基于数据驱动的车辆动力总成冷却系统密封性质量预测

　　摘要：为保证车辆动力总成冷却系统的良好密封性能，提出一种基于数据驱动的密封性预测方法，以提高动力总成装配质量。首先，采集了生产装配过程中与冷却系统密封性相关的生产工艺数据并对数据进行预处理，随后使用预处理后数据训练逻辑回归模型直到模型预测准确率满足要求，最后得到具有良好性能的密封性质量预测二分类模型。文中以某车企的218台动力总成装配数据进行仿真实验。实验结果显示，训练后的模型具有较强的分类能力，能准确判别密封性合格与不合格的产品，具有一定工程指导意义。

　　关键词：数据驱动;逻辑回归;密封性检测

　　0引言

　　车辆在行驶过程中会产生大量热量，对于传统内燃机汽车，热量来自于动力总成中内燃机缸体内燃料的燃烧与零件的相对运动，而对于电驱动的新能源汽车，热量则来自于车辆内锂离子电池的产热[1]。这些热量若没有及时被带走，轻则造成车辆运行稳定性下降、燃油经济性降低，重则导致动力总成过热报废。现代车辆冷却系统多倾向于使用成熟的液冷散热，但液冷散热系统存在大量的冷却管路，需要保证其具有良好的密封性。在汽车的生产过程中，冷却系统的密封性检测是在冷却液加注之前进行的，具体方法是对冷却系统进行气体加压处理，通过一个保压过程进行密封性测试[2]。

　　但这种方法工序复杂，并且测试要求的环境条件较高。随着大数据科学的快速发展及汽车生产中全流程信息采集系统的广泛应用，已经可以实现以低成本、大范围、增量累计的方式获取车辆生产过程中的有用信息[3]，这为使用基于数据驱动的方法进行动力总成冷却系统密封性预测奠定了基础。相比于传统基于模型的方法，数据驱动的方法可以在没有系统先验知识与准确数学模型的基础上，通过生产与测试过程中产生的大量有用信息训练AI模型，使其具备解决某一特定问题的能力[4]。

　　基于数据的预测方法已经取得了十分广泛的应用，胡杰等[5]基于车辆状态参数、环境信息对电动车行驶里程进行了预测，LinXie等[6]基于天然气、石油行业安全仪表的操作数据预测了仪表的故障率。在车辆生产过程中，获取生产数据是比较容易的，并且这些数据中往往蕴含了大量与冷却系统密封性有关的信息，因此使用基于数据的方法预测冷却系统密封性是较为合适的。本文通过数据驱动的方法对动力总成密封性测试结果进行预测，具体选择了二分类的逻辑回归判别模型。方案基于大量的生产过程工艺数据样本，训练逻辑回归模型，直至模型具备良好的输出精度，最终实现对密封性测试结果的预测。

　　1动力总成及其冷却系统

　　动力总成是车辆的核心部件，负责车辆动力的产生，决定了整车的动力性、经济性与可靠性[7]。对于传统内燃机车辆，动力总成包含发动机、变速器、进气系统、排气系统、冷却系统、供油系统、发动机悬挂等，而对于电驱动的新能源汽车，动力总成则包含整车动力驱动控制单元、电动机及其逆变器、变速器、冷却系统等。虽然传统汽车与新能源汽车动力总成在结构上存在较大的区别，但均存在冷却系统，冷却系统的运转情况将决定车辆行驶过程是否安全、稳定。

　　传统内燃机汽车的冷却系统主要是为发动机缸体降温，而新能源汽车冷却系统则主要为电池系统降温。车辆冷却系统保证了动力总成在较高输出功率的同时，又具有良好的经济性与可靠性。现代车辆动力总成主要采用闭式强制循环冷却系统[8]，一般由冷却水泵、水热交换器、散热器、循环管路等部分组成，属于典型的液冷散热方式。此外，在纯电驱动汽车的冷却系统中，还会采用风冷、相变材料冷却、热管冷却等冷却方式，但由于液冷散热效率高，其仍然为车辆动力总成主要冷却方式。

　　采用液体方式的冷却系统中，由于冷却管路中冷却液存在较大压力，因此普遍存在泄漏风险， 是本文主要研究的问题。液冷系统冷却液泄漏会造成车辆散热效率下降，若冷却液滴落在动力总成中某些控制电路中，则会造成更为严重的损失。为了使汽车在生产过程中能及时检测到冷却系统是否存在泄漏隐患，本文通过数据驱动的方式对冷却管路进行密封性预测，若预测模型判断某一动力总成冷却系统存在泄漏的风险，则将该动力总成下线检查，将安全隐患排除在产品交付之前。

　　2数据驱动的预测模型

　　2.1数据集的确定及预处理

　　数据驱动的预测模型依赖于大量的数据来训练模型，这些数据又分为训练集与测试集，统称为数据集。训练集为训练模型的样本数据，测试集为模型训练好后评价模型的样本数据，由于测试集没有参与模型训练，因此基于其的评价结果会更加客观。本文的数据集来源于动力总成制造过程中产生的生产数据，数据集中包含特征值与目标值，特征值为输入模型的数据，目标值为模型输出的数据，本文数据集中特征值为生产过程中冷却管路各个螺栓的拧紧数据，目标值为对应动力总成冷却系统管路密封性测试是否合格的布尔值。

　　2.2基于逻辑回归的泄漏故障判别模型

　　逻辑回归(LogisticRegression)是一种广义的线性回归模型(Generalizedlinearmodel)，是一种常用的统计学方法。回归一般指研究某一数学问题因变量与自变量之间的关系，而逻辑回归往往是使用了Sigmoid函数的回归模型。逻辑回归在机器学习中属于有监督学习，通过预测不同自变量发生某种情况的概率，从而求解某一分类或多分类问题的解，是一种经典的分类问题预测方法。由于本文研究的动力总成冷却系统密封性检测是否合格的问题属于二分类问题，故使用二分类的逻辑回归模型进行预测。

　　2.3混淆矩阵

　　由于本文研究的是分类问题，因此通常使用混淆矩阵来评价模型预测能力。混淆矩阵是一种表示精度评价的标准格式，也称为误差矩阵，当问题被分为n类时，往往由n行n列的矩阵构成，二分类的混淆矩阵形式如表2所示。混淆矩阵中，TP(TruePostive)表示真实结果与预测结果均为合格的样本数;TN(TrueNegative)表示真实结果与预测结果均不合格的样本数;FP(FalsePositive)属于统计学第一类错误，表示将实际不合格的产品预测成合格产品;FN(FalseNegative)属于统计学第二类错误，表示将实际合格的产品预测成不合格产品[10]。除混淆矩阵外，还有准确率(Accuracy)、精确率(Precision)、正类正确率(TruePositiveRate,TPR)、负类正确率(TrueNegativeRate,TNR)等评价指标，其计算公式如表3所示。

　　3实验与分析

　　本文使用从某车企生产现场采集的218组动力总成历史生产装配数据用作训练模型，每组数据为一台动力总成的与密封性有关的螺栓拧紧力与拧紧转矩及最终密封性测试结果。实验平台配置为处理器i5-9400f(2.90GHz)，内存为16GB，显卡为NVIDIAGTX1660。实验使用Python编程语言并基于Pytorch机器学习库构建了逻辑回归模型。

　　机械论文投稿刊物：《机械工程学报》创刊于1953年，是由中国科学技术协会主管，中国机械工程学会主办、机械工业信息研究院承办的机械工程类高学术水平期刊。国内刊号CN：11-2187/TH，国际刊号ISSN：0577-6686。

　　4结语

　　本文基于数据驱动的逻辑回归算法建立了对动力总成冷却系统密封性质量的分类判别模型。使用真实生产数据进行实验，得到的预测模型显示出较高的精度，其中最重要的TPR指标达到89.79%，表明不合格动力总成被检测出来的概率较大，满足了实际生产检测需求。通过使用本文的预测模型，可以及时将生产过程中有问题的动力总成下线检修，也可以对此后的人工密封性检测结果提供参考，具有一定的工程意义。

　　[参考文献]

　　[1]马强.混合动力汽车用锂离子电池气体散热结构设计与仿真[D].西安：西安建筑科技大学,2020.

　　[2]邓律华,宋舜,单会星.汽车生产过程中冷却系统密封性检测方法[J].内燃机与配件,2019(4):171-173.

　　[3]褚学宁,陈汉斯,马红占.性能数据驱动的机械产品关键设计参数识别方法[J].机械工程学报,2021,57(3):185-196.

　　[4]孟晨,杨华晖,王成,等.数据驱动的武器系统电子元部件级故障诊断研究综述[J].系统工程与电子技术,2021,43(2):574-583.

　　[5]胡杰,翁灵隆,覃雄臻,等.基于多模型融合的电动汽车行驶里程预测[J].交通运输系统工程与信息,2020,20(5):100-106，141.

　　作者：杨爱平1，唐倩1，撒利军2，刘达2