HEV(하이브리드 전기차), PHEV(플러그인 하이브리드 전기차), BEV(배터리 전기차) 등의 EV(전동화 차량)를 개발하는 엔지니어는 AI를 활용하여 센서가 직접 측정할 수 없는 수량을 추정하고, 제어 전략을 최적화하고, 보다 빠르게 시뮬레이션하는 모델을 구축합니다. 이러한 기법은 모델 기반 설계 워크플로에 직접 통합되어 팀이 이미 사용 중인 물리 기반 모델, 제어 알고리즘, 검증 공정을 강화합니다.
팀은 MATLAB® 및 Simulink®에서 직접 해당 AI 모델을 훈련시키거나 PyTorch 같은 오픈소스 프레임워크에서 훈련된 모델을 가져온 다음, 배포 전에 시뮬레이션 및 검증을 통해 모델을 실행할 수 있습니다.
이 전환은 양산 차량 프로그램에서 이미 진행 중입니다. Hyundai, Cummins, Subaru, Schaeffler, Yanmar, Mercedes-Benz 및 기타 자동차 회사는 이미 AI를 EV 개발 워크플로에 통합했습니다. 이러한 기업의 엔지니어링 팀이 수행 중인 업무에 기반하여 작성된 이 백서의 사례 연구에서는 AI 기반 자동차공학이 미래의 가능성이 아니라 이미 현장에서 활용되고 있음을 보여줍니다. 전통적인 방식에만 의존하는 조직은 압축된 차량 개발 주기에 발맞추기 어려울 수 있습니다.
모델 기반 설계의 맥락에서 플랜트 모델링, 제어 설계, 배포 및 검증에 사용되는 AI 기반 접근법.
전동화 차량 개발 워크플로의 각 단계에 적합한 AI:
- 플랜트 모델링: 시스템 식별은 측정된 데이터를 바탕으로 직접 동적 모델을 만드는 반면, ROM(차수 축소 모델링)은 타사 툴을 통한 느린 연동 시뮬레이션과 같이 계산 집약적인 컴포넌트 모델을 빠르고 정확한 대리 모델로 대체합니다. 이와 더불어, 이러한 접근법을 사용하면 제어 개발, 최적화, 트레이드오프 분석, HIL(Hardware-in-the-Loop) 테스트를 효율적으로 시뮬레이션하고 실시간으로 실행할 수 있습니다.
- 제어 설계: 가상 센서는 차량 버스에서 이미 사용 가능한 신호를 바탕으로 제어기에서 필요로 하는 수량을 추정합니다. 강화 학습, 모델 예측 제어 및 기타 고급 제어 방법을 사용하면 제어 전략과 보정을 최적화할 수 있습니다.
- 배포 및 검증: 자동차 ECU에 AI 모델을 배포하고 안전 필수 시스템에서 해당 모델의 동작을 검증하려면 훈련을 넘어 압축, 코드 생성, 강인성 테스트, 런타임 모니터링으로 확대되는 워크플로가 필요합니다.
차량이 운행을 시작한 이후 AI 기반 이상 탐지를 통해 고장이 발생하기 전에 배터리와 하드웨어의 성능 저하를 감지합니다. 운영 데이터를 통해 고장을 조기에 경고하고 잔여 수명을 추정할 수 있습니다.
이어지는 섹션에서는 AI 기법을 통해 EV 개발 워크플로 전반에서 이러한 엔지니어링 문제를 해결하는 방법을 보여줍니다.
EV 개발 워크플로 전반에서 엔지니어링 문제를 해결하는 AI 응용 사례.
또한 생성형 AI와 에이전틱 AI는 신속한 아티팩트 생성부터 엔지니어가 정의한 목표에 따른 작업 실행에 이르는 엔지니어링 워크플로에 영향을 미치기 시작했습니다. 이 백서에서는 이러한 활용 사례를 다루지 않습니다. 대신, 엔지니어가 모델 기반 설계 내에서 구축하고 검증한 다음 프로덕션 하드웨어에 배포하는 AI 모델의 사용에 대해 중점적으로 설명합니다.
컴포넌트 설계를 위해 구축된 고충실도 물리 모델(타사 툴의 모델 포함)은 제어, 아키텍처 선택, 시스템 수준 상호 작용을 평가하는 데 필요한 상세한 컴포넌트 거동을 제공하므로 Simulink를 통해 연동 시뮬레이션하는 경우가 많습니다. 이러한 컴포넌트 모델은 시스템 수준 시뮬레이션과 제어 설계 최적화에 필요한 빠른 반복을 계산하는 데 너무 많은 비용이 들 수 있으며 HIL 테스트 또는 온라인 추정을 실시간으로 실행하지 못할 수도 있습니다. 이러한 모델은 원래 설계 목적에는 잘 부합하지만, 더 광범위한 엔지니어링 워크플로로 확장할 수 없습니다.
AI 기반 플랜트 모델링을 사용하면 시스템 식별과 차수 축소 모델링이라는 두 가지 관련 접근법을 통해 이 문제를 해결할 수 있습니다. 물리 컴포넌트는 사용할 수 있지만 적합한 시뮬레이션 모델이 없는 경우 시스템 식별에서는 측정된 실험실, 다이노 또는 필드 데이터를 사용하여 동적 모델을 구축합니다. 예를 들어, 엔지니어링 팀은 공급업체로부터 컴포넌트를 수령하고 시스템 수준 시뮬레이션 또는 제어 설계를 위한 모델을 만들어야 할 수 있습니다. 차수 축소 모델링에서는 고충실도 모델의 데이터를 사용하여 주변 시스템에 필요한 입력-출력 동작을 유지하는 더욱 빠른 대리 모델을 훈련시킵니다.
MATLAB 및 Simulink는 두 가지 워크플로를 모두 지원합니다. 엔지니어는 비선형 ARX 및 신경망 상태공간 모델 등의 시스템 식별 기법을 사용하여 측정된 데이터로부터 AI 기반 동적 모델을 구축할 수 있습니다. 또한 고충실도 모델에 대한 DOE(실험계획법) 연구를 사용하여 딥러닝 또는 머신러닝 기법을 통해 구축한 AI 기반 대리 모델과 룩업 테이블 등 차수 축소 모델을 위한 훈련 데이터를 생성할 수도 있습니다.
MATLAB 및 Simulink에서 ROM을 생성하는 AI 기반 접근법과 AI 기반이 아닌 접근법.
HATCI(현대 미국 기술연구소)는 아이오닉 5 AWD의 열 제어 개발을 위해 고정 시간 스텝 솔버를 사용하여 실시간보다 빠르게 실행할 수 있는 시뮬레이션 환경이 필요했습니다. 기존 GT-SUITE 참조 모델은 반복 제어 설계에 사용하기에는 너무 느렸으며 다른 시뮬레이션 환경에 배포할 수 없었습니다.
팀은 MATLAB 및 Simulink에서 전체 차량을 재구성했습니다. Simulink에서는 매핑 기반 파워트레인 모델을 재구성하고 Simscape®에서는 전력전자, 배터리 냉각수 루프 및 냉매 루프를 포함한 전체 열 시스템을 재구성했습니다. 팀은 표준 동력계 사이클과 계측기가 장착된 아이오닉 5의 도로 주행 데이터를 사용하여 모델을 검증했으며, 에너지 소비량이 측정값의 1.3% 이내임을 확인했습니다.
냉동 루프 내의 압축기 스위칭 과도와 팽창 밸브의 동특성으로 인해 강성 수치적 거동이 발생하여 고정 시간 스텝 솔버 사용 시 시뮬레이션이 실패했습니다. 이를 해결하기 위해 팀은 전체 냉매 루프를 Reduced Order Modeler 앱에서 훈련시킨 신경망 상태공간 모델로 교체했습니다. ROM은 시스템 온도, 밸브 위치 및 펌프 속도를 입력값으로 받아 냉매 루프와 나머지 냉각 시스템 사이의 상호 작용 지점인 수냉식 응축기의 냉매 온도를 예측합니다. 훈련 데이터는 -20~35°C의 주변 온도에서 진행된 35회의 도로 주행 세션에서 얻었으며 훈련은 1시간 이내에 완료되었습니다.
전력전자 및 배터리 냉각수 루프는 Simscape에 유지되고 냉매 루프는 수냉식 응축기 온도를 출력하는 데이터 주도 ROM으로 대체한 열 모델 아키텍처. (이미지 출처: Hyundai America Technical Center, Inc.)
ROM이 적용된 상태에서 아이오닉 5 모델은 0.1초의 고정 시간 스텝 솔버 사용 시 실시간보다 최대 5배 더 빠르게 실행됩니다. A/C 모드(30°C)와 히터 모드(-5°C)에서 테스트 데이터를 바탕으로 검증한 결과 전체 작동 범위에서 정확도가 확인되었습니다.
30°C 주변 온도의 A/C 모드에서 주요 열 컴포넌트(모터, 배터리, 오일 루프, 전력전자 냉각수 및 냉매)의 시뮬레이션 온도와 측정 온도 비교. (이미지 출처: Hyundai America Technical Center, Inc.)
Cummins는 엔진 사이클 시뮬레이션 동안 유량, 온도, 압력, 토크, NOx 배출량 등 26개의 엔진 응답 변수 파라미터를 예측해야 했습니다. 타사 툴을 사용하는 기존 3차원-1차원 시뮬레이션은 실시간보다 20배 이상 느리게 실행되었으며, 이는 반복적인 개발 및 보정 작업에 사용하기에 너무 느렸습니다.
Cummins India 팀은 Deep Learning Toolbox™를 사용하여 두 가지 접근법을 평가했습니다. 표준 피드포워드 신경망(은닉 계층 6개, 계층당 뉴런 5개)은 실시간보다 1,500배 빠르게 실행되었지만, 온도 예측 정확도가 허용할 수 없는 수준이었으며 결정계수 값은 0.85에 불과했습니다. 드롭아웃 계층이 포함된 LSTM(장단기 기억) 강화 아키텍처는 실시간보다 800배 빠르게 실행되면서 26개 응답 변수 모두에서 0.95를 초과하는 결정계수 값을 달성했습니다.
“MATLAB을 사용하면 코딩 경험이 거의 또는 전혀 필요하지 않은 등 많은 이점이 있으므로 초급 사용자도 이러한 모델을 개발할 수 있습니다.”
LSTM 모델에 대한 6가지 엔진 응답 변수 파라미터(배기 유량, 터보 속도, 배기 온도, 최대 실린더 압력, 제동 토크, 엔진 배출 NOx)의 결정계수 값을 비교한 막대 그래프로, 모든 값이 0.95를 초과합니다. (이미지 출처: Cummins)
훈련된 모델은 실제 주행 배출 모델링, 연소 노킹 감지, 다중 모드 엔진에서의 연소 모드 전환, 엔진 보정 등 엔진 개발 워크플로 전반의 응용 분야를 지원합니다. Cummins는 Deep Learning Toolbox와 함께 Statistics and Machine Learning Toolbox™를 사용했으며, Parallel Computing Toolbox™ 및 MATLAB Parallel Server™로 훈련 과정을 가속화했습니다.
Subaru는 Deep Learning Toolbox를 사용하여 자동 변속기 제어 분석을 위해 유압 파형을 재현하는 신경 ODE(상미분방정식) 대리 모델을 구축했습니다. 이 대리 모델은 소스 압력, 오일 온도, 전류를 입력값으로 받아 연산 집약적인 타사 1차원 물리 시뮬레이션을 대체합니다.
신경 ODE 모델은 파형 정확도를 유지하면서 계산 시간을 99% 단축했으며, 모델을 훈련시키지 않은 오일 온도 범위에서도 동일한 결과를 보이는 등 원래 훈련 데이터를 넘어서는 일반화를 입증했습니다.
핵심 요점
- 느린 고충실도 물리 모델을 DOE 기반 룩업 테이블 또는 LSTM 및 신경망 상태공간과 같은 AI 아키텍처를 사용하여 구축한 빠른 대리 모델로 교체합니다. 컴포넌트 모델이 없을 경우 측정 데이터에서 직접 동적 모델을 식별합니다.
- 이러한 대리 모델을 Simscape 및 Simulink에 통합하여 시스템 수준 시뮬레이션 및 실시간 HIL 테스트를 수행하고, 원래 모델의 지적 재산권 노출 없이 팀 간에 공유할 수 있습니다.
측정이 가장 필요한 곳에 물리 센서를 항상 설치할 수 있는 것은 아닙니다. E-모터 권선에서 온도가 높은 지점은 적층 구조의 내부 깊숙한 곳에 위치합니다. 대형 배터리팩에 있는 개별 셀의 온도를 모든 위치에서 계측하는 것은 현실적으로 불가능합니다. 배기가스 조성은 후처리 시스템에 따라 달라집니다. AI 기반 가상 센서는 훈련된 모델을 사용하여 차량 버스에서 이미 사용 가능한 신호(모터 속도, 토크 명령, 냉각수 온도, 주변 환경 조건)를 바탕으로 이러한 수량을 추정합니다. 이를 통해 하드웨어를 추가하지 않고도 계산된 측정값을 통해 물리적 계측을 보완하고 시스템의 가관측성과 중복성을 높일 수 있습니다.
AI 기반 가상 센서의 설계 공간은 결정 트리 및 서포트 벡터 머신 같은 경량 머신러닝 모델부터 LSTM 및 완전 연결 네트워크 같은 딥러닝 아키텍처, 그리고 분야별 지식을 통합하는 PINN(물리정보 신경망)에 이르기까지 다양합니다. 가상 센서는 칼만 필터, 슬라이딩 모드 관측기, 확장 상태 관측기 같은 기존의 관측기 기반 방법을 사용하여 구축할 수도 있습니다. 실제로 최상의 선택은 작동 범위에 따라 달라질 수 있기 때문에 AI 기반 가상 센서를 이러한 기존 접근법과 비교하여 평가해야 합니다. 하이브리드 설계도 가능합니다. 예를 들어, 신경망 상태공간 모델 같은 AI 모델은 확장 또는 무향 칼만 필터 내부의 예측 모델로 사용할 수 있습니다.
물리정보 모델은 AI가 알려진 지배방정식에 따라 일관되게 동작하도록 제약하여 강인성과 해석 가능성을 향상하기는 하지만, 적용할 물리 모델을 사전에 정의해야 합니다. 순수 데이터 기반 모델은 도메인별 설정이 덜 필요하지만, 예측이 수행되는 이유에 대한 인사이트가 부족하고 훈련 데이터 범위를 벗어난 유효한 동작 조건에 대한 강인성이 떨어집니다.
Schaeffler는 새로운 직접 권선 냉각 방식을 적용한 e-모터 프로토타입을 위한 가상 센서를 개발했습니다. 이 프로토타입에서는 영구자석의 탈자를 방지하기 위해 여러 내부 위치의 온도를 정확하게 파악하는 것이 매우 중요합니다. 팀은 모든 열 발생 지점에 물리 센서를 설치하는 대신 집중 파라미터 열 네트워크에 기반한 물리정보 AI 접근법인 TNN(열 신경망)을 구축했습니다.
TNN에는 핵심 공학 원리를 내재하고 있습니다. 노드의 온도는 국부적인 전력 손실(열 발생)로 인해 변화하며, 열은 노드 간의 온도 차이에 비례하여 흐릅니다. 신경망은 각 시간 스텝에서 전력 손실과 열 전도율을 추정합니다. 이러한 추정값은 온도 상태를 진전시키는 물리 기반 업데이트 방정식에 입력됩니다. 그 결과, 신경망이 비선형 파라미터 추정값을 처리하고 업데이트 방정식이 열역학적으로 일관된 거동을 보장하는 하이브리드 모델이 등장했습니다.
훈련 데이터를 수집하기 위해 PT100 온도 센서를 프로토타입에 내장한 측정 지점의 예시가 표시된 Schaeffler DISC-O e-모터 (왼쪽) 및 물리 기반 온도 상태 업데이트에 입력하는 신경망을 통해 추정 전력 손실 P와 전도율 C를 사용하는 업데이트 방정식의 예시 (오른쪽). (이미지 출처: Schaeffler)
Schaeffler는 Deep Learning Toolbox와 사용자 지정 네트워크 정의를 사용하여 프로토타입에 장착된 12개의 온도 센서에서 기록된 300시간 분량의 드라이브 사이클 데이터로 TNN을 훈련시켰습니다. 훈련은 약 1시간 반 만에 완료되었습니다. 훈련된 모델은 12개의 센서 위치 전체에서 요구사항인 +/-5°C 이내의 정확도로 온도를 예측합니다. TNN은 동일한 데이터에 대해 순수 LSTM 및 다층 퍼셉트론 접근법보다 더 우수한 성능을 보였습니다.
정확도 외에도, TNN은 프로덕션 배포 시 다음의 세 가지 실질적인 이점을 제공합니다.
- 설명 가능성: 엔지니어는 시간 경과에 따른 학습된 전력 손실과 전도율을 검사하여 열 흐름 패턴과 발생원이 물리적 직관에 부합하는지 확인할 수 있습니다.
- 강건한 초기화: 실제 온도와 20°C 차이가 나게 초기화하더라도, 모델은 약 300초 이내에 복원됩니다. 이는 초기 조건을 알 수 없는 차량 시동의 경우에 매우 중요합니다.
- 가변 추론률: 1초 간격의 샘플링으로 훈련된 모델은 5초 또는 10초 간격에서도 정확하게 작동하며, 재훈련시키지 않고도 다양한 ECU 스케줄링 제약 조건에 대응할 수 있습니다.
초기화 오류(왼쪽) 및 다양한 샘플 시간(오른쪽) 모두에 대한 TNN의 강인성을 보여주는 온도 결과. (이미지 출처: Schaeffler)
Renault는 WLTC, NEDC 및 RDE 드라이브 사이클 등 동작 조건 전반에서 엔진에서 배출되는 NOx 배출량을 추정하는 LSTM 기반 가상 센서를 개발했습니다. 기존 룩업 테이블 접근법은 60~70%에 불과한 정확도를 달성했습니다. 물리 기반 연소 모델은 정확도를 향상할 수는 있었지만, ECU에서 실시간으로 실행하기에는 너무 복잡했습니다.
LSTM 계층 1개, ReLU 계층 3개, 완전 연결 계층 3개, 회귀 출력으로 구성된 최종 아키텍처는 엔진 토크, 속도, 냉각수 온도, 기어 단수를 입력값으로 받습니다. 팀은 Deep Learning Toolbox를 사용하여 신경망의 깊이와 ECU 메모리 제약 조건을 반복적으로 조율했으며, 그 결과 85~90%의 정확도로 NOx를 예측하는 설계를 달성했습니다.
Renault는 MATLAB Coder™와 Simulink Coder™를 사용하여 훈련된 신경망에서 ECU 배포를 위한 개념 증명으로 C 코드를 생성했습니다.
“LSTM은 연소 모델보다 훨씬 쉽게 만들 수 있었습니다. 우리는 딥러닝 전문가가 아니지만, MATLAB 및 Deep Learning Toolbox를 사용하여 90%에 가까운 정확도로 질소산화물 배출량을 예측하는 신경망을 훈련시킬 수 있었습니다.”
핵심 요점
- 차량 버스에서 이미 제공되는 신호를 바탕으로 직접 측정할 수 없는 수량을 추정하되, 관련 물리 법칙이 잘 알려진 경우에는 물리정보 신경망을 선택하고, 그렇지 않은 경우에는 데이터 주도 아키텍처를 선택합니다. 그리고 이를 칼만 필터와 같은 관측기 기반 방법 및 하이브리드 접근법과 비교하여 평가합니다.
- 가상 센서를 배포하기 전에 전체 작동 범위에서 물리적 측정값과 비교하여 검증합니다.
MPC(모델 예측 제어) 및 기타 고급 제어 방법은 제약 조건과 동작 조건의 변동성이 크고 제약 조건이 중요한 EV 제어 문제를 지원할 수 있습니다. MPC는 배터리 열 관리, 히트 펌프 및 냉각수 루프 조정, 회생 제동 및 토크 혼합, 감독 에너지 관리 등의 제약 조건이 있는 MIMO(다중 입출력) 제어에 매우 적합합니다. AI 탑재 워크플로에서는 학습된 예측 모델을 MPC 제어기 내부에서 사용할 수 있습니다. 다른 학습 기반 방법 및 적응형 방법을 MATLAB 및 Simulink에서 구현할 수 있으며 각 방법은 특정 EV 개발 워크플로를 지원하는 데 매우 적합합니다.
| VRFT (가상 기준 피드백 조정) | MRAC (모델 참조 적응 제어) | ADRC (능동 외란 제거 제어) | ILC (반복 학습 제어) | |
|---|---|---|---|---|
| 정의 | 입출력 데이터에서 고정 PI 또는 PID 제어기 직접 조정 | 플랜트의 동작 변화에 따라 올바른 응답에 맞춰 온라인으로 조정 | 추정을 제어하고 알 수 없는 부하 변화를 보상 가능 | 반복 실행을 통한 학습으로 추종 성능 향상 |
| 이점 | 플랜트 모델을 재구축하는 대신 측정 데이터를 바탕으로 빠르게 재보정 | 변화하는 동작 조건 전반에서 제어 성능 유지 | 외란 예측이 어려운 경우 강인성 향상 | 반복 테스트 또는 동작 프로파일 전반에서 제어 정확도 향상 |
| 활용 사례 |
|
|
|
|
이 섹션의 나머지 부분에서는 RL(강화 학습)에 대해 중점적으로 다룹니다. RL은 특히 제어 문제에 서로 연관된 파라미터가 너무 많아 엔지니어가 수작업으로 최적의 전략을 도출하기 어려운 경우에 유용합니다. 하이브리드 및 배터리 전기 파워트레인의 에너지 관리에서는 예측 불가능한 주행 프로파일 전반에 걸쳐 배터리 충전 상태, 에너지 소비량 및 주행성 간의 균형을 유지해야 합니다. 배출 후처리 보정에서는 NOx, 암모니아 슬립, 시약 비용을 동시에 최소화하기 위해 20개 이상의 상호 의존적인 분사 맵을 조정해야 합니다. 여기에는 파라미터 간 상호작용으로 인해 수작업으로 효과적인 제어 전략이나 최적의 보정을 도출하기 어려운 다목적 최적화 문제가 있습니다.
RL은 시뮬레이션 환경과 상호 작용하면서 올바른 동작에 대해 보상을 받고 정책을 반복적으로 개선하도록 제어 에이전트를 훈련시킵니다. 해당 환경이 Simulink 플랜트 모델인 경우, 엔지니어는 하드웨어에 위험을 초래하지 않고 검증된 시스템 동특성에 대해 RL 에이전트를 훈련시킨 다음, 학습된 정책을 타겟 제어기에 배포하기 전에 데스크탑 시뮬레이션과 Software-in-the-Loop 테스트를 통해 평가할 수 있습니다. Reinforcement Learning Toolbox™는 DQN(심층 Q-신경망) 같은 가치 기반 알고리즘, PPO(근위 정책 최적화) 같은 정책 기반 방법, DDPG(심층 결정적 정책 경사) 및 SAC(소프트 액터-크리틱) 같은 액터-크리틱 알고리즘을 제공하며 Simulink에 직접 통합하여 플랜트 모델에 대해 훈련시킬 수 있습니다.
RL 에이전트는 물리 시스템이 아니라 플랜트 모델에 대해 훈련하기 때문에, 훈련된 정책은 시뮬레이션된 동특성과 실제 동특성 간의 차이에 강인해야 합니다. 훈련 에피소드마다 플랜트 파라미터가 다른 도메인 랜덤화와 같은 기법은 모델링 불확실성과 실제 변동성에서 일반화할 수 있는 정책을 생성하는 데 유용합니다. 검증이 완료되면, Embedded Coder®를 사용하여 훈련된 정책을 생성된 C/C++ 코드 형태로 임베디드 타겟에 배포할 수 있습니다.
Yanmar America는 이전 수준 대비 NOx 배출량을 90% 감축하도록 요구하는 CARB Tier 5 배출 기준을 충족해야 했습니다. SCR(선택적 촉매 환원) 후처리 시스템의 보정에는 20개가 넘는 상호 의존적인 맵이 포함되며, 각 맵은 NOx 전환 효율, 암모니아 슬립, 시약 소비량에 영향을 미칩니다. 이 시스템을 수작업으로 보정하는 데는 240시간이 넘는 엔지니어링 시간이 필요했으며, 그 결과가 최적인지 판단할 수 있는 체계적인 방법도 없었습니다.
Yanmar는 MathWorks Consulting Services와 협력하여 타사 촉매 시뮬레이션 소프트웨어와 연동된 Simulink 모델에 대해 심층 Q-신경망 에이전트를 훈련시켰습니다. 에이전트는 NOx 배출과 암모니아 슬립에는 페널티를 부여하고 시약 사용량은 최소화하는 보상 함수를 최대화하는 방식으로 작동 범위 전반에서 요소수 분사 프로파일을 최적화하도록 학습했습니다. 각 훈련의 실행은 약 30분 만에 완료되었습니다.
Yanmar의 시스템 기본값(노란색 선)과 이 프로젝트에서 개발한 심층 RL 모델(파란색 선)을 사용해 시뮬레이션한 NOx 배출량을 보여주는 Simulink 스코프 스크린샷. (이미지 출처: Yanmar America)
RL 에이전트는 기준선 보정 대비 NOx 배출량의 60% 감소를 달성했습니다. 또한 엔지니어링 팀이 수작업으로는 찾아내지 못했던 분사 전략도 찾아냈습니다. 총 보정 시간은 절반으로 줄었고, 총 프로젝트 시간은 30% 감소했으며, 비용은 수작업 보정 공정에 비해 41% 낮았습니다. 이 프로젝트는 6개월 만에 완료되었습니다.
“약 30분이 소요되는 시뮬레이션을 실행한 후, 에이전트가 최적의 분사 프로파일을 도출했으며, 그 결과 NOx 배출량이 60% 개선되었습니다.”
Vitesco Technologies(현재 Schaeffler의 자회사)는 강화 학습을 적용해 배기가스 후처리 시스템의 제어 전략을 개발했습니다. 팀은 엔진과 배기가스 시스템으로 구성된 플랜트의 상세 Simulink 모델을 생성한 다음, Reinforcement Learning Toolbox를 사용하여 현재 시스템 상태에 따라 실시간으로 제어 결정을 내리는 RL 에이전트를 프로토타이핑하고 최적화했습니다.
"Reinforcement Learning Toolbox 덕분에 개발 시간이 상당히 단축되었습니다. 빠르게 프로토타이핑하고 강화 학습 에이전트를 생성하는 데 정말로 큰 도움이 되었습니다."
핵심 요점
- 제약 조건, 반복 시나리오 또는 변화하는 동작 조건이 주요 고려사항인 제어 문제에는 고급 제어 방법을 적용하고, 배출 보정이나 에너지 관리와 같이 상호 결합된 파라미터로 인해 최적의 전략을 해석적으로 도출하기 어려운 경우에는 강화 학습을 적용합니다.
- 실제 고장 데이터가 충분하지 않은 경우, 물리 기반 Simscape 모델에서 생성한 합성 데이터로 학습 데이터를 보강하고, MATLAB Production Server 및 MATLAB Web App Server를 통해 개발한 모델을 운영 환경에 배포하고 확장할 수 있습니다.
전기차에서는 배터리, 모터, 인버터 및 열관리 시스템으로부터 방대한 양의 운영 데이터가 생성됩니다. 이러한 각 서브시스템은 시간이 지남에 따라 성능이 저하됩니다. 배터리 셀은 용량이 감소하거나 배터리 노화 또는 열폭주로 이어질 수 있는 상태가 되고, 모터 베어링은 마모되며, 전력전자는 열 피로가 누적됩니다. 성능 저하 패턴은 컴포넌트에서 고장이 발생하기 훨씬 전에 센서 데이터에서 감지되는 경우가 많습니다. AI 기반 이상 탐지는 단일 센서만으로는 감지할 수 없는 정상 동작과의 편차를 식별합니다. 이러한 편차는 셀 전압과 전류, 온도 등 상호 연관된 신호 전반에서 나타나는 다변량 패턴인 경우가 많습니다. RUL(잔여 수명) 추정을 통해 정비가 필요한 시점을 예측할 수 있으며, 이를 바탕으로 정해진 주기의 정비가 아닌 상태 기반 정비 일정을 수립할 수 있습니다.
이러한 기능은 데이터 파이프라인의 다양한 지점에 배포할 수 있습니다. 에지 기반 모델은 차량의 온보드 컴퓨터에서 직접 실행되어 센서 데이터를 로컬에서 처리하고 이를 통해 실시간으로 결함 검출을 수행합니다. 클라우드 기반 모델은 차량군 데이터를 집계하여 심층 분석, 추세 감지 및 모델 재훈련에 활용합니다. 일부 시스템은 두 방식을 결합합니다. 에지 모델이 차량 내부에서 이상을 검출하고 특징을 추출한 다음, 압축된 특징 데이터를 클라우드로 전송하여 차량군 수준 분석과 RUL 추정을 수행합니다. 클라우드 호스팅 모델은 차량이 노후화됨에 따라 점진적으로 적응할 수도 있으며, 수명 기간 동안 시스템의 점진적인 성능 저하에 따라 “정상”의 정의를 업데이트합니다.
대부분의 이상 탐지 모델은 정상 작동 데이터만으로 훈련되며, 이는 정상 동작이 어떤 모습인지 학습하고 레이블이 지정된 가능한 모든 결함 모드의 예시 없이도 편차에 플래그를 지정할 수 있음을 의미합니다. 이 비지도 접근법을 사용하면 차량이 고장나지 않도록 설계되어 실제 고장 데이터셋은 규모가 작고 불균형한 고질적인 문제를 피할 수 있습니다. RUL 추정 또는 고장 분류를 위해 레이블이 지정된 고장 데이터가 필요한 경우 Simscape에 구축된 디지털 트윈을 통해 성능 저하 시나리오 및 결함 상태를 시뮬레이션하여 제한된 실제 관측값을 증강하는 합성 훈련 데이터를 생성할 수 있습니다.
TCS(Tata Consultancy Services)는 차량 예측 정비를 위한 분산형 머신러닝 아키텍처를 개발하여 온보드 에지 컴퓨터와 Microsoft Azure의 클라우드 인프라 모두에 AI 모델을 배포했습니다.. 이 시스템은 여러 파워트레인 서브시스템에서 수집된 데이터를 처리하여 센서 시계열 데이터에서 이상을 탐지하고, 고장 유형을 분류하며, 진단 특징을 추출합니다.
TCS 팀은 Predictive Maintenance Toolbox™의 진단 특징 디자이너 앱을 사용하여 원시 센서 신호에서 특징을 추출하고 순위를 매긴 다음, Statistics and Machine Learning Toolbox를 사용하여 분류 및 회귀 모델을 훈련시켰습니다. 에지에 배포된 모델은 차량에서 초기 이상 탐지를 수행하여 클라우드로 전송되는 데이터의 양을 줄입니다. 클라우드에서 호스팅되는 모델은 차량군 수준의 집계와 보다 연산 집약적인 분석을 수행합니다.
MATLAB은 온보드 컴퓨터에서 클라우드에 이르는 전체 머신러닝 파이프라인을 원활하게 통합합니다.
MATLAB 및 Simulink를 사용하여 아카이브 데이터를 바탕으로 모델과 알고리즘을 개발하고, Docker를 사용하여 이러한 알고리즘을 에지 시스템과 클라우드 호스팅 모델 모두에 배포하는 TCS의 워크플로를 보여주는 다이어그램. (이미지 출처: Tata Consultancy Services)
이 아키텍처는 가능한 경우 데이터를 로컬에서 처리하여 클라우드 컴퓨팅 비용을 절감하는 동시에, 클라우드에서 차량 전반의 패턴을 인식할 수 있는 기능을 유지합니다. TCS는 Azure에서 MATLAB Production Server™를 사용하여 클라우드 컴포넌트를 배포하고, MATLAB Web App Server™를 사용하여 웹 인터페이스를 구축했습니다.
HL만도는 커넥티드 테스트벤치 및 IoT 모니터링과 AI 주도 예측 정비를 결합한 X-by-wire 조향 및 제동 시스템과 같은 자율주행차 컴포넌트 테스트 장비를 위한 “Smart Lab” 시스템을 개발했습니다. 실제 차량에서 수명 및 성능 저하 데이터를 수집하는 데는 수년이 걸리므로, 팀은 자체 제작한 테스트벤치에서 가속 수명 테스트를 구현해 실제 주행거리와 관련된 제어된 듀티 사이클에 따라 컴포넌트에 부하를 가하고 해제했습니다.
테스트벤치 컴포넌트의 Simscape 디지털 트윈은 제어 알고리즘을 개발하는 데 유용했으며, 실제 테스트 데이터와 함께 시뮬레이션 및 조정에 사용할 수 있는 병렬 가상 데이터 경로를 제공했습니다. 에지 컴퓨터는 테스트 벤치에서 실시간으로 수집되는 데이터에서 특징을 추출하고 AI 모델을 훈련시키며, MATLAB Production Server로 구축된 웹 기반 플랫폼은 실시간 상태 모니터링 및 RUL 추정값을 표시합니다. 팀은 유사도 및 성능 저하 모델에는 AI 기반 분석을 적용하고, 피로 메커니즘에 대한 공학 지식을 활용할 수 있는 경우에는 생존 모델에 고장 물리학 방법(Miner 법칙)을 적용했습니다.
Predictive Maintenance Toolbox를 사용한 HL만도의 AI 주도 RUL 추정 개발 워크플로. (이미지 출처: HL만도)
핵심 요점
- 진단 특징 디자이너 앱으로 원시 센서 데이터에서 자동으로 특징을 추출하여 실시간 결함 검출을 위해서는 에지에서 이상 탐지를 실행하고 차량군 수준 분석과 잔여 수명 추정을 위해서는 클라우드에서 이상 탐지를 실행합니다.
- 검증된 Simulink 플랜트 모델에 대해 RL 에이전트를 학습시킨 다음, 학습된 정책을 하드웨어에 배포하기 전에 데스크탑 및 Software-in-the-Loop 시뮬레이션에서 평가합니다.
워크스테이션에서 우수한 성능을 발휘하는 신경망을 훈련시켰다고 해서 자동차용 임베디드 하드웨어에서 실행되거나 모든 동작 조건에서 올바르게 동작한다고 보장할 수는 없습니다. 훈련된 신경망을 임베디드 시스템에 배포하기 위해서는 압축, 검증 및 코드 생성 과정이 필요하며, 각 단계에서 반복적으로 검증을 수행해야 합니다.
임베디드 배포 워크플로는 양자화, 투영, 가지치기 등의 기법을 사용하여 AI 모델을 압축하는 것부터 시작하며, 이를 통해 메모리 사용량을 줄이고 추론 성능을 향상할 수 있습니다. 그다음으로는 압축된 AI 알고리즘을 Simulink 시스템 모델 내에서 시뮬레이션하고, 하드웨어에 적용하기 전에 주변 컴포넌트와의 통합을 테스트합니다.
그런 다음 코드 생성을 통해 타겟 하드웨어에 최적화된 C/C++ 코드를 생성합니다. 이 공정 전반에 걸쳐 검증을 수행하여 압축 및 양자화로 인해 모델의 동작이 허용 가능한 수준을 넘어 저하되지 않았는지 확인합니다. Deep Learning Toolbox, Fixed-Point Designer™ 및 Embedded Coder는 MATLAB 및 Simulink 내에서 이 워크플로를 지원합니다.
많은 자동차 팀은 PyTorch와 같은 오픈소스 프레임워크에서 훈련된 모델로 시작하기도 합니다. 이러한 모델을 MATLAB 및 Deep Learning Toolbox로 가져와 압축, Simulink 통합, 검증 및 배포에 사용할 수 있습니다. 대규모 모델이나 비표준 계층이 포함되어 있어 직접 가져오는 것이 적합하지 않은 모델의 경우, 코드 생성 워크플로를 통해 PyTorch에서 훈련된 모델을 배포 가능한 C/C++ 코드로 변환할 수 있는 또 다른 경로가 제공될 수 있습니다.
AI 모델이 배터리 관리 및 모터 제어와 같은 안전 필수 자동차 시스템에 적용되면서, 검증은 테스트 데이터의 정확도를 확인하는 것 이상으로 확대되어야 합니다. 적대적 입력, 분포 외 동작 조건 또는 훈련 세트에 반영되지 않은 에지 케이스에서도 신경망이 올바르게 동작한다고 보장할 수는 없습니다. ISO/PAS 8800 같은 자동차 표준을 통해 엔지니어는 이러한 리스크가 해결됨을 주장하는 안전 보증을 할 수 있습니다.
W 형태 개발 공정은 머신러닝에 특화된 검증 활동을 추가하여 기존의 V 모델을 AI 컴포넌트에 맞게 조정한 것입니다. 입력 섭동에 대한 강인성 테스트, 분포 외 데이터 탐지, 신경망 특성 검증, 설명 가능성 분석과 같은 활동을 통해 모델의 동작이 엔지니어링 의도와 일치하는지 검증할 수 있습니다. 이 공정은 초기 모델 훈련부터 모델 압축, 코드 생성 및 배포에 이르는 AI 라이프사이클의 각 단계에 적용됩니다.
AI Verification Library for Deep Learning Toolbox는 다음과 같은 기능을 통해 이 워크플로를 지원합니다.
- 강인성 검증: 입력 섭동 및 적대적 표본에 대한 AI 모델의 민감도를 테스트합니다. 출력 범위를 추정하여 입력값의 미세한 변화로 인해 예상치 못한 큰 예측 오차가 발생하지 않는지 확인합니다.
- 런타임 모니터링: 배포된 모델이 훈련 분포를 벗어난 입력값을 접했을 때 이를 감지할 수 있는 분포 판별기를 생성하여, 시스템이 불확실한 예측에 플래그를 지정하거나 기존 알고리즘으로 전환할 수 있도록 합니다.
- 설명 가능성: Grad-CAM 및 D-RISE 같은 기법을 사용하여 어떤 입력이 모델의 예측에 영향을 미치는지 시각화합니다.
- 제약 딥러닝: 신경망 훈련에 도메인별 제약 조건을 통합하여, 훈련 후 검증에만 의존하지 않고 구성 시부터 물리적 또는 안전 한계를 적용합니다.
MBRDI(Mercedes-Benz Research & Development India)는 열 쾌적성, 습도 조절 및 공기 품질 관리를 위해 캐빈의 공기 질량 유량을 실시간으로 추정하는 온보드 가상 센서를 개발했습니다. 이전의 클라우드 기반 접근법은 지연 시간, 대역폭 비용 및 개인정보 보호 문제를 초래했습니다. 팀은 AI 모델이 차량의 ECU에서 직접 실행되도록 해야 했습니다.
기존에 훈련된 신경망은 타겟 하드웨어에서 실행하기에는 너무 컸습니다. MBRDI는 신경망 투영을 적용했습니다. 이는 신경망의 예측 정확도를 유지하면서 중복되는 뉴런을 식별해 제거하는 압축 기법입니다. 팀은 압축을 수행한 후 Fixed-Point Designer를 사용하여 8비트 양자화를 적용하여, 남아 있는 가중치와 활성화 값을 32비트 부동소수점에서 8비트 정수로 변환했습니다. 그런 다음 Embedded Coder를 통해 압축 및 양자화된 모델에서 C/C++ 코드를 생성하여 ECU에 배포했습니다.
훈련된 신경망에서 신경망 투영(압축), 8비트 양자화(Fixed-Point Designer), C/C++ 코드 생성(Embedded Coder)을 거쳐 ECU에 배포하는 진행 과정을 보여주는 Mercedes-Benz의 임베디드 AI 워크플로. (이미지 출처: Mercedes-Benz Research & Development India)
그 결과, 가상 센서에서는 기존 물리 기반 모델과 비교해 평균절대오차가 50% 감소했으며, 타겟 ECU의 RAM 사용량은 단 1%만 증가했습니다. 이 모델은 전적으로 온보드에서 실행되며 클라우드에 연결할 필요가 없습니다.
“Deep Learning Toolbox의 툴 솔루션을 통해 전체 개발 시간이 크게 단축되었습니다.”
Mercedes-Benz는 실린더 내부 압력을 추정하는 심층 신경망을 프로덕션 파워트레인 ECU에 직접 배포했습니다. 이 ECU는 부동소수점 연산이나 표준 딥러닝 프레임워크를 지원하지 않는 마이크로컨트롤러입니다. 팀은 Python으로 작성된 QKeras 라이브러리를 사용하여 양자화된 LSTM을 훈련시킨 다음, Deep Learning Toolbox를 사용해 신경망을 MATLAB으로 가져왔습니다. 팀은 Fixed-Point Designer를 사용하여 모델을 부동소수점 표현에서 고정소수점 표현으로 변환했으며, ECU 통합을 진행하기 전에 Simulink에서 정확도를 검증했습니다.
자동화된 워크플로를 통해 수주가 소요되고 전사 오류가 발생하기 쉬웠던 이전의 수작업 고정소수점 변환 공정에 비해 개발 속도가 600% 향상되었습니다. 이 파이프라인은 두 가지 서로 다른 파워트레인 제어기에 맞게 조정되었으며, GRU 및 완전 연결 신경망 등 추가적인 신경망 아키텍처로 확장되었습니다.
“Deep Learning Toolbox와 Fixed-Point Designer를 사용하여 개발 속도를 이전 수작업 개발 공정 대비 약 6배 향상할 수 있었습니다.”
핵심 요점
- MATLAB 또는 외부 프레임워크(Python, QKeras, TensorFlow™)에서 신경망을 가져오고, 투영 또는 가지치기를 통해 신경망을 압축한 다음, 메모리 사용량과 실행 시간을 줄이기 위해 8비트 또는 고정소수점 표현으로 양자화하여 훈련된 AI 모델을 임베디드 기기로 배포할 수 있도록 준비합니다.
- Simulink에서 압축 및 양자화된 모델을 원본 모델과 비교하고, 적대적 조건과 분포 외 조건에서의 거동을 평가하고, 런타임 모니터링을 적용하여 모델을 검증한 후 Embedded Coder를 사용하여 프로덕션 C/C++ 코드를 생성합니다.
이 백서에서 설명한 기법(차수 축소 모델, 시스템 식별, 가상 센서, 강화 학습 및 이상 탐지)은 플랜트 모델링부터 제어 설계와 배포에 이르는 모델 기반 설계에 통합됩니다. 엔지니어는 MATLAB 및 Simulink에서 직접 AI 모델을 훈련시키거나 TensorFlow, PyTorch 및 기타 오픈소스 프레임워크에서 훈련된 신경망을 가져올 수 있습니다. 모델의 출처와 관계없이 MATLAB 및 Simulink는 모델 압축, 검증 및 프로덕션 ECU를 위한 코드 생성에 이르는 통합된 워크플로를 제공합니다.
이 백서의 사례 연구는 AI를 사용한 전동화 차량 개발이 현재 실제 양산 프로젝트에 적용되고 있음을 보여줍니다. 각 팀은 시뮬레이션 속도를 800배 높이고 배포 워크플로 속도를 600% 향상했으며, 수작업 보정보다 성능이 우수한 제어 전략을 개발했습니다. 이러한 결과는 모델 기반 설계를 사용하는 엔지니어가 기존 워크플로 내에서 활용할 수 있으며, 훈련된 모델에서 검증 및 배포된 코드로 이어지는 명확한 경로를 제공합니다.
