KR102017181B1 - 제어장치를 위한 함수를 생성하는 방법 - Google Patents

Abstract

제어장치를 위한 함수(46)에 데이터를 공급하기 위한 방법이 제시되며, 이 방법에서는, 시스템의 측정(34)이 테스트 스탠드의 상이한 측정 지점들에서 이루어지고, 획득된 측정값들을 기초로 글로벌 데이터 기반 모델(38)이 생성되며, 글로벌 데이터 기반 모델(38)에서는 테스트 스탠드의 실제 측정을 시뮬레이션하는 가상 측정이 이루어지고, 글로벌 데이터 기반 모델(38)에서는 가상 측정에 의한 가상 측정값의 불확실성이 결정되고, 제어장치를 위한 함수(46)에 데이터를 공급할 때에 그러한 가상 측정값에 관한 불확실성이 고려된다.

Description

제어장치를 위한 함수를 생성하는 방법{METHOD FOR THE CREATION OF A FUNCTION FOR A CONTROL DEVICE}

본 발명은 제어장치, 특히 자동차의 엔진 제어장치를 위한 함수를 생성하는 방법과, 그러한 방법을 수행하는 장치에 관한 것이다.

제어장치는 자동차에 설치되는 전자 모듈로서, 운행을 개회로 제어 및/또는 폐회로 제어하기 위한 것이다. 이를 위해, 제어장치에는 함수들이 설정되는데, 이는 일반적으로 소프트웨어로 구현되며 제어장치 내의 프로세서 또는 CPU에서 실행된다. 제어장치의 데이터 공급은 제어장치의 적용과 관련하여 이해해야 한다. 여기서, 데이터 공급은 제어장치 내에 데이터를 보유하는 실체, 대체로 저장장치에, 데이터를 입력하거나 설치하는 것을 의미한다.

엔진 제어장치의 적용에 있어서 한 가지의 진행절차는 소위 기본 매칭이다. 기본 매칭에서는 예컨대 실린더 충전 검출을 위한 엔진 제어 함수에 데이터가 공급된다. 여기에서는 그러한 함수의 모든 식별표시 또는 라벨의 최적화를 위한 도구 또는 툴이 이용된다.

이러한 툴에 대한 입력으로는, 보통 엔진 테스트 스탠드에서 결정되는 매우 많은 측정값이 필요한데, 이들에 대해서는 기초 영향 변수들인 회전 속도와 부하 이외에, 기존의 충전 조절기에 알맞게 다른 영향 변수들, 예컨대, 캠샤프트 각 위치(유입 캠샤프트 및 배출 캠샤프트), 배기가스 재순환율, 흡입관 전환, 차지 이동 플랩 위치 등을 변화시켜야 한다. 종래기술로는, 모든 변화되는 영향 변수에 대한 그리드 측정 대신에, 회전 속도와 부하에 의해 특정되는 각 작동점 당 필수적인 측정의 특정 선택을 제안하는 "실험 설계"(Design of Experiments; DoE) 방법이 있는데, 이를 통해 국소적인 작동점 모델, 예컨대, 다항식 모델(코너스톤)을 매칭시킨다. 이러한 모델들은 그러나 작동점에서만 질의될 수 있으며, 그 사이 지점에 대해서는 질의될 수 없다.

예컨대, 충전 검출에 관한 함수 라벨의 데이터 공급을 위해서는, 전체 작동 영역에 걸쳐 충분한 정확도의 측정이 필요하다. 그럼에도 또한 측정의 수를 적게 제한하기 위해, 테스트 스탠드에서의 측정과 최적화 툴 사이에, 소위 글로벌 데이터 기반 모델이 삽입된다. 이러한 모델에서는 영향 변수들이 임의로 변화하는 가상 측정이 수행된다.

국제특허공개공보 제WO2006/051039A1호에는 다이내믹 시스템을 위한 출력 변수에 관한 글로벌 모델을 개발하는 방법이 개시되어 있다. 이는 예컨대 내연기관의 작동 파라미터가 될 수 있다. 이러한 방법은 적은 측정 지점들을 가지고도 모든 조건에 대한 출력 변수를 계산하는 것을 가능하게 한다. 글로벌 모델의 개발에 있어서, 다항식에 의한 입력 변수의 개발과, 개발 계수의 계산이 이루어진다. 또한, 문헌에는 반복 측정을 통해 측정 지점에서의 변이를 찾아내는 것이 설명되어 있다. 이러한 변이에 의해, 데이터 모델과 병렬적으로 제2의 변이 모델이 형성된다. 이를 통해, 어떤 영역에서의 측정이 보다 정확하고 어떤 영역에서의 측정이 보다 부정확한지 설명된다.

이러한 배경에서, 제어장치를 위한 함수에 데이터 공급을 하는 청구항 제1항에 따른 방법과, 이러한 방법을 수행하기 위한 장치로서 청구항 제10항의 특징들을 포함하는 장치가 제공된다.

글로벌 데이터 기반 모델의 생성은, 모든 영향 변수들에 대한 그리드 측정과 비교하여 현저히 적은 측정에 의해, 엔진의 특성을 필요한 정확도로 보여줄 수 있는 이점이 제공된다. 또한, 글로벌 모델은 인접한 작동점에 대한 측정으로부터 "학습"할 수도 있으므로, 다수의 국소적인 작동점 모델과 비교해서도 적은 측정이 가능하다. 특히, 측정 지점을 줄이는 것에 의해, 영향 변수의 수가 증가하는 장래의 적용 과제는 측정 시간 단축에 의해 비로소 실현되고 제어될 수 있다.

이를 통해, 글로벌 데이터 기반 모델은 측정이 이루어진 작동점뿐만 아니라 모든 소망의 회전 속도 및 부하 위치에 대해 목표 변수에 대한 값을 제공한다. 다음 단계로써 최적화가 진행되기 전에, 글로벌 데이터 기반 모델의 품질이 모델 불확실성을 기초로 테스트되고 평가될 수 있다. 이를 통해, 측정의 수와 지점 위치의 변이가 충분했는지 결정된다. 또한, 측정 이상값들도 쉽게 식별될 수 있다.

글로벌 데이터 기반 모델은, 예컨대 충전, 소비 또는 배출과 같은 목표 변수에 대한 예측 외에, 영향 변수의 각각의 설정 변이에 대한 모델 불확실성(시그마)을 계산할 수 있는 능력을 필요로 한다. 모델 불확실성을 제공하는 데이터 기반 모델의 예로는, 크리깅(Kriging)과 같은 소위 베이지안 회귀 방법(Bayesian regression method)("A Statistical approach to some mine valuations and allied problems at the Witwatersrand", D.G. Krige, 1951 ; "The intrinsic random functions, and their applications", G. Matheron, Adv. Appl. Prob., 5, pp 439-468, 1973), 가우시안 프로세스 모델("Gaussian Processes for Machine Learning", Rasmussen and Williams, MIT Press, 2006), 성긴 가우시안 프로세스("Sparse Gaussian processes using pseudo-inputs"; E. Snelson and Z Ghahramani, Advances in Neural Information Processing Systems 18, pp 1259-1266, 2006) 등과, 그 밖의 여러 가지가 있다. 모델 불확실성을 갖는 데이터 기반 모델을 위한 또 다른 가능성은, 신경망 기관이다("Validation of Neural Networks in Auto-motive Engine Calibration", D. Lowe and K. Zapart, 1997).

글로벌 데이터 기반 모델은 이에 더 나아가 테스트 스탠드 측정의 측정 노이즈를 피하는 것이 가능해야 하며, 즉, 실시예에서는 각각의 측정값에 의한 인터폴레이션이 아니라, 예컨대 측정 지점들 사이의 평탄한 회귀 분석이 이루어진다.

추가로 주목해야 할 점은, 데이터 기반 모델을 기초로, 측정되는 시스템의 특성이 입력 변수의 변이에 따라 시각화될 수 있다는 점이고, 그 결과 시스템 이해도가 높아지고 그에 따라 더 좋은 품질의 데이터 공급이 이루어진다.

글로벌 데이터 기반 모델이 필요한 품질을 제공한다면, 이 모델은 최적화를 위해 필요한 지점에 대해 가상 측정을 수행하는데 이용될 수 있다. 이러한 측정을 위해서는 엔진 테스트 스탠드가 더 이상 필요 없으므로, 측정의 수는 모델을 형성하는 데 필요한 수를 훨씬 초과할 수 있다.

모델 불확실성 시그마가 제시되는 것을 기초로, 이어지는 최적화에 사용되어야 하는지 여부를 각각의 가상 측정 지점에 대해 결정할 수 있다. 이를 통해, 최적화 수단이, 식별되지 않는 측정 이상값에 필적하는 무효한 측정값을 매칭시키는 불필요한 시도가 방지된다.

그 밖에도 가상 측정은 측정 노이즈를 더 이상 포함하지 않기 때문에, 이어지는 최적화 과제에 훨씬 더 적합하다는 이점을 갖는다. 인터폴레이션 평면에서와는 달리, 평탄한 회귀 평면에서는 최적화 방법이 소위 국소적인 최소값에 걸리지 않는다.

데이터가 공급되는 제어장치 함수에서 라벨의 지지 지점 위치 및 개수가 변화하면, 추가적인 측정 지점에서의 측정이 필요하게 된다. 예컨대, 3×3 지지 지점을 갖는 특성도가 5×5 지지 지점으로 확대되면, 더 큰 특성도의 25개의 특성도값은 더 작은 특성도로부터 선형 인터폴레이션을 통해 계산될 수 있다. 그러나, 이러한 특성도의 가변성을 이용하기 위해서는, 엔진의 목표 변수에 대한 추가 정보가 필요하다. 본 방법의 이점은, 추가적인 측정 지점이 복잡하게 테스트 스탠드에서가 아니라, 바로 글로벌 데이터 기반 모델에서 가상으로 측정될 수 있다는 점이다.

특정 엔진이 상이한 차량종류에 장착되는 경우, 각각의 차량종류를 위해 제어장치 함수는 상이한 작동 영역에 대해 최적화되어야 한다. 이를 위해서는 제어장치 함수의 최적화를 위해 각각 다른 측정 지점이 필요하다. 본 방법에서는 글로벌 데이터 기반 모델의 형성을 위해 엔진이 한 번 포괄적으로 측정될 수 있다. 그러면, 상이한 차량종류에 따른 상이한 작동 영역을 위한 가상적인 측정 지점들은, 글로벌 데이터 기반 모델에서 측정될 수 있다.

제안된 방법의 범위에서 한편으로는, 글로벌 데이터 기반 모델의 품질이 테스트 지점을 기초로 검사될 수 있거나, 가상 측정 결과의 불확실성이나 변이를 기초로, 모델의 품질이 전체적으로 또는 특정 영역에서 불충분한 것을 확인할 수 있다. 적어도 측정 지점들의 한 영역에서 글로벌 데이터 기반 모델의 품질이 충분하지 않은 경우, 데이터 기반 모델의 개선은 테스트 스탠드에서의 추가적인 측정에 의한 추가적인 측정값들을 기초로 수행될 수 있다. 다른 한편으로는, 데이터 공급을 할 때에 그리고 그를 통해 제어장치 함수를 형성할 때에, 개별적인 가상 측정 지점들의 불확실성을 고려할 수 있다. 이를 위해, 각각의 측정값을 위해 불확실성을 결정하는 것이 제공될 수 있다. 측정값들 중 하나 이상이 이용될 수 있는 가상 측정값들의 불확실성을 통해, 측정값이 함수의 데이터 공급을 위해 이용될지 여부가 결정될 수 있다.

본 발명의 추가적인 이점 및 실시예들은 발명의 상세한 설명과 첨부된 도면들에 의해 기술된다.

상술한 특징들과 후술할 특징들은 각각 제공된 조합으로만 사용될 수 있는 것이 아니라, 본 발명의 범위를 벗어나지 않으면서 다른 조합 또는 개별구성으로 사용될 수 있다.

도 1은 종래기술에 따른 방법을 도시한 도면이다.
도 2는 본 발명에 따른 방법을 도시한 도면이다.
도 3은 글로벌 데이터 기반 모델을 사용하는 것을 도시한 도면이다.
도 4는 다양한 측정 지점에서 적용된 측정값들을 하나의 그래프로 도시한 도면이다.

본 발명은 도면의 실시예들을 기초로 도식적으로 제시되어 있으며, 이하에서 도면들을 참조하여 상세하게 설명될 것이다.

도 1에는 제어장치 함수의 데이터 공급을 위한 종래의 절차가 다이어그램을 통해 제시되어 있다. 이것은 디오이(DoE)(10)의 방법을 통해 실험 설계를 수행한다. 여기에서는 테스트 스탠드 측정(14)을 위한 입력 변수(화살표 12)의 획득을 위해, 모든 변화하는 영향 변수에 대한 그리드 측정이 수행된다. 테스트 스탠드 측정(14)에 의해 측정 노이즈를 갖는 측정값들이 생성되며, 이들은 함수 라벨의 최적화를 수행하는 툴(18)에 입력된다(화살표 16). 최적화된 함수 라벨에 의해(화살표 20), 데이터가 공급된 제어장치 함수(22)가 얻어진다.

따라서, 종래기술에 따라 데이터가 공급되는 제어장치 함수를 위해, 측정을 위한 적합한 실험 설계가 특정된다. 이러한 측정들은 테스트 스탠드에서 가능한 한 정확하게 설정되고, 충전, 소비, 또는 배출과 같은 목표 변수들이 측정된다. 이러한 측정값들은 함수의 라벨값의 최적화를 위해 이용된다. 그 결과, 엔진 제어장치에 이용될 수 있는 데이터 공급된 함수가 생성된다.

도 2에는 제어장치를 위한 함수의 데이터 공급을 위한 글로벌 데이터 기반 모델을 이용하는 것이 도시되어 있으며, 여기에서는 테스트 스탠드 측정과 최적화 사이에 글로벌 데이터 기반 모델이 삽입된다. 여기에서는 디오이(DoE)(30)의 방법을 통해 실험 설계를 수행한다. 영향 변수의 변화를 통해 테스트 스탠드 측정(34)을 위한 입력 변수(화살표 32)가 결정된다. 테스트 스탠드 측정(34)에 의해 측정 노이즈를 갖는 측정값들이 생성되며, 이들을(화살표 36) 통해 글로벌 데이터 기반 모델(38)이 형성되거나 훈련된다.

글로벌 데이터 기반 모델(38)에서 또는 글로벌 데이터 기반 모델(38) 상에서, 테스트 스탠드에서의 실제 측정을 시뮬레이션하는 가상 측정이 수행된다. 이로부터 노이즈가 없는 측정값들(화살표 40)이 생성되고, 이들은 함수 라벨의 최적화가 수행되는 툴(42)에 입력된다. 함수의 최적화된 라벨(화살표 44)에 의해, 데이터 공급된 제어장치 함수(46)가 생성된다.

도 2에 제시된 본 방법에서는, 테스트 스탠드 측정(34) 이후에 글로벌 데이터 기반 모델(38)이 삽입된다. 이는 테스트 스탠드에서의 측정을 통해 훈련 지점에서 훈련되고, 품질은 테스트 지점을 통해 확인된다. 이를 위한 모델 타입으로는 모델 툴의 에이에스씨-모델(ASC-Model)이 이용될 수 있다. 신경망 또는 서포트 벡터 회귀 분석과 같은 다른 모델 타입도 고려할 수 있는 대안이지만, 이들은 추가로 모델 불확실성 시그마에 대한 적합한 산출을 필요로 한다. 이러한 모델에서는 테스트 스탠드에서의 측정 이상값도 식별할 수 있고 이를 무시하거나 재측정할 수 있다. 글로벌 데이터 기반 모델이 사용을 위해 필요한 품질을 갖게 되면, 모델 형성 단계가 종료된다.

글로벌 데이터 기반 모델을 기초로, 라벨의 최적화를 위해 더 적합한 가상 측정이 시뮬레이션된다. 이는 미리 정해진 측정 지점에서 데이터 기반 모델이 질의되는 툴에서도 실현될 수 있다. 동일한 지점에서의 반복된 질의는 또한 동일한 측정값을 생성하므로, 이러한 가상 측정은 더 이상 측정 노이즈에 관련되지 않는다. 요청되는 가상 측정 지점들에 의해, 모델 불확실성을 기초로 큰 시그마를 갖는 것들은 추려낼 수 있다.

도 3에는 다양한 차량종류의 데이터 공급을 위한 모델을 사용하는 것이 도시되어 있다. 여기에서는 디오이(DoE)(50)의 방법을 통해 실험 설계를 수행한다. 영향 변수의 변화를 통해 테스트 스탠드 측정(54)을 위한 입력 변수(화살표 52)가 결정된다. 테스트 스탠드 측정에 의해 측정 노이즈를 갖는 측정값들이 생성되며, 이들을(화살표 56) 통해 글로벌 데이터 기반 모델(58)이 생성된다. 이러한 글로벌 데이터 기반 모델(58)은 제1 차랑종류(60), 제2 차량종류(62), 그리고 제3 차량종류(64)를 위해 이용된다. 제1 차량종류(60)를 위해서는 제1 작동영역에서의 가상 측정값들이 생성되고(화살표 66), 이들은 함수의 라벨의 최적화를 위한 툴(68)에 입력된다. 그에 대응하여, 제2 차량종류(62)를 위해서는 제2 작동영역에서의 가상 측정값들이 생성되고(화살표 70), 이들은 함수의 라벨의 최적화를 위한 툴(72)에 입력된다. 마지막으로, 제3 차량종류(64)를 위해서는 제3 작동영역에서의 가상 측정값들이 생성되고(화살표 74), 이들은 함수의 라벨의 최적화를 위한 툴(76)에 입력된다.

따라서, 도 3에는 다양한 차량종류를 위한 제어장치 함수의 데이터 공급을 위한 공통된 글로벌 데이터 기반 모델(58)이 도시된다. 여기에서, 모든 차량종류의 작동 영역들을 커버하기 위한 테스트 스탠드에서의 측정 요구는 약간만 상승할 뿐이라는 점이 밝혀진다.

도 4에는 적용된 모델 방법이 그래프로 도시되어 있으며, 여기에는 가로좌표(100)에 측정 지점 또는 측정점 X가 표시되고, 세로좌표(102)에는 측정값의 크기가 표시된다. 그래프에는 측정값 또는 데이터(104), 데이터의 다항식(106), 데이터의 시그마(108), 데이터의 시그마의 다항식(110), 데이터의 베이지안 회귀 분석 모델(112), 데이터의 베이지안 회귀 분석 모델의 시그마(114), 그리고 베이지안 회귀 분석 모델의 유효성(116)이 표시된다.

도 4에서는 4개의 측정점에서 각각 10개의 측정(x=3에서는 오직 5개의 측정뿐)이 이루어진다(데이터). 출력 변수의 모델로는 단순한 3차 다항식이 선택되었고, 그의 계수들이 특정되었다(데이터의 다항식). 4개의 측정점에서는 반복 측정을 통해 측정의 변이가 특정되고(데이터의 시그마), 이들 4개의 값으로는 다시 3차 다항식이 생성되었다(데이터의 시그마의 다항식). 측정 데이터의 변이가 중앙보다 좌측에서 더 크다는 것이 확인된다. 우측에서는 반복 측정이 상당히 정확하다.

본 방법에 따라서, 변형된 베이지안 회귀 분석 방법, 예컨대, 가우시안 프로세스 모델(데이터의 가우시안 프로세스 모델)이 이용된다. 양쪽 모델 모두 측정점에서 비교할만한 모델값을 산출한다는 것이 확인된다. 베이지안 회귀 분석 모델의 모델 예측에 더하여, 모델 불확실성이 출력된다(베이지안 회귀 분석 모델의 시그마). 이는 특정 입력 지점에서 모델의 예측이 얼마나 확실한 것인지 알려준다. 4개의 측정 지점에서는 모델-시그마가 작다는 것을 알 수 있는데, 이는 이 지점들에서는 모델에 정보가 이용될 수 있기 때문이다. 측정 지점들 사이(예컨대, 5부터 8)에서는 모델이 모델 예측을 제공하는데, 이는 더 큰 모델-시그마로 인하여 불확실하다.

따라서, 이러한 모델 불확실성은 측정점의 위치에 종속되며, 측정점에서의 측정 데이터의 변이에 종속되는 것은 아니다. 비록 반복 측정의 변이가 크게 다르지만, 모델의 시그마는 x=1인 경우와 x=9인 경우에 동일하다. 그럼에도 불구하고 모델은 측정의 중간값에 대해 매우 정확한 정보를 제공한다. x=3에서는 더 적은 반복 측정이 수행된다. 따라서, 모델-시그마는 x=4인 경우에 비해 약간 높아진다. 이러한 모델-시그마로는 전체 측정 영역에서의 모델 품질이 충분히 좋은지 확인될 수 있다(베이지안 회귀 분석 모델의 유효성).

종래기술에서 알려진 측정값들의 변이에 관한 다항식 모델은, 베이지안 회귀 분석 모델에서 모델 시그마를 통해 모델 품질의 평가하는 것과는 기본적으로 구분된다.

본 방법에서 모델 품질의 평가를 위해 모델-시그마를 이용하는 것이 처음으로 수행된다는 점을 강조한다.

가상 측정은 단순히 소망하는 입력 지점(예컨대, x=6)에서의 데이터 기반 모델의 질의이다. 최적화 과제가 요구되는 경우, 비록 모델의 형성을 위한 측정이 x' = [1 3 4 9] 에서만 수행되었다고 하더라도, 모델은 예컨대 x = [0 2 4 6 8 10]에서 질의될 수 있다. 데이터 기반 모델의 질의는 가상 측정으로서 수행되며, 특히 x = [6 8]을 위한 모델 예측이 너무 부정확하다는 평가는 아직 제시되지 않았다.

예컨대, 그룹 지지 지점을 통해 다른 특성선 또는 특성도와 연결하는 경우에 있어서 지지 지점 그리드가 너무 거친 경우에는, 많은 경우에 제어장치 함수에서 각각의 특성선 또는 특성도의 지지 지점들이 변경된다. x = [1 3 5 6 7 9]를 위한 출력 변수가 필요한 경우, 모델 형성 시의 측정 지점과는 무관하게, 이는 다시 모델에서 수행될 수 있다. 이러한 특성선 또는 특성도는 글로벌 데이터 기반 모델과 혼동할 것이 아니며, 입력 변수의 최적화된 목표값을 제시한다.

예컨대 베이지안 회귀 분석 모델의 글로벌 데이터 기반 모델을 형성하거나 훈련함에 있어서, 실험 설계(DoE)에 따른 측정이 실질적으로 필요하다. 이는 그러나 다항식의 계수를 추정하기 위해 실험 설계 외에 다른 특성을 포함해야 한다. 도 4에서 확인되는 것처럼, 베이지안 회귀 분석 모델이 어디에서나 유효할 수 있도록, 측정들은 영역을 가득 채우도록 분산되어야 한다. 이를 위해서 개별적인 측정 지점에서의 반복 측정은 필요하지 않다.

회전 속도의 작동점에 관한 것으로서, 추가로 분사량을 입력 변수로 하고 소비를 출력 변수로 하는 단순한 글로벌 모델의 예는, 필요한 측정을 감소시키는 특성을 설명해줄 것이다.

글로벌 모델로서 [6×5]의 그리드를 갖는 특성도가 선택되는 경우, 소비를 위한 특성도 값을 얻기 위해서는, 회전 속도와 분사량의 변이에 대해 적어도 30개의 측정이 필요하다.

첫째 측정의 감소는, 입력 변수인 분사량에 따라 정방형의 특성을 취함으로써 달성된다. 그에 따라 각각의 작동점(6개 지지 지점)에 대해 다항식 모델이 설정되고, 이를 위해서는 각 작동 지점마다 적어도 3개의 측정이 필요하다. 그 결과, 6개 작동점 모델(코너스톤에 대응)의 형성을 위해 최소 18개의 측정이 필요하다.

이러한 모델에서는, 지지 지점들 사이의 회전 속도에 대해 요구되는 경우, 소비에 대한 출력은 맞힐 수가 없다.

회전속도 및 분사량에 대한 소비에 관한 글로벌 가우시안 프로세스 모델을 형성하기 위해서는, 소비 평면이 평탄한 경우, 영역을 가득 채우는 대략 15개의 측정들이 필요하다.

국제특허공개공보 제WO2006/051039A1호에서는 2-3-3-10 차의 글로벌 체비쇼프(Tschebyschew) 다항식의 계수를 계산하기 위해, 528개의 정확히 위치된 측정 지점들이 지정된다. 그에 대응되는 가우시안 프로세스 모델을 형성하는데에는 영역을 가득 채우는 대략 300개의 측정들로 충당되었다.

도 4에서는 측정 원리 또는 측정 장치로 인해 측정 지점에서의 측정이 측정 노이즈에 관련되어 있다는 것이 확인된다. 실제의 측정이 글로벌 데이터 기반 모델에서의 가상 측정으로 교체되면, x 지점에서의 함수값은 항상 동일한 y 값을 제공하므로, 이는 노이즈를 포함하지 않는다.

본 방법은 예컨대 엔진의 최적화된 작동을 위해, 제어장치 함수를 파라미터화하는 적용 방법을 제공한다. 제어장치 함수의 하나 또는 다수의 라벨의 지지 지점 위치 또는 개수가 변화하는 경우, 또는, 동일한 엔진을 사용하는 상이한 차량종류에 대한 제어장치 함수에 데이터를 공급할 때, 실제 시스템, 이 경우 테스트 스탠드에서의 엔진에서는 추가적인 측정이 필요 없다.

Claims (10)

1. 제어장치에 구현된 함수에 데이터를 공급하는 방법으로서,
   상이한 측정 지점들에서 시스템 상의 테스트 스탠드 상의 측정을 수행하여, 획득된 측정값들을 생성하는 단계;
   상기 획득된 측정값들을 기초로 글로벌 데이터 기반 모델을 생성하는 단계;
   상기 글로벌 데이터 기반 모델 상에서 상기 테스트 스탠드 상의 실제 측정을 시뮬레이션하는 가상 측정을 수행하는 단계;
   상기 글로벌 데이터 기반 모델로부터 상기 가상 측정의 가상 측정값의 불확실성을 결정하는 단계;
   상기 제어장치를 위한 함수에 데이터를 공급할 때, 상기 가상 측정값의 불확실성을 고려하는 단계;
   상기 가상 측정값의 불확실성을 기초로, 상기 측정 지점들의 적어도 한 영역에서 상기 데이터 기반 모델의 품질이 상기 함수에 데이터를 공급하는데 불충분한지 여부를 검출하는 단계;
   상기 측정 지점들의 적어도 한 영역에서 상기 데이터 기반 모델의 품질이 불충분한 경우, 상기 테스트 스탠드 상의 추가적인 측정으로부터의 추가 측정값에 기초하여 상기 데이터 기반 모델의 개선을 달성하는 단계;
   상기 데이터 기반 모델의 품질이 상기 함수에 데이터를 공급하는데 요구되는 품질을 제공하는 경우, 상기 제어장치에 구현된 함수에 데이터를 공급하여 상기 가상 측정으로부터의 측정값이 툴로 입력되고, 상기 제어장치에 구현된 함수의 레이블의 최적화가 수행되는 단계; 및
   상기 제어장치가 상기 데이터 공급된 함수를 수행하도록 함으로써 엔진의 물리적 프로세스를 수행하는 단계를 포함하는, 제어장치에 구현된 함수에 데이터를 공급하는 방법.
2. 제1항에 있어서,
   각각의 가상 측정값에 대해 불확실성이 결정되는, 제어장치에 구현된 함수에 데이터를 공급하는 방법.
3. 제1항에 있어서,
   상기 가상 측정값들의 적어도 하나를 상기 함수에 데이터를 공급하는 데 이용할지를 결정하기 위해, 상기 가상 측정값들의 적어도 하나의 불확실성이 이용되는, 제어장치에 구현된 함수에 데이터를 공급하는 방법.
4. 제1항에 있어서,
   상기 글로벌 데이터 기반 모델은 베이지안 회귀 분석 모델을 포함하는, 제어장치에 구현된 함수에 데이터를 공급하는 방법.
5. 제1항에 있어서,
   상기 글로벌 데이터 기반 모델은 가우시안 프로세스 모델을 포함하는, 제어장치에 구현된 함수에 데이터를 공급하는 방법.
6. 제1항에 있어서,
   상기 측정 지점들 사이에서 평탄한 회귀 분석을 구현하는 단계를 더 포함하는, 제어장치에 구현된 함수에 데이터를 공급하는 방법.
7. 제1항에 있어서,
   상기 글로벌 데이터 기반 모델을 기초로, 측정된 시스템의 특성을 시각화하는 단계를 더 포함하는, 제어장치에 구현된 함수에 데이터를 공급하는 방법.
8. 삭제
9. 삭제
10. 삭제

Images