摘要：為保證車輛動力總成冷卻系統的良好密封性能，提出一種基于數據驅動的密封性預測方法，以提高動力總成裝配質量。首先，采集了生產裝配過程中與冷卻系統密封性相關的生產工藝數據并對數據進行預處理，隨后使用預處理后數據訓練邏輯回歸模型直到模型預測準確率滿足要求，最后得到具有良好性能的密封性質量預測二分類模型。文中以某車企的218臺動力總成裝配數據進行仿真實驗。實驗結果顯示，訓練后的模型具有較強的分類能力，能準確判別密封性合格與不合格的產品，具有一定工程指導意義。

　　關鍵詞：數據驅動;邏輯回歸;密封性檢測

　　0引言

　　車輛在行駛過程中會產生大量熱量，對于傳統內燃機汽車，熱量來自于動力總成中內燃機缸體內燃料的燃燒與零件的相對運動，而對于電驅動的新能源汽車，熱量則來自于車輛內鋰離子電池的產熱[1]。這些熱量若沒有及時被帶走，輕則造成車輛運行穩定性下降、燃油經濟性降低，重則導致動力總成過熱報廢。現代車輛冷卻系統多傾向于使用成熟的液冷散熱，但液冷散熱系統存在大量的冷卻管路，需要保證其具有良好的密封性。在汽車的生產過程中，冷卻系統的密封性檢測是在冷卻液加注之前進行的，具體方法是對冷卻系統進行氣體加壓處理，通過一個保壓過程進行密封性測試[2]。

　　但這種方法工序復雜，并且測試要求的環境條件較高。隨著大數據科學的快速發展及汽車生產中全流程信息采集系統的廣泛應用，已經可以實現以低成本、大范圍、增量累計的方式獲取車輛生產過程中的有用信息[3]，這為使用基于數據驅動的方法進行動力總成冷卻系統密封性預測奠定了基礎。相比于傳統基于模型的方法，數據驅動的方法可以在沒有系統先驗知識與準確數學模型的基礎上，通過生產與測試過程中產生的大量有用信息訓練AI模型，使其具備解決某一特定問題的能力[4]。

　　基于數據的預測方法已經取得了十分廣泛的應用，胡杰等[5]基于車輛狀態參數、環境信息對電動車行駛里程進行了預測，LinXie等[6]基于天然氣、石油行業安全儀表的操作數據預測了儀表的故障率。在車輛生產過程中，獲取生產數據是比較容易的，并且這些數據中往往蘊含了大量與冷卻系統密封性有關的信息，因此使用基于數據的方法預測冷卻系統密封性是較為合適的。本文通過數據驅動的方法對動力總成密封性測試結果進行預測，具體選擇了二分類的邏輯回歸判別模型。方案基于大量的生產過程工藝數據樣本，訓練邏輯回歸模型，直至模型具備良好的輸出精度，最終實現對密封性測試結果的預測。

　　1動力總成及其冷卻系統

　　動力總成是車輛的核心部件，負責車輛動力的產生，決定了整車的動力性、經濟性與可靠性[7]。對于傳統內燃機車輛，動力總成包含發動機、變速器、進氣系統、排氣系統、冷卻系統、供油系統、發動機懸掛等，而對于電驅動的新能源汽車，動力總成則包含整車動力驅動控制單元、電動機及其逆變器、變速器、冷卻系統等。雖然傳統汽車與新能源汽車動力總成在結構上存在較大的區別，但均存在冷卻系統，冷卻系統的運轉情況將決定車輛行駛過程是否安全、穩定。

　　傳統內燃機汽車的冷卻系統主要是為發動機缸體降溫，而新能源汽車冷卻系統則主要為電池系統降溫。車輛冷卻系統保證了動力總成在較高輸出功率的同時，又具有良好的經濟性與可靠性�，F代車輛動力總成主要采用閉式強制循環冷卻系統[8]，一般由冷卻水泵、水熱交換器、散熱器、循環管路等部分組成，屬于典型的液冷散熱方式。此外，在純電驅動汽車的冷卻系統中，還會采用風冷、相變材料冷卻、熱管冷卻等冷卻方式，但由于液冷散熱效率高，其仍然為車輛動力總成主要冷卻方式。

　　采用液體方式的冷卻系統中，由于冷卻管路中冷卻液存在較大壓力，因此普遍存在泄漏風險， 是本文主要研究的問題。液冷系統冷卻液泄漏會造成車輛散熱效率下降，若冷卻液滴落在動力總成中某些控制電路中，則會造成更為嚴重的損失。為了使汽車在生產過程中能及時檢測到冷卻系統是否存在泄漏隱患，本文通過數據驅動的方式對冷卻管路進行密封性預測，若預測模型判斷某一動力總成冷卻系統存在泄漏的風險，則將該動力總成下線檢查，將安全隱患排除在產品交付之前。

　　2數據驅動的預測模型

　　2.1數據集的確定及預處理

　　數據驅動的預測模型依賴于大量的數據來訓練模型，這些數據又分為訓練集與測試集，統稱為數據集。訓練集為訓練模型的樣本數據，測試集為模型訓練好后評價模型的樣本數據，由于測試集沒有參與模型訓練，因此基于其的評價結果會更加客觀。本文的數據集來源于動力總成制造過程中產生的生產數據，數據集中包含特征值與目標值，特征值為輸入模型的數據，目標值為模型輸出的數據，本文數據集中特征值為生產過程中冷卻管路各個螺栓的擰緊數據，目標值為對應動力總成冷卻系統管路密封性測試是否合格的布爾值。

　　2.2基于邏輯回歸的泄漏故障判別模型

　　邏輯回歸(LogisticRegression)是一種廣義的線性回歸模型(Generalizedlinearmodel)，是一種常用的統計學方法�；貧w一般指研究某一數學問題因變量與自變量之間的關系，而邏輯回歸往往是使用了Sigmoid函數的回歸模型。邏輯回歸在機器學習中屬于有監督學習，通過預測不同自變量發生某種情況的概率，從而求解某一分類或多分類問題的解，是一種經典的分類問題預測方法。由于本文研究的動力總成冷卻系統密封性檢測是否合格的問題屬于二分類問題，故使用二分類的邏輯回歸模型進行預測。

　　2.3混淆矩陣

　　由于本文研究的是分類問題，因此通常使用混淆矩陣來評價模型預測能力�；煜�矩陣是一種表示精度評價的標準格式，也稱為誤差矩陣，當問題被分為n類時，往往由n行n列的矩陣構成，二分類的混淆矩陣形式如表2所示�；煜�矩陣中，TP(TruePostive)表示真實結果與預測結果均為合格的樣本數;TN(TrueNegative)表示真實結果與預測結果均不合格的樣本數;FP(FalsePositive)屬于統計學第一類錯誤，表示將實際不合格的產品預測成合格產品;FN(FalseNegative)屬于統計學第二類錯誤，表示將實際合格的產品預測成不合格產品[10]。除混淆矩陣外，還有準確率(Accuracy)、精確率(Precision)、正類正確率(TruePositiveRate,TPR)、負類正確率(TrueNegativeRate,TNR)等評價指標，其計算公式如表3所示。

　　3實驗與分析

　　本文使用從某車企生產現場采集的218組動力總成歷史生產裝配數據用作訓練模型，每組數據為一臺動力總成的與密封性有關的螺栓擰緊力與擰緊轉矩及最終密封性測試結果。實驗平臺配置為處理器i5-9400f(2.90GHz)，內存為16GB，顯卡為NVIDIAGTX1660。實驗使用Python編程語言并基于Pytorch機器學習庫構建了邏輯回歸模型。

　　機械論文投稿刊物：《機械工程學報》創刊于1953年，是由中國科學技術協會主管，中國機械工程學會主辦、機械工業信息研究院承辦的機械工程類高學術水平期刊。國內刊號CN：11-2187/TH，國際刊號ISSN：0577-6686。

　　4結語

　　本文基于數據驅動的邏輯回歸算法建立了對動力總成冷卻系統密封性質量的分類判別模型。使用真實生產數據進行實驗，得到的預測模型顯示出較高的精度，其中最重要的TPR指標達到89.79%，表明不合格動力總成被檢測出來的概率較大，滿足了實際生產檢測需求。通過使用本文的預測模型，可以及時將生產過程中有問題的動力總成下線檢修，也可以對此后的人工密封性檢測結果提供參考，具有一定的工程意義。

　　[參考文獻]

　　[1]馬強.混合動力汽車用鋰離子電池氣體散熱結構設計與仿真[D].西安：西安建筑科技大學,2020.

　　[2]鄧律華,宋舜,單會星.汽車生產過程中冷卻系統密封性檢測方法[J].內燃機與配件,2019(4):171-173.

　　[3]褚學寧,陳漢斯,馬紅占.性能數據驅動的機械產品關鍵設計參數識別方法[J].機械工程學報,2021,57(3):185-196.

　　[4]孟晨,楊華暉,王成,等.數據驅動的武器系統電子元部件級故障診斷研究綜述[J].系統工程與電子技術,2021,43(2):574-583.

　　[5]胡杰,翁靈隆,覃雄臻,等.基于多模型融合的電動汽車行駛里程預測[J].交通運輸系統工程與信息,2020,20(5):100-106，141.

　　作者：楊愛平1，唐倩1，撒利軍2，劉達2