何為“千人千面”?

過去的發動機設計是通過一套設計來覆蓋大部分應用場景及應用工況(牽引、平板、專用車及自卸車，高速、城市、郊區工況等)。在不同應用場景及工況下，發動機某些性能可能會有局限性，而客戶則希望發動機能適應不同應用場景及實際應用工況，盡可能優化性能。

康明斯基于大數據算法，開發了一套“運行畫像”，來指導發動機的定制化設計，為每一位客戶進行“私人定制”。通過了解發動機關鍵信息、大數據分析及算法評估發動機運行工況，運用OTA技術動態調整軟件標定來適配不同運行工況，優化性能表現和油耗，提升出勤率。

接下來，讓我們一起圍觀如何實現定制化開發吧!

在車聯網及數字化時代，通過網聯大數據可以獲取更多洞察，更加深入了解用戶如何使用發動機產品，從而為定制化產品開發及優化提供無限可能。為了實現這個目標，車輛使用場景的細分尤為重要。車輛使用場景細分的關鍵是羅列出有意義的特征標簽，將特征標簽類型按照業務含義來進行不同維度劃分。基于這些標簽在發動機標定設計、硬件選型及試驗驗證方面實現定制化：

定制化標定設計

1.大數據模型分析

工程師基于大數據梳理出細分市場分類，分析出不同細分市場的實際運行工況。對發動機標定庫中幾萬個參數進行特征分析，開發出用于發動機標定的推薦系統方法，從而更好地指導工程團隊對標定進行定制及發放。

該推薦系統方法是通過對比分類回歸樹和主成分分析法，以現有市場運行中的標定數據庫為訓練集，將客戶需求轉化為各個參數特征，并通過機器學習模型的建立，預測出每個參數取值，從而為不同細分市場客戶定制最優標定。這個方法不僅提高了基礎標定質量和開發效率，也讓不同客戶體驗差異化的發動機性能。

2.標定定制及發放

完成標定定制后，通過車聯網OTA功能，對不同細分市場的車輛進行定向標定下發，使各細分市場有適合自己的標定，使發動機性能達到更優。

定制化硬件選型優化

1.大數據模型分析

在確立細分市場分類后，使用大數據模型來梳理發動機運行工況，利用這些實際運行工況數據，作為發動機開發中的輸入，從而指導工程師更好地進行發動機關鍵部件的選型及設計優化，比如空壓機、后處理系統、增壓器系統。

2.定制化硬件選型優化

通過車聯網及大數據分析后，為發動機開發提供設計邊界條件，更好地指導工程師進行發動機硬件選型及優化，為客戶提供更優性能、更可靠及更低碳化的發動機。

定制化試驗驗證優化

1.大數據模型分析

針對細分市場分類，結合大數據分析出的實際工況及運行數據，與發動機設計驗證標準(ESW)及失效模式分析(FMEA)相結合，從而更好地指導工程師來進行發動機設計驗證規劃及優化發動機道路試驗。

比如多選擇發動機高失效的區域或典型運行工況場景來測試，而不是對所有工況進行平均化測試。另外，通過結合車聯網數據及大數據分析，結合軟件模擬來輔助或替代發動機開發中的部分臺架及實際道路驗證。

2.定制化道路試驗優化

采用車聯網及大數據分析，為發動機開發驗證提供實際運行的邊界條件，更好地指導發動機設計驗證及道路試驗。通過識別發動機運行的實際工況，有效的實驗可以提升產品可靠性及質量，保障客戶在各種工況下的可靠應用。