A tutorial overview of model predictive control for continuous crystallization: current possibilities and future perspectives

기술 요약: 연속 결정화 공정을 위한 모델 예측 제어(MPC) 튜토리얼 개요

문제 정의
연속 결정화 공정은 특히 제약 산업에서 배치 간 변동성을 줄이고 운영 비용을 절감할 수 있는 능력으로 인해 점점 더 주목받고 있습니다. 그러나 모델 예측 제어(MPC)와 같은 고급 제어 전략을 도입하는 것은 여전히 어려운 과제입니다. 효과적인 제어를 위해서는 연속상(농도, 온도)과 입자상(입자 크기 분포, PSD) 모두를 정확하게 모델링해야 합니다.
핵심적인 어려움은 공간적으로 분포된 결정기 모델(예: 플러그 흐름, 슬러그 흐름)과 전체 PSD를 추적하는 상세한 인구 균형 방정식(PBE)을 결합하는 데서 발생하는 계산 복잡성에 있습니다. 이러한 조합은 종종 실시간 최적화가 불가능할 정도로 복잡한 편미분 방정식(PDE)을 생성합니다. 모멘트 기반 방법(전체 분포 대신 통계적 모멘트를 추적하는 방식)은 계산의 단순성을 제공하지만, 제품 품질에 결정적인 전체 PSD의 형태를 포착하는 데 실패합니다. 또한, 기존 문헌들은 이러한 주제들을 고립된 상태로 다루는 경우가 많으며(예: PBE 솔루션 방법, 혼합 시스템 제어, 또는 일반적인 머신 러닝 응용), 공간적으로 분포된 모델, 전체 PSD 해상도, 그리고 실시간 MPC를 통합하는 포괄적인 프레임워크가 부족합니다.

방법론
본 논문은 고충실도 제일 원리 모델(first-principle models)과 실시간 제어 사이의 간극을 메움으로써, 연속 결정화에 MPC를 구현하기 위한 튜토리얼 개요와 실질적인 로드맵을 제공합니다. 워크플로우는 세 가지 주요 단계로 구성됩니다.

1. 고충실도 모델링:

   • PBE 솔루션 방법: 저자들은 PBE를 해결하기 위한 다섯 가지 수치 해석 방법을 검토하고 비교합니다: 표준 모멘트법(SMOM), 분위법 모멘트법(QMOM), 이산 인구 균형 방정식(DPBE), 유한 요소상 직교 콜로케이션(OCFE), 그리고 몬테카를로(MC) 시뮬레이션입니다. 저자들은 모멘트 기반 방법이 효율적이기는 하지만 전체 PSD를 해상할 수 없음을 보여줍니다. 전체 해상도를 위해서는 DPBE와 OCFE가 선호되며, 특히 응집(agglomeration)이 지배적인 시스템에서 기하학적 그리드를 사용할 때 DPBE가 안정성과 정확성 사이에서 견고한 절충안을 제공합니다.
   • 결정기 개념: 튜토리얼은 세 가지 뚜의 서로 다른 시스템 모델링을 상세히 다룹니다: 단일 단계 MSMPR(혼합 현탁액 혼합 생성물 제거) 결정기, 2단계 MSMPR 캐스케이드, 그리고 관형(플러그 흐름) 결정기입니다. 이 모델들은 PBE를 연속상의 질량 및 에너지 수지와 결합합니다.

2. 대리 모델(Surrogate Model) 개발:

   • 실시간 최적화를 가능하게 하기 위해, 계산 비용이 많이 드는 제일 원리 모델을 데이터 기반 대리 모델로 근사합니다.
   • 세 가지 대리 모델링 기법을 평가합니다: 부분 공간 식별(선형), 신경망을 이용한 비선형 자기회귀 모델(NARX), 그리고 순환 신경망(RNN)입니다.
   • 연구는 전체 상태 벡터보다는 제어 관련 측정값(예: 평균 직경 $L_{43}$ 또는 중앙값 $d_{50}$)만을 예측함으로써 모델 복잡성을 줄이는 것을 강조합니다. 입력에 시간적 이력을 명시적으로 인코딩하는 NARX 모델은 테스트된 비선형 결정화 시스템에서 RNN 및 선형 부분 공간 모델보다 우수한 예측 정확도를 보였습니다.

3. 모델 예측 제어 구현:

   • 개발된 대리 모델은 do-mpc 및 CasADi 툴박스를 사용하여 MPC 프레임워크에 통합됩니다.
   • 제어 목적은 특정 입자 크기 지표(예: $L_{43}$ 또는 $d_{50}$)를 추적하는 동시에 공급 유량(수율)을 극대화하고 과포화 또는 온도에 대한 제약을 준수하는 것입니다.
   • 최적화 도구가 대리 모델의 부정확성을 악용하는 것(모델 악용)을 방지하기 위해, 저자들은 입력 변화에 페널티를 부여하고 비용 함수의 가중치를 신중하게 튜닝할 것을 권장합니다.

주요 기여 및 결과
본 논문은 워크플로우를 검증하기 위해 두 가지 주요 사례 연구를 제시합니다.

• 사례 1: 2단계 MSMPR 결정기: 이 시스템은 MPC를 위해 제일 원리 모델을 사용하는 것이 계산적으로 실행 가능한 벤치마크 역할을 합니다. 결과에 따르면, NARX 기반 대리 모델을 사용하는 MPC 제어기는 제일 원리 모델을 사용하는 제어기와 거의 동일한 성능을 달s합니다. 대리 모델 기반 제어기는 설정된 평균 직경을 성공적으로 추적하고 공급 유량을 극대화하며, 폐루프 비용의 미미한 증가와 무시할 만한 제약 조건 위반만을 보였습니다.
• 사례 2: 관형 결정기: 이 시스템은 복잡하고 공간적으로 분포된 공정을 나타내며, MPC에서 제일 원리 모델을 직접 사용하는 것이 계산적으로 불가능합니다. 대리 모델 기반 MPC는 중앙값 입자 크기($d_{50}$)를 성공적으로 제어하고 온도 제약을 관리합니다. 본 연구는 관형 시스템이 물리적으로 더 복잡함에도 불구하고, 신경망 근사가 이산화 병목 현상을 제거하여 제어 문제를 해결 가능하게 만든다는 점을 강조합니다. 흥ered히게도, 특정 제약 구조와 여러 단계 출력을 예측해야 하는 필요성 때문에 MSMPR 케이스의 계산 시간이 관형 케이스보다 높았습니다.

의의 및 주장
저자들은 본 튜토리얼이 공간적으로 분포된 결정기에서 전체 PSD 해상도를 갖는 MPC를 적용하기 위한 완전하고 실질적인 워크플로우를 제공함으로써 문헌의 중요한 공백을 메운다고 주장합니다.

• 실행 가능성: 본 논문은 상세한 PSD 모델과 공간적으로 분포된 결정기 역학을 모두 포함하는 MPC 스킴을 개발하는 것이 이제 계산적으로 가능하다는 것을 입증했습니다. 이는 이전에는 실시간 최적화에 너무 복잡하다고 여겨졌던 조합입니다.
• 실질적인 로드맵: 오픈 소스 코드와 대화형 예제를 제공함으로써, 본 연구는 공정 엔지니어와 제어 연구자의 진입 장벽을 낮추어 고급 공정 제어와 결정화 커뮤니티 간의 협업을 촉진합니다.
• 전략적 가이드라인: 저자들은 대리 모델이 언제 필요한지(예: 관형 시스템 또는 전체 PSD 추적 시)와 단순화된 제일 원리 모델이 충분한지(예: 잘 혼합된 MSMPR과 모멘트 기반 방법 사용 시)를 안내하는 의사 결정 트리(decision tree)를 통해 실무자에게 가이드를 제공합니다.

향후 전망 및 한계
본 논문은 시뮬레이션에서는 방법론이 견고하지만, 실제 산업 시스템에서의 실험적 검증은 여전히 부족함을 겸허히 인정합니다. 다음과 같은 몇 가지 과제가 남아 있습니다.

• 모델 유효성: 대리 모델은 훈련 영역 내의 보간(interpolation)에 대해서만 유효하며, 외삽(extrapolation)은 여전히 위험합니다.
• 불확실성 정량화: 향후 연구는 예측 신뢰도를 고려할 수 있도록 예측 가능한 제어(robust or stochastic MPC)를 가능하게 하는 불확실성 정량화(예: 베이지안 방법, conformalized quantile regression)를 통합해야 합니다.
• 새로운 시스템: 본 프레임워크는 복잡한 새로운 결정기(예: 슬러그 흐름, 진동 배플 결정기) 및 제일 원리 모델링이 어려운 파울링(fouling) 현상에 대한 적응이 필요합니다.
• 산업적 채택: 규제 산업(제약 등)에서 배치에서 연속 공정으로의 전환은 규제적 허들로 인해 느려지고 있으며, 여전히 PID 제어가 지배적입니다. 저자들은 대리 모델 도구가 성숙해짐에 따라 이러한 고급 제어 전략의 채택을 촉진할 것이라고 제언합니다.