王國慶　林耿濤　陸佳峰

關鍵詞：RTM ；預測式維修；預警模型；邀約；遠程診斷

中圖分類號：U472.3 文獻標識碼：A

0 引言

為了滿足人們對新鮮度、體驗感的持續(xù)追求，保持市場競爭力，電動汽車產品更新迭代以及新品研發(fā)的周期被持續(xù)壓縮，功能日益加強的同時故障發(fā)生的可能性也在同步增大。傳統(tǒng)的售后維修場景必須等故障發(fā)生和用戶感知后，被動地等待用戶反饋抱怨，且要求專業(yè)維修人員必須接觸到車輛后，才能對車輛的故障信息進行收集和分析。如此一來，無論在用車體驗還是維修周期方面都難以滿足當下用戶的需求。而隨著電動汽車智能化、網聯化和共享化發(fā)展，車輛的各項數據變得更加透明和易獲取，外加大數據時代的背景，用戶對電動汽車管理和售后服務模式也有了嶄新的認知和期望，特別是在故障預防、安全性保障和維修便捷性方面。因此，亟需開發(fā)一種新的智能化、管家式和便捷型的售后服務模式。

針對以上需求，本文將介紹一種基于實時監(jiān)控（RTM，RealTime Monitoring）數據的電動汽車新售后服務模式，即預測式維修服務，主要內容包含RTM 系統(tǒng)簡介、預警模型開發(fā)、圍繞預警線索的業(yè)務開展方式以及未來展望等。通過這種服務模式，整車廠商能夠利用RTM 數據實時監(jiān)控并精準找出具有潛在問題的車輛，及時組織經銷商或400 客服電話聯系用戶，從而有效防止故障形成，極大提升用戶體驗和品牌忠誠度。

1 電動汽車RTM系統(tǒng)簡介

想要實現預測式的維修，必須要有維修線索，對于電動汽車而言，可以利用RTM 系統(tǒng)提供的大數據作為線索源。RTM是實時監(jiān)控電動汽車工作數據的一套系統(tǒng)，通過車端硬件與車輛的2條CAN 總線連接，采集并分析處理有關的數據并通過自身的通訊模塊，將數據經由OTA 協(xié)議，發(fā)送至后臺數據庫。

根據GB/T 32960《電動汽車遠程服務與管理系統(tǒng)技術規(guī)范》，RTM 數據涉及車輛基本信息、動力電池系統(tǒng)、電機驅動系統(tǒng)和車輛控制系統(tǒng)等多個方面[1]。其中有27 項靜態(tài)數據和84 項動態(tài)數據，靜態(tài)數據如車輛底盤號、電機額定功率和電池型號等，動態(tài)數據如電池電量、絕緣性和電機溫度等。這些數據將以特定的頻率采集并上傳企業(yè)和國家政府平臺（圖1）。

按照國標GB/T 32960 要求，電動汽車必須上報行駛和充電過程中的所有數據，客戶端平臺向服務端平臺上報信息的時間周期應可調整。車輛正常運行狀態(tài)下，信息采集和上報的時間周期最大應不超過30 s。當車輛出現三級報警時，應上報故障發(fā)生時間點前后30 s 的數據，且信息采樣周期不大于1 s。其中故障發(fā)生前數據應以補發(fā)的形式進行傳輸。還無法自動為預測式維修提供維修線索，需要創(chuàng)建一定的算法規(guī)則來實現故障的自動預警。

RTM 系統(tǒng)本身就已經攜帶了19 種故障識別算法，包含在上文所提到的84 項動態(tài)數據中，如電池壓差、電池溫差和單體電池過壓等。但是這些規(guī)則有2 方面不足：其一是單閾值的算法規(guī)則太過簡單，雖然能夠識別異常數據，但是沒有綜合考慮車輛的其他參數容易出現誤報警；其二就是只能識別已經成形的故障，無法做到故障預警。因此，想要實現精準的故障預警，需要對RTM 數據進行更深度的發(fā)掘，搭建更高階的故障預警模型來為預測式維修提供線索。

每個預警模型其實都是由組成該系統(tǒng)的關鍵零部件或所有零部件的失效模型組成。每個零部件失效模型以該零部件對應的特征參數（包括輸出信號特征參數、零部件老化特征參數和工作效率特征參數等重要信息）以及故障信息為輸入，根據參數的數目、各參數的重要程度以及故障信息等因素而構成。系統(tǒng)失效模型則根據各零部件的相關關系以及重要程度，再基于各零部件的失效模型而構成[2]。

以電池壓差預警模型的開發(fā)為例（圖2），壓差是電池電壓一致性變差的直接表現。造成壓差過大的原因體現在2 個主要方面：一是電芯工藝引起的問題，比如有個別電芯容量衰減太快、內阻增加太快或者異常自放電；二是電池控制單元均衡功能失效，無法消除正常自放電差異導致的電芯間的SOC 差異或錯誤均衡[3]。

根據以上理論分析并結合實際維修經驗，壓差預警模型搭建方案可以如下：通過計算電池總成內最高電芯電壓Umax 與最低電芯電壓Umin 的差值ΔU 和持續(xù)時間tdur 來判斷是否需要預警，并通過壓差隨時間t 的變化規(guī)律及其他相關參數來確認故障件。若某電芯電壓隨時間持續(xù)降低而形成的壓差，且放電速度超過控制單元最大均衡速度，則判斷為電芯自放電，需要更換模組或電芯。若電壓隨時間持續(xù)降低但不超過控制單元最大均衡速度，則判斷為控制單元均衡回路故障，需要更換控制單元。若某電芯電壓隨時間大幅波動而形成的壓差，則判斷為控制單元采樣電路損壞，也是需要更換控制單元。

除了壓差問題以外，根據售后市場數據，電動汽車典型故障還包括電池包過壓欠壓、電池包內模組間溫差、電池健康度、高壓回路絕緣故障及電機高溫等，可以以此建立更多的預警模型。需要注意的是，RTM 系統(tǒng)可能存在數據上傳丟失而產生異常值的情況。如某一幀數據中的某些電芯電壓沒有數據，則這些電芯電壓在RTM 后臺可能會以“65 534 mV”這種異常值來表示。如果不進行處理，則會被預警模型判斷為壓差故障中的控制單元采樣異常，但實際零件可能沒有問題。因此，為了確保預警的準確性，需要對這些異常數據記錄進行篩選過濾。

此外，由于問題的嚴重程度不同，后續(xù)采取的措施也不同，因此每個預警模型需要設定不同級別的閾值條件來劃分預警等級。一般定義成3 個等級，偏差值越大，持續(xù)時間越長，預警級別越高。

3 預測式維修業(yè)務的開展方式

維修線索來源的問題解決之后，想要基于這些線索批量、高效地邀約用戶并實現閉環(huán)管理，還需要流程機制和IT 系統(tǒng)的支撐。

3.1 預測式維修業(yè)務IT 系統(tǒng)建設

邀約工作的開展，通過手動記錄的方式低效且容易出錯。設想一下，此時有一條預警信息，但是在邀約前無法確定針對該底盤號車輛是否就這個問題已經邀約過用戶。如果邀約過，在上次邀約中用戶是否已明確表示不想維修；如果再聯系用戶，是否會對用戶造成打擾等。由此不難發(fā)現，預測式維修由于是主動發(fā)起的維修，如果對信息的掌握有偏差，反而會弄巧成拙。

因此，預測式維修需要搭建IT 系統(tǒng)，實現各方數據的互通。結合傳統(tǒng)售后維修業(yè)務方式，預測式維修IT 系統(tǒng)需要4 大模塊：線索生成模塊、線索處理模塊、用戶激活模塊和維修服務模塊。各模塊功能如下。

線索生成模塊：該模塊搭載著預警模型，能實時計算分析RTM 數據，產生維修線索并傳遞給線索處理模塊。

線索處理模塊：線索處理模塊前端呈現來自線索生成模塊的線索。廠家審核人員通過點擊線索詳情查看每條線索的詳細信息，審核線索的準確性，修正錯誤信息，并進行線索包裝，如添加維修指導建議。

用戶激活模塊：對于廠家端而言，用戶激活模塊一般可集成在400 客服系統(tǒng)或經銷商業(yè)務平臺。該模塊用于接收維修線索，匹配用戶信息，預約用戶并跟進。對于車主用戶而言，一般是企業(yè)微信或手機APP。

維修服務模塊：與傳統(tǒng)的用戶主動進店維修一樣，維修服務模塊對邀約進店的車輛進行維修信息的流轉與記錄，并將維修結果和用戶評價回傳給線索處理模塊，實現問題的閉環(huán)。

3.2 預測式維修業(yè)務流程機制建設

完成IT 系統(tǒng)鋪墊后，業(yè)務開展流程可以大致概括為：線索生成—線索審核—用戶激活—進店維修—結果反饋（圖3）。

線索生成：線索生成模塊會不斷產生各類維修線索，每條線索字段包括唯一編號、車輛底盤號、問題類型、可能的故障表現、可能的故障件、數據詳情以及問題優(yōu)先級等，并推送至線索處理模塊。

線索審核：線索處理模塊收到線索后，先后由技術開發(fā)和售后人員對每條線索進行審核，以確保線索的準確性和推送價值。審核時可以補充維修指導建議等信息，方便后續(xù)經銷商的維修。

用戶激活：每條線索審核完成后，會由系統(tǒng)自動推送至用戶激活模塊進行用戶激活，即通過400 客服或經銷商主動邀約用戶進站檢查和維修。如故障件已被預警模型鎖定，則在此環(huán)節(jié)還可以提前為用戶訂購備件。另外，緊急時還需要為用戶協(xié)調拖車、消防等救援服務。

進店維修：用戶應邀進店后的流程則與傳統(tǒng)主動進店基本相同，在維修服務模塊（經銷商業(yè)務平臺）進行，包括開具任務委托書、維修工單和收集索賠憑證（若車輛在質保期內）等。需要注意的是，考慮維修的及時性，線索審核和用戶激活環(huán)節(jié)應盡快處理。

結果反饋：為了方便廠家對預測式維修業(yè)務的跟蹤管理，也為了對于緊急問題能夠有效促進，IT 系統(tǒng)設計了一個信息反饋的功能，即流程每進行到一個關鍵節(jié)點，可以利用系統(tǒng)對該線索狀態(tài)進行自動更新。例如每條線索的初始狀態(tài)都是“未處理”。當經銷商嘗試與用戶聯系，創(chuàng)建好預約單時，狀態(tài)變?yōu)椤耙烟幚怼?；當經銷商與用戶達成約定，預約單狀態(tài)改變時，該條線索的狀態(tài)也相應地更新為“待進店”；用戶進店后創(chuàng)建任務委托書時則更新為“已進店”；創(chuàng)建備件訂單時則更新為“已訂件”，備件到貨簽收則為“備件已到貨”，完成維修并交車結算則為“已修復”。

此外，還需要有“特殊關閉”及“不需要維修”等選項?！疤厥怅P閉”是為了涵蓋無法聯系用戶、過保車拒絕回店、故障不明顯拒絕回店、用戶已主動回店以及用戶去其他店維修等特殊情況。“不需要維修”則是指用戶雖然進店了，但是決定放棄維修。如此一來，通過線索狀態(tài)的變化，廠家和用戶便可以通過PC 系統(tǒng)或手機APP 清晰地掌控整個事件的進程。

維修完成后， 維修結果也將由系統(tǒng)自動關聯至該條線索，實現問題閉環(huán)。最后，可以讓經銷商和用戶分別對線索和服務質量進行評價，并將評價信息回傳至線索審核模塊，從而不斷完善預警模型和線索推送質量。

4 預測式維修的未來構想

4.1 遠程診斷的輔助支持

預測式維修雖然能為用戶帶來不少的方便，但還有諸多可以改進的地方。比如目前絕大多數預警模型暫時無法鎖定故障件；即使能鎖定故障件，用戶至少需要進一次店，能否不用進店就能解決故障。對于這些問題，遠程診斷技術可以幫助預測式維修達到另一個高度。

遠程診斷功能主要涉及診斷電腦、車輛手機 APP 系統(tǒng)、遠程診斷云平臺系統(tǒng)和車聯網終端?？梢岳冒惭b在車內與車輛總線相連接的車聯網終端T-BOX，執(zhí)行車輛診斷命令，獲取車輛電子系統(tǒng)的各種數據，并通過無線通信手段，將數據傳送至遠程診斷云平臺進行信息處理[4]。遠程診斷的功能包括讀取或刪除車輛的故障碼、采集和上傳車輛實時數據以及讀取或更改控制單元的軟件配置等。遠程診斷的使用流程如下（圖4）。

（1）專業(yè)維修人員通過診斷電腦和車輛底盤號發(fā)起遠程診斷請求，用戶通過手機APP 接受請求。

（ 2）遠程診斷云平臺進行診斷配置，包括配置車型，設置診斷參數。

（3）遠程診斷云平臺向車聯網終端發(fā)布診斷請求。

（4）車聯網終端進行車輛診斷，收集并上傳車輛診斷數據，并通過遠程診斷云平臺，與遠程診斷電腦進行交互[5]。

與傳統(tǒng)的現場診斷一樣，遠程診斷過程中也涉及車輛的上下電和防盜解除。因此，車端方面還需滿足2 個條件：第一，鑰匙系統(tǒng)需要監(jiān)控并實時向車聯網輸出整車電源狀態(tài)信息，并能夠響應遠程上電或下電動作；第二，車身防盜及門鎖系統(tǒng)需要監(jiān)測并實時向車聯網終端輸出整車設防狀態(tài)[6]。

預測式維修如果有了遠程診斷技術的融入，還能具備2 方面的優(yōu)勢：一方面，對于難以確認故障原因的預警，可以通過遠程診斷的方式進一步確認，方便維修人員提前訂購備件；另一方面，在預測式維修中諸如軟件問題引起的故障預警，都可以通過遠程升級的方式進行修復，用戶甚至都不需要進店。

4.2 拓展應用

除了上述所提到的故障預警、一次進站維修和遠程維修等，在未來，預測式維修甚至還可以為用戶提供主動的故障查詢服務。用戶可以通過手機APP 主動向預測式維修的相關IT 平臺發(fā)起主動查詢車輛健康狀況的請求，特別是在出遠門前，可以借此方式提前了解車輛的健康狀態(tài)。如有問題，用戶可主動聯系附近維修站進行維修，有效防止車輛半路出現故障，實現用戶端的預測式維修。

5 結束語

基于RTM 數據的預測式維修服務不僅能為用戶和車輛保駕護航，也能滿足經銷商迫切的業(yè)務拓展需求，更是為車企創(chuàng)造了絕佳的發(fā)展機遇，使其更加全面地融入汽車“新四化”的趨勢及更高階的遠程診斷技術發(fā)展中去。而圍繞RTM 數據進行業(yè)務拓展，正是考驗其大數據挖掘與智能診斷應用相結合的能力，想要在激烈的汽車市場競爭中脫穎而出，這方面的能力不可或缺。在未來，通過對數據源的不斷拓展、對預警模型的不斷優(yōu)化以及對服務流程的不斷完善，外加“互聯網+”概念的融入，預測式維修服務有望大大降低電動汽車故障發(fā)生率和拋錨率，提高電動汽車安全性，降低自燃車事故，同時也能為車主節(jié)省大量的維修時間，為用戶帶來更省心、便捷的管家式售后服務體驗。

作者簡介：

王國慶，碩士，經濟師，研究方向為汽車銷售售后服務。