자세한 알고리즘 배경지식이 없는 사용자도 머신러닝의 AI 방식을 통해 복잡한 관계를 정확히 모델링 할 수 있습니다. 따라서 폭넓은 층의 사용자가 이 소프트웨어를 사용할 수 있습니다. 매개변수가 없는 자동화 모델 생성을 선호하는 미숙련 사용자부터 광범위한 구성 옵션을 재량껏 활용할 수준이 되는 전문가에 이르기까지 사용자층은 광범위합니다.
ASCMO-STATIC은 복잡한 내연기관의 연료소비량 및 오염원 배출량을 엔진 속도 및 하중 등 모든 엔진 제어 변수의 함수로 모델링하기 위하여 대표적으로 활용될 수 있습니다. 사용자는 이러한 모델을 바탕으로 정확한 예측값을 산출하고 수동 및 자동 최적화를 수행할 수 있습니다.
그 결과 엔진이 작동하는 동안 오염원 배출량 및 연료소비량의 최적 조합 및 기타 경계 조건의 최적화를 달성할 수 있습니다.
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
- ECU 배포와 같이 시간임계적 어플리케이션의 모델 복잡성 감소
- 고객 별 기능 및 툴의 통합 뿐만 아니라 테스트 벤치 자동화에 연결하기 위한 강력한 MATLAB® 및 COM인터페이스
특징 및 기능
ASCMO-STATIC은 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.
ExpeDes(DoE 실험계획모듈)를 사용하면 기초 측정값을 쉽게 계획할 수 있습니다. 사용자는 DoE 방식을 통해 측정값이 수집되는 측정점을 체계적이고 space-filling 방식으로 설정할 수 있으며, 조정 대상 매개변수의 조정 범위를 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 사용자는 지능적으로 실험 계획을 블록 구획할 수 있게 되면서, 원하는 정확도 달성에 필요한 수준으로 측정 시간 및 노력을 조정할 수 있습니다. 측정점의 분류 기준 및 실험 공간 내 특정 영역의 측정점 압축을 설정할 수도 있습니다. 테스트벤치 자동화와 관련한 요구사항(예: 작동점의 분류 및 배치)을 매우 실용적인 방향으로 고려할 수도 있습니다. 마지막으로 모든 차원에서 점을 그래프로 표시할 수 있기 때문에 DoE 계획의 직관적인 검증 및 평가가 가능합니다.
시스템 거동의 직관적이고 정확한 예측은 ASCMO-STATIC 모델링의 핵심 기능입니다. 미숙련 사용자는 이러한 예측에 필요한 고도의 모델링 방식을 쉽게 이용할 수 있으며, 동시에 전문가는 자유자재로 모델 매개변수를 유연하게 조정할 수 있습니다. ASCMO-STATIC의 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.
그런 모델을 만드는 것은 매우 쉽습니다. 시스템의 관련 입력 (영향을 주는 변수) 및 출력 (목표 값)을 선택한 후 사용자는추가 매개변수화 없이 즉시 모델 학습을 시작할 수 있습니다.
모델 학습에 소요되는 시간은 측정점 및 입력값의 개수에 따라 다르지만 일반적으로 몇 초~몇 분 정도입니다. 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.
가우시안(Gaussian) 프로세스 모델의 추가 장점 :
- 측정 노이즈가 고려되므로 Overfitting을 방지할 수 있습니다.
- outliers 측정에 대한 견고성
- 로컬에서 해결된 모델 분산은 사용자에게 모델 예측의 신뢰도 측정을 제공합니다.
이 툴은 표준적인 모델링 방식 외에도 특수 작업에 필요한 기타 알고리즘을 제공합니다. 이러한 알고리즘에는 분류 모델 및 복잡성 저감 모델 등이 있습니다. 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.
또한 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.
모델을 시각적으로 보여주기 위해 사용되는 표준 화면은 소위 교차 도표입니다. 쌍방향 교차 도표는 다차원 의존도를 직관적으로 표시합니다. x축은 시스템 입력값을, y축은 출력값을 표시합니다.
각 세부 그래프에서 흑색 실선(모델 예측값)은 입력값(x축)이 해당 출력값(y축)에 미치는 영향을 나타냅니다. 즉, 다른 입력값이 그대로인 한, 특정 입력값이 변하면 실제 시스템은 흑색 실선이 나타내는 것처럼 출력값에 영향을 미칩니다. 즉, 이 그래프는 입력값 간의 상호작용이 출력값에 미치는 영향을 나타내고 있습니다. 한편 적색 점선은 흑색 실선 아래 위를 움직이면서 모델 예측값의 신뢰도를 표시합니다. 적색 점선이 흑색 실선에 가까울수록 모델은 신뢰성 있는 예측값이 계산될 것이라고 보다 확신하게 됩니다.
ASCMO-STATIC은 이러한 주요 보기 화면 외에도 의존도와 영향도를 시각화하기 위한 다양한 옵션을 제공합니다. 예를 들어 캘리브레이션 맵을 표시하거나, 데이터를 여러 조합으로 구성하여 구름 모양의 점들로 나타낼 수 있는 산점도를 표시합니다.
그 결과 사용자는 모델링 대상 시스템의 거동을 분석 및 시각화하는 방대한 옵션을 사용할 수 있게 됩니다. 이를 통해 검증 작업을 직관적으로 수행하고, 실제 시스템에서 오랜 시간 동안 복잡한 측정 작업을 수행하지 않더라도 시스템을 이해할 수 있습니다.
제어를 위해 입력측 변수를 최적화하려면 엔진의 경우, 최소화/최대화, 낮은 한계와 높은 한계 및 출력 변수에 대한 대상 값과 같은 부분에 대해 다양한 기준을 정의할 수 있습니다. 최적화하는 동안 이 기준은 가중치를 줄 수도 있고 또는 전체 트레이드 오프 (파레토 곡선)을 계산할 수도 있습니다. 그런 다음 사용자는 트레이드 오프 곡선에서 적절한 절충을 선택할 수 있습니다. 엔진 어플리케이션의 경우 전체 작동 범위에 대해 글로벌 최적화를 수행할 수 있습니다. 그런 다음 사용자는 매우 짧은 시간에 모든 입력 변수의 특성 맵에 대한 최적의 캘리브레이션을 받습니다. 특성 맵은 수동으로 조정하거나 잠글 수도 있습니다. 사용자는 항상 출력 값에 대한 변경 효과를 즉시 볼 수 있습니다. 이것은 현재 동작하고 있는 지점에서 개별 값과 전체 주행 사이클과 연관된 누적 값에 적용됩니다.
본 제품은 최적화 작업 결과를 다양한 포맷으로 내보낼 수 있습니다. 엔진 관리 캘리브레이션에 통상적으로 사용되는 포맷은 DCM 또는 CDFX이며, 엑셀 포맷인 XLS 및 XLSX와 CSV 포맷도 지원됩니다.
ASCMO-STATIC에서 모델은 대량의 측정 데이터를 인위적으로 생성하기 위한 가상 측정 도구로 사용할 수 있습니다. 이를 위해 사용자는 툴에서 직접 또는 Excel에서 목록을 가져와 스텝 사이즈, 스텝 번호 및 자유 중단점 측면에서 입력 변수의 격자 크기를 정의할 수 있습니다. 입력 변수의 원하는 모든 매개변수 조합에 대해 모델은 해당 출력 변수를 계산합니다. 실제 측정 (예 : 엔진 테스트 벤치에서)과 마찬가지로 이 인공 측정 데이터는 사용되거나, 그래픽으로 분석하거나 Excel에서 추가 처리를 위한 CSV 파일로 내보낼 수 있습니다.
호환성
ASCMO-STATIC은 개방적이고 유연합니다. 이 툴은 예를 들어 테스트 벤치 및 캘리브레이션에서 사용되는 관련된 모든 데이터 형식을 지원합니다. ASCMO-STATIC은 생성된 모델을 다른 환경에서 사용할 수 있도록 다양한 형식으로 내보낼 수 있습니다. 사용자는 MATLAB® 인터페이스를 사용하여 고객의 특정 기능과 모델을 쉽게 통합하고, 스크립트를 통해 작업을 자동화하거나, 테스트 벤치 자동화를 통합할 수 있습니다. COM 인터페이스를 통해 테스트 벤치 자동화에 연결하는 것도 가능합니다.
