SiL 및 Hill을 위한 더 빠른 식물 모델

SiL 및 HiL을 위한 더 빠른 플랜트 모델

액티브 서스펜션, 브레이크-바이-와이어, 통합 차량 동역학 등 현대의 모션 제어 애플리케이션은 시뮬레이션 및 검증에 정확한 플랜트 모델에 의존합니다. 문제는 기존의 물리 기반 모델링이 구축하는 데 시간이 오래 걸리고, 각 테스트 시나리오에 맞춰 재보정하기 어려우며, 엔지니어들이 실제 측정에서 관찰하는 비선형적 거동을 제대로 표현하지 못하는 경우가 많다는 점입니다. 개발 초기 단계에서 검증 작업을 앞당기고 의미 있는 SiL 및 HiL 테스트를 조기에 수행하고자 할 때, 이는 실질적인 병목 현상이 됩니다.

주요 과제

수작업 모델링에 드는 노력이 크다

물리 기반 플랜트 모델을 구축하고 업데이트하는 데는 상당한 시간이 소요되며, 해당 분야에 대한 심도 있는 전문 지식이 필요하고, 요구 사항이 변경될 경우 재작업이 발생합니다.

비선형 거동 격차

수작업으로 제작된 모델은 측정 데이터에서 나타나는 실제 시스템 효과를 종종 간과하곤 합니다.

변형 오버헤드

테스트 대상에 따라 모델의 동작 방식이 달라져야 하지만, 수동 재보정은 확장성이 떨어집니다.

지연된 선지급

실시간 처리가 가능한 모델이 부족하면 SiL 및 HiL 검증 속도가 느려집니다.

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

이타스 툴체인은 ASCMO와 INCA-FLOW를 결합하여, 측정 데이터를 기반으로 플랜트 모델을 구축하고 보정하는 데이터 기반 워크플로우를 제공합니다. ASCMO는 물리적 제1원리에서 모델을 도출하는 대신, 시운전 또는 시험대 데이터를 통해 시스템 거동을 직접 학습하고, 데이터 기반 기법을 활용하여 거동 모델을 자동으로 생성합니다. 이를 통해 복잡한 메카트로닉스 시스템의 정확한 가상 모델을 더 빠르게 생성할 수 있을 뿐만 아니라, 동일한 접근 방식 내에서 다양한 모델 변형을 포괄할 수 있습니다.

모델이 준비되면, INCA-FLOW는 컴포트, 스포츠, 에코 특성 등 특정 목표 주행 특성에 대한 캘리브레이션 워크플로우를 자동화합니다. 엔지니어들은 반복 가능한 워크플로우를 정의하여 모델 파라미터를 조정하고, 매번 수동으로 모델을 재구축할 필요 없이 다양한 테스트 케이스에 맞는 캘리브레이션된 변형 모델을 생성할 수 있습니다. 이렇게 생성된 모델은 FMU(Functional Mock-up Unit)와 같은 표준 형식이나 최적화된 C-코드 형태로 내보낼 수 있으므로, SiL 및 HiL 환경에서 직접 사용할 수 있을 뿐만 아니라 실시간 처리가 가능한 플랜트 모델이 필요한 모든 곳에서 재사용할 수 있습니다.