머신러닝을 통한 스바루의 효율성 개선

데이터 기반 모델링을 활용함으로써 SUBARU는 엔진 캘리브레이션에서 상당한 개선을 달성합니다.

일본 자동차 제조사 스바루는 내연기관 캘리브레이션 과정에서 중대한 도전에 직면해 있다. 강화된 규제와 자동차 산업의 변화로 인한 복잡성 증가는 더욱 정밀하고 효율적인 캘리브레이션 프로세스를 요구한다. 이러한 발전은 광범위한 측정과 정밀한 캘리브레이션을 필요로 하여 시간과 비용을 크게 증가시킨다.

이러한 과제를 해결하기 위해 SUBARU는 수년간 IAV와 공동 개발한 자동화 소프트웨어 INCA-FLOW와 결합된 데이터 기반 모델링 도구 이타스 ASCMO를 성공적으로 활용해 왔습니다.

일반적으로 필요한 시험대 측정 작업에는 실험계획법(DoE) 접근법이 사용됩니다. 이 접근법은 측정 지점을 신중하게 선택함으로써 제한된 수의 데이터 포인트를 기반으로 의미 있는 모델을 생성하는 것을 목표로 합니다. 전문가들은 과도한 고온이나 고압과 같은 시스템 한계로 인해 위험한 측정 영역을 사전에 배제할 책임이 있습니다. 그러나 측정 캠페인을 시작할 때 정확한 시스템 한계가 종종 알려지지 않아, 위험한 상태에 도달하거나 관련 측정 영역을 간과할 위험이 있습니다. 이는 비효율적인 측정으로 이어질 수 있으며, 최악의 경우 비용이 많이 드는 시스템 고장을 초래할 수 있습니다.

이타스 ASCMO-ODCM(제약 모델링을 통한 온라인 설계실험)은 이 과정을 혁신적으로 변화시킵니다. 전문가 지식에만 의존하는 대신, ASCMO는 머신러닝 기법을 활용하여 캠페인 기간 동안 전체 측정 범위를 자율적으로 탐색하고, 시스템 한계를 자동으로 학습하며, 잠재적으로 위험한 측정 지점을 배제합니다. 기반이 되는 분류 모델은 능동 학습 방법을 통해 운영 중 지속적으로 정교화되며, 측정 범위를 안전 구역과 위험 구역으로 분류함으로써 포괄적이면서도 안전한 측정 전략을 가능하게 합니다.

또한 INCA-FLOW는 이타스 INCA를 자동화할 뿐만 아니라, 특별히 개발된 Toolbox Testbench Connector(TBC) 덕분에 ASCMO-ODCM 및 테스트 벤치 시스템을 포함한 기존 툴체인에 원활하게 통합될 수 있습니다. INCA-FLOW는 모든 작업을 자동으로 시작하고 관리합니다: ODCM의 기반으로 ASCMO에서 생성된 ExpeDes의 DoE를 사용하고, 의도된 측정 지점을 타깃팅하기 위해 테스트 벤치 시스템과 INCA에 해당 명령을 전송합니다. 설계 지점의 단계별 원활한 캘리브레이션을 보장하기 위해 특정 기능과 통합 라이브러리가 사용됩니다. 소프트 리미트 위반이 발생하면 시스템은 목표 지점에 재접근하는 등의 교정 조치를 제공합니다. 해당 점의 실행 가능성에 대한 피드백은 ODCM으로 반환되며, ODCM은 다음 최적 목표점을 선정하고 작업 종료 여부를 결정합니다.

이타스 ASCMO, 이타스 ASCMO-ODCM 및 INCA-FLOW를 결합함으로써 SUBARU는 효율성을 크게 향상시켰습니다. 구체적으로 다음과 같은 세 가지 주요 이점이 실현되었습니다:

• 중요한 측정 지점을 피함으로써 상당한 시간을 절약했을 뿐만 아니라, 엔진 손상 위험과 관련 비용도 줄일 수 있었다.
• 관련 측정 영역을 정확하게 좁힘으로써 시스템 관련 모든 영역에서 성공적인 측정 건수가 증가했습니다. 이를 통해 이타스 ASCMO 내에서 견고한 모델을 구축할 수 있었으며, 동시에 전체 캘리브레이션 프로세스의 효율성도 향상되었습니다.
• 전문 지식에 대한 의존도를 제거함으로써 측정 준비 과정이 크게 간소화되었으며, ODCM 및 INCA-FLOW를 활용한 시험 설정과 실행이 자동화되어 수동 개입이 필요하지 않았습니다.

종합적으로, 이러한 최적화를 통해 SUBARU는 자동차 산업의 증가하는 수요를 충족시키면서 동시에 자원을 보존하고 위험을 최소화할 수 있습니다.

자세한 내용은 ASCMO 제품 페이지를 방문하십시오 .