KR20160114804A - 해석성능 평가 방법 - Google Patents

해석성능 평가 방법 Download PDF

Info

Publication number
KR20160114804A
KR20160114804A KR1020150041012A KR20150041012A KR20160114804A KR 20160114804 A KR20160114804 A KR 20160114804A KR 1020150041012 A KR1020150041012 A KR 1020150041012A KR 20150041012 A KR20150041012 A KR 20150041012A KR 20160114804 A KR20160114804 A KR 20160114804A
Authority
KR
South Korea
Prior art keywords
analysis
error data
level
result
performance evaluation
Prior art date
Application number
KR1020150041012A
Other languages
English (en)
Inventor
강동호
김철웅
Original Assignee
현대자동차주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 현대자동차주식회사 filed Critical 현대자동차주식회사
Priority to KR1020150041012A priority Critical patent/KR20160114804A/ko
Publication of KR20160114804A publication Critical patent/KR20160114804A/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
    • B62D—MOTOR VEHICLES; TRAILERS
    • B62D65/00—Designing, manufacturing, e.g. assembling, facilitating disassembly, or structurally modifying motor vehicles or trailers, not otherwise provided for
    • G06F17/5009—
    • G06F17/5095—
    • G06F2217/02—

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

해석성능 평가 방법에 관한 것이다.
해석성능 평가 방법은, 해석모델을 이용하여 차체 성능을 예측한 제1해석결과와 시험결과 간의 제1오차 데이터를 산출하는 단계, 피어슨 상관계수를 이용하여 상기 제1해석결과와 상기 시험결과 간의 상관성을 판별하는 단계, 상기 제1오차 데이터의 평균 및 표준편차를 토대로 제1신뢰구간을 획득하는 단계, 상기 제1신뢰구간을 토대로 상기 제1오차 데이터의 분포 수준에 대응하는 제1해석수준을 결정하는 단계, 그리고 상기 상관성 및 상기 제1해석수준을 포함하는 해석성능 평가결과를 출력하는 단계를 포함할 수 있다.

Description

해석성능 평가 방법{ANALYTICAL PERFORMANCE EVALUATION METHOD}
본 발명은 해석성능 평가 방법에 관한 것이다.
일반적으로 차체는 차량의 형태와 기능에 크게 영향을 미치는 중요한 요소이며 그 구성 또한 복잡하다. 차체는 탑승자가 타는 차실 공간의 쾌적성 및 정숙함을 보장해야 하고, 충돌 시 차체 변형을 통해 효율적으로 충돌에너지를 흡수하여 차실 공간이 충격에 견딜 수 있도록 견고하게 설계되어야 한다. 또한, 차체는 엔진, 서스펜션 등 주행에 필요한 부품의 탑재가 가능하고 엔진의 진동이나 노면으로부터의 입력에 견딜 수 있는 강도와 강성이 요구되며, 진동이나 소음이 차실 공간으로 전달되지 않도록 설계되어야 한다.
이와 같이 차체는 차량의 신뢰성과 밀접한 관계가 있으므로, 차체 성능을 해석하기 위한 해석 모델에 대한 연구가 진행되었다. 한편, 차체 성능을 평가하기 위한 해석 모델을 설계 시, 해석 모델의 성능 평가는 해석 모델을 개선하는데 중요한 지표가 될 수 있다. 그러나, 기존에는 해석 모델을 이용하여 차체 성능을 예측한 해석결과와 실제 시험결과 간의 오차 평균만으로 해석 모델의 성능을 평가하고 있어, 향후 신규 차종 개발 시 시험결과에 대한 객관적이고 신뢰서 있는 예측이 어려운 문제가 있다.
본 발명의 실시 예를 통해 해결하려는 과제는, 객관적이고 신뢰성 있는 해석성능 평가 방법을 제공하는 것이다.
상기 과제를 해결하기 위한 본 발명의 일 실시 예에 따른 해석성능 평가 방법은, 해석모델을 이용하여 차체 성능을 예측한 제1해석결과와 시험결과 간의 제1오차 데이터를 산출하는 단계, 피어슨 상관계수를 이용하여 상기 제1해석결과와 상기 시험결과 간의 상관성을 판별하는 단계, 상기 제1오차 데이터의 평균 및 표준편차를 토대로 제1신뢰구간을 획득하는 단계, 상기 제1신뢰구간을 토대로 상기 제1오차 데이터의 분포 수준에 대응하는 제1해석수준을 결정하는 단계, 그리고 상기 상관성 및 상기 제1해석수준을 포함하는 해석성능 평가결과를 출력하는 단계를 포함할 수 있다.
본 발명의 실시 예들에 따르면, 객관적이고 신뢰성 있는 해석성능 평가 방법을 제공하며, 이에 따라 향후 신규 차종 개발 시 객관적이고 신뢰성 있는 예측이 가능한 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 해석성능 평가 시스템을 개략적으로 도시한 구조도이다.
도 2는 본 발명의 일 실시예에 따른 해석성능 평가 시스템의 해석성능 평가 방법을 도시한 흐름도이다.
도 3은 해석결과와 시험결과 간의 산점도 그래프의 일 예를 도시한 것이다.
도 4는 본 발명의 일 실시예에 따른 해석수준을 설명하기 위한 도면이다.
도 5a는 본 발명의 일 실시예에 따른 신뢰구간을 설명하기 위한 도면이다.
도 5b는 본 발명의 일 실시예에 따른 해석성능 평가 시스템에서의 신뢰구간의 산출 예를 도시한 것이다.
도 6은 본 발명의 일 실시예에 따른 해석성능 평가 시스템의 해석성능 도출 예를 도시한 것이다.
도 7a 및 7b는 본 발명의 일 실시예에 따른 해석성능 평가 시스템에서 표준상관율을 적용하여 해석수준을 향상시키거나 강건화하는 방법을 설명하기 위한 도면이다.
도 8은 본 발명의 일 실시예에 따른 해석성능 평가 시스템(의 표준상관율의 적용 예를 도시한 것이다.
도 9a 및 도 9b는 본 발명의 일 실시예에 따른 해석성능 평가 시스템에서 표준상관율을 적용한 경우의 해석성능 평가 예를 도시한 것이다.
이하, 첨부한 도면을 참고로 하여 본 발명의 실시 예들에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예들에 한정되지 않는다.
본 발명의 실시 예를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 동일 또는 유사한 구성요소에 대해서는 동일한 참조 부호를 붙이도록 한다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
이하, 필요한 도면들을 참조하여 본 발명의 일 실시예에 따른 해석성능 평가 시스템 및 그 방법에 대해 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 해석성능 평가 시스템을 개략적으로 도시한 구조도이다.
도 1을 참고하면, 본 발명의 일 실시예에 따른 해석성능 평가 시스템(10)은, 해석/시험결과 데이터베이스(11), 사용자 입력부(12), 해석부(13), 해석성능 평가부(14) 등을 포함할 수 있다.
해석/시험결과 데이터베이스(11)는 차체 성능에 대한 해석결과와 시험결과를 대응시켜 저장한다. 여기서, 해석결과는 차량의 특성 파라미터에 기반하여 성능을 예측한 결과이고, 시험결과는 시험을 통해 획득한 차량의 실제 성능에 대응된다. 여기서, 차체 성능은, 차량의 천장 강도, 연석 주차, 비틀림, 굽힘, 옆문 강도, 처짐 강성, 프레임 강성, 후변형 강성, 도어주행 강성, 옆문 강도, 처짐 강성, 프레임 강성, 후변형 강성, 후드 굽힘 강성, 후드 비틀림 강성, 후드 후변형 강성, 리드 굽힘 강성, 리드 피틀림 강성, 리드 후변 강성 등 차체의 내구성과 관련된 성능일 수 있다.
사용자 입력부(12)는 사용자 입력을 수신하는 입력장치이다. 사용자 입력부(12)는 터치 패드, 터치 스크린, 키패드 등을 포함할 수 있다.
해석부(13)는 차량의 특성을 나타내는 적어도 하나의 특성 파라미터를 토대로 차량의 성능을 예측하여, 차량 성능에 대한 해석결과를 획득한다. 그리고, 획득한 해석결과를 해석/시험결과 데이터베이스(11)에 저장한다. 차량의 특성을 나타내는 적어도 하나의 특성 파라미터는, 사용자 입력부(12)를 통해 수신되는 사용자 입력을 토대로 획득될 수 있다.
해석성능 평가부(14)는 서로 대응하는 해석결과와 시험결과를 분석하여 해석성능을 평가한다. 여기서, 해석성능은 차량 성능을 예측하기 위해 사용된 해석 모델의 성능 즉 신뢰성에 대응하며, 해석수준, 상관성 등을 포함할 수 있다.
이하, 도 2 내지 도 5를 참고하여, 본 발명의 해석성능 평가 시스템(10)의 해석성능 평가 방법에 대해 상세하게 설명하기로 한다.
도 2는 본 발명의 일 실시예에 따른 해석성능 평가 시스템의 해석성능 평가 방법을 도시한 흐름도이다. 도 3은 해석결과와 시험결과 간의 산점도 그래프의 일 예를 도시한 것이다. 도 4는 해석수준을 설명하기 위한 도면이다. 도 5a는 신뢰구간을 설명하기 위한 도면이고, 도 5b는 신뢰구간의 산출 예를 도시한 것이다. 도 6은 본 발명의 일 실시예에 따른 해석성능 평가 시스템(10)의 해석성능 도출 예를 도시한 것이다. 도 7a 및 7b는 본 발명의 일 실시예에 따른 해석성능 평가 시스템(10)에서 표준상관율을 적용하여 해석수준을 향상시키거나 강건화하는 방법을 설명하기 위한 도면이다. 도 8은 본 발명의 일 실시예에 따른 해석성능 평가 시스템(10)의 표준상관율의 적용 예를 도시한 것이다. 도 9a 및 도 9b는 본 발명의 일 실시예에 따른 해석성능 평가 시스템(10)에서 표준상관율을 적용한 경우의 해석성능 평가 예를 도시한 것이다.
도 2를 참고하면, 본 발명의 일 실시예에 따른 해석성능 평가 시스템(10)은 적어도 하나의 차량 특성 파라미터를 차체 성능 해석 모델에 대입하여, 차량 성능을 해석한다(S100). 상기 S100 단계에서의 차량 성능에 대한 해석결과는 해석/시험결과 데이터베이스(11)에 저장된다.
해석성능 평가 시스템(10)은 해석/시험결과 데이터베이스(11)로부터 서로 대응하는 해석결과 및 시험결과를 획득하며, 해석결과와 시험결과 간의 오차 데이터를 산출한다(S101). 여기서, 해석결과와 시험결과 간의 오차 데이터는 아래의 수학식 1을 토대로 산출할 수 있다.
[수학식 1]
오차 데이터(%) = (해석결과/시험결과 - 1) × 100
아래 표 1은 본 발명의 해석결과와 시험결과 간의 오차 데이터 산출 예를 나타낸 것으로서, 항목A에 대해 해석결과와 시험결과 간의 오차 데이터를 산출한 것이다.
표 1. 오차 데이터 산출 예
Figure pat00001
위 표 1에 나타난 바와 같이, 해석결과 및 시험결과 간의 오차 데이터는, 각 성능항목에 대해 산출될 수 있다.
해석성능 평가 시스템(10)은 상기 S101 단계를 통해 오차 데이터가 산출되면, 이를 기 설정된 임계값과 비교한다(S102).
상기 S102 단계에서, 해석결과와 시험결과 간의 오차 데이터가 기 설정된 임계값보다 큰 경우, 사용자는 해석 표준 준수 여부, 시험 차량 품질 등을 분석하여 오차 발생 원인을 분석한다. 그리고, 분석 결과에 따라서 오차를 감소시키는 방향으로 차량 특성 파라미터를 갱신하기 위한 입력을 사용자 입력부(12)로 입력한다.
해석성능 평가 시스템(10)은 사용자 입력부(12)를 통해 차량 특성 파라미터 갱신을 위한 사용자 입력이 수신되면, 이를 토대로 성능 해석에 사용되는 차량 특성 파라미터를 갱신한다(S103).
해석성능 평가 시스템(10)은 차량 특성 파라미터가 갱신됨에 따라, 갱신된 특성 파라미터를 차체 성능 해석 모델에 대입하여, 차량 성능을 재해석한다(S100). 그리고, 해석/시험결과 데이터베이스(11)에 저장된 해석결과를 재해석결과로 갱신한다. 또한, 해석성능 평가 시스템(10)은 해석결과와 시험결과 간의 오차 데이터를 재 산출하고, 이를 다시 기 설정된 임계값과 비교한다(S101, S102). 그리고, 해석결과와 시험결과 간의 오차 데이터가 임계값보다 큰 경우, 특성 파라미터를 다시 갱신한다(S103).
전술한 바와 같이, 해석성능 평가 시스템(10)은 해석결과와 시험결과 간의 오차 데이터가 기 설정된 임계값 이하를 만족할 때까지, 상기 S100 단계 내지 S103 단계를 반복적으로 수행할 수 있다.
상기 S102 단계에서, 해석결과와 시험결과 간의 오차 데이터가 기 설정된 임계값 이하인 경우, 해석성능 평가 시스템(10)은 현재 해석결과를 분석 데이터를 사용하여, 해석성능에 대한 평가를 수행한다(S104). 또한, 해석성능에 대한 평가결과를 출력하여 사용자에게 제공한다.
상기 S104 단계에서, 해석성능에 대한 평가 지표로는, 해석결과와 시험결과 간의 상관성, 해석수준 등을 포함할 수 있다.
상기 S104 단계에서, 해석성능 평가 시스템(10)은 상관성 분석을 통해 해석결과와 시험결과 간의 상관성을 판별한다.
상관성은, 피어슨 상관 계수를 이용한 상관분석을 통해 획득할 수 있다.
상관분석은 두 변수(해석결과 및 시험결과) 간에 어떤 선형적 관계를 갖고 있는지를 분석하는 방법이다. 여기서, 두 변수는 서로 독립적인 관계로부터 서로 상관된 관계일 수 있으며, 이 때 두 변수 간의 관계의 강도를 상관성(또는 상관관계)이라 한다. 상관분석에서 상관성의 정도는 상관계수로 나타낼 수 있다.
다음의 수학식 1은, 해석결과와 시험결과 간의 상관성 도출을 위한 피어슨 상관계수(Pearson's correlation coefficient)를 산출하기 위한 것이다.
[수학식 1]
Figure pat00002
위 수학식 1에서, rX ,Y는 해석결과(X)와 시험결과(Y) 간의 피어슨 상관계수를 나타내며, -1≤rX ,Y≥1의 값을 가질 수 있다. 또한, cov(X, Y)는 해석결과와 시험결과의 공분산을 나타내고, σx 및 σY는 각각 X 및 Y의 표준편차를 나타낸다.
아래 표 2는 해석결과 및 시험결과 간의 피어슨 상관계수 도출 예로서, 항목A에 대한 해석결과 및 시험결과 간의 피어슨 상관계수를 나타낸다.
표 2. 피어슨 상관계수 도출 예
Figure pat00003
표 2를 참고하면, 항목A에 대한 해석결과와 실제 시험결과 간의 피어슨 상관 계수는 0.98로, 이 경우 해석성능 평가 시스템(10)은 상관성이 높은 것으로 판단한다. 이와 같이 해석결과와 시험결과 간의 상관성인 높은 경우, 도 3에 도시된 바와 같이, 그래프 상의 분포에서도 분포 중심선(추세선) 기준 분포의 잔차가 좁게 나타난다.
상기 S104 단계에서, 해석성능 평가 시스템(10)은 해석결과와 시험결과 간의 오차 데이터를 분석하여 해석수준을 판별한다.
해석수준은, 오차 데이터의 분포 수준을 나타내며, 해석결과와 시험결과 간의 오차 데이터에 따라서 그 등급이 달라질 수 있다. 아래 표 3은 오차 데이터에 따른 해석수준을 나타내는 것으로서, 해석수준은 오차 데이터의 크기에 따라 여러 등급으로 나누어진다.
표 3. 오차 데이터에 따른 해석수준
Figure pat00004
위 표 3에서, 오차 데이터가 20%보다 큰 경우, 해석수준은 1이 되고, 오차 데이터가 20% 내지 10% 이내인 경우 해석수준은 2가 된다. 또한, 오차 데이터가 10% 내지 5% 이내인 경우 해석수준은 3이 되고, 해석수준이 5%보다 작은 경우 해석수준은 4가 된다. 해석수준이 4인 경우, 해석결과의 신뢰성이 매우 높아 차체 성능에 대한 해석과정이 시험과정을 대체하는 것이 가능하다.
도 4는 표 3에서 정의된 해석수준을 과녁 형태로 도시한 것이다. 도 4에서, 과녁에서의 원형의 각 테두리는 각 해석수준의 범위를 나타내며, 과녁의 중심은 목표치(TG)인 시험결과에 해당한다. 또한, 도 4에서 표본 집단(4A, 4B)은 오차 데이터 집단을 나타내며, 그 배열은 대응하는 해석결과와 시험결과간의 상관성에 의해 정의되고, 표본 집단(4A, 4B)의 테두리(점선)은 표본 집단(4A, 4B)의 평균 및 표준편차에 의해 정의될 수 있다. 도 4를 참고하면, 제2표본 집단(4B)은 제1표본 집단(4A)에 비해 과녁 상에 골고루 분포되어, 다음 해석 시 시험결과에 근접할 가능성이 제1표본 집단(4A)보다 높으므로, 제2표본 집단(4B)은 제1표본 집단(4A)에 비해 시험결과와의 상관성이 높다.
해석수준을 판별하기 위해, 해석성능 평가 시스템(10)은 각 성능 별로 해석결과 및 시험결과 간의 오차 데이터를 분석하여, 신뢰구간(confidence interval)을 획득한다.
신뢰구간을 획득하기 위해, 해석성능 평가 시스템(10)은 우선 표본으로 선택된 오차 데이터들의 평균 및 표준편차를 산출한다. 여기서, 오차 데이터의 평균 및 표준편차는, 각 성능항목 별로 산출되며, 하나의 성능항목에 대해 복수의 모델(또는 차종)로부터 획득한 해석결과 및 시험결과를 이용하여 산출된다.
아래 표 4는 해석결과 및 시험결과 간의 오차 데이터의 평균 및 표준 편차의 산출 예로서, 항목A에 대한 해석결과 및 시험결과 간의 오차 데이터의 평균 및 표준 편차를 나타낸다.
표 4. 오차 데이터의 평균 및 표준 편차
Figure pat00005
위 표 4에서 오차 데이터의 평균은, 표본으로 선택된 오차 데이터들의 중심값으로 오차 데이터의 전반적인 특성을 나타낸다. 또한, 오차 데이터의 표준편차는, 표본으로 선택된 각 오차 데이터가 평균으로부터 얼마나 떨어져 있는가를 나타내는 지표이다.
해석성능 평가 시스템(10)은 오차 데이터의 평균 및 오차 데이터의 표준 편차가 산출되면, 이를 분석하여 신뢰구간을 획득한다.
통계학에서 모집단으로부터 표본을 추출하고, 추출된 표본의 통계량(표본평균, 표본표준편차)을 통해 모수(모평균, 모표준편차)를 추정하며, 이를 점추정(point estimation)이라 한다. 점추정만으로는 이 모수가 얼마나 정밀하게 추정되는지 알 수 없으므로, 모평균이 존재할 구간을 확률적으로 추정하는 구간추정(interval estimation)이 동시에 사용될 수 있다.
대표적인 구간추정이 신뢰구간이다. 신뢰구간이란 이 구간 내에 실제 모수가 존재할 것으로 예측되는 구간으로 정의되며, 90%, 95%, 99% 신뢰구간 등 다양한 정도의 구간 추정이 가능하다. 예를 들어, 95% 신뢰구간은 예측된 구간 내에 실제 모평균이 있을 가능성이 95%임을 나타낸다.
본 발명의 일 실시예에서, 표본은 해석결과와 시험결과 간의 오차 데이터를 나타내며, 신뢰구간은 표본(오차 데이터)의 표본 평균 및 표본 표준편차를 이용하여 산출할 수 있다. 아래 수학식 2는, 모평균의 신뢰구간을 산출하는 공식을 나타낸다.
[수학식 2]
신뢰구간 = 표본 평균 ± (임계치×표준오차) = 표본 평균 ± (임계치× s/sqrt(N))
위 수학식 3에서, s는 표본 표준편차를 나타내고, N은 표본사이즈(표본 수)를 나타낸다.
도 4a를 예로 들면, 오차 데이터의 평균이 -3.0%이고 표준편차가 5.25%인 경우, 오차 데이터의 신뢰구간은 -5.70% 내지 -0.30%가 된다.
전술한 바와 같이 산출된 신뢰구간은 표본(오차 데이터)의 분포 영역을 나타내는 테두리로서 오차 데이터 분포를 확인하기 위해 사용된다. 도 4a를 참고하면, 표본(오차 데이터)의 테두리는 신뢰구간의 신뢰성이 커질수록 외곽으로 확대된다.
해석성능 평가 시스템(10)은 신뢰구간을 토대로 해석수준에 대한 가설이 설정되면, 가설검증을 통해 오차 데이터의 분포 수준 즉, 최종 해석수준을 결정한다.
가설검증은, 모집단의 특성에 대한 어떤 가설을 설정한 뒤, 표본을 선택해 통계량을 산출한 다음, 이를 기초로 해당 가설의 채택 여부를 결정하는 검증 과정을 의미한다.
가설검증을 위해서는 귀무가설과 대립가설을 세울 필요가 있다. 귀무가설(또는 영가설)은 모집단과 통계량 사이에 차이가 없거나 지금까지 알려진 사실과 같다고 하는 가설을 의미한다. 대립가설은 귀무가설과는 반대로 모집단과 통계량 사이에 차이가 있거나 새로운 사실이 옳다고 하는 가설을 의미한다. 예를 들어, 귀무가설은 '해석수준이 3수준이다'이고, 대립가설은 '해석수준이 3수준이 아니다'일 수 있다.
가설이 설정되면, 신뢰구간, 유의수준, 유의성(p-value) 등을 통해 귀무가설을 기각할 범위(예를 들어, 0.5%, 1%, 5%)를 정의하고, 귀무가설에 반대되는 증거를 평가할 통계량을 획득한다. 그리고, 획득한 검증 통계량이 기 설정된 기준을 만족하는지에 따라서 귀무가설을 기각하거나 수락한다.
본 발명의 일 실시예에 따른 해석성능 평가 시스템(10)은 가설 검증을 위한 통계량으로 표본 평균(또는 신뢰구간)을 사용한다. 또한, 기 설정된 가설(해석수준)을 기각하거나 수락하는 기준은, '유의성(p) < 0.05'이다. 즉, 해석성능 평가 시스템(10)은 표본 집단의 분포 특성이 기 설정된 기준(유의성(p) < 0.05)을 만족하는 경우, 기 설정된 해석수준을 최종 해석수준으로 결정한다. 반면에, 표본 집단의 특성(표본 평균)이 기 설정된 기준(유의성(p) < 0.05)을 불만족하는 경우, 기 설정된 해석수준을 기각한다.
전술한 가설검증 과정을 통해, 해석성능 평가 시스템(10)은 표본(오차 데이터) 집단의 분포 특성이 귀무가설로 설정된 해석수준의 범위 내에 존재하는지를 판별하여, 기 설정된 해석수준을 기각하거나 수락한다.
전술한 바와 같이, 본 발명의 일 실시예에 따른 해석성능 평가 시스템(10)은 오차 데이터의 분석을 통해 해석결과와 시험결과 간의 상관성 및 해석수준을 판별함으로써, 해석성능을 평가할 수 있다. 도 6은 전술한 과정을 통해 평가한 해석성능의 예를 도시한 것이다.
도 6을 참고하면, 항목AA의 경우, 해석결과와 시험결과 간의 피어슨 상관계수가 0.98로 높게 나타났다. 또한, 오차 데이터의 평균 및 표준편차가 각각 -3.0% 및 5.25%이고, 이에 따른 신뢰구간이 [-5.70%, -0.30%]이며, 가설검증에 의해 해석수준이 3수준으로 결정되었다.
항목BB의 경우, 해석결과와 시험결과 간의 피어슨 상관계수가 0.97로 높게 나타났다. 또한, 오차 데이터의 평균 및 표준편차가 각각 -2.10% 및 6.26%이고, 이에 따른 신뢰구간이 [-5.43%, -1.23%]이며, 가설검증에 의해 해석수준이 4수준으로 결정되었다.
항목CC의 경우, 해석결과와 시험결과 간의 피어슨 상관계수가 0.76으로 높게 나타났다. 또한, 오차 데이터의 평균 및 표준편차가 각각 -0.62% 및 8.68%이고, 이에 따른 신뢰구간이 [--4.89%, 6.13%]이며, 가설검증에 의해 해석수준이 3수준으로 결정되었다
한편, 본 발명의 일 실시예에 따른 해석성능 평가 시스템(10)은 해석에 의한 시험결과 예측 성능을 향상시키기 위해, 해석결과에 표준상관율을 적용할 수도 있다. 즉, 표본 집단이 해석수준(도 4의 과녁, 모집단) 내에 들어오도록, 표본 집단에 소정의 비율을 적용하여 표본 집단의 평균을 모집단의 평균으로 이동시키는 zero 근사화를 수행한다. 표준상관율 적용으로 인해, 해석수준이 향상되거나 강건화 될 수 있다.
도 7a 및 7b는 각각 해석수준을 향상시키거나 강건화하기 위한 표준상관율 적용 예를 도시한 것이다.
표준상관율 적용을 통한 해석수준의 향상은, 해석수준의 범위를 벗어난 표본 집단의 특성을 표준상관율 적용으로 해석수준 범위 내로 이동시키는 것을 의미한다. 도 7a를 참고하면, 실제 해석결과와 시험결과로부터 획득한 표본 집단(오차 데이터 집단)은, 표준상관율 적용 전에는 그 테두리가 해석수준의 범위를 벗어난다. 그러나, 표준상관율을 적용하는 경우, 그 평균이 모집단의 평균으로 이동하며, 표본 집단이 해석수준 범위 내로 이동하게 된다.
표준상관율 적용을 통한 해석수준의 강건화는, 표본 집단의 특성이 해석수준의 범위 내에 존재하나, 해석수준의 범위를 나타내는 테두리와 표본 집단의 특성을 나타내는 테두리 간의 간격이 임계치 이하로 작은 경우, 표본 집단의 특성에 표준상관율을 적용하여 표본 특성을 강건화하는 것을 의미한다. 도 7b를 참고하면, 실제 해석결과와 시험결과로부터 획득한 표본 집단(오차 데이터 집단)은, 표준상관율 적용 전에는 그 테두리가 해석수준의 범위와 거의 일치한다. 그러나, 표준상관율을 적용하는 경우, 그 평균이 모집단의 평균으로 이동하며, 표준 집단의 특성을 나타내는 테두리와 해석수준의 범위를 나타내는 테두리 간에는 충분한 간격이 마련된다.
아래의 표 5 및 도 8은 실제 해석결과와 시험결과에 표준상관율을 적용한 예를 도시한 것이다.
표 5. 표준상관율 적용 예
Figure pat00006
위 표 5 및 도 8을 참고하면, 항목A 에 대한 실제 해석결과 시험결과 간의 오차 데이터의 평균은 -8%이고, 표준편차는 5%이다. 이후, 오차 데이터의 평균이 zero 근사화하도록, 각 해석결과에 표준상관율 1/0.92을 곱함에 따라, 오차 데이터의 평균은 -0.20%로 근사화되고, 오차 데이터는 해석수준 4의 범위(±5%) 내에 분포되어 해석수준이 향상된다.
전술한 바와 같이, 각 해석결과에 표준상관율을 적용하는 경우, 해석성능 평가 시스템(10)은 표준상관율이 적용된 해석결과를 이용하여 전술한 S104 단계를 수행하여 해석성능을 평가한다. 즉, 표준상관율이 적용된 해석결과와 시험결과 간의 상관성을 판별하고, 표준상관율의 적용으로 변경된 오차 데이터 평균을 이용하여 해석수준을 결정한다.
도 9a 및 도 9b는 표준상관율을 적용한 경우의 해석성능 평가 예를 도시한 것으로서, 각각 도 6의 항목AA와 항목BB에 대해 표준상관율을 적용한 경우를 도시한 것이다.
도 9a를 참고하면, 도 6의 항목AA에 경험적으로 획득한 표준상관율 5%를 적용할 경우 해석수준은 3수준을 유지하나, 표준상관율을 8%로 조정할 경우 해석수준은 수준4로 향상될 수 있다.
도 9b를 참고하면, 도 6의 항목BB에 경험적으로 획득한 표준상관율 10%를 적용하는 경우에 비해, 표준상관율을 12%로 조정할 경우 해석수준이 더욱 안정화됨을 알 수 있다.
전술한 바와 같이, 본 발명의 일 실시예에서는 해석결과와 시험결과 간의 오차 데이터를 분석하여, 해석결과의 시험결과 간의 상관성 및 해석결과의 해석수준을 판별하고, 이를 사용자에게 리포팅함으로써 차체 성능을 해석하는 해석 모델에 대한 객관적인 성능 평가가 가능하다. 또한, 이러한 성능 평가를 이용하여 향후 신규 차종 개발 시 시험결과에 대한 객관적이고 신뢰성 있는 예측이 가능한 효과가 있다.
본 발명의 실시 예에 의한 해석성능 평가 방법은 소프트웨어를 통해 실행될 수 있다. 소프트웨어로 실행될 때, 본 발명의 구성 수단들은 필요한 작업을 실행하는 코드 세그먼트들이다. 프로그램 또는 코드 세그먼트들은 프로세서 판독 기능 매체에 저장되거나 전송 매체 또는 통신망에서 반송파와 결합된 컴퓨터 데이터 신호에 의하여 전송될 수 있다.
컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록 장치의 예로는, ROM, RAM, CD-ROM, DVD_ROM, DVD_RAM, 자기 테이프, 플로피 디스크, 하드 디스크, 광 데이터 저장장치 등이 있다. 또한, 컴퓨터로 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 장치에 분산되어 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
지금까지 참조한 도면과 기재된 발명의 상세한 설명은 단지 본 발명의 예시적인 것으로서, 이는 단지 본 발명을 설명하기 위한 목적에서 사용된 것이지 의미 한정이나 특허청구범위에 기재된 본 발명의 범위를 제한하기 위하여 사용된 것은 아니다. 그러므로 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 용이하게 선택하여 대체할 수 있다. 또한 당업자는 본 명세서에서 설명된 구성요소 중 일부를 성능의 열화 없이 생략하거나 성능을 개선하기 위해 구성요소를 추가할 수 있다. 뿐만 아니라, 당업자는 공정 환경이나 장비에 따라 본 명세서에서 설명한 방법 단계의 순서를 변경할 수도 있다. 따라서 본 발명의 범위는 설명된 실시형태가 아니라 특허청구범위 및 그 균등물에 의해 결정되어야 한다.

Claims (7)

  1. 해석모델을 이용하여 차체 성능을 예측한 제1해석결과와 시험결과 간의 제1오차 데이터를 산출하는 단계,
    피어슨 상관계수를 이용하여 상기 제1해석결과와 상기 시험결과 간의 상관성을 판별하는 단계,
    상기 제1오차 데이터의 평균 및 표준편차를 토대로 제1신뢰구간을 획득하는 단계,
    상기 제1신뢰구간을 토대로 상기 제1오차 데이터의 분포 수준에 대응하는 제1해석수준을 결정하는 단계, 그리고
    상기 상관성 및 상기 제1해석수준을 포함하는 해석성능 평가결과를 출력하는 단계
    를 포함하는 해석성능 평가 방법.
  2. 제1항에 있어서,
    상기 제1해석수준을 결정하는 단계는,
    상기 제1해석수준의 가설을 설정하는 단계, 그리고
    상기 제1신뢰구간 및 상기 제1오차 데이터의 평균을 토대로 상기 가설에 대한 가설검증을 수행하여, 상기 제1해석수준을 결정하는 단계
    를 포함하는 해석성능 평가 방법.
  3. 제2항에 있어서,
    상기 가설검증을 수행하여 상기 제1해석수준을 결정하는 단계는,
    상기 제1신뢰구간 및 상기 제1오차 데이터의 평균을 토대로 상기 제1오차 데이터의 분포 특성이 상기 가설로 설정된 해석수준의 기준범위를 만족한다고 판단되면, 상기 가설로 설정된 해석수준을 상기 제1해석수준으로 결정하는 단계인 해석성능 평가 방법.
  4. 제1항에 있어서,
    상기 제1해석과에 오차 데이터의 평균이 zero 근사화하도록 표준상관율을 적용한 제2해석결과와 상기 시험결과 간의 제2오차 데이터를 산출하는 단계,
    상기 제2오차 데이터의 평균 및 표준편차를 토대로 제2신뢰구간을 획득하는 단계,
    상기 제2신뢰구간을 토대로 상기 제2오차 데이터의 분포 수준을 나타내는 제2해석수준을 결정하는 단계, 그리고
    상기 상관성 및 상기 제2해석수준을 포함하는 해석성능 평가결과를 출력하는 단계
    를 더 포함하는 해석성능 평가 방법.
  5. 제1항에 있어서,
    상기 차체 성능을 결정하는 적어도 하나의 특성 파라미터를 상기 해석모델에 대입하여 상기 제1해석결과를 획득하는 단계를 더 포함하는 해석성능 평가 방법.
  6. 제5항에 있어서,
    상기 제1오차 데이터가 기 설정된 임계값보다 크면, 상기 적어도 하나의 특성 파라미터를 갱신하는 단계를 더 포함하는 해석성능 평가 방법.
  7. 제1항 내지 제6항 중 어느 한 항의 방법을 실행시키기 위해 기록매체에 저장된 프로그램.
KR1020150041012A 2015-03-24 2015-03-24 해석성능 평가 방법 KR20160114804A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020150041012A KR20160114804A (ko) 2015-03-24 2015-03-24 해석성능 평가 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020150041012A KR20160114804A (ko) 2015-03-24 2015-03-24 해석성능 평가 방법

Publications (1)

Publication Number Publication Date
KR20160114804A true KR20160114804A (ko) 2016-10-06

Family

ID=57164310

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150041012A KR20160114804A (ko) 2015-03-24 2015-03-24 해석성능 평가 방법

Country Status (1)

Country Link
KR (1) KR20160114804A (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107862126A (zh) * 2017-11-02 2018-03-30 中国科学院数学与系统科学研究院 一种部件级信息多样性条件下的系统可靠性评估方法
CN109543324A (zh) * 2018-11-28 2019-03-29 哈尔滨工业大学 基于皮尔逊相关系数的热机械分析曲线转折点的测定方法
CN111610481A (zh) * 2020-04-20 2020-09-01 国网山东省电力公司青岛供电公司 电容式电压互感器性能检测方法及系统
WO2021196367A1 (zh) * 2020-03-30 2021-10-07 青岛理工大学 基于三层数据集神经网络的性能地震动危险性分析方法
CN116879513A (zh) * 2023-09-07 2023-10-13 中碳实测(北京)科技有限公司 气体分析系统的验证方法、装置、设备及存储介质

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107862126A (zh) * 2017-11-02 2018-03-30 中国科学院数学与系统科学研究院 一种部件级信息多样性条件下的系统可靠性评估方法
CN107862126B (zh) * 2017-11-02 2020-11-27 中国科学院数学与系统科学研究院 一种部件级信息多样性条件下的系统可靠性评估方法
CN109543324A (zh) * 2018-11-28 2019-03-29 哈尔滨工业大学 基于皮尔逊相关系数的热机械分析曲线转折点的测定方法
CN109543324B (zh) * 2018-11-28 2022-09-13 哈尔滨工业大学 基于皮尔逊相关系数的热机械分析曲线转折点的测定方法
WO2021196367A1 (zh) * 2020-03-30 2021-10-07 青岛理工大学 基于三层数据集神经网络的性能地震动危险性分析方法
CN111610481A (zh) * 2020-04-20 2020-09-01 国网山东省电力公司青岛供电公司 电容式电压互感器性能检测方法及系统
CN111610481B (zh) * 2020-04-20 2022-06-07 国网山东省电力公司青岛供电公司 电容式电压互感器性能检测方法及系统
CN116879513A (zh) * 2023-09-07 2023-10-13 中碳实测(北京)科技有限公司 气体分析系统的验证方法、装置、设备及存储介质
CN116879513B (zh) * 2023-09-07 2023-11-14 中碳实测(北京)科技有限公司 气体分析系统的验证方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
KR20160114804A (ko) 해석성능 평가 방법
CN108773373B (zh) 用于操作自动驾驶车辆的方法和装置
WO2005086068A3 (en) Methods and systems for predicting occurrence of an event
CN110210134B (zh) 一种白车身结构优化设计方法及结构优化设计装置
CN109995562B (zh) 网络业务量预测方法、装置、设备及介质
CN111186446B (zh) 自动驾驶的控制方法、装置和计算机可读存储介质
CN112801231B (zh) 用于业务对象分类的决策模型训练方法和装置
CN116743501A (zh) 一种异常流量控制方法及系统
Lim et al. Role of multi-response principal component analysis in reliability-based robust design optimization: an application to commercial vehicle design
CN113022520B (zh) 自适应刹车方法、设备和存储介质
CN115186547A (zh) 整车性能分析优化方法、装置、设备及存储介质
CN112464409B (zh) 车辆性能参数设定方法及装置
KR100706544B1 (ko) 전산해석 신뢰도 분석방법
JP7147479B2 (ja) 構造体の設計支援方法
CN115447589A (zh) 人机共驾条件下接管成功概率预测以及干预效果评估方法
CN110322055B (zh) 一种提高数据风险模型评分稳定性的方法和系统
CN114912549A (zh) 风险交易识别模型的训练方法、风险交易识别方法和装置
CN113919189A (zh) 一种基于物理轮胎模型的整车路噪分析方法
US11475255B2 (en) Method for adaptive context length control for on-line edge learning
WO2021181687A1 (ja) 予測モデル作成装置、予測モデル作成方法及びプログラム
KR102105032B1 (ko) 시스템의 다중 성능 최적화를 위한 효율적인 파레토 집합 선택 방법
CN116137600A (zh) 防火墙的安全度预测方法及装置
CN113486448A (zh) 一种基于掩蔽效应评价变速器啸叫的方法
Fullam et al. A temporal policy for trusting information
CN110907946A (zh) 一种位移填补建模的方法和相关装置