⚡ electrical engineering

Artificial-reference tracking MPC with probabilistically validated performance on industrial embedded systems

본 논문은 비선형 반응기를 제어하는 하드웨어 인 더 루프(hardware-in-the-loop) 설정상의 확률론적 프레임워크를 통해 검증된, 오프셋 없는 추적 및 제약 조건 처리를 포함하며 구조 활용형 ADMM 알고리즘을 사용하는 산업용 임베디드 시스템용 효율적이고 기능이 풍부한 모델 예측 제어(MPC) 구현을 제시한다.

원저자: Victor Gracia, Pablo Krupa, Filiberto Fele, Teodoro Alamo

게시일 2026-06-09

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Victor Gracia, Pablo Krupa, Filiberto Fele, Teodoro Alamo

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

개요: 작은 주방의 "과로한 요리사"

공장을 바쁜 레스토랑 주방이라고 상상해 보세요. 목표는 엄격한 규칙을 준수하면서 완벽한 요리를 만드는 것(기계 제어)입니다. 즉, 음식을 태우지 않고(안전 제한), 재료가 떨어지지 않게 하며(자원 제한), 고객이 주문한 맛과 정확히 일치하도록(목표 추적) 해야 합니다.

보통 이러한 산업용 주방의 "요리사"들은 기본적인 레시피를 따르는 단순하고 신뢰할 수 있는 로봇(PID 제어기와 같은)입니다. 이들은 안전하지만, 갑작스러운 주문 변경이나 오븐 온도의 예상치 못한 변동과 같은 복잡한 상황을 처리하는 데는 서툽니다.

고급 요리사(모델 예측 제어 또는 MPC)는 훨씬 더 똑똑합니다. 이들은 앞을 내다보고, 다양한 요리 경로를 시뮬레이션하며, 가장 최선의 경로를 선택합니다. 하지만 이 고급 요리사들은 수학 계산을 위해 슈퍼컴퓨터를 필요로 하는 경우가 많습니다. 작고 저전력인 산업용 로봇(예: PLC)에 슈퍼컴퓨터를 넣으려는 것은, 마치 전자레인지 안에 일반 크기의 산업용 오븐을 넣으려는 것과 같습니다. 공간이 부족하거나 속도가 따라가지 못하기 때문입니다.

이 논문은 그 문제를 해결합니다. 저자들은 "스마트한 요리사"를 "전자레인지 크기"의 산업용 로봇에 넣을 수 있는 방법을 만들어냈습니다. 그들은 수학 계산을 매우 효율적으로 만들고, 문제가 발생했을 때 로봇이 멈추지 않도록 안전망을 추가함으로써 이를 실현했습니다.

세 가지 비밀 재료

이 스마트한 요리사가 작은 컴퓨터에서도 작동할 수 있도록, 저자들은 레시피에 세 가지 특별한 기능을 추가했습니다.

1. "마법의 참조값" (인공 참조값)

문제점: 때때로 고객이 현재 가진 재료로는 만들 수 없는 요리를 주문합니다 (예: "스테이크를 만들어 주세요, 하지만 지금 가진 건 두부뿐입니다"). 일반적인 스마트 요리사는 목표에 도달하는 것이 불가능하면 당황하여 멈춰버립니다.
해결책: 저자들은 요리사에게 "마법의 참조값"을 주었습니다. 당장 불가능한 스테이크를 완벽히 만들라고 요구하는 대신, 요리사는 이렇게 말합니다. "알겠습니다, 지금 당장 그 스테이크를 똑같이 만들 수는 없지만, 최대한 스테이크와 비슷하게 보이고 맛이 나는 '두부 요리'를 만들겠습니다."
이를 통해 시스템은 목표에 완벽히 도달할 수 없는 상황에서도 멈추지 않고 부드럽게 계속 작동할 수 있습니다. 최선의 타협점을 찾아내어 중단 없이 작업을 이어갑니다.

2. "부드러운 안전벨트" (연성 제약 조건)

문제점: 실제 공장은 무질서합니다. 센서가 오류를 일으키기도 하고, 기계가 진동하거나 날씨가 변하기도 합니다. 만약 요리사에게 "온도를 절대 100도 위로 올리지 마라"라는 엄격한 규칙이 주어졌는데, 갑작스러운 열기로 인해 온도가 101도가 된다면, 경직된 요리사는 규칙을 어겼다는 이유로 동작을 멈춰버릴 수 있습니다.
해결책: 저자들은 "부드러운 안전벨트"를 도입했습니다. "정지"라고 외치는 딱딱한 벽 대신, 탄성이 있는 고무줄을 사용합니다. 온도가 101도에 도달하면 요리사는 약간의 "통증"(수학적 페널티)을 느끼지만, 요리는 계속합니다. 이는 세상이 아무리 엉망이 되더라도 로봇이 작업을 멈추지 않게 해줍니다. 시스템이 충돌하는 대신 부드럽게 계속 돌아가도록 유지합니다.

3. "안전 완충 구역" (백오프 파라미터)

문제점: 부드러운 안전벨트가 있더라도, 낭떠러지 끝에 너무 가까이 가고 싶지는 않을 것입니다. 낭떠러지가 100도라면, 아주 작은 오차만으로도 선을 넘을 수 있으므로 99.9도를 목표로 삼아서는 안 됩니다.
해심책: 저자들은 "안전 완충 구역"을 추가했습니다. 요리사에게 "한계치는 100도이지만, 95도로 간주하라"고 지시하는 것입니다. 이렇게 하면 완충 공간이 생깁니다. 기계가 흔들리더라도 안전 구역 내에 머물 수 있습니다. 논문은 너무 조심스러워서 성능을 낭비하지 않으면서도, 동시에 너무 무모하지 않게 이 완충 공간을 정확히 계산하는 방법을 설명합니다.

"수정구슬" 테스트 (확률적 검증)

엔지니어링의 가장 큰 과제 중 하나는 다음과 같습니다: "이것이 실제 세상에서도 작동할 것이라는 것을 어떻게 확신하는가?"

보통 엔지니어들은 제어기를 몇 번 테스트하고 작동하면 바로 출시합니다. 하지만 만약 그 한 번의 실패가 공장이 파산하는 날에 일어난다면 어떻게 될까요?

저자들은 "수정구슬" 테스트 방법을 만들었습니다.

로봇을 단 10번 테스트하는 대신, 컴퓨터 시뮬레이션으로 1,156번 실행했습니다.
모든 시뮬레이션에서 날씨, 재료, 고객 주문을 무작위로 변경했습니다.
그들은 특수한 수학적 기법을 사용하여 다음과 같이 말할 수 있었습니다. "우리는 이 로봇이 실제 환경에서 안전 규칙을 위반할 확률이 3% 미만이며, 계산 속도가 충분히 빨라 시스템을 따라잡을 수 있다는 것을 99.9999% 확신한다."

이는 낙하산을 테스트하기 위해 시뮬레이터에서 1,000번 뛰어내리는 것과 같습니다. 997번 성공했다면, 실제 점프에서도 성공할 것이라고 통계적으로 확신할 수 있습니다.

실제 현장 테스트: 휘젓는 솥

이 아이디어가 실제로 작동하는지 증명하기 위해, 저자들은 이론에만 머물지 않고 실제 테스트를 구축했습니다.

기계: "연속 교반 탱크 반응기(CSTR)"입니다. 이것은 화학 물질을 섞고 가열하여 제품을 만드는 고도의 기술이 집약된 커다란 솥이라고 생각하면 됩니다. 이는 비선형적이며 제어가 까다롭습니다(마치 재료를 넣는 동안 끓는 수프가 넘치지 않게 조절하는 것과 같습니다).
두뇌: 저자들은 이 새로운 스마트 알고리즘을 Siemens S7-1500 PLC에 탑니다. 이는 전 세계 공장에서 사용되는 표준적이고 견고한 산업용 컴퓨터입니다. 노트북에 비해 메모리와 속도가 매우 제한적입니다.
결과: "전자레인지 크기"의 컴퓨터가 "거대한 솥"을 성공적으로 제어했습니다. 온도와 화학 물질 수치를 안전 범위 내로 유지했고, 외부 방해 요인을 처리했으며, 시스템이 업데이트되는 주기(75초)보다 훨씬 빠른 2초 이내에 모든 수학 계산을 완료했습니다.

요약

이 논문은 매우 똑똑하고 복잡한 제어 전략을 표준적이고 저렴한 산업용 로봇 안에 들어갈 수 있도록 축소하는 것에 관한 것입니다.

그들은 수학을 빠르게 만들었습니다. 문제의 구조를 활용하는 특수 알고리즘(ADMM)을 사용했습니다.
그들은 견고하게 만들었습니다. 로봇이 불가능한 목표와 무질서한 실제 데이터를 처리하면서도 멈추지 않도록 했습니다.
그들은 그것이 작동함을 증명했습니다. 수천 번의 가상 테스트를 실행하여 로봇이 실제 사용 환경에서도 안전하고 빠를 것임을 통계적으로 보장했습니다.

결과적으로, 이 논문은 고차원적인 학술적 제어 이론과 거친 공장 현장 사이의 가교 역할을 하며, 고급 제어 기술이 드디어 우리 산업을 움직이는 "전자레인지" 컴퓨터에서도 실행될 준비가 되었음을 보여줍니다.

기술 요약: 산업용 임베디드 시스템에서의 확률적 검증을 통한 인공 참조 추적 MPC

문제 정의
프로그래머블 로직 컨트롤러(PLC)와 같은 산업용 임베디드 시스템은 일반적으로 계산 및 메모리 자원이 제한되어 있어, PID와 같은 단순한 제어 법칙이 널리 사용됩니다. 모델 예측 제어(MPC)는 제약 조건 처리 및 운전 최적화 측면에서 우수한 성능을 제공하지만, 이러한 하드웨어에 구현하는 것은 도전적인 과제입니다. 기존 솔루션은 빠른 계산을 보장하기 위해 단순화된 선형 정식화나 명시적 제어기에 의존하는 경우가 많으나, 이는 플랜트-모델 불일치, 외부 외란, 그리고 비허용 참조(non-admissible references)를 추적해야 하는 필요성과 같은 실제 환경의 문제들에 대한 강건성이 부족합니다. 또한, 불확실한 환경에서 안전과 성능을 보장하기 위해 제어기 파라미터(예: 제약 조건 백오프 및 소프트 제약 가중치)를 선택하는 것은 매우 까다로운데, 전통적인 강건 제어 방법론은 지나치게 보수적이거나 계산 비용이 많이 들 수 있기 때문입니다.

방법론
본 논문은 산업용 임베디드 하드웨어에서 인공 참조를 사용하는 고급 MPCT(Model Predictive Control for Tracking) 기법을 배포하기 위한 종합적인 프레임워크를 제안합니다. 이 방법론은 세 가지 주요 구성 요소로 통합됩니다:

강화된 MPCT 정식화:
- 인공 참조(Artificial Reference): 제어기는 인공 참조를 결정 변수로 활용하여, 모델의 정상 상태가 아니거나 허용되지 않는 참조를 추적할 수 있게 함으로써 도달 영역(domain of attraction)을 확장합니다.
- 오프셋 없는 추적(Offset-Free Tracking): 플랜트-모델 불일치 및 상수 가산 외란을 보상하기 위해 상태-외란 추정기(Luenberger observer)가 통합되어, 정상 상태 오프셋 제로를 보장합니다.
- 제약 조건 처리: 재귀적 가능성(recursive feasibility)과 강건성을 확보하기 위해 다음을 포함합니다:
  - 백오프 파라미터(Back-off Parameters): 외란과 추정 오차를 고려하여 모델 제약 조건을 조여줌으로써, 실제 시스템이 물리적 한계를 준수하도록 합니다.
  - 소프트 제약(Soft Constraints): 부등식 제약 조건은 정확한 페널티 접근법(exact penalty approach)을 사용하여 완화됩니다. 이는 심각한 외란 상황에서도 최적화 문제가 실행 가능성을 유지하도록 보장하며, 비용 함수 내에서 위반 사항에 대해 페널티를 부여합니다.
- 결합 제약(Joint Constraints): 결합된 상태-입력 제약 조건을 명시적으로 처리합니다.
효율적인 솔버 구현:
- 최적화 문제는 구조 활용형 교대 방향 증분법(ADMM) 알고리즘을 사용하여 해결됩니다.
- 솔버는 MPCT 문제의 반-밴드(semi-banded) 구조를 활용하여 낮은 메모리 점유율과 빠른 계산 시간을 달성함으로써 PLC에 적합하도록 설계되었습니다.
- 이전 단계의 해를 기반으로 변수를 초기화하는 웜 스타트(warm-start) 전략을 채택하여 수렴을 가속화합니다.
- 알고리즘은 Siemens S7-1500 PLC 상에서 표준 IEC 61131-3 프로그래밍 언어를 사용하여 구현되었습니다.
확률적 검증 프레임워크:
- 제어기 파라미터 튜닝의 어려움을 해결하기 위해, 저자들은 확률적 검증 방법(Karg et al., 2021 기반)을 확장하였습니다.
- 이 프레임워크는 무작위 불확실성 실현을 포함하는 $N_s$ 개의 폐루프 실험을 실행함으로써 제어기 파라미터(백오프 및 소프트 제약 가중치)를 선택할 수 있게 합니다.
- 이는 성능 지표(예: 제약 위반, 솔버 반복 횟수)가 특정 임계값을 초과할 확률이 $\epsilon$ 에 의해 제한된다는 것을 신뢰도 $1-\delta$ 로 제공합니다. 이를 통해 명시적인 최악의 경우 불확실성 경계 없이도 제약 만족과 계산 효율성 사이의 균형을 맞추는 제어기를 선택할 수 있습니다.

주요 기여

임베디드 시스템을 위한 실용적 MPCT: 본 논문은 필수적인 산업적 기능(오프셋 없는 제어, 제약 조건 조임, 소프트 제약)을 포함하면서도 자원이 제한된 하드웨어에 적합한 계산 효율성을 유지하는 맞춤형 MPCT 정식화를 제시합니다.
확률적 파라미터 검증: 경험적 데이터를 기반으로 제어 파라미터를 검증하고 선택하는 새로운 프레임워크를 제안하며, 제약 위반 및 솔버 반복 횟수에 대한 장기적인 폐루프 성능에 대해 확률적 보증을 제공합니다.
산업적 구현: 제안된 방식은 비선형 연속 교반 탱크 반응기(CSTR)를 제어하는 하드웨어 인 더 루프(HiL) 설정 내의 Siemens S7-1500 PLC에 성공적으로 구현되었습니다.

실험 결과
제안된 기법은 결합된 상태-입력 제약 조건과 외부 외란이 존재하는 비선형 CSTR 모델에 대해 테스트되었습니다.

성능: 제어기는 계단형(piecewise constant) 참조를 성공적으로 추적했습니다. 확률적 검증을 통해 제약 위반을 최소화하면서 ADMM 반복 횟수를 낮게 유지하는 백오프 파라미터( $\eta$ )와 소프트 제약 가중치( $\beta$ ) 집합(C1)을 식별했습니다.
검증: 신뢰도 $1-\delta = 99.9999\%$ 와 확률 경계 $\epsilon = 0.03$ 에서, 선택된 제어기(C1)는 적어도 97%의 새로운 실험에서 제약 위반이 작은 임계값( $\phi_1 \le 0.0045$ 로 측정됨)을 넘지 않음을 보여주었습니다. 최대 ADMM 반복 횟수는 246회로 제한되었습니다.
계산 효율성: 솔버는 PLC에서 최대 실행 시간 1.98초를 달 기록하였으며, 이는 75초의 샘플링 시간보다 현저히 짧습니다. 추정기, 솔버, 참조 계산기를 위한 총 메모리 사용량은 0.73 MB(가용 메모리의 3%)였습니다.
트레이드오프: 결과는 제약 만족과 추적 성능 사이의 트레이드오프를 명확히 보여주었습니다. 공격적인 백오프를 적용한 제어기(C1)는 제약 준수를 보장했지만, 참조가 허용되지 않을 때 때때로 정상 상태 오프셋을 발생시켰습니다. 반대로, 백오프가 없는 제어기(C0)는 더 나은 추적 성능을 보였으나 제약 위반이 더 빈번하게 발생했습니다.

의의 및 주장
본 논문은 학술적 MPC 연구와 산업 현장 사이의 간극을 메운다고 주장합니다. 본 연구는 효율적인 구조 활용형 솔버와 확률적 검증 프레임워크를 결합함으로써, 고급의 실용적인 MPC 정식화가 초 단위의 솔루션 시간을 갖는 표준 산업용 임베디드 시스템(PLC)에 배포될 수 있음을 입증했습니다. 저자들은 자신들의 접근 방식이 안전하고 신뢰할 수 있는 실시간 제어 애플리케이션에 필수적인 제약 만족 및 계산 경계에 대한 "확률적 인증"을 가능하게 한다고 강조합니다.