工业大数据在提高新能源汽车质量中的应用

奚新文 茅卫东 张转平

奇瑞新能源汽车股份有限公司 安徽省芜湖市 241000

1 前言

新能源汽车的发展是汽车发展的新方向，随着人们环境保护意识的增加，新能源汽车逐渐有替代传统燃油车的趋势。新能源汽车的逐渐普及给汽车公司带来了新的发展和挑战，如何利用新的产品为公司带来更多的利润，成为公司发展新能源汽车过程中必须要考虑的问题。

国内公司对新能源汽车的研究颇多，也为社会提供了许多产品。但是廉价的新能源汽车虽然销量不错，但是并不能带来非常可观的利润。汽车公司必须提供更高质量的新能源汽车，才能够在日益激烈的竞争环境中生。

计算机技术发展迅速，通讯网络也在快速发展，随之而来的是大量数据的不断积累。在工业生产中，也出现了许多数据，统称为工业大数据。如何从海量的数据中提取出有用的信息，并且利用这些数据提高新能源汽车的质量，成为新能源汽车发展过程中必须要解决的问题。

工业大数据携带着大量有用的信息，其优势明显。本文将探讨工业大数据与新能源汽车发展之间的关系，并研究如何利用工业大数据，提高新能源汽车的质量。

2 工业大数据的应用

大数据的概念首先产生于IT行业中，最早是对互联网中产生的极大量数据的统称。随着互联网在各个领域的应用，大数据相关的概念层出不穷，比如：大数据医疗、大数据信息以及工业大数据。

各种概念中与新能源汽车联系紧密的便是工业大数据。新能源汽车的发展离不开制造，制造过程中的海量数据可以被利用，新能源汽车若想发展好离不开工业大数据。工业大数据的框架主要包括五个部分，如图1所示。

图1 工业大数据的框架

首先需要对数据进行收集，数据的收集是产生工业大数据的手段，收集的数据则是数据分析的基石。收集到的数据储存在存储设备中。当完成数据收集以后，便需要进行数据的传递，将收集到的数据传递到数据处理中心。当数据处理中心接收到数据以后，便开始对数据进行处理，提取数据的特征，从而为数据的建模建立基础。通过对数据进行处理以后，可以提取出数据的特征，获取相关的重要信息，剔除无关信息。利用数据的特征进行建模分析，从而获得问题的模型。

3 工业大数据的处理方法

K-means聚类是处理工业大数据的一种常用的方法，在进行数据聚类时主要利用数据之间的欧式距离确定数据点之间距离，从而判断出哪些数据的之间的距离较近，哪些数据之间的点较远，这种方法被称之为K-最近相邻点算法。

K-means聚类方法主要利用数据之间的欧式距离来判断数据点之间的相似性。对于n维的数据点，计算其与子集之间的距离。此处，利用最近相邻点的平均距离的分数来表示：

图2 基于二维数据的聚类

通过对数据的分类，可以获得影响新能源汽车质量的相关数据。

4 新能源汽车质量研究

影响新能源汽车质量的因素有很多，通过采集数据可以对数据进行分类。假设影响新能源汽车质量的数据是一个n维的向量，通过聚类分析，可以获得影响新能源质量的主要因素。

此处给出一个二维向量的分布图，如图2所示。

通过聚类的方法可以对影响新能源汽车质量的工业大数据进行分类，从而总结出一些规律。

5 总结与展望

随着计算机技术的发展，可以收集到的数据量越来越多，传统的方法已经很难有效的进行数据分析，这对新能源汽车的发展造成了阻碍。本文利用数据分类的方法对工业大数据进行聚类分析，探讨了如何利用工业大数据促进新能源汽车的质量发展。

在未来的研究中，将探讨更简单有效的方法，以促进新能源汽车的发展。