N6-02 整车热管理数字孪生与在线优化

课程代码 N6-02 · 板块 N 前沿与新技术 / N6 智能预测与数字孪生 时长 约 3.5 小时（6 讲 + 1 次实操） 适合对象 高级仿真工程师、系统架构工程师、数字孪生平台建设骨干；以及要为「孪生算出来的参数能不能下发」签字的标定负责人与功能安全评审人。选修，建议先修 J7-04 整车热管理数字孪生与实时模型 前置 J7-04 整车热管理数字孪生与实时模型 整车热管理数字孪生与实时模型（模型底座、e_drift 记号与三级分级口径）；K7-02 软件定义热管理与 OTA 迭代 软件定义热管理与 OTA 迭代（灰度机制与版本比较的样本量口径）。体系外前置需自备：多目标优化与试验设计的基本概念、假设检验的基本读法 本讲义定位 讲师授课蓝本 / 学员自学讲义

---

按任务导航

你手上的事	直接看	还要配
有人问「我们的孪生能不能做在线优化」	第 1 讲：先分清底座与应用层，三类应用各自的判定量不同	第 6 讲（成熟度现实）
设计一个虚拟寻优闭环	第 2 讲：七步结构、参数边界从哪来、三档保真度预算	第 5 讲 · J7-03 基于仿真的 DOE 与多目标优化
判「这个候选值不值得推进灰度」	第 2 讲 2.4：闸门是 丨ΔJ_twin丨 > k_sig·u(ΔJ_twin)，⛔ 不是丨ΔJ_twin丨 > 0	第 5 讲 5.1（gap 核验）
拿孪生残差去判一台车「有没有毛病」	第 3 讲：孪生只出一路证据，判据与决策归专项诊断课	K5-05 在役健康度与渐变衰减辨识：从车端信号到服务决策 · K5-03 制冷剂泄漏检测与安全响应 · K5-06 冷却液流量的在线估计与流量/内漏类故障诊断
判一个偏差是个体退化还是批次问题	第 4 讲 4.1：看它在群体分布里的形态，⛔ 不看单车绝对值	第 4 讲 4.2（阈值）
写一份「孪生结论上车」的评审材料	第 5 讲：四级台阶，每级的准入与退出各写一遍	K7-02 软件定义热管理与 OTA 迭代 · K2-05 预期功能安全（SOTIF/ISO 21448）与 AI 件安全论证在热管理的落法
算这套东西的投入产出	第 6 讲 6.2：分子归本课、分母侧算式归 K7-04 车队数据回流的车端实现：信号表定义、事件抓帧与带宽/存储预算	M3-05 工程收益的货币化与热管理投资回收决策：换算率来源、现金流折现与两种盈亏平衡口径

⛔ 本课不覆盖——两栏，每样带去向：

栏一 · 不讲哪些题目：孪生模型怎么搭、怎么保实时、怎么与真车同步 → J7-04 整车热管理数字孪生与实时模型；模型降阶与控制导向建模 → J7-02 模型降阶（ROM）与控制导向建模；离线批量 DOE 与多目标优化的算法本身 → J7-03 基于仿真的 DOE 与多目标优化；代理模型的训练、验证与失效模式 → J7-05 机器学习/AI 代理模型在热管理中的应用；仿真—试验相关性的判据构造 → J7-01 仿真—试验相关性验证（Correlation）；不确定度量化的方法论 → J7-06 仿真不确定度量化（UQ）与稳健/可靠性设计：从确定性单点到带分布的裕度；SOP 前在 MIL/SIL/HIL 上从零定出标定基线 → K6-13 虚拟标定：把标定动作前移到 MIL/SIL/HIL、自动寻优与回归标定；数据驱动的能效自学习控制 → K7-03 数据驱动的能效自学习控制；OTA 下发、灰度与回滚机制 → K7-02 软件定义热管理与 OTA 迭代；车端采集口径、事件抓帧与带宽/存储预算 → K7-04 车队数据回流的车端实现：信号表定义、事件抓帧与带宽/存储预算；车端单车的健康度判据与服务决策 → K5-05 在役健康度与渐变衰减辨识：从车端信号到服务决策；制冷剂泄漏、流量与内漏的专项诊断 → K5-03 制冷剂泄漏检测与安全响应 / K5-06 冷却液流量的在线估计与流量/内漏类故障诊断；场景充分性与残余风险的论证方法 → K2-05 预期功能安全（SOTIF/ISO 21448）与 AI 件安全论证在热管理的落法。

栏二 · ⛔ 真正不给的数：① 本课引用的三份标准（数字孪生参考框架、功能安全、软件更新工程）只写去向、⛔ 不转述条款内容，版次以现行目录为准 → 查原文正文；② 本项目自己的采信门槛与告警阈值（ε_gap、δ、k_sig 的最终取值）本课只给结构关系与取值路径、⛔ 不给可照抄的值 → 由第 2 讲 2.4 与第 4 讲 4.2 的方法反解；③ 回流成本的单价与容量 → 分母侧算式的属主是 K7-04 车队数据回流的车端实现：信号表定义、事件抓帧与带宽/存储预算，本课只用它的结论；④ 车队规模、σ、ρ 一律是平台相关量 → 由本项目历史回流数据估。

---

引言：模型搭好了，然后呢

一个整车热管理数字孪生项目最尴尬的时刻，不是模型不准，而是模型准了之后没人问它问题。

J7-04 整车热管理数字孪生与实时模型 那门课把底座讲透了：模型怎么降阶到能实时跑、怎么跟真车对齐、偏离到什么程度算漂移、置信度怎么分档。跑完那一整套，你手上有一个东西——它知道这台车此刻电池入口该是多少度、压缩机在这个工况该吃多少功、这条回路的流量分配是什么样。它每天算，算得很准。

然后呢。

这就是本课的位置。孪生是一个能回答问题的机器，而它的价值等于「你问了它什么问题」乘以「答案改变了什么动作」。这两个乘数任何一个是零，整套投入就是零。行业里失败的孪生项目，绝大多数不是死在第一个乘数上——模型是能算的；它们死在第二个：算出来的东西没有任何一条决策链在用。

本课讲三个问题、以及问完之后那条动作链：

问题一：换一组参数会更好吗（虚拟寻优）。这台车的电池冷却开启温度往上抬 1 度、水泵转速下压一档，能耗会降多少、温控会不会掉出去。以前这个问题要拉一辆车进环境舱跑一周；现在孪生里先跑一遍，跑出来的候选再去实车验证——省的不是验证，是「验证一堆根本不会赢的候选」的那部分。

问题二：这台车跟别人不一样吗（健康监测与异常聚合）。孪生说该 32 ℃，车报 36 ℃，差 4 度。这 4 度是模型的锅、是这台车的锅、还是这一批车的锅？——注意，本课在这里只负责把这一路证据摆出来，「这台车有没有毛病、要不要进厂」这个判断不归本课，那是 K5-05 在役健康度与渐变衰减辨识：从车端信号到服务决策 与专项诊断课的活。这条边界是本课最容易被越过的一条，第 3 讲会花整讲来划。

问题三：这一批车有没有系统性问题（车队洞察）。一千台车的孪生残差摆在一起，如果某个批次整体偏一个方向，那多半不是一千个巧合，是设计或制造上真有一件事没对上。这条信息的价值不在售后，在下一代车型的设计输入。

而问完之后那条动作链，是本课的另一半，也是更难的一半：孪生里算出来的「更好」，凭什么可以下发到真车上。孪生再准也是模型，模型与真车之间那道缝（sim-to-real gap）必须先量出来；量出来之后要走影子、走灰度；灰度之后谁签字放行。这一段每一步都有对应的兜底机制，而缺了任何一步，出问题时你会发现没有人是那个负责的人——因为「模型建议的」听起来像一句免责声明。

⚠ 先划死一条射程。本课讲的是量产之后、在已经定版的标定基线之上做增量微调：参数搜索空间由那版基线框定，孪生跑的是「在允许动的范围里，往哪个方向动一点会更好」。SOP 之前在 MIL/SIL/HIL 上从零把这版基线定出来——模型可标定性怎么判、标定循环怎么自动化、虚实折扣怎么给、哪些量必须实测确认——那是 K6-13 虚拟标定：把标定动作前移到 MIL/SIL/HIL、自动寻优与回归标定 的射程，本课一条不重讲。本课后面反复出现的那句「搜索空间必须先框定在标定安全边界内」，已经预设了这版基线存在；基线本身怎么来的，看 K6-13 虚拟标定：把标定动作前移到 MIL/SIL/HIL、自动寻优与回归标定。

---

第 1 讲　从模型到价值：孪生能解决什么问题，以及它不解决什么

这一讲立四件事：本课站在哪一层；三类应用各自的判定量是什么；孪生驱动优化与数据驱动自学习的分界；单车孪生与车队级聚合的分工。最后把全课符号一次立定，并把与兄弟课撞名的几个记号先分清。

1.1 底座与应用层：本课站在哪一层

「数字孪生」这四个字在项目里至少指两件不同的事，两件事的交付物、验收方式与失败模式全都不同。

底座（属主 J7-04 整车热管理数字孪生与实时模型）交付的是一个能跑的、跟真车对得上的模型。它的验收问法是：模型每步算多久、跟得上不跟得上真车的节拍、模型与实车的偏离量在什么范围、漂了怎么发现。它的失败模式是「跑不动」或「跑得动但已经不像那台车了」。

应用层（本课）交付的是一条从孪生输出到真实动作的链。它的验收问法完全换了一套：孪生回答了哪个问题、这个答案改变了谁的哪个动作、动作错了谁兜底。它的失败模式是「模型很准，但没人用」，或者更糟：「有人用了，而没有人核过它准不准就用了」。

⇒ 由此定下本课的第一条硬口径：底座的质量是应用层的前提，⛔ 不是应用层的替代。一份写着「模型相关性 R² 达到 0.95」的报告，回答的是底座的问题，它一个字也没有回答「这个孪生能拿来做什么决策」。评审时把这两件事混在一起，最常见的后果是：底座验收全绿、项目上线一年之后没人说得出它省了什么。

1.2 三类应用，三种判定量

三类应用共用一个孪生，但它们问的问题不同 ⇒ 判定量不同、对模型的要求不同、失败时的代价也不同。这张表是本课的骨架，后面每一讲都在展开其中一格。

	虚拟寻优	健康监测	车队洞察
问的问题	换一组参数会更好吗	这台车此刻与模型差多少	这一批车整体偏了吗
判定量	ΔJ_twin＝候选相对基线的目标函数改善量	e_drift 在窗口内的聚合（本课记 gap_W）	群体 e_drift 分布的位置与形状
对模型的核心要求	排序可信——绝对值可以有共模偏差	绝对拟合可信——共模偏差会直接变成假异常	组间可比——同一模型版本、同一归一化口径
主要失败模式	不显著的候选挤占验证资源	把模型的锅算到车头上	把个案当批次、或把批次当个案
本课射程	全部（第 2 讲）	只出证据、⛔ 不出结论（第 3 讲）	全部（第 4 讲）
成熟度（见 6.3）	多数在早期	已有规模化案例	已有规模化案例

⚠ 第三行是全课最容易被漏掉的一行，也是第 2 讲那道显著性闸门的物理基础。虚拟寻优不要求孪生绝对准，它要求孪生「排得对」——如果孪生对所有候选都高估 3 ℃，那么候选之间的相对高低仍然是对的，寻优照样能用；而健康监测要求的恰恰相反，同样这 3 ℃ 的共模偏差会让全车队集体报警。同一个孪生，对一类应用够用、对另一类完全不够用，这不是矛盾，是两类应用问的问题不同。

⇒ 实践含义直接得多：「我们的孪生够不够好」这个问题本身问错了。正确的问法是「够不够做这一类应用」，而回答它要先说清楚你要的是排序可信还是绝对可信。

1.3 孪生驱动寻优 vs 数据驱动自学习：两个工具箱，不是两个流派

这是本课与 K7-03 数据驱动的能效自学习控制 的分界，也是行业里被混得最厉害的一处。两者都能得到「更好的参数」，但拿到答案的路径完全不同，⇒ 适用条件、失效方式与所需的兜底也完全不同。

孪生驱动寻优＝在模型里先试。手上有一个能算的机理/混合模型，在模型里把参数空间扫一遍，挑出看起来更好的，再拿去实车验证。它的前提是你有一个够用的模型；它的代价是模型与真车的那道缝；它的好处是没试过的参数组合也能评估——因为模型能外推（在它的有效域内）。

数据驱动自学习＝在数据里直接学（属主 K7-03 数据驱动的能效自学习控制）。不建机理模型，直接从车队实际跑出来的数据里学「什么条件下用什么参数效果好」。它的前提是你有足够覆盖的数据；它的代价是数据没覆盖到的区域完全不可信；它的好处是不欠模型的债。

⇒ 判断该走哪条，三个问题就够：

① 这个参数的影响机理，模型描述得了吗。热管理里绝大多数回路级、循环级的行为是能建模的（这正是 A~C 板块那几十门课的内容）；而涉及人的因素（乘员何时开空调、驾驶员对温度的主观容忍）本质上没有机理模型 ⇒ 那一类天然属于数据侧。

② 这个场景允不允许在真车上探索。数据驱动自学习要变好，必须试过一些不那么好的参数——探索是它的燃料。对乘员舒适性这种「差一点也就是差一点」的目标，探索是可以接受的；对电池热安全相关的量，探索的代价不对称到根本不能谈 ⇒ 那一类只能在模型里试。

③ 数据的覆盖，够不够回答这个问题。如果要问的是「−20 ℃ 快充时怎么更好」，而车队回流数据里这个工况一年只有几十次，那么在数据里直接学是无源之水 ⇒ 低频高价值工况是孪生寻优的主场，因为模型可以在那里跑一万次，而真车一年跑不到一百次。

⚠ 两者不是二选一。成熟的做法是：孪生寻优负责低频高价值工况与安全相关参数，数据驱动负责高频低风险的舒适性与能效微调，两条路共用同一套回流数据与同一套灰度机制。⛔ 但它们的验证台阶不能共用一套宽松的——第 5 讲会说明为什么孪生这条路必须多一道 gap 核验。

1.4 单车孪生与车队级聚合：两层，不是两个规模

「车队孪生」这个词经常被理解成「一千个单车孪生」，那是数量上的理解，会漏掉真正的分工。两者的分工在参考物上：

	单车孪生	车队级聚合
对象	一台车，绑定 VIN	一群车的统计量
参考物	这台车自己的模型预测	群体的分布
能回答	这台车此刻偏了多少	这台车在群体里排第几；这一批整体偏了吗
⛔ 答不了	「偏多少算不正常」——它没有比较对象	「这一台此刻怎么了」——它已经把个体平均掉了
数据规模	单车时序	车 × 时间的二维，且要同版本对齐
算力形态	可车端、可云端（见 J7-04 整车热管理数字孪生与实时模型 分级）	只能云端

⇒ 关键在第四行。单车孪生给不出「正常」这个概念——它只能说「模型说 32、车说 36」，说不出 4 度是大是小；要判断 4 度大不大，必须知道其它一千台车此刻差多少。这就是车队级聚合不可替代的地方，也是它值那笔数据回流成本的唯一理由。

反过来，车队级聚合答不了单车的即时问题：它算的是分位数、是分布的移动，天然滞后于任何一台车此刻正在发生的事。⇒ 需要即时判定的场景（比如「这台车现在还能不能安全快充」）必须落在车端，那是 K5-05 在役健康度与渐变衰减辨识：从车端信号到服务决策 的射程。

⚠ 一条实践上的坑：群体分布本身会漂。冬天来了，全车队的 e_drift 一起变；某个软件版本推送之后，装了新版本那一半车整体偏了。⇒ 做群体比较时，参考群体必须限定在同一版本、同一归一化工况、同一时间窗，否则你测到的是版本差异或季节，而不是健康状态。这三条限定在第 4 讲会展开成可执行的分层规则。

1.5 符号与口径表：先把三处撞名分清

⛔ 全课符号一律以本表为准。本表已按本课程体系既有记号对齐过；凡与兄弟课同名的量，「口径来源」一栏写明它是沿用还是本课首定。

符号	含义	单位	口径来源与撞名提醒
y_sensor	传感器实测的那一路信号	随所比量	沿用 J7-04 整车热管理数字孪生与实时模型，口径一字不改。⛔ 本课不另用 y_real 这个写法
y_twin	孪生算出的同一个量的那一路输出	同 y_sensor	沿用 J7-04 整车热管理数字孪生与实时模型。必须同物理位置、同口径
e_drift(t)	模型—实车偏离量 ＝ y_twin(t) − y_sensor(t)，带符号	同 y_sensor	沿用 J7-04 整车热管理数字孪生与实时模型（K5-05 在役健康度与渐变衰减辨识：从车端信号到服务决策 也已声明沿用）。⛔ 它度量模型失准，⛔ 不是硬件物理退化量
gap_W	窗口 W 内 丨e_drift丨 的稳健聚合，本课统一取均方根并在每次报数时写明窗口	同 e_drift	本课首定，是 e_drift 的无符号聚合，⛔ 不是另一个量。⚠ 报它时必须同时报窗口 W 与样本数，裸写 gap 无意义
ε_gap	gap_W 的采信门槛——超过它就先修模型、不谈优化	同 gap_W	本课首定。取值路径见 5.1，⛔ 本课不给可照抄的数
W	聚合与判定的观测窗口长度	s / 行程数 / 里程	沿用 J7-04 整车热管理数字孪生与实时模型
θ	可调参数向量（本课射程内＝标定基线允许动的那些量）	各分量随其标定量	本课首定
θ_min, θ_max	参数安全边界的两端	同 θ 各分量	本课首定；边界本身的来源归 K6-13 虚拟标定：把标定动作前移到 MIL/SIL/HIL、自动寻优与回归标定，⛔ 本课不推导
J(θ)	目标函数，方向固定为「越小越好」（代价形式）	随加权口径，无量纲或能耗单位	本课首定。⛔ 全课不换向；要用「越大越好」的量（如 COP）必须先取负或取倒数并写明
ΔJ_twin	＝ J(θ_candidate) − J(θ_baseline)，负值＝改善	同 J	本课首定。⚠ 方向别读反：它是候选减基线
u(·)	标准不确定度	同被评估量	沿用 J7-06 仿真不确定度量化（UQ）与稳健/可靠性设计：从确定性单点到带分布的裕度
u(ΔJ_twin)	差值的不确定度，⛔ 不等于 u(J)	同 J	本课首定，展开式见 2.4
ρ	孪生在两组参数下评估偏差的相关系数	—（无量纲，−1~1）	本课首定。ρ→1 表示共模偏差主导
k_sig	显著性闸门的倍数：丨ΔJ_twin丨 > k_sig·u(ΔJ_twin) 才推进	—（无量纲）	本课首定。⛔⛔ 全课不裸写 k——K5-05 在役健康度与渐变衰减辨识：从车端信号到服务决策 的 k 是偏离判定倍数、K7-02 软件定义热管理与 OTA 迭代 的 k 是预先声明的比较次数，三者都是无量纲倍数而参考物完全不同
r_norm	车端归一化偏差，参考物＝本车同工况格出厂基线	—（无量纲）	沿用 K5-05 在役健康度与渐变衰减辨识：从车端信号到服务决策，口径一字不改。本课只用它的结论做车队横向可比，⛔ 不重建它
bin	参考工况格标识	—（标识）	沿用 K5-05 在役健康度与渐变衰减辨识：从车端信号到服务决策
N_fleet	参与聚合的有效车数（通过数据质量筛选的）	台车	本课首定。⛔ 不等于「卖出去多少台」
δ	要检出的最小差异（MDE）	随指标	沿用 K7-02 软件定义热管理与 OTA 迭代，口径一字不改
1−β_power	检验功效	—（无量纲）	⚠ 撞名高危：J7-04 整车热管理数字孪生与实时模型 / J7-02 模型降阶（ROM）与控制导向建模 的 β 是留给模型的算力份额。⇒ 本课统计侧一律写 1−β_power，⛔ 不裸写 β
p_i	第 i 批的放量比例	—（无量纲）	沿用 K7-02 软件定义热管理与 OTA 迭代。⛔ 不与统计 p 值混用，本课不出现统计 p 值

⛔ 跨课口径对照：四处必须先分清

其一，e_drift 与 gap_W 是同一个量的两种写法，⛔ 不是两个量。J7-04 整车热管理数字孪生与实时模型 首定的 e_drift 带符号，因为漂移诊断靠方向（偏高还是偏低指向不同的建模问题）。本课在做「模型准不准、能不能采信寻优结论」这件事时只关心幅值大小 ⇒ 取绝对值再在窗口内聚合，记 gap_W。⚠ 两条纪律：① 报 gap_W 必须带窗口与样本数；② 做诊断方向判断时⛔ 不得用 gap_W 顶替带符号的 e_drift——丢了符号，第 4 讲那个「批次整体偏一个方向」的判据就失灵了。

其二，三个都叫「残差」的量。K5-05 在役健康度与渐变衰减辨识：从车端信号到服务决策 已经把这三个分列清楚，本课原样沿用、只补一句本课的立场：

量	参考物	在本课的角色
归一化偏差 r_norm	这台车出厂时同一工况格的实测基线	本课只用它的结论做车队横向可比，判据构造归 K5-05 在役健康度与渐变衰减辨识：从车端信号到服务决策
估计器残差	模型此刻认为应该是什么样	本课不涉及，本体归 K5-06 冷却液流量的在线估计与流量/内漏类故障诊断 / K3-10 热管理在线状态与负荷估计：观测器整定、软测量置信度与退出条件
e_drift	孪生模型的预测	本课的主证据量，但只作证据、⛔ 不作结论（第 3 讲）

⛔ 三者禁止互算、禁止比大小、禁止互相替代。

其三，β 这个字母。本课同时接触算力预算（J7-04 整车热管理数字孪生与实时模型 的 β＝留给孪生模型的那一份 CPU 份额）与假设检验（β＝第二类错误概率）。两处都很自然地写作 β，而它们连量纲的含义都不同。⇒ 本课统计侧一律写全 1−β_power，算力侧本课根本不出现（那一整层归 J7-04 整车热管理数字孪生与实时模型）。

其四，样本量式子的属主是 K7-02 软件定义热管理与 OTA 迭代，⛔ 不是本课。「从单车结论推广到车队决策要多少台车」这个问题，本课会用到，但式子的属主是 K7-02 软件定义热管理与 OTA 迭代，本课一字不改地引用，并在 5.3 点名一个流传很广的错式。⇒ 需要动式子时去 K7-02 软件定义热管理与 OTA 迭代，⛔ 不要在本课这里就地改。

1.6 三条常被跳过的前提

在往下讲之前，三条前提必须先摆出来——它们不成立时，后面五讲的方法全部是空转，而它们都不会自己报错。

前提一：孪生与真车的对齐机制在运行，且漂移是被监测的。这条归 J7-04 整车热管理数字孪生与实时模型。⚠ 它不是「上线时对齐过一次」，是持续监测。一个半年没人看过 e_drift 的孪生，它给出的任何优化结论都不带任何信息量——而它照样会给出结论，语气一样自信。

前提二：要优化的那些参数，在车端是真的可标定、可下发的。听起来是废话，实际项目里踩得极多：孪生里改的是一个模型内部系数，而车端软件里根本没有对应的标定量，或者那个量被列为不可标量。⇒ 寻优的参数清单必须与车端标定量规格表对齐之后才开始跑，那张表的属主是 K6-10 标定量规格定义：轴点、插值/外插保护、上下限与不可标量。

前提三：要评估的那些量，在车端是采得到的。孪生说这组参数能让压缩机功耗降下来，而车端根本没有回传压缩机功耗，只有一个粗粒度的整车能耗——那么这个改善在真车上不可核验。这条前提的展开在第 3 讲 3.3，它比看起来严重得多。