기술 요약: 세트 기반 설계에서의 기능 요구사항 분해

문제 정의

초기 단계에서 복잡한 공학 시스템 (예: 상용 항공기) 을 설계하는 것은 본질적인 불확실성과 모호성을 특징으로 합니다. 세트 기반 설계 (SBD) 는 병렬 개발을 통해 대안을 탐색하고 불확실성을 줄이기 위한 강력한 프레임워크를 제공하지만, 현재 문헌은 이 패러다임 내에서 기능 요구사항을 어떻게 분해할 것인지에 대한 형식적 지침이 부족합니다. 구체적으로, 기존 SBD 접근법은 종종 요구사항을 단순한 성능 범위대로 취급하는데, 이는 입력과 출력 간의 매핑으로 정의되는 기능이 포함된 소프트웨어 및 기계적 상호작용이 관여하는 복잡한 시스템에는 불충분합니다. 또한, 하위 수준 팀이 자율적이고 병렬적으로 개발할 수 있게 한다는 SBD 의 주장은 엄격한 형식적 증명이 결여되어 있습니다. 따라서 결과 시스템이 최상위 요구사항을 충족하면서도 팀의 자율성을 지원할 수 있도록 기능 요구사항을 분해하는 형식적 방법이 시급히 필요합니다.

방법론

본 논문은 세트 기반 추론을 사용하여 기능 요구사항을 계층적으로 분해하기 위한 4 단계 형식적 방법을 제안합니다. 이 접근법은 시스템 기능을 수학적 입력 - 출력 변환 ($f: (x, u, c) \to y$) 으로 취급하며, 여기서 $x$는 입력, $y$는 출력, $u$는 통제 불가능한 불확실성 매개변수, $c$는 통제 가능한 불확실성 매개변수입니다.

방법론은 다음과 같이 구성됩니다:

1. 기능 아키텍처 정의 및 분석:

   • 기능 아키텍처는 연결된 하위 기능들의 집합으로 정의됩니다.
   • 이 방법은 하위 기능들로부터 변수들을 집계하여 공유 변수와 고유한 설계/성능 공간을 식별합니다.
   • 변수들은 정의 맥락 (예: 최상위 수준에서만 정의된 입력, 하위 기능 간에 공유된 출력 등) 에 따라 6 개의 배타적 그룹으로 분류됩니다.
   • 이 단계는 시스템의 초기 설계 공간과 성능 공간을 확립합니다.

2. 초기 실현 가능 공간 탐색:

   • 각 하위 기능에 대해 실현 가능한 구현을 기반으로 초기 실현 가능 공간이 특성화됩니다.
   • 이러한 공간들은 시스템 수준의 제약이 적용되기 전의 입력, 출력 및 매개변수에 대한 가장 넓은 가능한 범위를 나타냅니다.

3. 실현 가능 공간 축소:

   • 교집합: 여러 하위 기능에 걸쳐 정의된 변수들의 범위를 교집합하여 통합된 초기 실현 가능 설계 공간 ($FDS_1$) 과 성능 공간 ($FPS_1$) 을 생성합니다.
   • 제약 조건 충족: 정량화된 제약 조건 충족 문제를 적용하여 공간을 더욱 축소합니다. 구체적으로, 통제 가능한 매개변수 ($c$) 는 통제 불가능한 매개변수 ($u$) 와 입력 ($x$) 의 모든 값에 대해 시스템 출력이 실현 가능한 성능 공간 내에 있도록 축소 ($R^\downarrow_c$) 됩니다.
   • 도달 가능성 분석: 축소된 설계 공간 ($FDS_2$) 을 기반으로 도달 가능한 성능 공간 ($FPS_2$) 의 과대 근사치를 계산하기 위해 도달 가능성 분석이 사용됩니다. 이는 축소된 제약 조건 하의 모든 가능한 시스템 동작이 포착되도록 보장합니다.

4. 하위 요구사항 결정:

   • 불확실성 확장: 초기 불확실성의 잠재적 과소 평가를 수용하기 위해, 원하는 성능 공간 ($FPS^*$) 이 $FPS_2$에서 $FPS_1$ 방향으로 확장됩니다. 이 확장은 임의적이지 않으며, 트레이드오프 연구에 의해 지배됩니다.
   • 최적화: $FPS^*$의 최적 경계를 결정하기 위해 장벽 함수 기반 최적화 문제가 수립됩니다. 목적 함수는 설계자 선호도에 따라 가중치를 부여하여 $FPS_1$의 경계까지의 "거리" (불확실성 버퍼 허용) 와 $FPS_2$의 경계까지의 "거리" (구현 어려움 회피) 를 최소화합니다.
   • 최종 할당: 결과적으로 축소된 설계 공간 ($FDS_2$) 과 확장된 성능 공간 ($FPS^*$) 은 각 하위 기능에 대한 형식적 하위 요구사항 ($R^*_x, R^*_c, R^*_u, R^*_y$) 으로 할당됩니다.

주요 기여

본 논문은 SBD 문헌에 두 가지 주요 기여를 합니다:

1. 복잡한 시스템을 위한 형식적 분해 방법:

   • 기계 부품에 적합한 성능 공간 범위로 요구사항을 정의하는 기존 SBD 접근법과 달리, 이 방법은 요구사항을 입력 및 출력 범위 간의 매핑으로 정의합니다. 이 공식화는 기계, 소프트웨어 등 다양한 구성 요소를 포함하는 복잡한 시스템을 위해 특별히 설계되었습니다.
   • 이 방법은 이러한 매핑을 하위 요구사항으로 분해하기 위한 엄격하고 재현 가능한 절차를 제공합니다.

2. 병렬 개발 (자율성) 에 대한 형식적 증명:

   • 본 논문은 두 가지 중요한 속성, 즉 상위에서 하위로의 불확실성 감소를 의미하는 정제 (Refinement) 와 하위 요구사항 간 인터페이스의 호환성을 의미하는 조립성 (Composability) 을 도입하고 증명합니다.
   • 정리: 각 수준의 하위 요구사항이 조립 가능하고, 그 조성이 상위 기능 요구사항을 정제한다면, 이러한 하위 요구사항을 독립적으로 구현하여 형성된 복합 시스템은 최상위 기능 요구사항을 충족합니다.
   • 이는 분산 설계 팀 간의 자율적이고 병렬적인 개발을 가능하게 한다는 SBD 의 주장에 대한 최초의 형식적 근거를 제공합니다.

3. 버퍼와 초과분의 구분:

   • 이 방법은 통제 가능한 불확실성을 보상하는 매개변수 값인 "버퍼"와 과소 평가된 초기 불확실성을 수용하는 잉여분인 "초과분"을 명시적으로 구분합니다. 이 구분은 방법론의 축소 및 확장 단계에 통합됩니다.

결과

제안된 방법은 크루즈 컨트롤 시스템 설계에 관한 사례 연구를 통해 시연되었습니다.

• 최상위 요구사항: 시스템은 초기 속도 ($v_0$) 와 기준 속도 ($v_r$) 를 특정 시간 내에 목표 범위로 수렴하고 유계된 실제 속도 궤적 ($v(t)$) 으로 매핑해야 합니다.
• 분해: 최상위 기능은 물리적 역학 (힘, 마찰, 공기역학) 과 제어 로직 (PID 제어기) 을 나타내는 8 개의 하위 기능으로 분해되었습니다.
• 프로세스 실행:
  • 이 방법은 설계 공간 (입력 및 엔진 최대 속도 $\omega_m$ 과 같은 통제 가능한 매개변수) 과 성능 공간 (중간 힘, 토크, 속도) 을 성공적으로 식별했습니다.
  • 교집합 및 도달 가능성 분석 (CORA 도구 사용) 을 통해 실현 가능한 설계 공간이 축소되었으며, 특히 안정성을 보장하기 위해 통제 가능한 매개변수 $\omega_m$ 을 $[350, 480]$에서 $[365, 450]$ rad/s 로 구체적으로 제한했습니다.
  • 최적화 단계는 하위 기능들이 조립 가능 (공유 변수가 일관된 범위를 가짐) 하고 복합 시스템이 최상위 요구사항을 정제하도록 보장하는 최종 하위 요구사항을 결정했습니다.
• 결과: 결과적으로 생성된 하위 요구사항은 엔진, 타이어, 제어기와 같은 하위 시스템의 독립적 구현을 허용하면서도 통합 시스템이 최상위 안정성 및 수렴 기준을 수학적으로 보장합니다.

중요성과 주장

본 논문은 세트 기반 설계의 이론적 이점과 요구사항 공학에서 형식적이고 실행 가능한 지침에 대한 실제 필요성 사이의 간극을 해소한다는 점에서 중요성을 주장합니다.

• 정성적 접근법 대신 형식주의: 저자들은 SBD 가 널리 사용되고 있음 (특히 도요타의 프로세스에서) 에도 불구하고 종종 정성적 방법에 의존한다고 주장합니다. 본 논문은 분해의 모호성을 제거하는 형식적 수학적 프레임워크를 제공합니다.
• 자율성 가능: 조립성과 정제가 최상위 충족을 위한 충분 조건임을 증명함으로써, 이 방법은 팀 자율성에 대한 SBD 의 약속을 검증하여 분산 팀이 지속적인 재작업이나 통합 실패 없이 병렬적으로 작업할 수 있게 합니다.
• 불확실성 처리: 이 접근법은 "버퍼"와 "초과분"을 통해 불확실성을 관리하는 구조화된 방식을 제공하며, 단순한 안전 계수를 넘어 인식론적 및 우연적 불확실성을 더 세밀하게 처리하는 방향으로 나아갑니다.

저자들은 범위에 대해 겸손한 입장을 유지하며, 이 방법이 요구사항 공학의 모든 도전 과제 (예: 도출 또는 검증) 를 해결하지는 않으며, 최적화 단계의 특정 계수에 대해 엔지니어의 판단에 의존한다는 점을 인정합니다. 그들은 이 작업을 무엇을 해결해야 하는지 (제약 조건과 속성) 에 대한 프레임워크로 위치시키고, 근본적인 최적화 문제를 어떻게 해결할 것인지에 대한 구체적인 계산 도구를 처방하지는 않습니다.