龐佳帝

一汽-大眾汽車有限公司 吉林省長春市 130000

1 汽車市場故障監(jiān)控目前存在的問題

目前各大汽車公司售后監(jiān)控故障方面，售后質量分析人員都會從系統(tǒng)上獲取成千上百的抱怨信息，按照不同車型、不同零部件、不同故障模式三個層級進行分類匯總。針對批量故障問題發(fā)送質保部門推進生產改進。目前的監(jiān)控方式存在以下幾個問題。

1.1 監(jiān)控周期長，不能及早識別問題

由于汽車廠豐富的車型布局、巨大的產銷量，導致質量問題的規(guī)模也是較大的，由于人員以及監(jiān)控方式的限制，想要完全將所有車型所有故障模式的市場情況監(jiān)控一次的周期大約為一個月，這也就造成了批量問題不能及時發(fā)現，如下示意圖從出現批量問題（綠色箭頭）到發(fā)現批量問題延遲了2周的時間，如果能提前2周甚至更早發(fā)現問題就可以更早去解決問題，進而減少問題車輛的生產，降低索賠成本，提高產品質量，見圖1。

1.2 無法實時掌握故障發(fā)展趨勢、整體規(guī)模

質量問題出現后，還要知道問題在市場中的增長趨勢和整體規(guī)模，以便分配資源處理更嚴重的問題。要想知道一個問題的變化趨勢或規(guī)模，只能根據需求由工作人員通過excel表格自動統(tǒng)計，不能實時掌握其動態(tài)，工作效率極低。

1.3 人工進行“故障模式”的篩選，消耗大量時間

大多數廠家的現狀都是只能統(tǒng)計到零部件層級，這就需要人工進行故障模式的分類，同一車型、同一零件、同一故障模式的故障達到一定數量后即定義為批量問題，顯然這一過程耗時、耗力、耗成本。

針對上述存在的問題，提出將IT自動化應用到汽車故障監(jiān)控領域。

2 搭建IT自動化底層模型

為將IT自動化在故障監(jiān)控領域真正發(fā)揮出其優(yōu)勢和作用。特此需要解決以下三個問題：如何讓系統(tǒng)擁有結構化的數據；如何計算這些數據；計算的結果如何使用。

2.1 數據基礎結構化

圖1

表1

圖2

結構化的數據對系統(tǒng)是有好的，基層數據結構化有2種途徑：①建立故障模式詞庫。優(yōu)勢是定義故障全面準確、只需要一層選擇即可，簡單不易出錯、可以隨時更新故障模式庫；缺點是需要人工定義故障模式詞庫并更新、需要管理經銷商填報。②語義識別智能分詞。優(yōu)點適用于完全非結構化的CRM/PR/12365等數據；缺點是需要人工定義大量汽車維修相關的專業(yè)字典供機器使用，且需要不斷迭代，目前分詞效果不理想。因此，本文選擇第一方式。

2.2 監(jiān)控方式。

建立篩選器，篩選器需要具備以下3種監(jiān)控方式：問題識別、趨勢預警、閥值預警。所謂問題識別指的是能夠自動識別批量質量問題并報警，計數方式遵循廠家監(jiān)控原則，即出現了同一車型同一零件同一故障模式多少例之后，即認定為批量質量問題。所謂趨勢預警，通過計算短時間段增長率的方式實現突增預警，加快解決問題。所謂閥值預警指的是，同問題識別類似但主要針對大批量問題。

2.3 通知方式

通過后臺數據的維護定點發(fā)送郵件通知相應的質量分析人員，并告知某車型、某零件、發(fā)生了某故障模式多少例達到了批量問題或增長趨勢達到了XX%或故障總量達到了多少例，請及時關注。

3 IT自動化模型的具體設計

3.1 故障模式詞庫開發(fā)

故障模式詞庫：是指“故障代碼”和“故障模式”的對應關系數據庫。包含3個主要字段：故障代碼、故障模式代碼、故障模式名稱。故障模式代碼為4位數字以便系統(tǒng)處理。針對汽車各個系統(tǒng)故障率相對較高的零件，建立相應的故障模式詞庫，由經銷商在建單時，在系統(tǒng)里選擇相應故障模式。故障模式詞為中文名以便經銷商選擇，詞庫是可以隨時更新的，見表1。

3.2 篩選器的結構

篩選器從8個數據維度篩查所有數據，包括：車型、KD碼、零件號、故障模式代碼、措施VIN、診斷地址碼、診斷故障碼、診斷癥狀碼。從這8個維度去篩查數據，能夠準確鎖定同一車型在同一時間段內同一零件發(fā)生同一故障模式下的頻率。

3.3 篩選器監(jiān)控規(guī)則

趨勢預警，增量時段為多少個周，連續(xù)多少個周每周數量增量都達到XX%以上，進行趨勢預警，如示意圖2。

4 IT自動化監(jiān)控的優(yōu)勢

4.1 提早發(fā)現問題降低索賠成本

采用IT自動化后，大大提早發(fā)現問題，減少生產故障車輛，降低索賠，保證產品質量，提高品牌口碑。

4.2 精準返件，降低返件成本

返件系統(tǒng)可以由原來的參照故障代碼返件，轉換成參照故障模式返件，減小不必要的返件，降低成本。

4.3 提高系統(tǒng)的精準度

故障監(jiān)控層級精確到故障模式之后，對于后期的數據分析多形式展示報告生成以及大數據應用搭建了堅實的基礎。