Permanent Magnet Synchronous Magnet Motor Intelligent Parameter Estimation Using Machine Learning Based Nonlinear Control

전기 모터는 공장의 컨베이어 벨트부터 전기 자동차의 바퀴에 이르기까지 모든 것에 동력을 공급하는 현대 세계의 조용한 일꾼입니다. 사용 가능한 많은 유형 중에서도 영구 자석 동기 모터(permanent magnet synchronous motor)는 컴팩트한 크기에서 엄청난 힘을 전달하면서도 탁월한 효율로 구동되는 능력으로 주목받고 있습니다. 이 기계들은 로봇 공학, 항공 우주, 그리고 급성장하는 전기차 부문과 같이 속도와 토크가 정밀해야 하는 응용 분야에서 필수적입니다. 그러나 이 모터들을 최상의 상태로 유지하는 것은 끊임적인 과제입니다. 인간의 몸이 온도, 피로, 나이에 따라 변하는 것처럼, 모터의 내부 특성도 시간이 흐름에 따라 변화합니다. 내부의 금속 코일은 가열되어 전기 저항이 변하고, 자성 재료는 약간 약해지며, 기계적 부품들은 자리를 잡습니다. 이러한 미묘한 변화는 '완벽한' 모터를 위해 설계된 제어기가 실제 모터가 다르게 작동할 때 어려움을 겪게 만들며, 이는 비효율성이나 불안정성으로 이어집니다.

이를 해결하기 위해 엔지니어들은 모터의 움직임을 매끄럽게 유지하기 위해 끊임없이 조정하는 신경계 역할을 하는 정교한 제어 시스템에 의존합니다. 오늘날 사용되는 가장 진보된 방법 중 하나는 모델 예측 제어(model predictive control)라고 불리는 기술입니다. 마치 운전자가 단순히 앞의 도로에 반응하는 것이 아니라, 커브가 나타나기도 전에 최적의 경로를 계산하며 몇 초 앞을 내다보는 것과 같습니다. 이 제어 방식은 모터에 대해서도 이와 똑같이 수행하며, 모터의 미래 상태를 예측하고 원하는 속도에 도달하기 위한 최적의 전기적 명령을 선택합니다. 하지만 이 예측이 제대로 작동하려면 시스템에 모터의 현재 상태에 대한 정확한 지도가 필요합니다. 만약 모터의 내부 특성이 변하여 지도가 틀리다면, 예측은 실패하게 됩니다. 바로 이 지점에서 에티오피아의 지마 대학교(Jimma University)와 아디스아바바 대학교(Addis Ababa University) 연구진의 새로운 연구가 신선한 관점을 제시합니다. 그들은 인공지능이 어떻게 실시간 내비게이터로서 작용하여 이러한 변화를 고려해 모터의 지도를 지속적으로 업데이트할 수 있는지 탐구했습니다.

연구진은 모터의 다섯 가지 핵심 내부 특성에 집중했습니다: 와이어 코일의 저항, 자기장이 에너지를 저장하는 방식을 설명하는 인덕턴스, 영구 자석의 강도, 그리고 회전하는 부품이 얼마나 무겁게 느껴지는지를 설명하는 관성입니다. 과거에는 엔지니어들이 수학적 공식을 사용하여 이 값들을 추측했지만, 이러한 방법들은 스트레스 상황에서 모터가 보이는 복잡하고 비선형적인 동작을 처리하는 데 어려움을 겪는 경우가 많았습니다. 연구팀은 이 값들을 실시간으로 추정하기 위해 세 가지 서로 다른 머신러닝 방식을 테스트하는 다른 접근 방식을 제안했습니다. 첫 번째 방법은 시퀀스(사건의 순서)를 기억하도록 설계된 특정 인공 신경망을 사용하여 모터의 입력과 내부 상태 사이의 관계를 학습했습니다. 두로 번째와 세 번째 방법은 강화 학습(reinforcement learning)이라는 다른 분야의 인공지능을 사용했는데, 이는 컴퓨터 에이전트가 시행착오를 통해 학습하며 좋은 추측을 했을 때는 보상을 받고 실수를 했을 때는 벌칙을 받는 방식입니다. 그들은 이 지능형 추정기들을 두 가지 다른 제어 전략, 즉 앞서 언급한 예측 제어와, 노이즈를 무시하는 능력은 뛰어나지만 때때로 떨림(jittery)이 발생할 수 있는 슬라이딩 모드 제어(sliding mode control)와 비교 테스트했습니다.

어떤 조합이 가장 잘 작동하는지 확인하기 위해 연구진은 모터 시스템의 상세한 디지털 시뮬레이션을 구축했습니다. 그들은 모터가 분당 300회전의 느린 속도부터 분당 2000회전의 빠른 속도까지 다양한 속도로 구동되도록 프로그래밍했으며, 동시에 모터가 뜨거워짐에 따라 와이어의 저항이 증가하는 것과 같은 실제 세계에서 발생하는 물리적 변화를 시뮬레이션했습니다. 그런 다음 그들은 세 가지 지능형 시스템 각각이 이러한 변화를 얼마나 잘 추적하는지, 그리고 모터가 얼마나 매끄럽게 반응하는지를 관찰했습니다. 결과는 명확하고 정밀했습니다. 세 가지 방법 모두 변화하는 모터의 파라미터를 높은 정확도로 추정할 수 있음을 입증했습니다. 전기적 특성에 대한 추정 오차는 3.5% 미만이었으며, 기계적 관성에 대한 추정치는 오차가 0.5% 미만으로 훨씬 더 정밀했습니다. 이러한 수준의 정확도는 컨트롤러가 모터의 상태가 변하더라도 거의 완벽한 지도를 가지고 작동하고 있음을 의미합니다.

모터가 실제로 어떻게 작동하는지를 살펴보았을 때, 방법들 사이의 차이가 분명해졌습니다. 신경망을 사용한 예측 제어 시스템은 가장 매끄러운 작동을 보여주었습니다. 이 시스템은 모터의 토크, 즉 회전력을 매우 일정하게 유지하며 전력 전달의 미세한 파동만을 허용했습니다. 이는 진동을 최소화해야 하는 응용 분야에서 매우 중요합니다. 반면, 강화 학습을 사용한 예측 제어 시스템은 가장 빠르게 반응했습니다. 속도 명령이 변경되었을 때, 이 시스템은 오버슈트(목표치를 초과하는 현상)가 거의 없이 단 0.12초에서 0.18초 만에 조정되었습니다. 즉, 모터가 안정되기 전에 너무 빨리 회전하지 않았습니다. 세 번째 방법인 슬라이딩 모드 제어와 결합된 강화 학습은 불확실성을 처리하는 데 큰 강점을 보였으나 트레이드오프(절충)가 있었습니다. 이 방식은 견고하기는 했지만, 속도가 변할 때 약 50%에 달하는 훨씬 큰 오버슈트를 발생시키며 모터의 진동을 유발했고, 안정되는 데 더 오랜 시간이 걸렸습니다.

또한 연구는 지능형 추정기가 실제 모터에서 예상되는 특정 물리적 변화를 감지할 수 있음을 확인했습니다. 시뮬레이션된 모터의 속도가 빨라지고 열이 발생함에 따라, 시스템은 와이어 저항이 약 3% 증가했음을 정확히 식별했는데, 이는 열에 의한 자연스러운 결과입니다. 또한 영구 자석의 자력이 온도의 영향으로 약 1.4% 감소했다는 점도 포착했습니다. 나아가 자기 회로가 높은 부하 하에서 효율이 떨어지는 현상인 자기 포화(magnetic saturation)로 인해 인덕턴스가 약간 감소하는 것도 추적했습니다. 이러한 발견은 인공지능이 단순히 숫자를 추측하는 것이 아니라 기계의 물리적 실체를 정확하게 모델링하고 있음을 보여줍니다.

궁극적으로 이 연구는 이러한 지능형 추정 기술을 모터 제어 시스템에 통합하는 것이 실행 가능한 미래의 길임을 시사합니다. 컨트롤러가 모터의 건강 상태에 대한 이해를 지속적으로 업데이트할 수 있게 함으로써, 시스템은 기계가 노후화되거나 가혹한 조건에서 작동하더라도 높은 효율과 안정성을 유지할 수 있습니다. 이 연구는 모든 모터 제어 문제를 해결했다고 주장하거나, 공장의 실제 물리적 하드웨어에서 이 방법들을 테스트한 것은 아니며, 모든 결과는 엄격한 컴퓨터 시뮬레이션을 통해 도출되었습니다. 그러나 데이터는 신뢰성이 최우선인 전기 자동차 및 산업용 기계 분야에서, 머신러닝을 사용하여 모터의 내부 지도를 정확하게 유지하는 것이 더 매끄럽고, 반응성이 좋으며, 더 오래 지속되는 기계를 만드는 길임을 보여줍니다. 어떤 특정 방법을 사용할지는 우선순위에 달려 있습니다. 절대적인 매끄러움을 목표로 한다면 신경망 방식이 뛰어나고, 변화에 대한 가장 빠른 반응을 목표로 한다면 예측 제어와 결합된 강화 학습 방식이 앞서 나갑니다.