이타스 ASCMO-DYNAMIC을 통해 사용자는 복잡한 시스템의 동적/과도 거동을 모델링한 데이터 기반 모델을 생성할 수 있습니다. ASCMO-DYNAMIC은 시스템 거동을 시각화 및 분석할 수 있도록 방대한 기능 및 옵션을 제공합니다. 본 제품은 최적화 작업을 위해 ASCMO-MOCA에 내보내기를 실시하고, DoE 방법에 기초한 실험 계획을 생성할 수도 있습니다.
자세한 알고리즘 배경지식이 없는 사용자도 머신러닝의 AI 방식을 통해 복잡한 관계를 정확히 모델링할 수 있습니다. 따라서 폭넓은 층의 사용자가 이 소프트웨어를 사용할 수 있습니다. 매개변수가 없는 자동화 모델 생성을 선호하는 미숙련 사용자부터 광범위한 구성 옵션을 재량껏 활용할 수 되는 전문가에 이르기까지 사용자층은 광범위합니다.
ASCMO-DYNAMIC은 내연기관 엔진의 과도 프로세스를 모델링하기 위하여 대표적으로 사용됩니다. 특히 실도로 주행 배출량(Real Driving Emissions)을 측정할 때, 배출량과 연료소비량을 순전히 정적으로만 고려하는 것은 충분하지 않습니다. 피크(peaks) 등의 동적인 효과들이 전반적인 결과에 상당한 영향을 미칠 수 있기 때문입니다. 연료소비량 및 오염원 배출량 등 관련 변수를 모델링할 때는 엔진 속도, 하중, 엔진 제어 변수 등의 기존 설정값뿐만 아니라 과거 수치 및 변화율 또한 고려해야 합니다. 그래야만 동적 주행 요소들이 관련 산출변수에 미치는 영향을 시간 분석적 방식으로 상세하게 분석할 수 있습니다.
ASCMO-DYNAMIC에서 사용되는 방법론은 내연 기관에만 국한되지 않으며, 전기차(예 : 배터리 모델링) 부문에서도 사용됩니다.
장점
- 다루기 쉽고, 특정 전문 지식 없이도 운영 가능
- 머신러닝 분야의 강력한 AI 방법
- 다차원으로 연관된 대화형의 그래픽 표현
- 표준화된 포맷을 사용하여 모델 및 데이터를 공유하는 기능
- 원격 제어 및 특정한 고객 별 기능 통합을 위한 MATLAB® 및 COM 인터페이스
특징 및 기능
ASCMO-DYNAMIC은 데이터 기반 모델링을 사용하기 때문에 일반적으로 실제 시스템에서의 측정값을 바탕으로 데이터를 획득합니다. 그 과정에서 DoE(실험계획법)가 필수적으로 사용됩니다. DoE는 최소한의 측정 노력으로 최고의 모델 정확도를 달성할 수 있도록 합니다.
ExpeDesDynamic(DoE 실험계획모듈)을 사용하면 기초 측정값을 쉽게 계획할 수 있습니다. 사용자는 DoE 방식을 통해 상이한 기울기의 상이한 최종값에 체계적이고 space-filling 방식으로 접근할 수 있도록 조정 변수의 시간 곡선을 설정할 수 있습니다.
사용자는 조정 대상 매개변수의 조정 범위 및 최대 기울기를 각 케이스 별로 최대 4차원의 공간에서 그래프 또는 수치로 제한할 수 있습니다. 이 때 공식 편집기(formula editor)를 이용하면 n차원의 공간에서도 이러한 작업을 수행할 수 있습니다. 또한 정적 점 및 실제 주행 사이클의 일부를 발췌하여 특별히 추가하거나, 실험 공간 내 특정 영역의 점들을 통합하여 설정할 수 있습니다. 따라서 사용자는 엔진 테스트벤치에서 수행되는 동적 측정의 특징 및 특이점을 매우 현실적인 방식으로 고려할 수 있습니다. 본 제품은 모든 차원에서 곡선(궤적)을 그래프로 표시하므로 DoE 계획의 직관적인 검증 및 평가가 가능해집니다.
ASCMO-DYNAMIC은 시간에 따른 범주 보기 화면을 통해 모델에 기초한 시스템 거동을 표시합니다. 상단은 입력 변수를, 하단은 시간에 따른 산출 변수를 나타냅니다. ASCMO-DYNAMIC은 이러한 주요 보기 화면 외에도 다양한 옵션을 통해 의존도 및 영향도를 시각화하고 있습니다. 예를 들어 데이터를 여러 조합으로 구성하여 구름 모양의 점들로 나타낼 수 있는 산점도를 표시합니다.
ASCMO-DYNAMIC은 모델 품질 및 예측 품질을 제고하기 위하여 광범위한 분석 옵션도 제공합니다. 예를 들어 평균값, 극한값 및 평균 제곱근 오차 등 다양한 통계정보를 표시합니다. 또한 사용자는 곡선 그래프를 시간에 따라 비교대조하기 위하여 모델 예측값과 실제 측정값을 비교할 수도 있습니다.
모델링의 성공을 가늠하기 위한 중요한 기준은 측정 과정의 적절한 샘플링 비율입니다. 일반적으로 샘플링 비율은 과도하게 높아지는 경향이 있기 때문에 ASCMO-DYNAMIC은 다운샘플링을 통해 데이터량을 감축할 수 있는 옵션을 제공합니다. 이를 통해 모델 품질은 제고되면서도 모델 학습에 소요되는 시간은 줄어듭니다.
ASCMO-DYNAMIC 모델링의 핵심 기능은 시스템의 동적/과도 거동을 직관적이고 정확하게 예측하는 것입니다. 미숙련 사용자는 이러한 예측에 필요한 고도의 모델링 방식을 쉽게 이용할 수 있으며, 동시에 전문가는 자유자재로 모델 매개변수를 유연하게 조정할 수 있습니다. ASCMO-DYNAMIC의 모델링은 가우시안(Gaussian) 프로세스 모델에 기초하고 있습니다. 모델링이 기초한 통계적 학습법은 이미 수차례에 걸쳐 검증된 가우시안 프로세스에 따른 측정 데이터를 사용합니다. 이를 통해 실제 시스템 거동을 가장 잘 나타내는 수학적 함수가 자동적으로 결정됩니다.
가우시안(Gaussian) 프로세스 모델의 추가 이점:
- 측정 노이즈가 고려되므로 Overfitting을 방지할 수 있습니다.
- 측정 outliers 값에 대한 견고성
- 로컬에서 해결된 모델 분산은 사용자에게 모델 예측의 신뢰성 척도를 제공합니다.
동적 시스템 거동을 모델링하기 위해서는 현재의 점 뿐만 아니라 과거의 시간 간격도 고려해야 합니다. 이를 위해 ASCMO-DYNAMIC은 다양한 모델링 방식을 제공합니다. ASCMO-DYNAMIC에는 가우시안 프로세스 모델을 사용하기 위하여 과거의 시간 간격을 추가 입력값으로 모델에 투입하는 구조가 포함되어 있으며, ASCMO-DYNAMIC은 이에 필요한 과거 시간 가격을 자동적으로 결정합니다.
특수 작업을 위해 순환신경망(recurrent neural networks) 모델 유형이 가우시안 프로세스 모델과 함께 추가로 제공됩니다. 예를 들어 순환신경망의 장단기메모리(long short-term memory)는 먼 과거에 까지 영향을 미치는 문제의 해결에 적합하게 이용될 수 있습니다.
숙련 사용자는 전문가 모드를 활성화하여 모든 종류의 모델 옵션 및 매개변수에 접근할 수 있습니다. 그 결과 필요한 경우 조정을 통해 모델 학습에 영향을 미칠 수 있습니다. 모델의 품질은 이해하기 쉬운 표와 핵심 수치로 표시됩니다.
사용자는 모든 모델을 여러 포맷으로 내보내기 한 후 ASCMO 밖에서도 이를 소위 플랜트 모델로 자유롭게 사용할 수 있습니다. 일반적으로 Simulink, C‑Code, FMU/FMI 포맷 등을 사용할 수 있습니다.
Bosch AMU(고급 모델링 단위, 하드웨어 가속기)에서 사용할 목적으로 특수 포맷을 이용하여 내보내기를 생성할 수도 있습니다. 이 AMU는 보쉬의 MDG1 ECU에서 사용되는 특수 모듈로서 양산형 차량의 MDG1 ECU에 저장된 ASCMO 모델을 평가하기 위해 사용됩니다.
ASCMO-DYNAMIC을 통해 사용자는 모델을 가상 측정 도구로 사용할 수 있습니다. 예를 들어 사용자는 완전한 주행 사이클 동안 입력 변수에 따른 시간별 배출량 예측값을 파악할 수 있습니다. 사용자가 원하는 입력 변수의 매개변수 조합에 기초하여 모델은 해당 산출 변수를 계산합니다. 사용자는 이렇게 인공적으로 측정된 값을 엔진 테스트벤치 등에서 실제 측정된 값처럼 활용하고, 그래프로 분석하며, CSV 파일로 내보내기 하여 Excel에서 추가적으로 처리할 수 있습니다.
호환성
ASCMO-DYNAMIC은 개방적이고 유연합니다. 이 툴은 테스트벤치 및 캘리브레이션 등에서 사용되는 모든 관련 데이터 포맷을 지원합니다. 또한 생성된 모델을 다양한 포맷으로 내보내기 하여 다른 환경에서도 사용될 수 있도록 할 수 있습니다. 사용자는 MATLAB® 인터페이스를 통해 자신만의 특수한 기능 및 모델을 쉽게 통합하고, 스크립트를 통해 작업을 자동화하며 테스트벤치 자동화를 진행할 수 있습니다.
