Probe-Conditioned Memory for Actuator-Deadband-Aware Koopman MPC in Industrial Sealing

기술 요약: 산업용 실링을 위한 프로브 조건부 메모리 기반 액추에이터 데드밴드 인지형 Koopman MPC

문제 정의
산업용 실링 및 디스펜싱 공정은 다양한 제품 레시피에 걸쳐 하드웨어(압력 체인, 노즐, 비전 인터페이스 등)를 재사용하는 경우가 많다. 정적 압력-폭 교정(static pressure-to-width calibration)은 일반적인 레시피에서는 대개 정확하지만, 협폭(narrow-width) 레시피에서는 액추에이터 데드밴드(deadband)라는 결정적인 비선형성을 드러낸다. 비례식 공압 밸브의 경우, 명령 위치가 실제 유량 변화를 거의 일으키지 못하는 "데드 존(dead zone)"이 존재한다. 결과적으로, 교정된 정적 압력 설정값은 이론적으로는 올바를 수 있지만, 작은 보정 동작들이 데드밴드에 흡수되어 실제 전달되는 압력이 변화하기 위해서는 이력(history)에 의존적인 임계치를 넘어야 한다.

핵심 과제는 **커미셔닝(commissioning)**이다: 즉, 레시피 변경 직후의 셋업 및 재튜닝 구간이다. 이 단계에서는 타겟 데이터가 부족하며, 정적 비드 맵(static bead map)은 액추에이터의 전달 상태(히스테리시스, 데드밴드, 압력 손실)를 무시하기 때문에 불충분하다. 기존 방식들(정적 역제어, 적응형 PI, 또는 온라인 재귀 최소 제곱법(RLS) 식별 등)은 압력 전달 손실을 무시하거나, 이미 과거 기록에 존재할 수 있는 액추에이터 거동을 재발견하기 위해 광범한 타겟 데이터를 요구한다. 본 논문은 정적 교정과 짧은 액추에이터 프로브를 결합하여 피드백 제어가 시작되기 전 관련 과거 맥락을 추출하는 메커니즘이라는 누락된 역량을 식별한다.

방법론
제안된 솔루션은 **프로브 조건부 메모리(PCM)**로부터 초기화되는 **액추에이터 데드밴드 인지형 Koopman 모델 예측 제어기(AK-MPC)**이다.

1. 프로브 조건부 메모리 (PCM):

   • PCM은 과거 운영 사례의 저장소 역할을 한다. 각 기록($C_i$)은 제품 레시피, 품질 참조, 정적 압력 루트, 재료 기술자, 그리고 결정적으로 액추에이터 기술자($z_a$)를 포함하는 튜플을 저장한다.
   • 액추에이터 기술자는 새로운 커미셔닝 실행 시작 시 수행되는 고정된 16단계 액션 프로브 시퀀스로부터 추론된다. 이 프로브는 데드밴드($d$), 전달 압력 이득($g$), 지연($\ell$), 히스테리시스($h$)를 추정한다.
   • 새로운 레시피 변경 시, 시스템은 새로운 타겟의 정적 및 동적 기술자와 저장된 라이브러리 간의 가중 거리 메트릭을 사용하여 검색 쿼리를 수행한다. 가장 유사한 과거 맥락이 예측기와 제어기를 위한 "웜 스타트(warm start)"를 제공한다.

2. 액추에이터 데드밴드 인지형 Koopman MPC:

   • 예측: 제어기는 유한한 딕셔너리를 사용하여 컴팩트한 비선형 예측기를 생성하는 Koopman 리프팅 프레임워크를 활용한다. 예측기는 검색된 맥락($\Theta_K, S, \pi$)으로 초기화된다.
   • 로컬 보정: 짧은 커미셔닝 실행 기간 동안, 제어기는 전이 버퍼(transition buffer)를 기반으로 검색된 예측기에 저계수(low-rank) 온라인 보정을 적용하여, 전체 모델을 다시 쓰지 않고도 특정 타겟 드리프트에 적응한다.
   • 타당성 필터링(Feasibility Filtering): 압력 및 입력 제한을 준수하도록 하는 하드 제약 레이어가 존재한다. "튜브(tube)" 필터는 폭 예측 오차를 관리하며, 예측 오차가 임계치를 초과하면 시스템은 유계 압력 루트 또는 정적 역 적응형 PI 전략으로 회귀한다.
   • 워크플로우: 프로세스는 프로브 실행, 최적 매칭 과거 맥락 검색, MPC 초기화, 그리고 검색된 액추에이터 항을 유지하면서 로컬 보정을 업데이트하는 재귀적 호라이즌 제어 루프 실행을 포함한다.

주요 기여

• PCM의 정의: 본 논문은 압력 설정값을 프로브로부터 추론된 액추에이터 거동과 연결하는 기록으로서 PCM을 공식화하여, 단순한 모델 체크포인트가 아닌 액추에이터 특유의 거동(데드밴드, 이득, 히스테리시스)을 재사용할 수 있게 한다.
• 이론적 분석: 저자들은 다음을 입증하는 명제와 정리를 제공한다:
  • 정적 압력 루트는 데드밴드 영역에서 불충분하다 (명제 1).
  • 프로브 추정 오차는 특정 흥분 조건 하에서 유계이다 (보조정리 1).
  • 검색된 PCM은 초기 예측기 불일치를 제한한다 (정리 1).
  • 유한 호라이즌 추적 비용 저하는 예측 튜브 오차에 의해 제한된다 (정리 2).
• 제어 아키텍처: 액추에이터 데드밴드에 특화된 온라인 저계수 보정 및 타당성 필터를 갖춘 제약된 Koopman 예측기의 통합.

결과
본 방법은 물리적 글루잉 셀의 교정된 디지털 트윈에서 평가되었으며, 전달 압력 손실이 유의미한 1.00 mm 협폭 벤치마크에 집중하였다. 연구는 AK-MPC를 정적 역 압력 MPC, 정적 역 적응형 PI, 온라인 RLS-ARX-MPC, 그리고 (메모리 검색 없이 프로브만 사용하는) 프로브 피팅 ARX-MPC와 비교하였다.

• 추적 정확도: AK-MPC는 60개의 쌍을 가진 케이스에 대해 0.0487 mm의 평균 절대 오차(MAE)를 달성하였다.
  • 이는 가장 우수한 동적 베이스라인(Online RLS-ARX-MPC, 0.2492 mm)과 정적 베이스라인(약 0.25–0.27 mm)을 크게 상회하는 성능이다.
  • 메모리 검색 기능이 없는 프로브 피팅 ARX-MPC는 가장 낮은 성능(0.3956 mm)을 보였다.
• 절제 연구(Ablation Studies):
  • PCM을 제거한 경우(PCM이 없는 AK-MPC) 오차가 0.0655 mm로 증가하여, 메모리 검색의 구체적인 기여도를 분리해냈다.
  • 온라인 업데이트를 동결한 경우(Frozen-PCM) 오차는 0.1158 mm가 되어, 온라인 적응의 필요성을 강조했다.
• 안전성 및 효율성: AK-MPC는 압력 또는 입력 위반이 없음을 유지했으며, 베이스라인들에 비해 액추에이터 동작의 총 변동(total variation)이 낮음을 입증했다. 95 백분위수 실행 시간은 표준 워크스테이션에서 13.7 ms였다.

의의 및 주장
본 논문은 이 접근 방식의 주요 가치가 액추에이터 데드밴드가 활성화되는 저폭 레시피에서의 빠른 커미셔닝에 있다고 주장한다. 그 의의는 일반적인 전이 학습(transfer-learning) 주장이 아니라, 특정 메커니즘에 있다: 즉, 과거의 실행 기록은 짧은 타겟 프로브를 통해 검증하고 정교화할 수 있는 압력 전달 정보(데드밴드, 이득, 히스테리시스)를 담고 있을 때 가장 유용하다는 것이다.

저자들은 AK-MPC와 클래식 베이스라인 사이의 큰 성능 격차가 전체 워크플로우(제약된 예측 + 온라인 보정 + 타당성 필터링)의 결과임을 강조하며, PCM으로부터 얻은 고립된 이득(약 0.0168 mm 개선)은 충분한 타겟 데이터가 확보되기 전, 액추에이터 특유의 상태를 검색하는 것이 결정적인 정보를 제공한다는 점을 입증한다. 결과는 교정된 디지털 트윈에서 검증되었으며, 단일 물리 셀 트레이스가 통계적 벤치마크가 아닌 배포 타당성 검토용으로 제공되었다.