蔚来汽车：“全域大数据”与“数字孪生技术”助力电驱动开发[5988字]310

电驱是集机、电、液、声、磁、热 等多物理学科耦合作用的一个复杂产品。同等功率下，怎样做到更小的重量、更小的体积、更低的成本以及怎样在大批量生产提升可靠性、控制良品率？

蔚来汽车助理副总裁毕路是该领域的专家，他主导研发了多款异步及同步电驱动系统，已在蔚来ES8、ES6、EC6、EC7、ET7、ET5等车型实现量产。

他表示，围绕“全生命周期+全产业链”的高效协作与精准决策，“全域大数据”与“数字孪技术生”是实现产品多目标平衡和可靠性提升的有效途径。

在2023年12月14日，在第四届汽车电驱动及关键技术大会上，毕路系统介绍了MBD（基于模型和3DE的数字协同技术）和E-DAS（基于全生命周期数据和仿真技术的数字决策平台），并对蔚来电驱大数据系统 E-DAS的研发、生产、质量及通用工具四大平台之一的研发平台进行了分享。

毕   路 | 蔚来汽车助理副总裁

以下为演讲内容整理：

在过去的一段时间里，我们见证了行业内的良性竞争和蓬勃发展。无论是产品性能、功能开发还是技术指标，我们都看到了一代更比一代强的显著进步。这种进步不仅推动了整个行业的技术革新，也为电驱动领域的技术发展注入了强劲动力。这对于主机厂、零部件厂以及上游合作伙伴而言，无疑是共同推动技术进步、实现共赢的绝佳时期。

蔚来电驱系统平台介绍

目前，蔚来汽车有几十万台车辆在路上行驶，每台车都在持续为我们提供电驱数据。基于这些后台大数据，蔚来进行了深入的应用探索。我们尝试将这些数据应用于仿真体系，尤其是多维度、多物理场的仿真体系，取得了一些成果。虽然我们的探索尚未达到理想的目标，但我们希望通过今天的分享，与大家共同探讨大数据应用、数字孪生电驱以及基于大数据的仿真等方面的心得体会，为行业内的同仁和产业链上的合作伙伴提供一些有益的参考。

图源：演讲嘉宾素材

自2015年起，蔚来汽车开始自主研发和制造电驱动系统。从最早的240千瓦铜转子异步感应电机和160千瓦永磁同步电机开始，这些电机被应用于我们早期的ES8、ES6和EC6车型上。当时，我们的铜转子异步电机在行业内以最大功率辅驱而著称，我们实现了高达15000转的转速，这在当时几乎是一个无法找到合适轴承的技术挑战。

蔚来与行业内的合作伙伴紧密合作，共同开发了轴承体系，成功解决了三合一课题中的EMC问题。如今回首过去，我们可以看到行业内对于转数的追求已经从两万转逐渐提升到24000转，甚至更高。

第二代产品是180千瓦和300千瓦的电驱动系统。180千瓦系统是在160千瓦系统基础上进行首次量产升级的结果，通过采用碳化硅模块实现了功率的提升。这款系统于2022年3月份成功量产。同时，蔚来还基于400伏碳化硅模块对240千瓦系统进行升级，实现了产线共用并顺利升级到300千瓦。

在2019年底，我们开始启动开发三合一课题的第三代产品——210千瓦和150千瓦的电驱动系统。其中，150千瓦系统采用了蔚来独家配方的铸铝转子，这是我们与行业内同仁通过材料级别研发、材料配方研发和工艺开发共同实现的量产成果。今年这款系统已经成功应用于ET5、ET5T和新ES6的辅驱系统中。而210千瓦系统则是在180千瓦系统基础上进行升级而来的。

目前这些产品都属于400伏系统下的第一代、第二代和第三代产品，并且已经成功量产并应用于市面上的车型中。同时，蔚来正在开发第四代产品——900伏系统的高压电驱动系统。在这个新系统中，蔚来依然采用辅驱和主驱的方式设计不同功率的产品线。由于目前仍处于开发阶段，具体参数将在适当时机对外发布。但总体上在辅驱，我们将推出100千瓦和180千瓦的产品，而在主驱则将推出240千瓦和300千瓦的产品。其中240千瓦和300千瓦的产品将使用我们与合作伙伴共同研发的碳化硅模块，这些模块采用了最新一代的3.5寸芯片技术，并且在南京建立了四支线进行自研模块的生产工作，包括一些创新性的油冷系统技术也将在第四代产品中得以应用。

电驱系统开发的挑战

行业中存在一些公认的开发挑战。电驱动是集机、电、液、声、磁、热等多物理学科耦合作用的一个复杂产品，因此，如何在同等功率下做得重量更轻、体积更小、成本更低，以及在大批量生产中确保其可靠性并控制良品率，是行业共同面临的难题。这些问题的解决需要整个体系的能力，从研发端到制造端，都需要建立相对准确的仿真体系。建立原子化的仿真体系对于解决行业内的各项技术指标要求具有重要意义，并为整个产品开发奠定坚实基础。

尽管仿真可以无限接近真实，但永远无法完全达到真实。仿真中存在诸多难点，如材料数据库的建设、全产业链核心工艺仿真以及零部件散差的控制等。在考虑尺寸和结构强度时，我们还需要充分考虑“热”的影响。从单学科仿真到多学科耦合仿真的转变，需要我们进一步探索和尝试，以更好地将各个因素综合考虑。

图源：演讲嘉宾素材

关于电压带宽的问题，行业内都在讨论800伏及不同的带宽。对于电驱动系统和高电压系统，电压带宽越高，其价值和挑战也越大。高电压带宽为电池材料升级提供了空间，但同时也对绝缘系统、轴承和新型电机工艺提出了更高的要求。此外，如何将高电压下的轴承和绝缘材料耦合设计也是行业面临的一大挑战。

在低温下通过电驱动工作产生的废热转换为给电池加热的功能，也为电驱动本身的寿命带来了挑战。在高压情况下，材料的兼容性以及遇到不同电压桩时的用户充电体验也是行业内需要解决的问题。

在产品耐久性的开发中面临一个行业痛点，那就是如何精准地定义产品耐久性的载荷。这涉及到十年、三十万公里的寿命长度，以及如何根据用户实际使用情况来定义载荷。燃油车在这方面有一定的积累，在新产品开发时，我们需要结合过去的经验，进一步深入研究耐久载荷的确定方法。

随着新能源车保有量的逐渐增加，我们有机会积累产品的工作工况信息。这些数据经过脱敏处理后，将为我们提供宝贵参考，使我们能够更准确地了解产品实际使用中的耐久性载荷。这些数据在积累到一定程度后，将为产品开发中的实际应用工况提供分析的基础。

图源：演讲嘉宾素材

电驱动的开发涉及高温、高压、高转数等多个维度的思考，是一项相当复杂的工作。在产品开发过程中，我们总会面临各种挑战和需求，如追求多项指标的平衡或最大化所构筑的面积。我们需要在多项指标下进行权衡和取舍，以满足不同部门或客户的需求。

基于大数据与数字孪生技术的电驱系统开发

当有了数据基础，怎么应用它，怎么把这些数据与产品开发、日常的分析耦合在一起，这是我们在过去两年时间一直在思考的问题。对此，我们推进了两件事情。

首先，我们引入了基于模型和3DE的数字协同技术，改变了过去将样品开发完成后，再将其设计图纸传递给工厂或合作伙伴的方式。我们希望通过参数化建模，将设计信息直接集成到3D模型中，而不仅仅是传统的2D图纸。这样，我们的合作伙伴和工厂可以根据这个3D模型来设计和生产，实现更高效的同步迭代。这意味着，从最初的概念构思开始，我们就可以与合作伙伴和工厂进行交流，共同思考和解决问题，从而大大缩短了从开发到生产的周期。

图源：演讲嘉宾素材

MBD使我们能够将设计信息以更直观、更高效的方式传递给合作伙伴和工厂，实现真正的并行开发。这不仅提高了开发效率，更有助于在早期阶段发现和解决潜在问题。

其次，我们建立了E-DAS系统。这个系统能够有效地处理和存储大量数据，并对这些数据进行切片处理，使其更适合产品开发阶段的需求。通过这种方式，我们可以快速地调取需要的信息，包括环境温度、产品工作情况、产品性能等各个方面。

E-DAS系统目前已经存储了约45万台车、近90万台EDS的信息。这些数据为我们提供了丰富的信息来源，使我们能够在短时间内获取所需的数据，为产品开发提供正向反馈。

我们曾打过一个比喻，将产品开发的过程与人的一生进行做类比，从产品开发、生产制造到工作运行、再到维修维保，直至全生命周期的回收。基于这样的视角，我们建立了强大的数据基础，可以在产品的全生命周期内预测零部件的寿命损耗。通过这些数据，我们还可以预测产品的回收情况，并为材料的回收和再制造、再利用提供基础。

有了这些数据后，我们了解到传统的仿真方式多为单维度的。例如，热仿真只考虑在特定边界下的热分布，尺寸仿真只考虑常温下的尺寸分布，而结构力学仿真则基于标准的材料属性进行模拟。虽然这些都是基于一定前提的仿真，但它们都朝着一个正确的方向前进：通过仿真替代测试。仿真越准确，测试中发现的失效模式就可以在仿真中复现到，从而减少测试的必要性。虽然目前我们还无法完全实现全仿真体系替代测试，但我们认为这是值得探索的方向。

因此，我们考虑在单维度仿真中对模型进行降阶处理，同时在多物理场下进行耦合仿真，使仿真结果更接近实际用户应用，为测试降阶或缩小测试范围、减少测试种类提供帮助。

有了这些数据后，我们还需要让数据在后台运行。也就是说，基于已有的大量数据，可模拟用户可能的使用情况。在这些假设的载荷下通过预先运行产品，能识别出可能的失效模式。

此外，我们还必须考虑在大批量情况下尺寸散差和材料散差。这些散差是不可避免的，但如果想控制尺寸，必然会导致合作伙伴成本的增加。通过综合考虑不同的散差，可以在达到所需性能的同时，让合作伙伴在可控的成本范围内实现这一性能，最终的目标是实现“既要、又要、还要”的结果：既要性能优秀，又要让合作伙伴以可承受的成本实现这一性能，同时还要尽可能地放宽对公差和材料属性的要求。

拥有大量数据后，由于已经建立了寿命损伤的模型，包括复杂的模型和降阶模型，一旦有了用户的使用数据和载荷数据，我们就可以模拟出产品在某些失效模式下的失效后果。在800伏、900伏的环境下，电机绝缘PDIV设计和轴承电腐蚀的风险是行业难点。通过数据，我们可以看到这些问题的根本原因，主要包括温度分布、湿度分布、海拔分布以及在不同电池能量和电压分布下的产品表现等。基于这些数据，可以更准确地预测用户使用产品的载荷分布范围。预测越准确，产品开发中的公差控制就越科学，从而与合作伙伴以更低的成本实现所需性能。

对于数字实验场，我们通过观察产品实际使用情况来了解载荷分布。有了这种分布，我们可以通过仿真模型逐步建立总成、子总成和子零件的载荷分布模型。通过虚拟场景和虚拟载荷，我们可以在没有实际样品和实验场的情况下识别某些失效模式。这为产品的快速迭代提供了可能。

 图源：演讲嘉宾素材

有了大数据的支持，可以预测不同地域和不同时间的产品工况，实现更精准的优化和控制，达到产品性能和成本的平衡。结合产品的设计载荷，可以了解如何恰当地预留或调整公差。

在过去两年的开发迭代中，除了关注产品的性能和功能外，蔚来还思考了下一代产品的开发方法。基于大数据，我们在过去一到两年内进行了许多工作，并希望通过这些工作赋能我们在下一代产品开发中实现更全面的性能优化。我们希望以更低的成本和更高的可靠性为目标，实现全体系、全链条的开发！

（以上内容来自蔚来汽车助理副总裁毕路于2023年12月14日在2023第四届汽车电驱动及关键技术大会发表的《基于大数据与数字孪生技术的电驱动开发》主题演讲。

2024-01-16

上一篇：2024年目标280万辆 未来两年是长安汽车的重大机遇期[2444字]

下一篇：印度再超日本 成为全球第三大汽车市场[1017字]