在汽车与装甲车研发中，热管理直接影响动力系统的寿命、效率以及整车安全。如何精准、高效地监控热状态，一直是工程界的难题。
为了监控温度、冷却液流量和压力这些数据，研发工程师常布置大量传感器。这种做法看似周全，但在实际操作中面临诸多限制。
第一，车辆动力系统舱布局紧凑，寸土寸金，根本容不下大量传感器。
第二，对于流体来说，传感器本身就是异物，会破坏流场和热场分布，导致收集到的数据失真。
第三，监测点越多产生的数据量越大。但数据并非越多越好，海量的高度相关数据会提高分析复杂度，增加计算资源消耗，却不一定提供成比例的有效信息。
怎么办？下面分享个案例。
某装甲车研发团队基于天洑数据建模软件DTEmpower，用工业AI解决传感器布局中的"空间与效率"矛盾。
● 用系统仿真软件进行整车一维仿真，在虚拟环境中模拟出多种极端工况，采集数据，积累数据建模样本。
● 基于采集到的8000条高质量数据样本，提取出输入输出变量：
○ 输入变量：极端环境下的冷却液阻力、发动机转速、发动机功率和驱动机功率共4组。
○ 输出变量：包括机油中冷支路入口温度、发电机质量流量等22组参数。
将数据导入DTEmpower，零代码操作，自动完成特征提取、相关性分析以及特征分组。
在数据处理阶段，引入统计学中的皮尔逊相关系数衡量两个变量之间的线性相关程度：
两变量之间的相关系数绝对值越大，表示其相关性越强。也表示这两个测点其实在说"同样的话"，可考虑合并。
通过DTEmpower的热力图可看出，许多温度特征之间存在很深的颜色块，代表它们在不同工况下的波动趋势几乎一致。
最终，DTEmpower识别出70组强相关特征对。
DTEmpower的特征自动分组与冗余消除功能，帮团队取得了显著的优化成果：
◆ 测点数量缩减：所需的物理监测点从原本的21个降低到了7个。
◆ 维度显著降低：在获取同等信息量的前提下，特征维度缩减了约66%。
冗余测点的消除减少了实验准备工作，提高了实验效率，还显著降低了传感器的采购维护成本。
仿真+数据建模+实验，这种基于工业AI的系统级方案具有非常高的普适性，帮助工程师识别系统内部的内在逻辑，将宝贵的资源留给最关键部件。