DeePC vs. Koopman MPC for Pasteurization: A Comparative Study
이 논문은 파스퇴라이제이션 공정에 적용된 데이터 기반 예측 제어 기법인 DeePC 와 Koopman MPC 를 비교하여, 두 방법 모두 제약 조건 하에서 유사한 추적 오차를 보이지만 Koopman MPC 는 더 정밀한 추적을, DeePC 는 더 부드러운 입력 궤적을 제공한다는 상충 관계를 규명했습니다.
원저자:Branislav Daráš, Patrik Valábek, Martin Klaučo
문제: 열기, 식히기, 흐름 조절 등 여러 장치가 서로 얽혀 있어, 하나를 건드리면 다른 온도도 변합니다.
과거의 방식: 공장을 완벽하게 이해하는 '물리 법칙 레시피 (수학적 모델)'를 직접 만들어서 제어했습니다. 하지만 이 레시피를 만드는 건 시간이 너무 걸리고, 공장 상태가 조금만 변해도 레시피가 틀려버립니다.
이제 연구자들은 **"레시피를 직접 만들지 않고, 과거의 성공적인 조리 기록 (데이터) 만으로 공장을 제어하자"**고 생각했습니다. 이때 등장한 두 명의 주인공이 있습니다.
👥 두 명의 주인공: "데드 (DeePC)" vs "쿠퍼먼 (Koopman MPC)"
두 사람 모두 과거 데이터를 보고 미래를 예측하지만, 그 방식이 완전히 다릅니다.
1. 데드 (DeePC): "직관적인 명장"
방식: 과거의 조리 기록 (입력 데이터) 과 결과 (출력 데이터) 를 그대로 **행렬 (Hankel Matrix)**이라는 거대한 책장에 정리해 둡니다.
특징: "이전에 이런 상황 (데이터) 이 있었을 때, 이렇게 했을 때 좋은 결과가 나왔다"는 식으로 직접 과거의 패턴을 복사해서 미래를 예측합니다.
장점: 복잡한 이론이나 수학적 모델을 만들 필요가 없습니다. 데이터만 있으면 바로 작동합니다.
비유: "이전에도 비가 오면 우산을 썼는데, 오늘도 비가 올 것 같으니 우산을 챙겨라"라고 직관적으로 판단하는 스타일입니다.
2. 쿠퍼먼 (Koopman MPC): "수학 천재"
방식: 과거 데이터를 보고, 복잡한 비선형 현상을 선형 (단순한) 수학 모델로 변환하는 '신경망 (AI)'을 훈련시킵니다. 이렇게 만들어진 모델을 바탕으로 전통적인 MPC(모델 예측 제어) 를 실행합니다.
특징: 데이터를 통해 새로운 '가상의 레시피 (모델)'를 자동 생성한 뒤, 그 레시피대로 움직입니다.
장점: 복잡한 시스템을 단순화해서 예측하므로, 목표치에 매우 정밀하게 도달합니다.
비유: "비가 올 확률, 습도, 기압을 계산해서 수학적 모델로 예측한 뒤, '정확히 12 시 30 분에 우산을 써야 한다'고 계산하는 스타일"입니다.
🥊 실전 대결: 살균 공장에서의 시합
연구진은 두 기술을 실제 공장 (디지털 트윈 시뮬레이션) 에 적용해 보았습니다. 결과는 어땠을까요?
1. 목표 달성도 (온도 유지)
결과: 두 사람 모두 거의 똑같은 정확도로 온도를 목표치에 맞췄습니다.
비유: 두 요리사 모두 "우유를 72 도에 정확히 유지하라"는 지시를 잘 수행했습니다.
2. 제어의 부드러움 (장비 마모도)
데드 (DeePC):압도적으로 부드럽습니다.
장치를 조절할 때 너무 급하게 움직이지 않고, 매우 부드럽게 조절했습니다.
비유: 요리사가 불 조절을 할 때, "불을 켜고 끄고"를 반복하지 않고, 부드럽게 불을 조절해서 냄비가 덜 흔들립니다. 이는 장비의 수명을 늘려줍니다.
쿠퍼먼 (Koopman MPC):조금 더 날카롭습니다.
목표치에 빨리 도달하기 위해 장치를 빠르고 강하게 움직였습니다.
비유: "빨리 72 도에 맞춰야 한다!"며 불을 세게 켜고 끄는 식으로 움직여, 온도는 정확하지만 장비가 조금 더 피곤해집니다.
3. 에너지 소비
결과: 데드가 조금 더 에너지를 썼지만 (약 7% 증가), 그 차이는 크지 않았습니다. 대신 데드는 장비의 움직임을 훨씬 덜하게 만들었습니다.
💡 결론: 어떤 것을 선택해야 할까?
이 연구는 "누가 더 낫다"라고 말하기보다, 우리가 무엇을 더 중요하게 생각하는지 선택할 수 있게 해줍니다.
정밀한 온도 조절이 최우선이라면? 👉 쿠퍼먼 (Koopman MPC)
목표치에 가장 가깝게, 빠르게 반응하고 싶을 때 좋습니다.
장비 수명과 부드러운 운전이 중요하다면? 👉 데드 (DeePC)
장비를 덜 고장 나게 하고, 부드러운 제어가 필요할 때 훨씬 좋습니다. (에너지는 조금 더 들지만, 장비 수명 연장 효과가 큽니다.)
📝 요약
이 논문은 **"복잡한 공장을 제어할 때, 수학적 모델을 직접 만들지 않아도 된다는 것"**을 증명했습니다.
데드는 과거 데이터를 그대로 활용하여 부드럽고 안정적인 제어를 제공합니다.
쿠퍼먼은 데이터를 모델로 변환하여 정밀하고 빠른 제어를 제공합니다.
결국 공장을 운영하는 사람은 "정확함"과 "부드러움" 중 무엇을 더 원할지에 따라 이 두 가지 데이터 기반 기술을 선택하면 된다는 것을 보여줍니다.
논문 요약: 파스퇴리제이션 공정을 위한 DeePC 와 Koopman MPC 의 비교 연구
1. 연구 배경 및 문제 정의 (Problem Statement)
배경: 파스퇴리제이션 (Pasteurization) 은 안전과 품질에 치명적인 열 공정으로, 다변수 (Multivariable) 시스템이며 강하게 결합되어 있습니다. 전통적인 물리 기반 (First-principles) 모델링은 열 손실, 운영 조건 변화 등으로 인해 구축 및 유지보수가 어렵고 시간이 많이 소요됩니다.
문제: 모델 예측 제어 (MPC) 는 제약 조건 하에서 최적 제어를 제공할 수 있지만, 정확한 예측 모델이 필요합니다. 데이터 기반 제어 (Data-driven control) 는 물리 모델 없이 데이터만으로 MPC 의 이점을 제공할 수 있습니다.
연구 목적: 두 가지 대표적인 데이터 기반 예측 제어 방법인 DeePC (Data-enabled Predictive Control) 와 Koopman 기반 MPC (KMPC) 를 다변수 파스퇴리제이션 공정에 적용하여 성능을 직접 비교하고, 각 방법의 장단점과 트레이드오프를 규명하는 것입니다.
2. 방법론 (Methodology)
A. 비교 대상 알고리즘
DeePC (Data-enabled Predictive Control):
원리: 행동 시스템 이론 (Behavioral Systems Theory) 과 Willems 의 기본 보조정리를 기반으로 합니다.
특징: 상태 공간 모델을 구축하지 않고, Hankel 행렬을 통해 입력 - 출력 궤적 (Trajectories) 에서 직접 예측합니다.
구현: 정규화 (Regularization) 를 적용하여 노이즈와 수치적 불안정성을 처리하는 'Regularized DeePC'를 사용했습니다. 과거 데이터 윈도우와 미래 궤적을 Hankel 행렬로 구성하여 제약 조건 하의 최적화 문제를 풉니다.
Koopman 기반 MPC (KMPC):
원리: Koopman 연산자 이론을 사용하여 비선형 동역학을 확장된 (Lifted) 선형 상태 공간 표현으로 근사화합니다.
특징: 신경망 (Neural Network) 을 사용하여 Koopman 행렬 (AK,BK,CK) 을 학습한 후, 이를 기반으로 표준 MPC 를 설계합니다.
구현: 모델 불일치와 외란을 보상하기 위해 출력 외란 (Output disturbance) 을 추가한 'Offset-free' MPC 구조와 칼만 필터 (Kalman Filter) 를 사용합니다.
B. 실험 설정
대상 시스템: 3 개의 조작 입력 (유량, 순환 유량, 전기 히터 전력) 과 3 개의 측정 출력 (보관관 온도, 핫탱크 온도, 열교환기 출구 온도) 을 가진 실험실 규모의 파스퇴리제이션 유닛.
시뮬레이션: 신경망 기반 디지털 트윈 (Digital Twin) 을 플랜트 (Plant) 시뮬레이터로 사용했습니다.
공통 조건: 두 제어기는 동일한 예측 구간 (Prediction Horizon), 비용 가중치 (Cost Weights), 제약 조건을 공유하도록 설정하여, 성능 차이가 오직 '예측 표현 방식 (Predictive Representation)'의 차이에서 비롯되도록 통제했습니다.
3. 주요 기여 (Key Contributions)
다변수 시스템에 적용 가능한 정규화 DeePC 공식화: Hankel 행렬 구성, 정규화 파라미터 설계, 제약 조건 처리를 포함한 실용적인 DeePC 설계를 제시했습니다.
열 공정에서의 직접 비교: 파스퇴리제이션과 같은 결합된 열 공정에서 DeePC 와 KMPC 를 추적 정확도, 제어 노력, 제약 조건 만족도, 에너지 소비 측면에서 정량적으로 비교했습니다.
명확한 트레이드오프 규명: 두 방법 모두 제약 조건 하에서 유효한 제어를 수행하지만, KMPC 는 더 정밀한 추종을, DeePC 는 훨씬 부드러운 입력 동작을 제공한다는 명확한 trade-off 를 발견했습니다.
4. 실험 결과 (Results)
5.5 시간 (2000 시간 스텝) 시뮬레이션 결과를 바탕으로 한 주요 수치는 다음과 같습니다 (KMPC 성능을 100% 로 기준화):
지표
KMPC
DeePC
해설
추적 오차 (eRMS)
100.0%
100.7%
두 방법 모두 참조 신호 추적이 매우 유사함.
추적 비용 (Jy)
100.0%
223.1%
KMPC 가 가중치 기준 추적 오차 합계가 훨씬 낮음 (더 정밀).
제어 노력 비용 (JΔu)
100.0%
16.4%
DeePC 가 제어 입력의 변화율을 84% 이상 줄여 매우 부드러운 동작.
에너지 소비 (E)
100.0%
106.9%
DeePC 가 약 7% 더 많은 에너지를 소비했으나, 제어 노력 감소와 균형을 이룸.
관찰: DeePC 는 적분 동작 (Integral action) 이 없음에도 불구하고 노이즈가 없는 시뮬레이션 환경에서 정상 상태 오차 없이 잘 작동했습니다. 반면, KMPC 는 참조 신호 변화 시 더 빠르고 날카로운 액추에이터 응답을 보였습니다.
결론: DeePC 는 제어기 동작의 부드러움 (Actuator wear 감소, 공정 안정성) 을 우선시할 때, KMPC 는 정밀한 설정점 추종 (Setpoint tracking) 을 우선시할 때 유리합니다.
5. 의의 및 한계 (Significance & Limitations)
의의:
열 처리 공정과 같은 산업 응용 분야에서 데이터 기반 제어 전략을 선택할 때, "정밀한 추종" 대 "부드러운 제어"라는 명확한 기준을 제공합니다.
물리 모델 없이도 Hankel 행렬 기반의 DeePC 가 복잡한 다변수 시스템을 효과적으로 제어할 수 있음을 입증했습니다.
한계 및 향후 과제:
Offset-free 부재: 현재 DeePC 구현에는 외란 보상 (Offset-free) 메커니즘이 포함되어 있지 않아, 실제 노이즈가 있는 플랜트에서는 정상 상태 오차가 발생할 수 있습니다.
실제 하드웨어 미적용: 실험은 디지털 트윈 (시뮬레이션) 에서만 수행되었으며, 실제 파스퇴리제이션 장비에서의 검증은 향후 과제로 남았습니다.
종합 평가
이 논문은 두 가지 서로 다른 아키텍처의 데이터 기반 MPC 가 동일한 제어 목표 하에서 어떻게 상이한 성능 특성을 보이는지를 체계적으로 분석했습니다. KMPC 는 전통적인 모델 기반 MPC 의 정밀함을 유지하면서 모델 학습을 자동화한 반면, DeePC 는 모델 구축 단계를 완전히 제거하고 데이터 궤적 자체를 예측기로 사용하여 제어 입력의 부드러움을 극대화한다는 점이 핵심 통찰입니다.