⚡ electrical engineering

Nonlinear System Identification of Variable-Pitch Propellers Using a Wiener Model

이 논문은 PWM 신호부터 추력 생성까지의 전체 구동 체인을 실험 데이터를 기반으로 분석하여, 선형 동역학과 정적 비선형 함수로 구성된 위너 (Wiener) 모델을 제안함으로써 실시간 디지털 트윈 및 제어 응용에 적합한 경량화된 비선형 시스템 식별 방법을 제시합니다.

원저자: David Grasev, Miguel A. Mendez

게시일 2026-04-06

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: David Grasev, Miguel A. Mendez

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

🚁 1. 핵심 주제: "회전수만 조절하는 일반 나사 vs. 날개 각도까지 조절하는 스마트 나사"

일반적인 드론의 나사 (프로펠러) 는 **회전 속도 (RPM)**만 바꿔서 힘 (추력) 을 조절합니다. 마치 자전거 페달을 빠르게 밟거나 천천히 밟는 것과 비슷하죠.

하지만 이 논문에서 연구한 **가변 피치 프로펠러 (VPP)**는 조금 다릅니다. 나사 날개 자체의 **각도 (피치)**도 바꿀 수 있습니다.

비유: 일반 나사는 '페달을 밟는 속도'만 조절하는 자전거라면, 이 VPP 는 '페달을 밟는 속도'와 동시에 '기어비 (기어 단수)'도 바꿀 수 있는 자전거입니다.
장점: 더 빠르고, 더 효율적이며, 비상 상황에서도 더 유연하게 대처할 수 있습니다.

🧩 2. 문제점: "너무 복잡해서 예측하기 힘든 나사"

이 VPP 는 두 가지 (속도와 각도) 를 동시에 조절하기 때문에, 어떻게 움직일지 예측하는 것이 매우 어렵습니다.

문제: 나사가 빠르게 회전할 때 각도를 바꾸면, 공기 저항이 복잡하게 변해서 예상치 못한 힘이 생깁니다. 마치 복잡한 조미료 조합처럼, 재료 (속도, 각도) 가 섞이면 결과가 단순한 합이 아니라 예측 불가능한 맛이 나는 것과 같습니다.
목표: 이 복잡한 나사의 움직임을 컴퓨터가 정확히 예측할 수 있는 **'간단한 지도 (모델)'**를 만드는 것입니다.

🏗️ 3. 해결책: "위너 (Wiener) 모델"이라는 두 단계 구조

저자들은 이 복잡한 나사를 설명하기 위해 **'위너 모델'**이라는 특별한 구조를 사용했습니다. 이를 두 단계로 나누어 설명하면 이해하기 쉽습니다.

1 단계: 기계적인 반응 (선형 부분)
- 먼저, 우리가 내린 명령 (전압 신호) 이 나사의 모터와 날개에 전달되는 과정을 봅니다.
- 비유: 운전자가 페달을 밟았을 때, 차가 얼마나 빨리 가속하는지, 핸들을 돌렸을 때 바퀴가 얼마나 빨리 돌아가는지를 단순한 시계 태엽처럼 생각하세요. 이 부분은 비교적 규칙적이고 예측 가능합니다.
- 이 논문에서는 이 부분을 1 차 지연 시스템 (약간 늦게 반응하는 단순한 기계) 으로 간주했습니다.
2 단계: 힘의 생성 (비선형 부분)
- 그 다음, 그 기계적인 움직임이 실제로 얼마나 많은 '힘 (추력)'을 만들어내는지 봅니다.
- 비유: 이제 그 기계적인 움직임이 요리를 합니다. 같은 양의 재료를 넣어도, 불의 세기나 재료가 섞이는 방식에 따라 맛이 (힘이) 다르게 납니다. 이 부분은 복잡한 비선형 관계입니다.
- 저자들은 이 복잡한 관계를 데이터를 통해 학습한 수식으로 만들었습니다.

결론: "명령을 받으면 기계가 조금 늦게 반응하고 (1 단계), 그 반응이 복잡한 공식을 통해 최종적인 힘으로 바뀐다 (2 단계)"는 구조입니다. 이 방식은 복잡한 물리 법칙을 다 외우지 않아도, 데이터만 있으면 정확한 예측이 가능하게 해줍니다.

🧪 4. 실험 과정: "실제 나사를 흔들어 보며 지도 그리기"

저자들은 실제 실험실 나사를 가지고 다음과 같은 작업을 했습니다.

데이터 수집: 나사의 속도와 각도를 다양한 패턴으로 바꿔가며 (위로, 아래로, 빠르게, 느리게), 그때마다 나오는 힘 (추력) 을 측정했습니다.
지도 만들기 (모델 식별): 수집된 데이터를 컴퓨터에 입력하여, 위에서 설명한 '두 단계 구조'의 수치를 찾아냈습니다.
교정 (Fine-tuning): 처음에 만든 지도가 완벽하지는 않았습니다. 그래서 실제 데이터와 비교하며 수치를 조금씩 다듬어 (최적화 알고리즘 사용) 정확도를 높였습니다.
- 결과: 이 과정을 통해 실제 나사의 움직임을 약 38% 더 정확하게 예측할 수 있게 되었습니다.

🎮 5. 적용: "가상 조종사 (디지털 트윈) 와의 협력"

이렇게 만든 정확한 모델은 **'디지털 트윈'**으로 쓰입니다.

비유: 실제 드론을 날리기 전에, 컴퓨터 안에 있는 **'가상 드론'**으로 먼저 시험해 보는 것입니다.
효과: 이 가상 모델을 통해 어떤 명령을 내리면 어떻게 반응할지 미리 알 수 있으므로, 실제 드론을 더 빠르고 안전하게 조종할 수 있습니다. 특히, 이 연구는 **강화 학습 (AI 가 스스로 배우는 방법)**과 결합하여, AI 가 이 가상 모델을 통해 더 똑똑한 조종 기술을 배울 수 있는 토대를 마련했습니다.

💡 요약

이 논문은 날개 각도까지 조절하는 스마트 나사가 어떻게 움직이는지, 복잡한 물리 법칙 대신 **데이터 기반의 간단한 두 단계 모델 (위너 모델)**로 설명할 수 있음을 증명했습니다.

핵심: 복잡한 나사의 움직임을 **"기계적 반응 + 복잡한 힘 변환"**으로 나누어 모델링했다.
성과: 실험 데이터를 통해 모델을 정교하게 다듬어, 실제와 거의 똑같은 예측이 가능해졌다.
미래: 이 모델은 AI 조종사가 드론을 더 잘 조종할 수 있도록 도와주는 **'가상 훈련장 (디지털 트윈)'**이 될 것입니다.

이 연구는 드론이 더 똑똑하고 효율적으로 날 수 있는 길을 여는 중요한 첫걸음이라고 할 수 있습니다.

1. 연구 배경 및 문제 제기 (Problem)

배경: 무인 항공기 (UAV) 의 기동성, 효율성 및 내구성을 향상시키기 위해 고정 피치 프로펠러 (FPP) 대신 가변 피치 프로펠러 (VPP) 를 사용하는 연구가 활발합니다. VPP 는 모터 회전수 (RPM) 와 날개 피치 각도 (Pitch angle) 두 가지 입력을 통해 추력을 제어할 수 있어 추가적인 자유도를 제공합니다.
문제점:
- VPP 의 파워트레인 (전동기, 액추에이터, 공기역학적 상호작용) 은 RPM 과 피치 각도 간의 비선형 결합 및 비정상 공기역학 효과로 인해 모델링이 매우 복잡합니다.
- 기존의 물리 기반 모델 (BEMT 등) 은 정적 또는 준정상 (quasi-steady) 가정에 의존하여 급격한 과도 현상 (transients) 을 정확히 포착하지 못하는 경우가 많습니다.
- 실시간 제어 및 디지털 트윈 (Digital Twin) 적용을 위해서는 계산 부하가 적으면서도 높은 정확도를 가진 간결한 모델이 필요합니다.
목표: PWM 신호부터 추력 생성까지의 전체 작동 체인을 포함하는 VPP 시스템의 식별을 수행하고, 실시간 제어 및 디지털 트윈에 적합한 컴팩트한 비선형 모델을 개발하는 것입니다.

2. 방법론 (Methodology)

연구팀은 실험 데이터를 기반으로 한 위너 (Wiener) 모델 아키텍처를 제안했습니다.

실험 설정:
- 벨카르만 연구소 (VKI) 에서 개발한 맞춤형 VPP 장치를 사용했습니다.
- BLDC 모터 (24V) 와 선형 액추에이터 (15V) 를 통해 RPM 과 피치 각도를 독립적으로 제어합니다.
- 10kg 로드셀과 적외선 센서를 사용하여 추력과 회전수를 측정하며, 라즈베리 파이와 아두이노를 통해 데이터 수집 및 폐루프 제어 (PI/PD) 를 구현했습니다.
모델 구조 (Wiener Model):
- 선형 동역학 블록: 입력 (PWM) 이 모터 및 피치 액추에이터를 통과하는 과정을 1 차 선형 지연 (first-order lags) 으로 모델링합니다. 이는 전기적 응답이 기계적 응답보다 훨씬 빠르다는 가정과 공기역학적 토크의 영향이 무시될 수 있다는 전제에 기반합니다.
- 정적 비선형 블록: 선형 동역학을 통과한 상태 변수 (RPM, 피치) 가 최종 추력으로 변환되는 관계를 정적 비선형 함수로 매핑합니다.
- 데이터 기반 보정: 기존의 공기역학 법칙에 의존하지 않고, 실험 데이터를 통해 비선형 매핑 함수의 계수를 식별하여 모델의 정확도를 높였습니다.
식별 및 최적화 과정:
1. 정적 특성화: 다양한 RPM 과 피치 각도 조합에서 정적 추력 맵을 측정하여 3 차 다항식 형태로 초기 추력 함수를 도출했습니다.
2. 동적 특성화: 다양한 크기의 스텝 입력 (Step input) 을 가하여 시스템의 과도 응답을 측정했습니다.
3. 파라미터 미세 조정 (Fine-tuning): 초기 모델 파라미터를 기반으로, 전방 민감도 (forward sensitivity) 경사 하강법을 사용하여 오차 함수 (예측 추력 vs 측정 추력) 를 최소화하는 방식으로 파라미터를 최적화했습니다.
4. 제어기 설계: 식별된 모델을 기반으로 추력 추적을 위한 PID 제어기를 설계하고, Nelder-Mead 심플렉스 알고리즘을 사용하여 게인을 최적화했습니다.

3. 주요 기여 (Key Contributions)

간결하면서도 정확한 위너 모델 제안: 복잡한 물리 방정식을 단순화하면서도 데이터 기반의 비선형 보정을 통해 VPP 의 동적 거동을 정확히 재현하는 모델을 제시했습니다.
실시간 적용 가능한 구조: 모델이 4 개의 시간 상수 파라미터와 간단한 다항식 함수로 구성되어 있어, 계산 비용이 낮아 실시간 디지털 트윈 및 강화 학습 (Reinforcement Learning) 기반 제어에 적합합니다.
하이브리드 모델링 접근: 물리 법칙 (선형 동역학) 과 데이터 기반 학습 (비선형 정적 매핑) 을 결합하여, 기존 준정상 모델이 놓치기 쉬운 비정상 공기역학 효과를 포착했습니다.
제어 성능 검증: 단일 입력 (RPM 만 제어) 과 이중 입력 (RPM + 피치 동시 제어) 시나리오를 비교하여, VPP 의 추가 자유도가 추력 응답 속도와 오버슈트 제거에 얼마나 효과적인지 실증했습니다.

4. 결과 (Results)

정적 모델: 측정된 추력 데이터에 대한 3 차 다항식 피팅의 조정된 R-제곱 값 ( $R^2$ ) 이 0.996으로 매우 높은 정확도를 보였습니다.
동적 모델 성능:
- 초기 식별 후 350 회의 반복 최적화를 통해 비용 함수가 38.3% 감소하여 모델 정확도가 크게 향상되었습니다.
- 피치 액추에이터의 지연 시간 ( $T_{\beta,2}$ ) 이 전체 응답을 제한하는 요인으로 확인되었으며, 이를 보정하기 위해 더 빠른 시간 상수를 가정하여 제어 시뮬레이션을 수행했습니다.
제어 성능:
- 최적화된 PID 제어기를 적용한 결과, 추력 설정값 (Setpoint) 변경 시 오버슈트 없이 약 0.5 초 내에 목표 추력에 도달했습니다.
- 고정 피치 (FPP) 대비 가변 피치 (VPP) 를 사용한 이중 입력 제어는 특히 추력 감소 (Step down) 시점에서 더 빠르고 안정적인 응답을 보여주었습니다.

5. 의의 및 결론 (Significance)

디지털 트윈 및 강화 학습의 기초: 본 연구에서 개발된 경량화된 위너 모델은 'Reinforcement Twinning (RT)' 프레임워크와 같은 차세대 제어 시스템에 통합될 수 있는 실용적인 기초를 제공합니다.
실용적 가치: 복잡한 VPP 시스템을 단순화하면서도 높은 정확도를 유지함으로써, UAV 의 기동성 향상 및 에너지 효율 최적화를 위한 제어 알고리즘 개발에 직접적으로 기여합니다.
향후 과제: 실험 장비의 노이즈 문제 (로드셀, IR 센서) 와 액추에이터 제어기의 한계를 해결하기 위해 고해상도 엔코더 및 3 축 추력/토크 센서로 장비를 업그레이드하고, 식별된 모델을 실제 UAV 환경에서의 강화 학습 제어에 적용할 계획입니다.

요약하자면, 이 논문은 실험 데이터를 기반으로 한 위너 모델을 통해 복잡한 가변 피치 프로펠러 시스템을 정확하고 간결하게 식별하였으며, 이를 통해 기존 고정 피치 시스템보다 우수한 실시간 추력 제어 성능을 입증했습니다.