Deep Koopman Economic Model Predictive Control of a Pasteurisation Unit

기술 요약: 저온 살균 장치에 대한 딥 코프만 경제적 모델 예측 제어

문제 정의
저온 살균 장치(PU)와 같은 열 집약적 플랜트의 효율적인 운영은 안전, 제품 품질, 재료 손실 및 에너지 소비 사이의 균형을 맞추어야 한다는 점에서 상당한 과제를 안겨줍니다. 기존의 제어 전략은 열 전달 및 유체 역학에 내재된 강력한 비선형성으로 인해 어려움을 겪는 1차 원리 모델(first-principles models)에 의존하는 경우가 많습니다. 모델 예측 제어(MPC)는 명시적인 제약 조건 처리를 제공하지만, 전형적인 구현 방식은 선형 예측 모델을 필요로 하며, 이는 고도의 비선형 시스템에서 성능 저하를 야기합니다. 또한, 표준 MPC는 경제적 목적(예: 에너지 효율 및 재료 손실)을 최적화하기보다는 참조 궤적을 추종하는 데 중점을 둡니다.

방법론
본 논문은 실험실 규모의 저온 살균 장치를 위해 설계된 딥 코프만 기반 경제적 모델 예측 제어(EMPC) 프레임워크를 제안합니다. 이 방법론은 세 가지 핵심 구성 요소의 통합을 특징으로 합니다:

1. 딥 코프만 시스템 식별(Deep Koopman System Identification): 저자들은 코프만 연산자 이론을 활용하여 비선형 시스템 역학을 리프팅된 관측 공간(lifted space of observables) 내의 선형 표현으로 변환합니다. 수동적인 특징 선택이 필요한 전통적인 확장 동적 모드 분해(EDMD)와 달리, 이 접근 방식은 신경망을 사용하여 실험 데이터로부터 리프팅 함수(인코더)와 코프만 행렬을 직접 학습합니다.

   • 두 가지 모델이 학습되었습니다: 비선형 투영을 사용하는 딥 코프만 모델(고충실도 시뮬레이션 및 검증용)과 선형 투영을 사용하는 딥 코프만 모델(MPC 컨트롤러용)입니다.
   • 선형 투영 모델은 출력 매핑을 선형 변환으로 근사하여, 시스템 식별을 위한 딥 러닝의 정확성을 유지하면서도 MPC 프레임워크 내에서 볼록 최적화(convex optimization)를 사용할 수 있도록 합니다.

2. 경제적 모델 예측 제어(EMPC): 이 제어 공식은 표준 이차 추종 목적 함수를 경제적 비용 함수로 대체합니다. 목적 함수는 다음 항목들을 명시적으로 최소화합니다:

   • 에너지 소비: 구체적으로 가열 스파이럴의 전력 소비량.
   • 재료 손실: 제품 온도가 안전한 살균 한계 미만으로 떨어져 제품 폐기가 필요한 상황에 대해 페널티를 부여합니다.
   • 액추에이터 마모: 제어 입력의 급격한 변화에 대해 페널티를 부여합니다.
   • 제약 조건 위반: 펌프 고장이나 냉각 배치(cold batch) 유입과 같은 교란 발생 시 실행 가능성을 보장하기 위해 슬랙 변수(slack variables)를 사용한 소프트 제약 조건이 구현됩니다.

3. 실험 설정: 시스템은 세 개의 조작 변수(냉매 유량, 온수 유량, 히터 전력)와 세 개의 제어 출력(홀딩 튜브, 가열 탱크, 열교환기 출구의 온도)을 가진 다변량 PU입니다. 모델은 물리적 플랜트에서 수집된 실험 데이터를 통해 식별되었으며, 전통적인 N4SID 부분 공간 식별(subspace identification) 베이스라인과 비교 검증되었습니다.

주요 기여

• 딥 러닝과 EMPC의 통합: 본 논문은 딥 코프만 연산자와 경제적 최적화를 결합하여, 볼록 최적화를 통해 비선형 열 공정을 제어할 수 있는 실용적인 프레임워크를 보여줍니다.
• 이중 모델 아키텍처: 저자들은 정확한 시스템 표현을 위한 비선형 투영 모델과 선형 MPC의 제약 조건에 특화된 선형 투영 모델을 구분함으로써, 딥 러닝과 볼록 솔버(convex solver) 간의 호환성 문제를 해결했습니다.
• 경제적 비용 공식화: 연구에서는 단순한 온도 추종을 넘어, 재료 손실과 에너지 소비를 화폐 가치로 정량화하는 특정 살균 공정용 경제적 비용 함수를 정의했습니다.

결과
제안된 딥 코프만 EMPC는 외부 교란(예: 피드 펌프의 '닫힘 실패' 시나리오 및 냉각 배치 유입)이 있는 PU의 비선형 모델 상에서 수치적으로 검증되었습니다. 결과는 N4SID 베이스라인 기반의 EMPC와 비교되었습니다:

• 예측 정확도: 비선형 투영을 사용하는 딥 코프만 모델은 N4SID 대비 평균 절대 오차(MAE) 측면에서 93%의 개선을 달را성했습니다. 제어를 위해 사용된 선형 투영 모델 역시 N4SID 베이스라인 대비 MAE가 45% 개선되었습니다.
• 경제적 성능: 딥 코프만 EMPC는 N4SID 베이스라인에 비해 총 경제적 비용을 32% 절감했습니다(개선 계수 1.48).
  • 재료 손실: 재료 손실 비용이 출력 T1의 경우 3.58배, 출력 T3의 경우 3.15배 감소하는 등 상당한 감소가 관찰되었습니다.
  • 에너지 소비: 코프만 기반 컨트롤러는 에너지 비용을 1.11배 감소시켰습니다. 정상 상태 운전 시, N4SID 방식보다 10.2% 적은 전력을 소모했습니다.
  • 제약 조건 처리: 컨트롤러는 교란 발생 시 온도를 안전 한계 이상으로 유지하는 견고함을 보여주었으며, 제품 폐기 필요성을 최소화했습니다.

의의 및 주장
본 논문은 딥 코프만 표현을 경제적 최적화와 통합하는 것이 자원 효율적인 열 집약적 플랜트 제어에 실질적인 이점을 제공한다고 주장합니다. 주요 의의는 데이터 기반 선형 모델이 신경망을 통해 학습될 때, 전통적인 부분 공간 식별 방법보다 예측 정확도와 경제적 성능 모두에서 우수할 수 있음을 입증했다는 점에 있습니다.

저자들은 이 접근 방식이 입력-출력 데이터와 표준 이차 계획법(quadratic programming) 솔버만을 필요로 하므로, 복잡한 1차 원리 모델링 없이도 산업 현장에 배포될 가능성이 높다고 강조합니다. 결과는 딥 코프만 EMPC가 재료 낭비와 에너지 소비를 줄이는 데 특히 효과적임을 보여주며, 이는 열 처리 공정의 경제적 및 지속 가능성 목표를 해결하는 데 기여합니다. 저자들이 언급했듯이, 향후 연구는 실제 저온 살균 장치에 대한 하드웨어 인 더 루프(hardware-in-the-loop) 검증에 집중될 것입니다.