利用 ETAS ASCMO ODCM 进行机器学习，提高 SUBARU 的效率

通过利用数据驱动建模，SUBARU 在发动机标定方面取得了显著改进。

日本汽车制造商 SUBARU 在标定内燃机时面临着重大挑战。由于更严格的法规和汽车行业的转型，其复杂性不断增加，这就要求标定过程更加精确和高效。这些发展要求进行大量测量和微调标定，大大增加了时间和成本。

为了应对这些挑战，多年来 SUBARU 成功地将数据驱动建模工具 ETAS ASCMO 与与 IAV 合作开发的自动化软件 INCA-FLOW 结合使用。

通常情况下，所需的测试台测量活动采用 DoE（实验设计）方法。这种方法旨在通过精心选择测量点，在有限的数据点基础上创建有意义的模型。专家负责提前排除因系统限制（如温度或压力过高）而存在风险的测量区域。然而，在测量活动开始时，系统的确切限制往往是未知的，这就带来了达到临界状态或忽略相关测量区域的风险。这可能导致测量效率低下，最糟糕的情况是造成代价高昂的系统故障。

ETAS ASCMO-ODCM（带约束建模的在线 DoE）彻底改变了这一过程。ASCMO 不完全依赖专家知识，而是采用机器学习技术，在活动期间自主探索整个测量范围，自动学习系统限制，并排除潜在的风险测量点。底层分类模型在运行过程中利用主动学习方法不断完善，并将测量范围分为安全区和风险区，从而实现全面而安全的测量策略。

此外，INCA-FLOW 不仅实现了 ETAS INCA 的自动化，还利用专门开发的工具箱测试台连接器（TBC），实现了与现有工具链（包括 ASCMO-ODCM 和测试台系统）的无缝集成。INCA-FLOW 可自动启动和管理所有操作：它使用由 ASCMO 生成的 ExpeDes DoE 作为 ODCM 的基础，并向测试台系统和 INCA 发送相应命令，以瞄准预定的测量点。特定功能和集成库用于确保逐步、顺利地校准设计点。如果出现违反软限制的情况，系统会提供纠正措施，如重新接近目标点。然后，关于该点可行性的反馈信息将返回到 ODCM，由其决定下一个最佳目标点以及是否应结束操作。