè)務(wù)層面上，可將取數(shù)范圍從關(guān)鍵參數(shù)過(guò)點(diǎn)數(shù)據(jù)擴(kuò)大至加入過(guò)程數(shù)據(jù)及產(chǎn)品零部件加工數(shù)據(jù)；

b. 在模型構(gòu)建上，可加入工序間質(zhì)量關(guān)聯(lián)分析邏輯、工序與檢測(cè)項(xiàng)間質(zhì)量關(guān)聯(lián)分析邏輯，增加產(chǎn)品質(zhì)量評(píng)判標(biāo)準(zhǔn)；

c. 在技術(shù)選型上，可使用深度學(xué)習(xí)技術(shù)，提高在產(chǎn)品工藝參數(shù)變更等情況下的檢測(cè)模型泛化能力。

在后續(xù)產(chǎn)品質(zhì)量檢測(cè)擴(kuò)展應(yīng)用中，可通過(guò)記錄產(chǎn)品標(biāo)識(shí)、不合格項(xiàng)目、問(wèn)題原因、問(wèn)題工位等，建立檢測(cè)臺(tái)的質(zhì)量問(wèn)題庫(kù)，對(duì)具備重復(fù)樣例的問(wèn)題，獲取其加工數(shù)據(jù)，訓(xùn)練形成對(duì)應(yīng)的異常表現(xiàn)曲線。當(dāng)模型檢測(cè)出不合格產(chǎn)品時(shí)，可將整體數(shù)據(jù)曲線匹配異常曲線庫(kù)，推演可能的問(wèn)題原因，并與正常的加工曲線對(duì)比，識(shí)別可能存在的問(wèn)題工位，由此，推演不合格產(chǎn)品可能出現(xiàn)的根本原因和問(wèn)題工位，輔助排查產(chǎn)品加工問(wèn)題。

同時(shí)，深化應(yīng)用可基于生產(chǎn)質(zhì)量參數(shù)，進(jìn)一步關(guān)聯(lián)產(chǎn)品研發(fā)設(shè)計(jì)的性能數(shù)據(jù)、試驗(yàn)數(shù)據(jù)、工藝數(shù)據(jù)以及原材料加工數(shù)據(jù)等，形成產(chǎn)品質(zhì)量數(shù)據(jù)鏈，基于全程質(zhì)量數(shù)據(jù)開(kāi)展產(chǎn)品綜合質(zhì)量判斷、研發(fā)質(zhì)量?jī)?yōu)化、質(zhì)量問(wèn)題根因分析、質(zhì)量數(shù)據(jù)鏈追溯等應(yīng)用場(chǎng)景建設(shè)，實(shí)現(xiàn)產(chǎn)品質(zhì)量智能分析。

6 結(jié)束語(yǔ)

本研究將人工智能技術(shù)和電驅(qū)動(dòng)系統(tǒng)性能質(zhì)量檢測(cè)場(chǎng)景相結(jié)合，研究了電動(dòng)汽車(chē)傳動(dòng)系統(tǒng)性能質(zhì)量檢測(cè)模型的構(gòu)建及應(yīng)用建設(shè)邏輯，驗(yàn)證了基于模型檢測(cè)電驅(qū)動(dòng)系統(tǒng)性能質(zhì)量的可行性，能夠有效提升檢測(cè)效率，解決對(duì)檢測(cè)臺(tái)依賴較大的問(wèn)題。

構(gòu)建應(yīng)用可分為3個(gè)階段，第1階段以單個(gè)產(chǎn)品型號(hào)為試點(diǎn)探索，打通數(shù)據(jù)獲取、模型開(kāi)發(fā)、模型部署、應(yīng)用，實(shí)現(xiàn)整體自動(dòng)化鏈路；第2階段完善人工智能開(kāi)發(fā)環(huán)境，規(guī)范化模型管理，將質(zhì)量模型檢測(cè)應(yīng)用推廣至生產(chǎn)線其他符合條件的產(chǎn)品，輔助業(yè)務(wù)質(zhì)量管控，并開(kāi)展深化質(zhì)量應(yīng)用建設(shè)；第3階段推廣至其他生產(chǎn)線，并根據(jù)質(zhì)量模型檢測(cè)表現(xiàn)情況，考慮融合上游研發(fā)設(shè)計(jì)相關(guān)質(zhì)量參數(shù)、原材料加工參數(shù)以及售后服務(wù)質(zhì)量參數(shù)，形成全參質(zhì)量分析模型，提升產(chǎn)品驗(yàn)證能力。

參考文獻(xiàn)：

[1] 趙東明， 張林曉， 張文華. 人工智能背景下軟件測(cè)試技術(shù)應(yīng)用研究[J]. 信息與電腦（理論版）， 2020， 32（23）： 132-133.

[2] 吳東東， 張翰林. 智能檢測(cè)技術(shù)在汽車(chē)制造過(guò)程中的應(yīng)用與研究[J]. 內(nèi)燃機(jī)與配件， 2022（3）： 145-147.