資料ダウンロード
データ分析・機械学習を活用した設計・制御判断の高度化
ー 要因可視化・予測モデル・MBD連携の実践アプローチ ー
Enhancing Design and Control Decisions Using Data Analytics and Machine Learning
— A Practical Approach with Factor Visualization, Predictive Models, and MBD Integration —
この資料で分かること
本資料では、MBD/MBSE開発におけるデータ活用課題に対し、
データ分析・機械学習を用いて設計・制御判断につなげるアプローチを紹介します。
- データ活用における現場課題
- 設計・制御判断につなげる分析アプローチ
- EV走行データを用いた分析事例
- 要因可視化・予測モデル構築手法
- MBD/MBSEへの展開イメージ
このようなニーズはありませんか？
- 実験・シミュレーションデータを設計検討に活かしきれていない
- データ分析はできているが、次の施策検討につながらない
- 多数の要因が絡み合い、影響度や比較観点を整理できない
- MBD/MBSE開発にデータ分析・機械学習を組み込みたい
こんな方にオススメします
- MBD/MBSE開発に携わる設計・制御エンジニアの方
- 実験・実走行データを活用した設計検討を行いたい方
- MATLABを用いたデータ分析・機械学習活用を検討している方
- 要因分析・予測モデル構築を業務へ取り入れたい方
データ活用における課題
MBD/MBSEでは、シミュレーション結果、実験データ、実走行データなど、多様なデータが蓄積されています。
しかし、
- データが点在している
- 要因が複雑に絡み合う
- 単純比較では傾向が見えにくい
といった理由から、分析結果を設計・制御判断につなげることが難しいケースが多くあります。
その結果、
- 支配的な要因や比較観点が分からない
- 「なぜそうなったか」を説明しにくい
- 次の条件比較・施策検討につながらない
- 分析結果を開発プロセスへ組み込めない
といった課題が発生します。
また現場では、
- 分析結果はあるが、次に何を検討すべきか判断できない
- 条件比較や施策検討をどの方向で進めるべきか決められない
といった課題も顕在化しています。
サイバネットが提供するソリューション
サイバネットでは、データ分析を「設計判断に使える形」に変換し、開発プロセスへ組み込むための支援を行っています。
具体的には、以下の4つのステップでアプローチします。
① 整える
実験・実走行・シミュレーションデータを整理・統合し、分析可能な形へ前処理します。
② 説明できる
可視化・分析を通じて、複数要因が絡む現象を整理し、「なぜそうなったか」を説明できる状態にします。
③ 比較する
予測モデルを構築し、条件比較やシナリオ評価を可能にします。試験前に検討を回すことで、検討サイクルを高速化します。
④ 組み込む
分析結果を制御設計・モデル検証へフィードバックし、MBD/MBSEプロセスへ組み込みます。
サイバネットは、単なる分析で終わらず、制御設計・検証プロセスまでつなげる点を特長としています。
事例紹介 - 全体の流れ
本資料では、EV走行データを用いた電費分析事例を通して、データ分析から設計・制御判断につなげるまでの流れを紹介します。
- データ整備・前処理
- 要因可視化・構造整理
- 予測モデル構築
- MBD/MBSEへの接続
事例紹介 - 背景・課題・使用データ
EVの電費は、
- 外気温
- 走行速度
- 空調使用
- 走行環境
など、多数の要因の影響を受けます。
そのため、
- 単純比較では傾向を整理しにくい
- 「なぜそうなるか」を説明しにくい
- 設計判断へ落とし込みにくい
といった課題があります。
本事例では、以下を目的として分析を行います。
- 電費に影響する要因の整理・可視化
- 条件比較・施策検討に向けた予測モデル構築
- 分析結果のMBD/MBSEプロセス接続
使用データには、Vehicle Energy Dataset（VED）を利用しています。
VEDは、実走行環境で収集された車両エネルギー・燃費データの大規模オープンデータセットであり、
- 車速
- 外気温
- SOC
- 消費電力
- 空調負荷
などのデータを含んでいます。
事例紹介 - 前処理・特徴量設計
分析・モデル化を行うためには、データを比較可能な形へ整備することが重要です。
本事例では、
- 欠損補完
- データ整形
- 特徴量設計
を実施しています。
例えば、
- 時系列速度データを統計量へ変換
- 平均速度
- 最大速度
- 速度ばらつき
などを特徴量として整理しています。
これにより、以降の要因分析・予測モデルで利用可能なデータ基盤を構築しています。
事例紹介 - 要因可視化・構造整理
要因可視化では、電費に対する影響度を分析・整理します。
まず、各要因との相関を分析し、
- 温度
- SOC
- 車速
- 補機負荷
など、影響の大きい要因を抽出します。
さらに、代表因子について条件別に整理することで、
- 低温域で電費悪化
- 中温域で効率向上
- 高温域でばらつき増加
といった傾向を定量的に確認しています。
また、クラスタリングを用いて走行パターンを分類し、
- 市街地走行
- 高速・高負荷走行
- 安定走行
などの特徴を整理しています。
これにより、設計判断に影響する主要条件を明確化します。
事例紹介 - 予測モデルの構築
本事例では、実走行データを用いて電費予測モデルを構築しています。
予測モデルを活用することで、
- 条件変更時の電費変化
- 影響度の高い要因
- 比較すべき条件
を事前に評価できます。
例えば、
- 温度
- 車速
- 空調ON/OFF
などを変更した場合の影響を試験前に比較可能です。
これにより、
- 条件比較の高速化
- 検討サイクル短縮
- 次の施策検討の効率化
を実現します。
本資料ではさらに、
- 事例紹介 - 回帰モデルによるMBD/MBSE連携
- 事例紹介 - 制御ロジックへの展開
- 事例紹介 - Unity等を活用したリアルタイム可視化
- 事例紹介 - EV走行データを用いた電費分析 Before / Afterによる導入効果
など、実際の設計・制御検討への活用事例を詳しく紹介しています。
続きは資料ダウンロード後にご覧いただけます。
ぜひ資料をダウンロードしてご確認ください。
＊続きはダウンロードしてお読みください。