ETAS ASCMO는 진보한 통계적,수리적 기법을 바탕으로 복잡한 시스템의 움직임을 정확히 모델링, 분석 및 최적화한다. 이런 접근방식을 ECU의 모델 기반 캘리브레이션 작업에 적용할 경우, 배기가스 배출량 극소화와 연료 효율성 극대화간 최적 균형상태를 나타내는 모든 컨트롤 변수를 PC를 통해 자동 산출할 수 있다.

상용화된 최신 컴퓨터 기술은 컴퓨터에 기반해 정확하고 현실적인 시각화를 가능하게 한다. 이를 통해 실제 물체 및 공정을 컴퓨터 화면에 시각화할 수 있다. 이런 가상 프로토타입을 복잡한 시스템 개발에 적용하면 개발자는 품질, 비용, 효율성 면에서 막대한 이득을 볼 수 있다. 가상 환경에서는 제품 엔지니어링 과정 초기부터 오류를 파악할 수 있어 품질 보증 비용이 현격히 감축된다(그림 1).

테스트 벤치 실험이나 주행실험은 시간과 비용이 막대하게 소요되는 작업이다. 반면 가상화 솔루션은 소프트웨어 개발 단계뿐만 아니라 자동차 전장제품의 테스트 및 캘리브레이션 단계에서도 시간과 비용을 최소한으로 감축한다. ETAS EVE(가상 ECU) 같은 가상 ECU 환경을 활용하면 PC 상에서 제어 및 진단 기능용 소프트웨어 컴포넌트를 개발, 통합, 테스트할 수 있다. 이와 더불어 기본 소프트웨어의 개별 모듈을 ECU 하드웨어와 독립적으로 개발겾淪?테스트할 수도 있다[1].

ETAS ASCMO 솔루션

EVE에 대응해 사용되는 ETAS ASCMO는 테스트 벤치에서 측정된 데이터 등을 이용해 내연기관 엔진같은 복잡한 시스템의 움직임을 매핑한다. 이런 매핑은 수학적 모델로 제공된다. 통계적 방식은 분석적 기능이나 뉴럴 네트워크과 달리 매개변수화 작업이 필요 없기 때문에, ASCMO의 수학적 모델은 특별한 수학적 지식을 요구하지 않는다. 사용자는 매핑된 모델에 적용될 입력 및 산출 변수 사양을 정하기만 하면 된다. ASCMO의 모델링 툴은 사용자가 정한 사양에 기초해, 전체 측정 데이터로부터 입력 변수와 연관된 출력 변수를 측정하기 위해 필요한 부분 데이터를 선택한다.


사용자에 의한, 사용자를 위한 ETAS ASCMO   

ETAS ASCMO는 생성된 모델에 기초해 시뮬레이션된 입력 변수의 상호의존성과 최적화를 모델링 및 분석하기 쉽게 제작됐다. 모델링 및 분석을 보다 용이하게 하기 위해 ETAS ASCMO는 소위 “실험계획법(Design of Experiments, DoE)”이라는 강력한 실험 계획 툴을 제공한다. 또한 ETAS ASCMO는 매력적인 애플리케이션형 그래픽 사용자 인터페이스를 통해 DoE 결과와 모델 분석 및 최적화를 시각적으로 제공한다.

ETAS의 고숙련 엔지니어들은 테스트 벤치와 차량 실험을 통해 습득한 실질적인 경험을 바탕으로 파워트레인 개발자 및 캘리브레이션 엔지니어가 사용할 수 있는 ETAS ASCMO를 개발했다. 동 솔루션의 프로토타입은 이미 2004~2009년에 로버트 보쉬 주식회사의 캘리브레이션 엔지니어와 기능 개발자에 의한 강도 높은 테스트를 거쳤다. 이 글이 독자의 손에 전해질 때쯤이면 로버트 보쉬를 포함해 전 세계 자동차 생산겙澎騁胎셈?수백 명에 이르는 사용자들이 ETAS ASCMO를 통해 눈부신 성과를 올리고 있을 것이다[3]. 



통계적 방법을 통한 동작 모델링

파워트레인 시스템을 개발 및 캘리브레이션하는 과정에서 측정 데이터를 기초로 복잡한 시스템의 움직임을 모델링하기 위해서는 주로 분석적 기능을 사용한다. 이 때 대개 다항수식이나 뉴럴 네트워크가 적용된다. 그러나 이런 방식을 일반적으로 적용하기에는 몇 가지 제약이 따른다. 예를 들어, 다항수식은 강력한 형태의 비선형 의존성을 모델링하는 데 부적합하다.

한편 뉴럴 네트워크는 복잡한 상호관계를 모델링하기에 적합하지만, 바로 그렇기 때문에 전문적인 수학적 지식이 필요하다는 점에 주목할 필요가 있다. 특히 과다모형화를 회피한 상태에서 광범위한 작동 범위에 따른 시스템의 움직임을 매핑해야 하는 경우, 즉 측정 노이즈를 시뮬레이션하는 경우에는 전문적인 수학 지식이 보다 많이 필요하다.


반면 ETAS ASCMO는 통계적 방식을 택하고 있다[3]. 이런 통계적 방식은 조건부 확률의 법칙에 기초해 어떤 기능 세트가 측정 데이터를 나타낼 가능성이 가장 높은지를 결정한다. 이를 통해 ETAS ASCMO는 복잡한 비선형 의존성을 정확히 매핑할 수 있다. 다른 한편으로, 모델 자체적으로 생성된 모델의 품질이 신뢰할 수 있는지를 나타내는 통계적인 에러를 표현한다.

포괄적 실험 계획

데이터 기반 모델의 정확성을 결정하는 것은 측정 변수로 이뤄진 파라미터 공간 내의 데이터 밀도이다. 전반적인 측정 과정에서 모델 정확성을 일관되게 확보하려면 실험 설계도에서 계획된 측정지점이 전체 파라미터 공간을 가능한 균등하게 커버해야 한다. 이를 위해 ETAS ASCMO의 DoE 툴은 측정이 진행되는 기간 동안 측정지점의 밀도가 서서히 균등하게 증가하는 방식으로 측정주기를 선정한다.

이에 따라 전체 측정치 및 측정치로부터 추출한 모델의 정확성도 서서히 균등하게 증가한다[4]. 이런 방식으로 파라미터 공간이 빠짐없이 커버되기 때문에, 목표했던 정확도 수준이 달성되자마자 능동적 측정 시퀀스가 중단된다. Sobol 시퀀스라고 불리는 이런 방식을 사용하면 엔진 테스트 벤치 등 비용이 많이 드는 실험 설비를 최적으로 활용할 수 있어 실질적인 혜택을 크게 누릴 수 있다.


엔진 ECU의
모델 기반 캘리브레이션

엔진 ECU의 캘리브레이션 작업이 보다 까다로워지는 추세다. 각 세대별 엔진에 속한 컴포넌트 기술이 빠르게 발전해 최적화되면서 내연기관 엔진의 움직임에 영향을 미치는 입력 변수의 수도 증가하기 때문이다(그림 2). 엔진 시스템에 영향을 미치는 변수들의 상호의존성이 증대하고 있다는 점도 캘리브레이션이 어려운 이유 중의 하나이다.

마찬가지로 가상 센서 및 배기 관련 기능의 캘리브레이션도 매우 까다롭다. 가상 센서란 ECU에 장착된 복잡한 데이터 구조로, 공기순환 시스템, 토크, 배기가스 온도 등을 나타내어 제어 기능의 작동에 큰 영향을 미치는 기능이다. 한편 배기 관련 기능을 캘리브레이션하는 경우, 주어진 주행 사이클에서 Vehicle dynamics과 법적 준수가 요구되는 배기가스 규제와 함께 최적화된 연비를 균형 있게 만족시켜야 하는 매우 어려운 과제이다.

엔진의 ECU 기능은 고도의 시스템 복잡성을 내재하고 있기 때문에, ETAS ASCMO를 이용해 모델 기반 캘리브레이션(그림 3)을 실시하면 효율성이 크게 개선된다. 특히 동일한 엔진이 다른 차종에 장착됐거나 배출 한도 및 주행 사이클이 다양한 여러 국가에서 사용되는 경우, 모델에 기반해 연료 소비와 오염원 배출의 최적화 상태를 결정하면 여러 장점을 얻을 수 있다. 한 번 생성된 엔진 모델은 계속 반복해 활용이 가능하다.

프로세스 통합 용이성   

ETAS ASCMO는 개방성과 유연성 모두 훌륭하다. ASCMO는 모든 관련 표준을 지원하며 기존 모델을 다양한 포맷으로 나타낼 수 있다. 또한 MATLAB 및 Microsoft COM이 통합된 인터페이스는 고객 맞춤형 기능 및 모델의 통합을 보다 용이하게 하고 스크립트 기반 시퀀스 및 테스트 벤치의 자동화를 달성한다.

폭발적 혁신 잠재력

현재 출시된 ETAS ASCMO V4.4를 사용하면 엔진 속도 및 하중 등 입력 변수가 급변하는 상황에서도 출력 변수의 시간에 따른 움직임을 모델링할 수 있다. 그 결과 유동적인 상황에서 배출량을 예측할 수 있게 된다. 예를 들어 공격적인 고속 주행 습관 및 급격한 속도 변경을 가정한 US06 주행 사이클에서도 배출량을 예측할 수 있다.

이런 장점은 ETAS 솔루션이 가진 수많은 장점 중 하나에 불과하다. ETAS 솔루션은 현실적인 작동 환경에서 엔진 ECU를 체계적이고 모델에 기반해 캘리브레이션하기 위해 필수적인 모든 선결조건을 만족하고 있다. 바로 이런 능력 덕분에 내연기관 엔진의 연료 절감 가능성이 폭발적으로 커진다고 할 수 있다. 

참고문헌
[1] U. Lauff, M. Dietrich, M. Ebert and G. Francois (German-language pub.), Validieren und kalibrieren mit virtuellen Steuerger둻en -  Durchg둵gig bis zur Serie, [Validation and calibration with virtual ECUs - Right down to series production] Hanser automotive, pp. 14-18, Oktober 2012.
[2] T. Pfeifer und R. Schmitt (German-language pub.), Qualit둻smanagement: Strategien, Methoden, Techniken [Quality management: Strategies, Methgods, Techniques], Carl Hanser Verlag, 2010.
[3] H. Klar, B. Klages, D. Gundel, T. Kruse und H. Ulmer (German-language pub.), Neue Verfahren zur effizienten modellbasierten Motorapplikation“ [New approaches to efficient model-based engine calibration] in:5. Internationales Symposium f웦 Entwicklungsmethodik (to be published), Wiesbaden, 2013.
[4] C. E. Rasmussen und C. K. Williams, Gaussian Processes for Machine Learning, MIT Press, 2006.
[5] I. M. Sobol, On the distribution of points in a cube and the approximate evaluation of integrals,“ U.S.S.R. Computational Mathematics 7(4), pp. 86-112, 1967.
[6] T. Gutjahr, H. Kleinegr둨er, H. Ulmer und T. Kruse, New Approaches for Modeling Dynamic Engine Behavior with Gaussian Processes,“ in: 7th Congress Design of Experiments (DoE) in der Motorenentwicklung [Design of Experiments (DoE) in engine development], Berlin, 2013.

AEM_Automotive Electronics Magazine