データに基づく動的挙動のモデリング

実験計画法（DoE）を使用することで、計測にかかる労力を最小限に抑えながら最大限のモデル精度を実現することができます。DoE実験計画モジュール（ExpeDesDynamic）により、基本的な計測を容易に計画することができます。実験計画法を用いると、さまざまな勾配を持つさまざまな最終値に系統的に空間を埋めていくようにして近づける方法を用いて、調整変数の時間曲線の計画が立てられます。パラメータの変動範囲の調整に加え、実際の運転サイクルの定常ポイントや抽出データを個別に追加したり、実験空間の特定領域にあるポイントを統合したりすることができます。曲線（軌道）はすべての次元でグラフィカルに表示されるため、DoE計画を容易に妥当性確認し評価することができます。

ASCMO-DYNAMICでは、モデルに基づいたシステム挙動の表示に時間ベースのスコープビューを使用します。ASCMO-DYNAMICでは、このメインビュー以外に、依存関係や影響をビジュアルに表示できる他のさまざまなオプションも使用可能です。これには、データを多数のさまざまな組み合わせ方で点群として表示できる散布図などが含まれます。モデル品質や予測品質については、広範な解析オプションが使用可能です。たとえば、平均値や極値、モデルの根平均二乗誤差（RMSE）などの幅広い統計情報が表示されます。さらに、モデルの予測を実際の計測値と比較して経時的に曲線を比較することができます。モデリングを成功させるための重要な基準は、計測中のサンプリングレートを適切にすることです。通常、サンプリングレートは高くなりすぎる傾向があるため、ASCMO-DYNAMICにはダウンサンプリングによってデータ量を削減するオプションが組み込まれています。これにより、モデルの品質が向上すると共に、モデルのトレーニングに要する時間が短縮されます。

ASCMO-DYNAMICでモデリングを行う主な目的は、システムの動的／過渡的挙動を高い精度で簡単かつロバストに予測できるようにすることです。このツールを使用すると、経験の少ないユーザーでもそのために必要な高度なモデリング手法を容易に使用でき、専門家であればASCMOの高度な柔軟性を活用してモデルのパラメータを自由に調整できます。ASCMO-DYNAMICでは、ガウス過程を使用してモデリングを行います。これは、ガウス過程ベースの計測データを使用して統計的に学習を行う手法であり、その価値はこれまで何度も実証されています。これにより、実際のシステム挙動を最も良く表す個別の数学的関数を自動的に同定することができます。ASCMO-DYNAMICの自動機械学習を使用すると、実際のシステム挙動を最も良く表す個別の数学的関数を自動的に同定することができます。すべてのモデルは、Simulink、Cコード、FMU/FMIのような形式でエクスポートすることができます。

ASCMO-DYNAMICでは、モデルを仮想計器として使用することができます。この例として、入力変数の時系列に基づく完全な運転サイクルでの排出量の予測があります。入力変数のすべての望ましいパラメータの組み合わせについて、モデルは対応する出力変数を計算します。実際の測定値（例えばエンジンテストベンチ）と同様に、この人工的なデータを使用し、グラフィカルに分析し、CSVファイルとしてエクスポートしてExcelでさらに処理することができます。