SiL 및 HiL을 위한 더 빠른 플랜트 모델

액티브 서스펜션, 브레이크 바이 와이어(Brake-by-wire), 통합 차량 제어와 같은 현대의 거동 제어(Motion-control) 응용 분야는 시뮬레이션 및 검증을 위해 정확한 플랜트 모델에 의존합니다. 문제는 기존의 물리학 기반 모델링 방식이 구축하는 데 시간이 오래 걸리고, 각 테스트 시나리오에 맞춰 재캘리브레이션하기 어려우며, 엔지니어가 실제 측정에서 마주하는 비선형적 거동을 구현하는 데 자주 어려움을 겪는다는 점입니다. 이는 개발 초기 단계로 검증을 앞당기고 보다 의미 있는 SiL 및 HiL 테스트를 진행하고자 하는 개발 팀에게 실질적인 병목 현상이 됩니다.

주요 과제

과도한 수동 모델링 작업

물리학 기반의 플랜트 모델을 구축하고 업데이트하는 데 막대한 시간이 소요되며, 깊이 있는 도메인 전문 지식이 요구되고, 요구사항이 변경될 때 재작업이 발생합니다.

비선형 거동 격차

수동으로 제작된 모델은 실제 측정 데이터에서 관찰되는 시스템의 실제 효과를 놓치는 경우가 많습니다.

Variant 관리의 오버헤드

테스트 대상마다 서로 다른 모델 거동이 필요하지만, 수동 재캘리브레이션 방식으로는 확장성을 확보하기 어렵습니다.

Frontloading 지연

실시간 구동이 가능한 모델의 부재로 인해 SiL 및 HiL 검증이 지연됩니다.

이타스 소프트웨어가 설치된 노트북으로 작업 중인 엔지니어. 이 소프트웨어의 특징은 자동차 소프트웨어 개발을 위한 AI 기반 분석, 머신러닝 및 워크플로 자동화 시각화 기능이다.

ETAS 툴체인은 ASCMO와 INCA-FLOW를 결합하여 측정 데이터로부터 플랜트 모델을 구축하고 캘리브레이션하는 데이터 기반 워크플로우를 제공합니다. 물리적인 기본 원리로부터 모델을 도출하는 대신, ASCMO는 테스트 주행 또는 테스트 벤치 데이터에서 시스템 동작을 직접 학습하고 데이터 기반 방식을 통해 행동 모델을 자동으로 생성합니다. 이를 통해 복잡한 메카트로닉 시스템의 정확한 가상 표현을 더 빠르게 생성하고, 동일한 접근 방식으로 다양한 모델 variant를 커버할 수 있습니다.

모델이 준비되면 INCA-FLOW가 컴포트, 스포츠 또는 에코 특성과 같은 특정 목표 동작에 대한 캘리브레이션 워크플로우를 자동화합니다. 엔지니어는 반복 가능한 워크플로우를 정의하여 모델 매개변수를 조정하고, 매번 모델을 수동으로 재구축하지 않고도 다양한 테스트 케이스에 맞게 캘리브레이션된 변형 모델을 생성할 수 있습니다. 결과물로 나온 모델은 FMU 또는 최적화된 C 코드와 같은 표준 형식으로 내보낼 수 있어, SiL 및 HiL 환경에서 직접 사용하거나 실시간 지원 플랜트 모델이 필요한 모든 곳에서 재사용할 수 있습니다.