实验设计助力汽车发动机研发

如何能够在众多参数中快速而准确地找到少数关键的参数?

如何能够让设置好的参数使燃料的Consumption、Emissions、Smoothness同时达到指定的要求?

如何能够在最短的时间内、在广义的参数空间内精准定位，找到最优化的设计空间?

……

这些都是国内很多汽车企业的研发和质量部门经常遇到的技术难题。由于缺乏正确的实验设计理论指导，本土车企的研发成本高、研发周期长、研发效果差，这些情况制约了企业的上升空间，甚至导致相当一部分企业陷入了“销量下降→压缩研发成本→销量继续下降→继续压缩研发成本”的恶性循环。

从欧美、韩日等知名车企的成功经历来看，实验设计是它们长期保持发动机竞争力的法宝之一，这与国内同行或凭经验、或凭苦干的工作风格形成了鲜明的对比。

实验设计DOE，又称试验设计，是以概率论和数理统计为理论基础，既经济又科学地安排实验，同时在此基础上研究和处理多因子与响应变量关系的一种科学方法。在发动机新产品、新工艺的研究中，通常要做实验，而且往往做实验的次数还很多。实验者总希望从近可能少的实验次数中最大限度地提取有用信息，为此就必须进行实验的设计、分析与优化。实验设计会告诉工程师们如何安排实验最合理，如何对实验结果进行评价和检验，最终在科研和工艺研究领域如何能够达到大幅度缩短研发周期、节省经费、找到最佳的产品设计参数的目的。本文中所有涉及到实验设计的分析报告都是基于专业统计分析软件JMP完成的。

虽然说实验设计是一种跨行业的分析方法论，但在汽车行业，其使用也有一定的特殊性。总的来说，汽车行业的实验设计可以分为两类：筛选(Screening)设计和优化(Optimization)设计。

筛选设计是指在问题研究的早期，潜在的候选因素很多，如何有效地大规模降低实验次数而又准确地找到少数几个影响发动机性能的关键因素。具体的实现手段有两种：一种是经典的实验设计方法，如部分析因设计、Plackett-Burman设计等(如图一所示);另一种是高级的实验设计方法，如D最优设计等(如图二所示)。

筛选设计的最终目的是不靠猜测，摆脱低效率的试错法，却能在众多参数中快速而精确地发现关键参数，如图三中所显示的X5和X8。

优化设计是指在问题研究的中后期，关键因素已经明确，但需要精益求精，在有限的实验空间中精准地找到使发动机性能发挥到极致的最佳设计。具体的实现手段有两种：一种是经典的实验设计方法，如响应曲面设计等(如图四所示);另一种是高级的实验设计方法，如空间填充设计、I最优设计等(如图五所示)。

优化设计的最终目的是不用一次次地盲目调试，而是通过有限的几次实验就能找到所需要的参数设置，使发动机的各项指标均达到指定的要求，从而大幅度降低研发周期与成本。图六所示的图形就是反映Fuel pressure和Valve train这两个关键参数对燃料Consumption影响的预测模型，工程师们可以由此制定最佳的工艺方案。

总之，根据现实情况灵活运用实验设计的方法，可以帮助研发和质量管理的技术人员快速而有效地达到筛选变量和优化方案的目的，使我们的汽车拥有更强劲的发动机，使我们的汽车工业早日进入到一个更高的发展阶段。