⚡ electrical engineering

Neural Luenberger state observer for nonautonomous nonlinear systems

이 논문은 비자율적 비선형 시스템을 위해 역사적 또는 시뮬레이션 데이터를 기반으로 신경망을 활용해 학습된 Luenberger 상태 관측기를 제안하고, 이론적으로 수렴 오차 한계를 증명하며 생물반응기와 Williams-Otto 반응기 사례를 통해 그 유효성을 입증합니다.

원저자: Moritz Woelk, Jarod Morris, Wentao Tang

게시일 2026-03-02

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Moritz Woelk, Jarod Morris, Wentao Tang

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

이 논문은 **"보이지 않는 것을 눈으로 보게 해주는 똑똑한 AI 비서"**에 대한 이야기입니다.

화학 공장이나 생물 반응기 같은 복잡한 시스템에서는 내부 상태 (예: 반응기 안의 정확한 화학 물질 농도) 를 직접 측정하기 어렵거나 비용이 너무 많이 듭니다. 그래서 우리는 '관측기 (Observer)'라는 장치를 만들어, 눈에 보이는 데이터 (입력과 출력) 만으로 내부 상태를 추측해냅니다.

기존의 방법들은 시스템의 수학적 공식 (모델) 을 완벽하게 알아야만 작동했는데, 이 논문은 **"공식 없이도 데이터만 있으면 AI 가 스스로 법칙을 찾아내서 상태를 추측한다"**는 혁신적인 방법을 제안합니다.

이 내용을 일상적인 비유로 쉽게 설명해 드릴게요.

1. 문제 상황: "미지의 도시를 운전하는 것"

상상해 보세요. 여러분이 완전히 새로운 도시를 운전하고 있는데, 내비게이션 지도 (수학적 모델) 가 전혀 없습니다.

보이는 것: 속도계 (입력) 와 창밖으로 보이는 풍경 (출력).
보이지 않는 것: 현재 정확한 위치, 다음에 어떤 길이 나올지, 연료 상태 등.

기존의 방법 (예: 확장 칼만 필터) 은 "이 도시는 A 지점에서 B 지점으로 가면 C 길로 나온다"는 **정해진 규칙 (모델)**을 외우고 있어야만 작동했습니다. 하지만 만약 그 규칙이 복잡하거나 아예 모른다면? 추측이 빗나갈 수밖에 없습니다.

2. 이 논문의 해결책: "데이터로 배우는 AI 비서 (NLOX)"

이 논문은 "모델-free (모델 없는)" 관측기를 제안합니다. 마치 새로운 도시를 운전하는 AI 비서를 고용하는 것과 같습니다.

과거의 경험 (훈련 데이터): 이 비서는 과거에 그 도시를 수백 번 운전했던 기록 (시뮬레이션 데이터나 실제 기록) 을 가지고 있습니다. "A 를 누르면 B 가 보이고, C 가 변했다"는 패턴을 수없이 반복하며 학습했습니다.
학습 과정: 비서는 "아, 이 패턴이 나오면 내 위치는 대략 이렇겠구나"라고 스스로 규칙을 찾아냅니다. 복잡한 수식을 직접 풀 필요 없이, 데이터의 패턴을 기억하는 것입니다.

3. 핵심 기술: "두 명의 팀워크" (신경망 두 개)

이 AI 비서는 두 가지 일을 동시에 하기 위해 두 명의 전문가 (신경망) 로 이루어져 있습니다.

첫 번째 전문가 (입력 처리): "지금 운전자가 핸들을 얼마나 꺾었니? (입력)"를 보고, "그 영향으로 차가 얼마나 움직였을까?"를 계산합니다.
- 비유: 운전자의 조작이 차에 어떤 영향을 미칠지 예측하는 운전 코치.
두 번째 전문가 (상태 변환): "코치가 계산한 차의 움직임"을 보고, "아, 그럼 우리는 지금 저기 있구나!"라고 **실제 위치 (상태)**를 알려줍니다.
- 비유: 복잡한 차의 움직임을 해석해서 정확한 위치를 알려주는 내비게이션.

이 두 전문가가 서로 협력하며, 눈에 보이는 데이터만으로도 보이지 않는 내부 상태를 정확하게 맞춰냅니다.

4. 왜 이것이 특별한가요? (실제 실험 결과)

저자들은 이 방법을 두 가지 실제 화학 공장 (생물 반응기와 윌리엄스 - 오토 반응기) 에 적용해 보았습니다.

생물 반응기 (작은 실험실): 정밀한 수학적 모델을 가진 전문가들 (기존 방법들) 과 경쟁했을 때, AI 비서는 모델이 없는 상황에서도 전문가 못지않은 정확도를 보여주었습니다.
윌리엄스 - 오토 반응기 (거대한 공장): 상태 변수가 6 개나 되는 복잡한 공장에서는 기존 방법들이 초기에 많이 헤맸지만, AI 비서는 시작부터 빠르게 정확한 위치를 찾아냈습니다.

5. 결론: "공식 없이도 가능한 미래"

이 논문의 핵심 메시지는 다음과 같습니다.

"우리는 복잡한 시스템의 수학적 공식 (모델) 을 완벽하게 알지 못해도 됩니다. 대신 **과거의 데이터 (기록)**만 있다면, **인공지능 (신경망)**이 그 패턴을 학습해서 보이지 않는 상태를 정확하게 예측할 수 있습니다."

마치 맛있는 요리의 레시피 (모델) 를 몰라도, 수천 번 요리를 해본 셰프 (AI) 가 재료를 보고 맛을 맞추는 것과 같습니다. 이 기술은 화학 공장, 로봇, 자율주행차 등 정확한 수학적 모델이 어렵거나 복잡한 모든 분야에서 더 안전하고 정확한 제어를 가능하게 해줄 것입니다.

한 줄 요약:

"복잡한 수식 없이, 과거 데이터만 학습시켜 AI 가 보이지 않는 시스템의 상태를 눈처럼 정확하게 보게 만든 방법!"

논문 요약: 비자율적 비선형 시스템을 위한 신경 루엔버거 상태 관측기 (NLOX)

1. 문제 정의 (Problem Statement)

배경: 비선형 화학 공정 및 동적 시스템의 제어 및 분석은 상태 공간 표현에 의존합니다. 그러나 물리적 제약 (측정 불가능한 농도) 과 비용 문제로 인해 시스템의 모든 상태를 직접 측정하는 것은 현실적으로 불가능합니다. 따라서 사용 가능한 입력 - 출력 데이터로부터 상태를 추정하는 **상태 관측기 (State Observer)**가 필수적입니다.
기존 방법의 한계:
- 확장 칼만 필터 (EKF): 국소 선형화에 의존하여 진정한 상태의 작은 근방에서만 수렴하며, 정확한 시스템 모델이 필요합니다.
- 고이득 관측기 (High-gain Observer): 과도 응답 시 피킹 (peaking) 현상과 잡음에 대한 민감도가 큽니다.
- KKL (Kazantzis-Kravaris/Luenberger) 관측기: 비선형 시스템을 선형 시간 불변 (LTI) 관측기 상태로 변환하는 역사상 (inverse mapping) 을 요구하지만, 이를 구하기 위해 모델 기반의 편미분 방정식 (PDE) 을 풀어야 하므로 복잡한 시스템에서는 적용이 어렵습니다.
- 기존 데이터 기반 방법: 대부분 자율적 (자발적, 입력이 없는) 시스템에 국한되거나, 입력이 있는 비자율적 시스템의 경우 입력 - 상태 관계를 학습하지 못해 제한적입니다.
핵심 문제: 시스템 모델 (동역학) 을 알지 못하는 상태에서, 외부 조작 입력 (manipulated inputs) 이 존재하는 비자율적 비선형 시스템에 대해 정확하고 이론적으로 보장된 상태 관측기를 데이터만으로 설계하는 방법론의 부재.

2. 제안된 방법론 (Methodology: NLOX)

저자들은 **신경 루엔버거 관측기 (Neural Luenberger Observer for systems with eXternal inputs, NLOX)**를 제안합니다. 이는 KKL 관측기 구조를 기반으로 하되, 신경망을 활용하여 모델을 불필요하게 합니다.

핵심 구조:
1. 관측기 동역학: 관측기 상태 $z$ 는 선형 시간 불변 (LTI) 동역학에 입력에 의존하는 항 (input-affine term) 을 추가하여 정의됩니다.
  $\dot{z} = Az + By + \omega(z)u$
  여기서 $A$ 는 Hurwitz 행렬, $B$ 는 입력 행렬이며, $\omega(z)u$ 는 외부 입력의 영향을 보상하는 항입니다.
2. 상태 재구성: 관측기 상태 $z$ 를 실제 시스템 상태 $\hat{x}$ 로 변환하는 역사상 (pseudo-inverse) $T^\dagger(z)$ 를 사용합니다.
  $\hat{x} = T^\dagger(z)$
신경망 학습 (Model-Free Synthesis):
- 두 개의 MLP (Multi-Layer Perceptron) 사용:
  1. $\omega(z|\theta)$ 네트워크: 관측기 동역학 내의 입력 - 상태 관계 (input-affine term) 를 학습합니다.
  2. $T^\dagger(z|\psi)$ 네트워크: 관측기 상태 $z$ 를 실제 상태 $x$ 로 매핑하는 역사상 (inverse mapping) 을 학습합니다.
- 학습 데이터: 시스템의 이력 데이터 또는 시뮬레이션 데이터 (입력 $u$ , 출력 $y$ , 그리고 학습을 위한 실제 상태 $x$ ) 를 사용하여 오프라인 (offline) 으로 훈련됩니다.
- 손실 함수: 실제 상태 $x$ 와 추정 상태 $\hat{x}$ 간의 제곱 오차를 최소화하도록 경사 하강법 (Gradient Descent) 을 통해 네트워크 파라미터를 동시에 업데이트합니다.
이론적 기반:
- 시스템이 **점진적 입력 - 상태 안정성 (Incremental Input-to-State Stability, $\delta$ ISS)**을 만족한다고 가정합니다.
- 학습된 신경망이 새로운 입력 - 출력 데이터에 대해 보장된 오차 한계 (guaranteed error bound) 내에서 상태를 관측할 수 있음을 이론적으로 증명했습니다.
- 유한 샘플 데이터에 대한 일반화 오차 (generalization error) 와 이산화 오차 (discretization error) 를 포함한 확률적 상한선을 유도했습니다.

3. 주요 기여 (Key Contributions)

완전한 모델 프리 (Model-Free) 설계: 시스템의 미분 방정식이나 물리 법칙을 알지 못하더라도, 입력 - 출력 데이터만으로 비자율적 비선형 시스템의 상태 관측기를 설계할 수 있는 프레임워크를 제시했습니다.
비자율적 시스템 확장: 기존의 KKL 관측기 이론을 외부 입력이 있는 시스템으로 확장하고, 입력 효과를 보상하는 항 ( $\omega$ ) 과 상태 재구성 함수 ( $T^\dagger$ ) 를 모두 신경망을 통해 학습하는 방법을 최초로 제안했습니다.
이론적 성능 보장: 학습된 관측기의 일반화 오차에 대한 확률적 상한선을 제공하여, 데이터 기반 방법이 단순히 경험적이지 않고 이론적으로 타당함을 입증했습니다.
고차원 시스템 적용: 기존 데이터 기반 관측기 연구가 주로 저차원 시스템 ( $n_x \le 3$ ) 에 국한되었던 반면, 본 연구는 6 차원 이상의 고차원 시스템 (Williams-Otto 반응기) 에도 효과적으로 적용 가능함을 보였습니다.

4. 실험 결과 (Numerical Case Studies)

두 가지 화학 공정 시스템에 대한 시뮬레이션을 통해 제안된 방법의 유효성을 검증했습니다.

케이스 1: 생화학 반응기 (Bioreactor)
- 시스템: 2 차원 비선형 시스템 (미생물 및 기질 농도).
- 비교 대상: KKL 기반 해석적 해 (Bernard & Andrieu, 2018), 확장 칼만 필터 (EKF), 슬라이딩 모드 관측기 (SMO).
- 결과: NLOX 는 모델 기반의 해석적 해와 매우 유사한 성능을 보였으며, EKF 와 SMO 보다 우수한 또는 동등한 추정 정확도 (RMSE) 를 달성했습니다. 특히 모델이 정확하지 않거나 초기화 민감도가 큰 EKF 보다 안정적인 성능을 보였습니다.
- 잡음 내성: 외부 잡음이 추가된 환경에서도 경쟁력 있는 성능을 유지했습니다.
케이스 2: 윌리엄스 - 오토 반응기 (Williams-Otto Reactor)
- 시스템: 6 차원 비선형 비등온 연속 교반 탱크 반응기 (CSTR).
- 비교 대상: EKF, SMO. (해석적 KKL 해는 고차원 시스템에서 구하기 어려워 비교 불가).
- 결과:
  - NLOX 는 EKF 보다 약 3.96 배, SMO 보다 약 1.37 배 높은 정확도를 보였습니다.
  - 특히 시스템이 초기 작동 영역에 있을 때 EKF 가 수렴하지 못하는 반면, NLOX 는 초기 단계부터 정확한 추정이 가능했습니다.
  - 6 개의 상태를 각각 추정하는 6 개의 서브 네트워크를 사용하여 고차원 매핑의 수렴 문제를 해결했습니다.
- 잡음 내성: 잡음이 있는 환경에서도 EKF 보다 일관되게 낮은 RMSE 를 기록하며 강건성을 입증했습니다.

5. 의의 및 결론 (Significance & Conclusion)

학술적 의의: 비자율적 비선형 시스템에 대한 데이터 기반 상태 관측기 설계의 이론적 간극을 메웠으며, KKL 프레임워크와 신경망의 결합을 통해 모델 불확실성을 극복하는 새로운 패러다임을 제시했습니다.
실용적 가치: 복잡한 화학 공정과 같이 정확한 물리 모델을 구축하기 어렵거나 비용이 많이 드는 분야에서, 기존 센서 데이터만으로 실시간 상태 추정 및 제어 (Output Feedback Control) 를 가능하게 합니다.
향후 과제: 현재 방법은 학습을 위해 실제 상태 데이터 (Ground Truth) 가 필요하다는 제한점이 있습니다. 향후 연구에서는 실제 상태 데이터 없이도 학습 가능한 비지도 학습 (Unsupervised Learning) 기법으로 확장할 계획입니다.

이 논문은 데이터 기반 제어 및 관측 분야에서 모델 의존성을 탈피하고 고차원 비선형 시스템에 적용 가능한 강력한 도구로서 큰 잠재력을 보여줍니다.