如何用整车数据驱动智能汽车质量售后体系变革？

网站首页 >> 所有新闻 >> 如何用整车数据驱动智能汽车质量售后体系变革？｜「走进零跑」演讲实录

新闻中心

NEWS center

如何用整车数据驱动智能汽车质量售后体系变革？｜「走进零跑」演讲实录

来源: | 作者:智协慧同 | 发布时间: 114天前 | 106 次浏览 | 分享到:

2024年12月5日，由零跑汽车与盖世汽车联合主办的“2024零跑智能汽车技术论坛暨前瞻技术展”圆满落幕。本次活动聚焦智能汽车行业的前沿技术，汇聚众多行业专家、技术领袖，共同探讨电动汽车和智能化发展的未来方向。论坛涵盖汽车软件、智能算法、能量管理及车身轻量化等热门领域，围绕SOA架构、AUTOSAR AP平台、端到端自动驾驶、电池包热失控模组、新车身材料等热点话题展开深入交流。

在“智能算法”分论坛中，智协慧同解决方案架构师金睿峰分享《基于高精可回溯整车数据的质量售后体系革新》，深入剖析了整车数据闭环技术的应用场景，以及智协慧同如何通过高精度数据帮助主机厂优化售后服务并实现智能化转型，赢得了与会嘉宾的高度关注与热烈讨论。以下为金睿峰先生的演讲实录（文字经嘉宾本人审阅，有删节）。

我今天分享的主题是“基于高精可回溯整车数据的质量售后体系革新”。先解释一下标题中的“大前缀”——高精可回溯数据。为什么要提这个概念？我想先给“高精可回溯数据”做个定义。这里的高精数据和我们智驾领域常用的高精数据是有一定差异的。这里所说的高精可回溯数据，更强调整车所有数据维度的全面性。

什么是高精可回溯数据？

当前，大多数主机厂在进行数据闭环或数据采集时，使用的数据通常为秒级，且数据维度较为有限，仅涵盖总线上的少部分数据。这些数据主要用于座舱、诊断和质量分析等场景。然而，在未来的智能整车时代，这种数据的维度和精度已无法满足需求。因此，数据采集的范围和精度必须全面提升。

范围高精，意味着覆盖整车各个域及多种数据类型，包括诊断数据、总线数据、以太网日志、埋点数据，以及智驾领域的视频数据和毫米波雷达点云数据等。这些数据需以原始频率和完整状态呈现，确保业务场景的灵活应用。

精度高精，则要求数据采集具备更高的频率。目前，大部分主机厂采集总线数据时，仍以秒级甚至10秒级频率处理。这种低频率会导致大量过程信号的丢失。实际案例表明，在碰撞或瞬时状态变化的车辆状态分析中，只有高频率数据才能提供足够的细节，支撑精准的分析与判断。

此外，质量高精同样至关重要。在隧道或断网等场景下，传统数据闭环方案容易出现数据丢失问题。而 EXD 通过特定机制，确保数据在断网环境下的完整性，即使在海量并发情况下，数据也能保持完整且可用。

最后是可回溯能力。EXD 通过车载数据记录机制，将整车的各种数据完整记录并存储。未来，EXD 产品还将支持整车视频流和雷达数据的拓展存储。这种机制可在质量问题回溯或事故责任判定时，快速高效地提取车内历史数据，确保所有数据均可追溯，实现“高精可回溯数据”状态。

智能汽车质量售后体系革新

基于这样的前提，智协慧同希望帮助主机厂搭建一个全新的质量售后体系，推动这一领域的革新。这种变化也是我们最近在行业中观察到的一个非常明显的趋势。

以零跑为例，作为新势力厂商，与传统厂商的售后体系有着显著的不同。传统厂商的核心KPI往往围绕“车到店维修越多越好”，通过提高车辆保有量来提升整体销售绩效。而新势力厂商，由于提供了较长周期的整车质保，并且纯电动车本身对保养的需求较低，使得整个售后体系的 KPI 体系正面临着一场革新。所以，在体系革新的背后，对整车事故和异常处理的流程也会带来深刻的变革。

▎智能车时代主机厂质量及售后体系的故障漏斗

这是我们提出的一个概念，叫做“故障漏斗矩阵”。在这个模型中，所有的主故障可以分为两类：可感知故障和不可感知故障。

这里的每一个黄色箭头，都代表在搭建这个体系时需要遵循的优化方向。体系建设的核心KPI包括以下几个方面：

降低故障总数：这是一个基础目标，减少车辆在使用过程中的故障发生数量。
提升可感知故障的比例：可感知故障分为两个维度：被动感知（基于客户抱怨）和主动感知。主机厂的目标是尽可能减少被动感知的比例，从而显著提升客户体验。
提升主动感知的比例：在可感知故障中，进一步增加主动感知的比重，让更多的故障通过系统检测到，而非依赖客户抱怨。
提升L1故障定位比例：EXD 可通过优化，让更多的故障可以直接由一线人员解决，从而减轻二线和三线团队的负担。
提升远程定位比例：一些故障甚至无需到店解决，而是通过400电话或APP就能完成处理。
提升L2定位故障比例：当L1无法定位时，问题会上升到L2或L3支持，即研发团队介入处理线上问题。目前，1万个故障中可能需要10个问题进入L2或L3支持。EXD 的目标是将这个比例降到1个。

这些 KPI 目标正是“故障漏斗矩阵”中的黄色箭头所指向的优化方向。想要实现该目标，需要构建一套面向主机厂的整车故障管理体系，即构建广泛的知识体系、完善预警与告警体系、实现自动化故障树排查并提供高效分析工具。

从宏观维度转到业务线的角度，在400客服接收到故障报障后，通过告警监控体系提升告警比例，同时提高L1远程定位率。通过线上分析，这些故障可以直接被定位，系统会指导一线维修工或400客服店员如何响应故障，减少问题的升级。这样不仅提升了L1故障拦截率，也降低了问题上升到L2或L3的概率。

以上构成了 EXD 为主机厂搭建的一整套业务闭环体系。为了实现这一目标，我们为主机厂提供了一些关键能力。

▎质量售后体系革新所需的关键能力

关键能力1：整车高精可回溯数据按需获取，车云灵活计算

整车高精可回溯数据的闭环体系是核心能力之一。这一体系实现了“范围高精、频率高精”的数据采集与管理方式。EXD 产品能够全面覆盖整车全量数据，包括日志数据、诊断数据、总线以太网数据和性能数据。这些数据可在车内以高清、灵活、低成本的方式获取，同时支持边缘计算。

边缘计算是一种在车内直接完成故障排查和问题分析的技术，实现了整车自车闭环的能力。这意味着，所有故障排查和数据分析均可在车上完成，无需过度依赖云端资源。

此外，系统还支持柔性上传，可将车内数据灵活传输至云端进行后续分析。这些数据由智协慧同提供的 VDM 系统(Vehicle Diagnostic Manager，整车大数据智能排故系统)进行处理。VDM 系统能够快速基于整车故障进行建模，并支持一键排故、智能告警和智能预测功能，为主机厂提供全面的数据管理能力。

关键能力2：告警能力建设

第二个关键能力是智能告警，也是一个核心能力。它能够基于整车的各类故障和异常情况，比如智驾系统中一些异常退出的场景，可以将这些场景设定为触发条件（trigger）。一旦触发，系统可以发送告警通知后台的技术人员关注车辆状况，也可以将此作为数据采集的一个条件，从而高效地对问题进行跟踪和处理。

刚才提到，EXD 有一套完整的智驾数据闭环方案。这套方案基于车端的告警和边缘计算，能够非常高效地提取整车在某些 corner case（极端场景）触发条件下需要采集的图像、视频、激光雷达数据以及相关点评数据。

在售后和诊断场景中，这套方案也能发挥重要作用。例如，当车辆可能存在潜在故障或隐患时，即便故障已经发生，但车主可能尚未察觉。一个典型场景就是车机黑屏。我自己曾经有这样的经历：开车时导航突然黑屏，过了一会儿车机自动重启。作为车主，我可能因为事后没觉得严重而没有通知主机厂，这就导致主机厂失去了一个可能帮助定位问题的重要 case。

这类场景充分说明了建立自动化告警体系的重要性。通过这一体系，能够准确感知每一次异常的发生，并将相关联的数据完整且高效地提取到云端。这些数据为研发人员提供了关键支持，使其能够快速构建知识体系，从而高效地定位问题、分析问题并解决问题。这正是 EXD 希望通过这套方案实现的目标。

关键能力3：故障诊断能力建设

刚才提到的告警体系，仅仅是感知到故障的发生，但如何进一步对故障进行诊断，是一个更高层次的需求。我们提供了一套高效的故障诊断工具，其核心是低代码的故障树系统，可以通过灵活拖拽的方式快速配置。

这个故障树能够覆盖整车的各种失效模型，比如基于日志的座舱失效模型，或者智驾系统中异常退出的模型。这些失效模型可以在故障树中快速更新和迭代，而低代码建模工具使得更新效率显著提升。

传统的系统往往需要高职级的技术人员耗费大量时间来维护，而在 EXD 的工具中，即便是一线或二线的技术支持人员，也可以在几个小时内完成模型的搭建和更新。这意味着，当发现一个新的故障或异常并定位出原因后，技术支持人员可以快速将其更新到故障树中。

一旦完成更新，下次同类问题出现时，系统便能够自动完成诊断。这种迭代效率极大地降低了重复性问题的处理成本，让整个故障诊断流程更加高效。

这体现了与传统故障树构建方法的典型差异，并引出了方法论上的核心区别。相信很多专家都了解过整车故障树的建设方法，通常被称为演绎法。基于整车原理图和设计文档，通过遍历所有信号和故障逐步构建故障树。然而，实际应用中却发现，真正在线上会被用到的故障仅占整个故障树的 10% 甚至更少。

结合大量的实践经验，EXD 形成了更加灵活的方案，基于实际发生的每一个故障工单来进行故障树的迭代与优化，通过新发生的工单倒推需要使用哪些信号进行判断。这样的方案不需要前期花费大量成本去进行整车建模，而是通过归纳法快速将售后的工单内容更新到故障树中，这种更新可以在小时级内完成。不仅避免了未来因重复故障而带来的额外投入，同时也让建模更精准、更经济高效。

关键能力4：数据可视化能力建设

第四个能力是数据可视化能力。这一能力非常直观，也称之为数据孪生。通过这一功能，能够将整车的各类高精、可回溯的数据整合在平台中，使各个业务部门能够灵活、高效地调用。这套系统还支持方便的建模与分析，帮助快速锁定并分析各种场景下的问题。

针对百万级别量产的车辆，EXD 还提供了一种非常强大的数据可视化分析能力，即能够实现单车智能的数据提取，避免云端资源因处理高频、海量的PB级数据而被过度消耗。

云端的资源消耗和运行成本是相对较高的，而单车智能能力能够有效降低这一成本。具体来说，将平时闲时生成的历史数据存储在车辆本地，当需要使用这些数据时，系统会在云端无感知的情况下，后台自动调取车内存储的历史数据，用于回滚和分析，这种机制确保了整车数据的使用成本更加友好。

关键能力5：业务流程打通

第五个能力是帮助主机厂建设这些能力时，不是单独的的“烟囱式”的建设，而是与现有的业务系统深度打通。比如，维修工单的流转、数据的回显，甚至因新系统引入而可能带来的组织结构和售后处理流程的变革，这些都是 EXD 关注的重点。

在这个过程中，基于与众多客户伙伴实际落地的经验，我们为主机厂提供专业的咨询服务，帮助其高效实施和优化这套体系。核心指标是将 L1 故障拦截率提升到 50% 以上，尤其是在软件类问题上，比如车机黑屏、车机卡顿、智驾系统不工作等传统一线维修工难以处理的棘手问题。通过系统自动诊断，这些问题能够在一线被有效解决。

此外，故障诊断率也被提升到 50% 以上，通过故障树快速定位问题，并将售后的远程定位率提升至90%以上。也就是说，在车辆到店之前，通过获取整车数据并进行精准分析，就能提前掌握车辆问题所在，甚至预判维修方案。这种远程定位和诊断的准确率目标是达到 90% 以上。

▎实际案例

举两个实际案例，其中既有与智驾相关的，也有与整车相关的。

案例一：

例如，在电池全生命周期管理中，通过采集电池的BMS系统以及电机、电驱相关的输入输出数据，构建了整车的电池画像。依托高精度的BMS实时数据和历史数据，能够进行非常细致的运营统计和故障分析。这些数据为基于AI的模型构建提供了坚实的基础。

现在“大模型”非常火，但实际上 EXD 很早就已经开始应用类似的技术了。通过机器学习和神经网络深度学习，可以感知到整车更加高精度的数据。在未来，随着车辆数量的增加，可以基于海量数据，开发更加智能的电池模型，比如 SOC（电池状态）、SOH（健康状态）模型，以及可靠性和热失控模型。这些模型能够进一步赋能故障告警、故障预警，甚至改善整车的用户体验。

案例二：

另外有一个比较有意思的案例，我想跟大家做一个稍微详细的分享。之前我们帮助一个客户搭载了整车数据闭环的工具链，一会儿我也会更详细地介绍这套工具链的特点和能力。首先，我们提供了高精度的数据采集和边缘计算功能，包括车内的单车智能。这个单车智能系统能够在车辆运行过程中实时采集和分析数据。

当时这个客户遇到的问题是，有几辆车总是第二天小电瓶没电了。奇怪的是，动力电池依然有电，但小电瓶却完全没电。客户把这些车辆送到4S店，甚至研发中心，进行了整车电路系统的检测和闭环排查，却没有发现任何问题。电池是好的，电路也是正常的，但车主仍然频繁报告第二天亏电的现象。客户尝试更换了大电池和小电瓶，甚至重新排查整车电路，问题依旧存在。在这种情况下，他们希望 EXD 通过AI和数据分析的能力，帮助定位问题的根源。

我们利用整车的高精数据，结合机器学习的相关性分析，对车辆的异常信号进行了深度研究。具体来说，分析每次车辆出现亏电事件时，与日常用车信号相比有哪些不同的异常信号。通过运行机器学习模型，最终发现，每次发生断电事件时，都会出现一个座舱内 USB 接口的占用信号。

进一步追溯后，我们怀疑问题可能与 USB 设备有关。在询问车主是否在 USB 接口上插入了什么设备时，车主表示，经常在车上插着一个充电宝，而这个充电宝带有反向充电功能。当车辆断电时，充电宝会反向向车辆供电，引发车机频繁启动，最终导致小电瓶出现亏电问题。

这其实是一个软件的 bug，发生在座舱系统中。对于座舱软件bug的修复，大家都知道需要等 OTA 的节奏，这并不是一个可以短时间内批量解决的问题。针对这个情况，EXD 为客户提供了一个高效的临时解决方案，利用之前提到的预警体系，快速搭建了一个告警机制。

这个告警逻辑非常简单：当驾驶位检测到无人（即车主不在车上），同时 USB 接口上仍有设备插入时，将其视为一个告警触发条件。一旦告警触发，系统会第一时间通知客服团队。客服团队会及时联系车主，提醒他们：“车主先生，您是否在 USB 接口上插入了一个设备？当前车辆已断电，请尽快拔下该设备，否则可能导致小电瓶亏电，影响第二天用车。”

通过这个临时告警机制，客户在短时间内有效解决了这一问题。而在这套机制运行的同时，主机厂也能等待下一次 OTA 升级，彻底修复这个软件 bug。

从数据采集、机器学习分析，到边缘计算和告警机制，是一整套完整的业务闭环。这不仅为客户提供了临时解决方案，还有效避免了问题进一步扩大，甚至在 OTA 完成之前就将问题消弭于无形。

所以基于以上几个案例，我们认为这套能力能够极大地帮助主机厂提升整个售后和质量运营的效率，同时有效节省相关的人力成本。刚才提到的实施方案中，EXD 更倾向于采用逆向推导的方式，也就是说，从售后工单中发生的问题出发，反向推导出相应的诊断业务逻辑，然后利用低代码平台快速进行建模。在这一平台上，整个模型的搭建过程都可以高效完成。

这种方法的优势在于，它使得前期投入变得更加平滑。主机厂不需要在早期花费大量资金、人力以及时间去构建一个完整的故障树体系，而是能够优先基于高频故障快速搭建模型。这种方式确保了投入的可控性，同时显著提升了建模效率。

此外，我们还在进一步探索基于AI的建模技术。这不仅符合当前行业的趋势，也将故障建模与现代AI技术深度结合。故障建模本质上仍然是写代码，而既然是写代码，就有迹可循。通过将故障工单和原始设计文档输入AI模型，将其向量化和数据化，在此基础上，结合大语言模型以及神经网络和深度学习框架，能够快速对这些故障工单和设计文档进行分析和建模。这种方法将使主机厂能够以更高效、更短的时间，构建更丰富和完善的知识库模型。

目前智协慧同的产品和解决方案已广泛应用于主要车企的新一代车型，我们将持续努力，为车企打造完备的数据驱动能力，以积极的态度迎接智能汽车时代。同时，我们热烈欢迎更多生态合作伙伴的加入，一同探索数据智能的新世界，为人类美好的未来出行贡献我们的力量！

上一篇：在变革中前行，于磨砺......

下一篇：智协慧同亮相「走进中......