GRU Based Sliding Mode Controller for Permanent Magnet Synchronous Motor

현대 산업 세계에서 전기 모터는 전기 자동차부터 공장 로봇에 이르기까지 모든 것의 뒤에서 묵묵히 일하는 일꾼입니다. 이 중에서도 영구자석 동기 전동기는 효율성과 출력 면에서 탁월하여 많은 고성능 기계의 핵심 엔진 역할을 하고 있습니다. 그러나 이러한 모터를 정밀한 속도로 계속 구동하는 것은 놀라울 정도로 어려운 일입니다. 마치 사이클리스트가 언덕을 오르거나 갑작스러운 돌풍에 맞서 일정한 속도를 유지하기 위해 끊임없이 페달링을 조절해야 하는 것처럼, 모터 또한 변화하는 부하와 예측 불가능한 방해 요소를 처리하기 위해 전기적 입력을 끊임없이 조절해야 합니다. 전통적인 제어 방식은 이러한 급격한 변화에 대응할 때 너무 느리게 반응하거나, 기계에 무리를 주는 불안정한 떨림을 만들어내는 등의 어려움을 겪곤 합니다. 수십 년 동안 엔지니어들은 외부의 혼란 속에서도 모터가 경로를 이탈하지 않고 매끄러움을 유지할 수 있도록 견고하게 만드는 방법을 모색해 왔으며, 이는 외부의 혼돈에 상관없이 모터가 궤도를 유지하도록 강제할 수 있는 고급 제어 전략의 개발로 이어졌습니다.

연구팀은 이제 이 문제를 해결하기 위해 검증된 강력한 제어 전략과 현대적인 인공지능을 결합한 새로운 접근 방식을 제안했습니다. 그들의 연구는 모터에 작용하는 보이지 않는 힘을 예측하여, 문제가 발생하기 전에 이를 보상할 수 있는 시스템에 초점을 맞추고 있습니다. 시뮬레이션 환경에서 발표된 이 연구에서 저자들은 모터의 속도를 일정하게 유지하기 위해 슬라이딩 모드 제어(sliding mode control)라고 알려진 수학적 기법을 사용하는 제어기를 개발했습니다. 이 방법은 방해 요소를 무시하는 능력으로 유명하지만, 자동차 엔진이 공회전 시 너무 거칠게 떨리는 것과 유사하게 모터에 진동이나 채터링(chatter)을 유발할 수 있다는 알려진 결함이 있습니다. 이를 해결하기 위해 연구진은 두 번째 지능의 층을 추가했습니다. 바로 가상 센서 역할을 하도록 설계된 신경망입니다. 모터 축에 가해지는 비틀림 힘, 즉 토크를 측정하기 위해 물리적인 장치에 의존하는 대신, 이 디지털 두뇌는 모터의 전기 신호와 속도를 관찰함으로써 부하를 추측하는 법을 배웁니다.

이 연구의 핵심은 이 두 시스템이 어떻게 함께 작동하느냐에 있습니다. 슬라이딩 모드 제어기는 목표 속도로부터의 편차에 강력하게 대응할 준비가 된 '근육' 역할을 합니다. 인공지능은 모터의 동작을 관찰하고 실시간으로 부하 토크를 추정하는 '눈' 역할을 합니다. 구체적으로, 연구진은 컴퓨터 모델로 생성된 데이터를 사용하여 게이트 순환 유닛(Gated Recurrent Unit, GRU)이라는 유형의 신경망을 학습시켰습니다. 이 네트워크에는 모터에 흐르는 전압과 전류, 그리고 회전 속도에 대한 정보가 입력되었으며, 이를 통해 가해지는 숨겨진 부하 토크를 추론하는 법을 배웠습니다. 학습을 마친 후, 이 네트워크는 1.0에서 3.0 뉴턴미터(N·m) 사이를 오가는 매끄럽게 변화하는 파형 형태의 부하 토크를 매우 작은 오차로 추정할 수 있었는데, 이상적인 조건에서 실제 값과의 오차는 약 0.01 N·m에 불과했습니다. 이 추정치가 메인 제어기에 입력되면, 시스템은 속도가 이미 떨어진 후에 반응하는 것이 아니라 부하의 변화를 예측하여 대응할 수 있게 됩니다.

시뮬레이션 결과는 이러한 하이브리드 접근 방식이 전통적인 제어기의 거친 동작을 성공적으로 다스린다는 것을 보여줍니다. 연구진은 제어기의 교정 작용 강도를 세심하게 조절해야 한다는 것을 발견했습니다. 만약 제어기가 너무 약하면 속도를 교정하는 데 시간이 너무 오래 걸리고, 너무 강하면 모터에 채터링이 발생했습니다. 특정 강도 설정을 선택함으로써, 연구진은 500 RPM의 속도에 빠르게 도달하고 진동을 최소화하며 안정적으로 유지하는 데 성공했습니다. 결정적으로, 시스템이 신경망의 추정치를 사용하여 제어기를 도왔을 때, 스스로 부하를 추측해야 했던 시스템에 비해 운전 중 발생하는 속도 오차가 현저히 감소했습니다. 신경-망은 모터가 지속적으로 변화하는 사인파 형태의 부하 패턴 하에서 작동할 때도 높은 정밀도로 부하를 추적할 수 있었습니다. 이는 본 시스템이 비싸고 취약하며 설치가 까다로운 물리적 토크 센서를 그만큼 효과적인 소프트웨어 기반 솔리션으로 대체할 수 있음을 시사합니다.

결과가 유망하기는 하지만, 연구진은 이러한 결과가 전적으로 컴퓨터 시뮬레이션에서 나온 것임을 주의 깊게 명시하고 있습니다. 사용된 모터 모델은 수학적 표현이며, 부하 조건은 소프트웨어로 생성된 특정 패턴입니다. 이 연구는 개념이 이론적으로 작동하며, 통제된 디지털 환경에서 데이터 기반 관찰자가 더 매끄럽고 정확한 제어기를 만들기 위해 필요한 정보를 제공할 수 있음을 입증합니다. 저자들은 다음 단계가 전기적 노이즈나 기계적 불완전함 같은 요소들이 결과에 영향을 미칠 수 있는 실제 물리적 모터에서 이 시스템을 테스트하는 것이 될 것이라고 인정했습니다. 그때까지 이 연구는 데이터 기반 관찰자가 견고한 제어기를 더 매끄럽게 만들 수 있다는 것을 보여주는 강력한 개념 증명으로서 자리 잡고 있으며, 전통적인 강력한 제어 방식과 학습 기반의 관찰자를 결합하는 것이 추가적인 하드웨어 없이도 더 매끄럽고 신뢰할 수 있는 모터 제어를 향한 실행 가능한 경로임을 보여줍니다. 이 연구는 컴퓨터에게 전기 신호를 통해 부하를 "느끼는" 법을 가르침으로써, 엔지니어가 현실 세계의 예측 불가능한 요구를 처리할 수 있는, 회복 탄력적이면서도 부드러운 모터를 만들 수 있음을 확인시켜 줍니다.