⚡ electrical engineering

Adaptive Digital Twin of Sheet Metal Forming via Proper Orthogonal Decomposition-Based Koopman Operator with Model Predictive Control

본 논문은 복잡하고 비선형적인 변형 공정의 실시간 데이터 기반 모델 예측 제어를 가능하게 하기 위해 적절 직교 분해(Proper Orthogonal Decomposition), 쿱만 연산자(Koopman operator), 그리고 온라인 재귀 최소 제곱법(Recursive Least Squares)을 통합한 로봇 판금 성형용 적응형 디지털 트윈 프레임워크를 제시한다.

원저자: Yi-Ping Chen, Derick Suarez, Ying-Kuan Tsai, Vispi Karkaria, Guanzhong Hu, Zihan Chen, Ping Guo, Jian Cao, Wei Chen

게시일 2026-07-14

📖 5 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Yi-Ping Chen, Derick Suarez, Ying-Kuan Tsai, Vispi Karkaria, Guanzhong Hu, Zihan Chen, Ping Guo, Jian Cao, Wei Chen

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

당신이 빈티지 자동차의 매끄러운 후드처럼 완벽한 곡선을 만들기 위해 금속 조각을 모양 잡으려 한다고 상상해 보십시오. 옛날에는 숙련된 장인이 그곳에 서서 금속을 두드리고 굴리며, 손과 눈으로 형태를 느끼고, 매 순간 밀어내는 힘을 조절했습니다. 그것은 인간의 기술과 고집스러운 금속 사이의 춤이었습니다. 하지만 만약 당신이 로봇에게 이 춤을 추게 하고 싶다면 어떻게 될까요? 문제는 금속이 까다롭다는 점입니다. 금속은 휘어지고, 다시 튀어 오르며, 작업을 할수록 더 단단해집니다. 만약 당신이 로봇에게 한 번만 정확히 어떻게 움직이라고 말한다면, 금속은 두 번째 혹은 세 번째에는 그 말을 듣지 않을 수도 있습니다.

여기서 노스웨스턴 대학교(Northwestern University)의 연구진은 "디지털 트윈(Digital Twin)"을 통해 해결책을 제시했습니다. 이것을 단순한 3D 모델이 아니라, 컴퓨터 속에 사는 초스마트하고 마법 같은 거울이라고 생각하십시오. 이 거울은 단순히 금속처럼 보이는 것이 아니라, 금속처럼 생각합니다. 로봇이 금속에 손을 대기도 전에 금속이 어떻게 반응할지를 정확히 예측합니다.

문제점: 기분에 따라 변하는 무드 링(Mood Ring) 같은 금속

연구팀은 **잉글리시 휠(English wheel)**이라는 도구를 사용하여 작업했습니다. 이는 두 바퀴 사이에서 금속을 늘리고 모양을 잡는 기계입니다. 문제는 무엇일까요? 금속의 행동은 끊임없이 변한다는 것입니다. 너무 세게 누르면 금속이 단단해지고(이를 가공 경화라고 합니다), 너무 살살 누르면 충분히 휘어지지 않습니다.

이것을 로봇으로 제어하려는 이전의 시도들은 종로 단순한 규칙(예: "여기를 누르고, 그다음 저기를 눌러라")을 사용하거나 계산 시간이 너무 오래 걸리는 복잡한 시뮬레이션을 사용했기 때문에 자주 실패했습니다. 논문은 단순히 표준 머신 러닝을 사용하는 것만으로는 충분하지 않다고 주장합니다. 그러한 모델들은 물리 법칙을 이해하지 못한 채 추측만 하는 "블랙박스"인 경우가 많으며, 작업 중간에 금속의 성질이 변하면 혼란에 빠지기 때문입니다.

해결책: 비선형의 세계를 위한 선형 지도

연구진은 세 가지 아이디어를 절묘하게 결합하여 새로운 종류의 디지털 트윈을 구축했습니다.

"말랑한" 압축 (POD): 금속이 모든 지점에서 어떻게 휘어지는지를 보여주는 거대하고 무질서한 데이터 더미가 있다고 상상해 보십시오. 이를 다루기에는 너무 양이 많습니다. 연구팀은 **적정 직교 분해(Proper Orthogonal Decomposition, POD)**라는 기술을 사용하여 이 방대한 데이터 더미를 단 몇 개의 핵심 숫자로 "압축"했습니다. 이는 폭풍의 고화질 사진을 찍은 뒤, 비가 어디에 내리는지 정확히 알려주는 간단한 일기 예보로 압축하는 것과 같습니다. 그들은 단 4개의 이 "핵심 숫자"만으로 금속 행동의 **99.5%**를 포착할 수 있다는 것을 발견했습니다.
"마법의 번역기" (코프만 연산자, Koopman Operator): 금속을 구부리는 과정은 혼란스럽고 비선형적입니다(직선을 따르지 않습니다). 하지만 연구진은 코프만 연산자라는 수학적 트릭을 사용하여 이 혼돈을 단순하고 직선적인 언어로 번ert했습니다. 롤러코스터 탑승을 설명한다고 상상해 보십시오. 매우 격렬하고 뒤틀립니다. 하지만 만약 당신이 그 탑승 경험을 컴퓨터가 즉시 해결할 수 있는 단순한 "위, 아래, 왼쪽, 오른쪽" 명령 목록으로 번역할 수 있다면, 그것이 바로 코프만 연산자가 하는 일입니다. 이 연산자는 무질서한 현실을 수학적으로 쉽고 예측 가능한 "리프티드 공간(lifted space)"으로 끌어올립니다.
"자기 수정" 뇌 (RLS & MPC): 아무리 좋은 지도라도 지형이 변하면 틀릴 수 있습니다. 금속은 작업이 진행됨에 따라 점점 더 단단해지는데, 초기 지도에는 이 사실이 반영되어 있지 않았습니다. 이를 해결하기 위해 연구팀은 재귀적 최소 제곱법(Recursive Least Squares, RLS) 알고리즘을 추가했습니다. 이것은 디지털 트윈이 "학습 루프"를 갖는 것과 같습니다. 로로봇이 움직이고 금속이 반응할 때마다, 디지털 트윈은 다음과 같이 확인합니다. "내가 예측한 것이 맞나?" 만약 금속이 예상보다 덜 휘어졌다면, 디지털 트윈은 다음 동작을 위해 자신의 내부 "제어 노브"(구체적으로 행렬 B)를 즉시 업데이트하여 더 정확하게 만듭니다.

마지막으로, 그들은 **모델 예측 제어(Model Predictive Control, MPC)**를 사용했습니다. 이것은 마치 6수 앞을 내다보는 체스 선수와 같습니다. 현재의 모양에 단순히 반응하는 대신, MPC는 금속이 정확히 원하는 위치에 도달하도록 하면서도 "너무 급격하게 구부리지 마라" 또는 "시작점과 끝점을 같게 하라"와 같은 규칙을 준수하며 향후 6번의 사이클을 계획합니다.

결과: 마법은 통했는가?

연구팀은 30.48 mm × 7.62 mm × 0.06 mm 두께의 316L 스테인리스 스틸 블랭크를 사용하여 실제 로봇 시스템에서 이를 테스트했습니다. 그들은 단순히 시뮬레이션만 한 것이 아니라, 실제로 제작하고 실행했습니다.

자기 수정 업데이트가 없을 때: 로봇은 금속을 구부리려 했지만, 금속이 예상보다 단단해졌기 때문에 로봇은 계속 덜 구부리는 결과를 낳았습니다. 6번의 사이클 후에 최종 형태는 가장자리에서 무려 12.64 mm의 오차를 보였습니다. 로봇은 똑같은 일을 반복하며 실패하는 루프에 빠져 있었습니다.
자기 수정 업데이트가 있을 때: 디지털 트윈은 금속이 충분히 휘어지지 않는다는 것을 감지했습니다. 그것은 내부의 "이득(gain)"(구체적으로 첫 번째 체비쇼프 다항식 T1에 대한 계수)을 조정하고 로봇에게 더 강하게 밀라고 지시했습니다. 결과는 어떠했을까요? 최종 형태의 오차는 단 2.79 mm에 불에 불과했습니다. 더 작은 목표 곡선의 경우, 오차는 1.09 mm로 떨어졌으며, 로봇은 6번 대신 단 5번의 사이클 만에 작업을 완료했습니다.

이 시스템은 강력한 컴퓨터를 사용하여 복잡한 수학 문제(관련된 **1,590개의 설계 변수 포함)를 약 0.8067초 만에 해결했으며, 이는 로봇의 속도에 맞춰 결정을 내릴 수 있을 만큼 빨랐음을 의미합니다.

이것이 의미하는 바 (그리고 그렇지 않은 것)

이 논문은 이 적응형 디지털 트윈이 복잡한 금속 성형을 제어하는 강력한 방법임을 보여줍니다. 이는 무질서하고 비선형적인 과정을 컴퓨터가 실시간으로 해결할 수 있는 관리 가능한 선형 문제로 바꿀 수 있음을 입증합니다.

하지만 저자들은 이것이 모든 가능한 금속 형상에 적용되는 "해결된 문제"는 아니라는 점을 주의 깊게 언급합니다. 현재 모델은 "집합적 근사(aggregate approximation)"이며, 이는 테스트한 특정 조건에서는 잘 작동하지만, 본 적 없는 완전히 새로운 재료나 형상에는 어려움을 겪을 수 있음을 의미합니다. 그들은 향후 연구에서 더 많은 데이터를 수집하고, 시스템을 진정으로 자율적으로 만들기 위해 인간의 지식과 결합해야 한다고 제안합니다.

하지만 현재로서는, 그들은 디지털 트윈을 통해 금속을 "느끼고", 실시간으로 실수를 통해 배우며, 매끄럽고 완벽한 곡선을 만들기 위해 전략을 즉각적으로 조정할 수 있는 로봇을 성공적으로 구축했습니다. 이는 공장이 단순히 지시를 따르는 것을 넘어, 숙련된 장인처럼 적응하고 학습하는 미래를 향한 한 걸음입니다.

기술 요약: POD 기반 Koopman 연산자와 MPC를 이용한 판재 성형의 적응형 디지털 트윈

문제 정의

디지털 트윈(DT) 기술는 제조 공정의 실시간 모니터링 및 제어에 상당한 잠재력을 제공한다. 그러나 판재 변형, 특히 잉글리시 휠(English wheel) 공정과 같이 변형 기반의 금속 성형에 DT를 적용하는 것은 매우 도전적인 과제이다. 이는 시트 변형의 강력하게 결합된 시공간적 거동과 툴패스(toolpath)와 재료 반응 사이의 비선형 관계 때문이다. 기존 방식들은 다음과 같은 뚜렷한 한계점을 가진다:

물리 기반 시뮬레이션(예: 유한 요소 해석, FEA)은 실시간 최적화를 수행하기에는 계산 비용이 너무 높다.
순수 데이터 기반 모델은 물리적 해석력이 부족하고, 학습 영역을 벗어난 일반화 능력이 떨어지며, 고가의 데이터 획득 비용이 발생한다.
기존 제어 전략(예: PID)은 일반적으로 단일 입력 단일 출력(SISO) 시스템에 국한되며, 판재 성형에 내재된 고차원적이고 공간적으로 상관된 필드를 효과적으로 다룰 수 없다.
강화 학습은 데이터 집약적이어서, 데이터 수집 비용이 높은 시나리오에서는 실용성이 떨어진다.

핵심 과제는 비선형 시공간 변형 역학을 정확하게 포착하면서도, 모델 예측 제어(MPC)를 통한 실시간 의사결정이 가능하도록 계산 효율성을 유지하는 모델을 개발하는 것이다.

방법론

저자들은 고유 직교 분해(POD), 딥 코프만 연산자(Deep Koopman Operator), 그리고 온라인 모델 업데이트를 위한 **재귀 최소 제곱법(RLS)**이 통합된 적응형 DT 프레임워크를 제안한다. 이 시스템은 316L 스테인리스 스틸을 사용한 로봇 잉글리시 휠 설정에서 검증되었다.

1. 차원 축소 및 특징 추출:
고차원 데이터를 관리하기 위해, 본 프레임워크는 두 가지 별도의 분해 전략을 채택한다:

상태 축소 (POD/PCA): 고유 직교 분해(주성분 분석, PCA)를 사용하여 시트 변형 필드를 축소한다. 처음 4개의 주성분 모드를 유지하여 전체 분산의 99.5% 이상을 포착하였으며, 이를 통해 상태 차원을 8개의 공간 지점에서 4개의 계수로 줄였다.
입력 축소 (체비쇼프 다항식): 툴패스는 체비쇼프 다항식 분해를 사용하여 표현된다. 이는 재구성된 궤적이 본질적으로 매끄럽고 미분 가능하게 하여 제조 제약 조건을 충족하도록 보장한다. 툴패스 표현을 위해 5개의 기저 함수가 사용되었다.

2. 딥 코프만 연산자를 통한 대리 모델링:
잔차 연결(residual-connected) 인코더-디코더 구조를 갖춘 딥 코프만 연산자가 리프팅된 선형 공간(lifted linear space)에서 시스템 역학을 학습하도록 훈련된다.

구조: 인코더는 축소된 차원의 상태(PCA 계수)를 고차원의 리프팅된 공간( $z$ )으로 매핑한다. 선형 진화 모듈(행렬 $A$ 및 $B$ )이 역학( $z_{k+1} = Az_k + B\tilde{u}_k$ )을 제어한다. 디코더는 리프팅된 상태를 다시 축소된 차원의 공간으로 투영한다.
훈련 전략: 모델은 재구성 손실, 1단계 및 다단계 예측 손실, 안정성 손실(고윳값이 1보다 큰 경우에 페널티 부여), 그리고 순방향 선형성 손실을 포함하는 복합 손실 함수를 사용하여 훈련된다. 안정성을 높이고 과적합을 방지하기 위해 잔차 연결과 드롭아웃(비선형 층에만 적용)이 사용된다.
핵심 설계 선택: 제어 입력(체비쇼프 계수)은 비선형 인코더를 통하지 않고 선형 부분 공간에 그대로 유지되어, 효율적인 MPC에 필요한 선형 구조를 보존한다.

3. 제어 전략 (MPC):
학습된 선형화 모델은 제약 조건이 있는 MPC 프레임워크에 통합되어 최적의 툴패스를 생성한다.

정식화: 문제는 예측 호라이즌(prediction horizon) 6 사이클 동안 목표 기하학적 형상과의 편차 및 제어 노력을 최소화하는 볼록 이차 계획법(Convex QP) 문제로 구성된다.
제약 조건: 제어 진폭에 대한 제약과 체비쇼프 다항식의 특성(예: 툴패스가 $z=0$ 에서 시작하도록 보장)으로부터 유도된 기하학적 매끄러움에 대한 제약이 포함된다.
재퇴치 호라이즌(Receding Horizon): 최적화된 시퀀스의 첫 번째 툴패스만이 적용된다. 각 사이클 이후, 시스템 상태는 새로운 측정값으로 업데이트되고 최적화가 다시 수행된다.

4. 온라인 모델 적응 (RLS):
재료의 가변성(예: 가공 경화) 및 모델 불일치를 해결하기 위해, 실시간으로 제어 행렬 $B$ 를 업데이트하는 재귀 최소 제곱법(RLS) 알고리즘이 사용된다.

메커니즘: 전역적 안정성을 유지하기 위해 상태 역학 행렬 $A$ 는 고정된 상태로 유지하며, $B$ 는 예측 오차를 기반으로 업데이트된다.
트리거: 업데이트는 측정된 기하학적 형상과 예측된 형상 사이의 편차가 3mm를 초과하거나, 시트 변형이 정체될 때(사이클 간 변화 < 3mm)만 발생한다. 이는 제한된 피드백 데이터에 대한 과적합을 방지한다.

주요 기여

적응형 DT 프레임워크: POD와 딥 코프만 연산자를 통합하여 시트 성형의 시공간적 역학을 축소된 차원의 선형 표현 형태로 포착한다.
실시간 의사결정: 딥 코프만 기반 선형 모델링과 제약 조건이 있는 MPC를 결합한 제어 프레임워크를 통해 실시간으로 최적의 매끄러운 툴패스를 생성한다(평균 계산 시간 ~0.8초).
온라인 적응: 운영 중 RLS를 사용하여 제어 행렬 $B$ 를 적응적으로 정밀화함으로써, 전체 딥 네트워크를 재학습시키지 않고도 재료의 가변성과 불확실성에 대응하여 정확도를 유지한다.
실험적 검증: 완전 자율 로봇 잉글리시 휠 시스템에서 프레임워크를 검증하여, 다양한 조건에서도 목표 기하학적 형상을 달성할 수 있음을 입증하였다.

결과

본 프레임워크는 80개의 실험적 부품(학습용 75개, 검증/테스트용 5개)을 통해 검증되었다.

모델 정확도: 학습된 코프만 연산자는 측정 데이터와 강력한 일치성을 보였다. 대부분의 예측 오차는 시트 끝단 근처에서 ±5mm 이내였으며, 변형 및 툴패스에 대한 재구성 오차는 각각 일반적으로 ±0.5mm 및 ±0.25mm 이내였다.
제어 성능 (대변형 케이스):
- 모델 업데이트 미적용 시: 모델이 툴패스의 효과를 과대평가함에 따라 사이클 3부터 "언더벤딩(underbending)"과 정체 현상이 발생했다. 최종 편차는 12.64 mm였다.
- 모델 업데이트 적용 시: RLS 알고리즘이 제어 이득을 수정하여 시트를 소성 영역으로 몰아넣기 위한 더 가파른 툴패스를 생성했다. 최종 편차는 2.79 mm로 감소했다.
제어 성능 (중등도 변형 케이스):
- 모델 업데이트 미적용 시: 최종 편차는 7.34 mm였다.
- 모델 업데이트 적용 시: 5 사이클 이내에 목표에 도달하였으며 최종 편차는 1.09 mm였다.
해석 가능성: 업데이트된 행렬 $B$ 에 대한 분석 결과, 특정 제어 이득(예: 1차 체비쇼프 계수의 영향력 감소)의 조정을 확인하였으며, 이는 모델이 공정의 물리적 변화에 적응할 수 있음을 보여준다.

의의 및 주장

본 논문은 이 연구가 입력과 출력이 벡터 필드인 비선형 제조 시스템을 위한 해석 가능하고, 적응 가능하며, 계산 효율적인 디지털 트윈을 구축하는 일반화 가능한 접근 방식을 확립한다고 주장한다.

물리와 데이터의 가교: 본 프레임ка는 축소된 차원의 물리적 표현(POD를 통해)과 데이터 기반 적응성(Koopman 및 RLS를 통해)을 성공적으로 결합하였다.
자율 제어: 장인에게 의존하던 공정에서 벗어나, 전략을 계획하고 적응할 수 있는 시스템으로 이동하는 자율적 피드백 기반 성형의 타당성을 입증하였다.
확장성: 잉글리시 휠에서 시연되었으나, 저자들은 이 파이프라인이 점진적 성형(incremental forming), 단조(forging), 적층 제조(additive manufacturing)와 같이 시공간적 역학을 포함하는 다른 공정으로 확장 가능하다는 점을 시사한다.
제한점: 저자들은 현재 모델이 재료 거동(탄성에서 소성으로)의 종합적인 근사치 역할을 하며, 결합된 상태-입력 공간에서의 데이터 희소성에 의해 제한될 수 있음을 인정한다. 온라인 업데이트가 모든 재료 상태에서 전역적 정확도를 달달성하지 못할 수는 있으나, 원하는 결과를 향해 제어 법칙을 유도하는 데 매우 효과적임을 언급하였다. 향후 연구에서는 완전한 3D 성형을 다루고, 모델 정밀도를 더욱 높이기 위해 다중 모드 데이터(시뮬레이션, 인간의 시연)를 통합할 것을 제안하였다.