서스펜션 밸브코드·쇽 다이노 데이터를 활용 데이터 기반 서스펜션 튜닝 효율화 기초 연구 = A Basic Study on Data-Driven Suspension Tuning Using Valve Codes and Shock-Dyno Data

다국어 초록 (Multilingual Abstract)

With the industry shift toward electrification, autonomy, and software-defined vehicles, the perceptual experience of passengers—particularly ride comfort—has become a core differentiator. While ride comfort and handling stability often exhibit a trade-off, this study focuses exclusively on ride comfort and proposes a data-driven framework that links real-world measurements, vehicle dynamics reasoning, and shock-dyno/valve-code information to quantitative design guidance.

Experiments were conducted on a 2019 Kia Carnival Hi-Limousine with three suspension setups (OE, twin-tube, mono-tube). Vertical body acceleration at the seat rail was recorded with an integrated Data Acquisition (DAQ)/Inertial Measurement Unit (IMU) and 3-axis accelerometer. Signals were quantified per ISO 2631-1 using the weighted RMS acceleration (a_w), Vibration Dose Value (VDV), and Welch-PSD–based band energies; bump events were additionally summarized by peak shock and settling time (T_settle). A “One Voice” protocol aligned the subjective scoring from three expert evaluators, enabling consistent labels for model training.

On our dataset, OE tended to yield lower a_w and reduced mid/high-frequency PSD energy during steady-state highway driving (better residual-vibration isolation), whereas the mono-tube showed higher peak shock at bump entry but shorter T_settle(faster post-impact stabilization). The twin-tube generally exhibited balanced behavior between the two. Building on these observations, we developed an interpretable regression pipeline (regularized/agnostic, with cross-validation and simple bias correction) that predicts the consensus subjective score from a compact set of physical features. Model interpretation consistently highlighted residual-vibration magnitude (a_w) and T_settle as dominant determinants across scenarios.

To close the loop to tunable hardware, we assembled an internal valve-code–shock-dyno database and mapped dyno features high-speed compression, low-speed rebound, and compression/rebound ratio—to vehicle-level indices (a_w, T_settle). This enables inverse design: from a target ride envelope (e.g., “a_w low, T_settle short”), the framework proposes actionable valve-code edits (e.g., modest C_disc relaxation, one-step R_disc increase, S_orf hold/micro-adjust), which can be verified with a small follow-up drive.

The contribution is twofold: (i) a compact, reproducible quantification of ride comfort (a_w, VDV/PSD, T_settle) linked to expert scores, and (ii) a practical bridge from those metrics to valve-level tuning guidance via shock-dyno features. This reduces physical iteration and shortens development lead time while improving consistency of perceived ride. Limitations include a single vehicle, controlled routes, and idealized dyno conditions; future work will expand the dataset across segments and integrate road-preview (LiDAR/vision) for real-time semi-active/active suspension control.

국문 초록 (Abstract)

최근 자동차 산업의 전동화·고성능화 흐름 속에서 탑승자가 체감하는 감성 품질의 중요성이 크게 부각되고 있다. 특히 승차감(Ride Comfort)과 조종안정성(Handling Stability)은 상충(Trade-off) 특성을 갖는 핵심 성능으로, 경험 의존적 튜닝을 넘어 데이터 기반 의사결정이 요구된다. 본 연구는 실차 주행 데이터와 차량동역학 이론을 결합하여 승차감을 정량 해석하고, 쇽 다이노(Shock Dyno) 특성 및 자사 밸브코드와 연계해 데이터 기반 서스펜션 튜닝 가이드라인을 제안하는 것을 목적으로 한다.

연구 대상은 2019년식 기아 카니발 하이리무진이며, OE(Original Equipment)·트윈튜브·모노튜브 3종 시료를 구성하였다. 일반 국도·고속도로 정속 주행과 PG(Prove Ground) 범프 시험에서 DeweSoft DAQ(Data Acquisition), IMU(Inertial Measurement Unit), 좌석 레일 장착 3축 가속도계(PCB 356A02)로 3D 거동(Pitch/Roll/Yaw)과 수직 가속도를 계측하였다. 신호에는 국제표준화기구(ISO) 2631-1 주파수 가중을 적용하고, 가중 가속도(가중 실효값(Root Mean Square, RMS) a_w, 진동 노출량(Vibration Dose Value, VDV)), 파워 스펙트럼 밀도(Power Spectral Density, PSD)(AUC 1–8/8–20/20–50 Hz), 피크 주파수를 산출하였다. 범프 이벤트는 충격 RMS와 수렴시간 T_settle로 특성화하였고, 전문가 3인의 One Voice 주관평가를 병행하여 객관 지표와의 상관을 분석하였다. 또한 LABA7 쇽 다이노로 속도–힘(F–v) 곡선을 취득하여 저속/고속 평균 감쇠력, 압축/신장 비율(C/R) 등의 기계적 지표를 도출하였다.

결과적으로, OE는 고속 정속 구간에서 a_w와 중·고주파 AUC가 작아 잔진동 절연이 우수(예: 수직 가속도 표준편차 0.148 m/s²)했으나, 대형 범프 후 이 T_settle길어(예: 1.5 s 이상) 바디 컨트롤 한계가 관찰되었다. 모노튜브는 순간 충격 피크가 크더라도(예: 7.2 m/s²) T_settle을 짧게(예: 0.5 s 이내) 만들어 안정화가 빠른 특성을 보였고, 트윈튜브는 두 극단의 중간 거동을 나타냈다.
본 연구는 (잔진동 크기)와 (충격 후 안정화 속도)를 승차감의 양대 축으로 정리하고, 이를 쇽 다이노 지표에 연결해 설계 손잡이를 제시하였다. 즉, 고속 압축 감쇠를 과도하게 키우면 충격 RMS와 피크가 커져 불리하며, 저속 신장 감쇠를 적절히 높이면 잔류 진동이 빠르게 소멸되어 단축에 유리하다. 더 나아가 간단한 해석 가능한 회귀 모델로 One Voice 점수를 a_w, T_settle, 다이노 지표로 예측하고, 목표 승차감(예: “a_w≤ a0, T_settle≤ T0”)을 만족하는 다이노 지표 영역을 밸브코드 요소—압축 밸브 디스크(C_disc), 신장 밸브 디스크(R_disc), 오리피스(S_orf)—로 역투영하여 초기 추천안을 도출하는 절차를 제시하였다.

결론적으로, 본 연구는 실차–ISO 2631 지표(a_w, T_settle)–쇽 다이노–밸브코드를 하나의 좌표계로 정리한 데이터 기반 튜닝 프레임을 구축하였다. 이는 반복 실차를 줄여 개발 리드타임·비용을 절감하고, 일관된 주행 감성 특성 확보에 기여한다. 향후에는 대규모 밸브코드·다이노 DB를 확대 반영하고, LiDAR/비전 기반 프리뷰 정보와 결합해 능동/반능동 서스펜션의 실시간 제어로 확장할 것을 제안한다.

목차 (Table of Contents)

• 제 1 장 서론 1
• 1.1. 연구의 배경 및 필요성 1
• 1.2. 연구의 목적 4
• 1.3. 연구의 범위 및 논문 구성 6
• 1.4 연구 프레임과 기여 11
• 1.4.1. 연구 질문 11
• 1.4.2. 연구 가설 11
• 1.4.3. 본 연구의 기여 12
• 제 2 장 이론적 배경 및 문헌 고찰 13
• 2.1. 차량의 수직 및 피치 동역학: 하프카 모델 13
• 2.2. 승차감의 객관적 평가: ISO 2631 표준 16
• 2.3. 서스펜션 댐퍼의 기계적 특성 18
• 2.3.1. Shock Dyno 시험과 표준화 조건 18
• 2.3.2. F–v 곡선 기반 핵심 지표 정의 18
• 2.3.3. 밸브코드와 Dyno 지표의 연계 19
• 2.3.4. 승차감 지표(a_w, T_settle)와의 공학적 매핑 19
• 2.3.5. 본 논문에서의 채택값 20
• 2.4. 감성공학과 주관 평가 정량화 21
• 2.5. 데이터 기반 예측 모델링 및 해석 가능성 23
• 제 3 장 실험 설계 및 데이터 수집 방법 25
• 3.1. 시험 차량 및 서스펜션 시료 구성 25
• 3.2. 시험 환경 및 주행 시나리오 27
• 3.3. 계측 장비 및 데이터 수집 시스템 29
• 3.4. 주관 평가 프로토콜: “One Voice” 37
• 3.5. 밸브코드 데이터베이스 구성 및 전처리 40
• 3.5.1. 목적 40
• 3.5.2. 원천 데이터 및 통합 스키마 40
• 3.5.3. 코드 표기 정규화 41
• 3.5.4. 품질 점검 43
• 3.5.5. Dyno 결합을 위한 사전 매핑 43
• 3.5.6. 대표 차종 샘플링 44
• 3.5.7. 분석용 파생 변수 44
• 3.6. 쇽 다이나모 시험 및 지표 산출 45
• 3.6.1. 목적 45
• 3.6.2. 장비 및 시험 조건 45
• 3.6.3. 원시 데이터 전처리 45
• 3.6.4. 지표 정의 46
• 3.7. 데이터 결합 및 라벨링 규칙: 밸브코드–Dyno–실차–주관점수 47
• 3.8. 분석·검증 설계 및 연구 윤리 50
• 제 4 장 데이터 처리 및 AI 모델 개발 방법 53
• 4.1. 데이터 관리 및 전처리 파이프라인 53
• 4.2. 객관적 측정 데이터로부터의 특징 공학 54
• 4.3. Shock Dyno 데이터 처리 및 지표화, 밸브코드 특징화 55
• 4.4. AI 기반 밸브코드 추천 모델 개발 63
• 4.4.1. 알고리즘 선정 및 분석 환경 63
• 4.4.2. 데이터셋 통합 및 구조화 63
• 4.4.3. 프롬프트 엔지니어링 및 환각 제어 64
• 4.4.4. 활용 및 기대 효과 64
• 제 5 장 결과 분석 및 고찰 65
• 5.1. 데이터셋 개요와 기술 통계 65
• 5.2. 시료별 승차감 비교: 정속(랜덤 진동)과 이벤트(충격/잔류) 66
• 5.2.1. 정속 주행(랜덤 진동) 결과 66
• 5.2.2. 이벤트 구간(방지턱/요철 등) 결과 70
• 5.3. 승차감 개선을 위한 데이터 기반 서스펜션 설계 가이드라인 74
• 5.3.1. 주행 목적별 최적 시료 선정 기준 74
• 5.3.2. 감쇠력 튜닝 방향 74
• 5.4. AI 회귀 모델 예측 성능과 해석 75
• 5.4.1. 회귀 모델 구조 및 수식 75
• 5.4.2. 예측 정확도 및 모델 성능 75
• 5.4.3. 변수 중요도 및 물리적 해석 77
• 5.5. 밸브코드 DB와 일반화 가능한 경향 78
• 5.6. 요약 및 시사점 80
• 제 6 장 결론 81
• 6.1. 연구 요약 및 의의 81
• 6.2. 연구의 한계와 향후 과제 82
• 6.3. 실무 적용을 위한 최종 마무리 83
• References 84
• 부록 A. One Voice 감성 평가지 88
• 부록 B. 데이터 사전 90
• Abstract 92