TWT GmbH - 딥러닝 및 다물체 시뮬레이션을 사용한 새로운 자동차 서스펜션 설계 조정 워크플로 개발 사례
“예상대로 성능은 만족스러웠으며, 3개 신경망 모두 새로운 데이터에 대해 일반화할 수 있다는 것을 증명하였습니다. Keras 신경망은 첫 번째 피크를 거의 완벽하게 피팅할 수 있었지만, 나머지 플롯에서는 정확도가 떨어졌습니다. 하이브리드 신경망은 이를 개선했으며 실제 곡선을 일반적으로 피팅할 수 있었습니다. 마지막으로, MATLAB 신경망은 예상대로 성능이 가장 우수했고 예측도 매우 정확했습니다.”
주요 성과
- MATLAB 및 Simulink를 사용한 새로운 워크플로로 서스펜션 설계를 개선하여 최대 50% 롤 각도 축소
- Global Optimization Toolbox을 사용해 서스펜션 시뮬레이션의 최적화 시간을 16일에서 5분으로 단축
- 다물체 시뮬레이션과 딥러닝을 위한 단일 환경 워크플로 수립
Simscape 모델에서 생성된 합성 데이터로 훈련된 신경망과 다물체 서스펜션이 적용된 Simscape 차량 모델 간의 시뮬레이션 결과 비교.
TWT GmbH Science & Innovation의 연구 엔지니어들은 시뮬레이션을 사용하여 자동차 서스펜션 설계를 최적화하고 있습니다. 통상적으로 최적화 공정에서는 다물체 모델이 특정 조작을 수행할 때 모델 내에서 대규모 파라미터 세트의 범위를 살펴보기 위해 수천 번의 시뮬레이션을 실행해야 했습니다. 시뮬레이션은 견고하게 결합된 고도의 비선형 효과를 포함한 연산 집약적 특성 때문에 최적화된 결과를 찾기까지 며칠이 걸릴 수 있습니다.
새로운 워크플로에서는 고충실도 Simscape™ 모델을 사용해 딥러닝 신경망의 훈련 데이터를 생성한 후 해당 데이터로 서스펜션 구성요소의 변경 사항을 평가하고 최적화를 실행합니다. 이 접근법을 검증할 때 TWT 엔지니어는 MathWorks에서 다운로드한 Simscape 차량 템플릿 예제를 사용자 지정하는 작업부터 시작했습니다. 엔지니어는 Simulink®에서 모델로 표준 ISO® 이중 차선 변경 조작을 시뮬레이션한 후에 MATLAB®으로 민감도 분석을 수행하여 훈련 입력 파라미터의 수를 줄이고 라틴 초입방 표본을 활용하는 실험계획법을 생성했습니다.
Deep Learning Toolbox™로는 신경망을 생성하고 LM(Levenberg-Marquardt) 알고리즘으로 훈련시켰습니다. 이 단계는 Python®에서도 수행했지만, LM 알고리즘의 MATLAB 구현이 곡선 피팅 문제에 대해 더 우수한 결과를 보인다는 것을 알게 되었습니다. 마지막으로는 Global Optimization Toolbox로 최적화를 실행하여 훈련된 딥러닝 신경망으로 추론을 수행하고 조작 중에 차량의 롤 각도를 최소화하는 파라미터를 파악하는 데 걸리는 시간을 대폭 절감했습니다.
