⚡ electrical engineering

Surrogate-Assisted Multiobjective Co-Design of Fractional-Order Aerospace DC–DC Converters under Thermal, Transient, and Fault-Survivability Constraints

본 논문은 엄격한 하드웨어 제약 조건 하에서 과도 회복, 효율, 열적 여유 및 결함 생존성을 동시에 최적화하기 위해 효율적인 설계 공간 스크리닝을 위한 머신러닝과 엄격한 물리 기반 검증을 통합한 분수 차수 제어 항공우주용 DC-DC 컨버터의 대리 모델 보조 다목적 공동 설계 프레임워크를 제시한다.

원저자: Taylan Demi̇r, Atakan koçyiğit

게시일 2026-09-17

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Taylan Demi̇r, Atakan koçyiğit

원본 논문은 CC BY 4.0 (https://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

하늘 위에서, 미래의 항공기들은 점점 더 전기화되고 있습니다. 제어면을 움직이거나 동력 시스템에 전력을 공급하기 위해 무거운 유압 라인과 기계적 연결 장치에 의존하는 대신, 이 기계들은 전기가 거의 모든 것을 수행하는 "모어-일렉트릭(more-electric)" 구조로 전환하고 있습니다. 이러한 변화는 상당한 이점을 제공합니다. 무게를 줄이고, 유지보수를 단순화하며, 더 스마트하고 반응성이 좋은 제어를 가능하게 합니다. 그러나 이러한 전기 의전은 전력 변환기(power converter)에 막대한 부담을 지웁니다. 전력 변환기는 메인 버스에서 고전압 전기를 가져와 특정 부품에 필요한 낮은 전압으로 낮추는 장치입니다. 이 변환기들은 믿을 수 없을 만큼 신뢰할 수 있고, 효율적이며, 소형이어야 합니다. 전력이 급감할 경우 즉각적으로 회복해야 하며, 시스템이 중단되지 않고 갑작스러운 전기적 결함을 견뎌내야 하고, 자체 작동 중에 발생하는 강렬한 열을 관리해야 합니다. 이를 설계하는 것은 복잡한 균형 잡기입니다. 구성 요소를 작게 만들면 종종 더 뜨거워지며, 반응 속도를 빠르게 만들면 에너지를 더 많이 낭비할 수 있습니다. 수십 년 동안 엔지니어들은 물리적 하드웨어와 이를 제어하는 소프트웨어를 별개의 문제로 취급하여, 먼저 금속과 전선을 고친 다음 나중에 소프트웨어를 튜닝해 왔습니다. 하지만 이 높은 수준의 정밀도가 요구되는 항공 분야에서는, 이러한 순차적인 접근 방식이 최선의 해결책을 놓치는 경우가 많습니다.

한 연구팀은 하드웨어와 제어 소프트웨어를 동시에 설계해야 할 하나의 통합된 시스템으로 취급함으로써 이 과제에 도전했습니다. 많은 항공 시스템의 표준 요구 사항인 270V에서 28V로 전압을 낮추는 데 사용되는 특정 유형의 전력 변환기에 초점을 맞추어, 그들은 물리적 부품과 제어 설정의 완벽한 조합을 찾는 새로운 방법을 개발했습니다. 그들의 접근 방식은 수천 가지의 서로 다른 설계 변형을 동시에 테스트하는 정교한 컴퓨터 시뮬레이션을 포함합니다. 연구진은 단순히 작동하는 설계를 찾는 것이 아니라, 네 가지 경쟁적인 목표 사이의 최적의 절충안을 찾고 있습니다. 즉, 시스템이 교란으로부터 얼마나 빨리 회복하는지, 얼마나 많은 에너지가 열로 낭비되는지, 인덕터와 커패시터 같은 수동 소자의 크기와 무게가 어느 정도인지, 그리고 결함 발생 시 시스템이 얼마나 오랫동안 계속 작동할 수 있는지에 대한 것입니다. 방대한 가능성을 관리하기 위해 그들은 2단계 전략을 채택했습니다. 먼저, 머신러닝을 사용하여 명백히 불가능하거나 위험한 설계들을 빠르게 걸러내는 신속한 필터 역할을 수행하게 했습니다. 그다음, 가장 유망한 후보들에 대해 상세한 물리 기반 시뮬레이션을 실행하여 높은 정밀도로 결과를 검증했습니다. 이 방법은 전통적인 방식만으로는 조사하기에 너무 많은 시간이 소요되었을 광범위한 설계 공간을 탐색할 수 있게 해주었습니다.

연구는 "분수 차수(fractional-order)" 제어 법칙을 사용하는 변환기에 집중했는데, 이는 표준 제어기보다 과거의 오류에 대해 더 유연한 기억력을 갖도록 하는 수학적 접근 방식입니다. 연구진은 이 기억력과 함께 부품의 물리적 크기 및 시스템의 스위칭 속도를 조정함으로써, 6변수 설계 문제를 생성했습니다. 그들은 머신러닝 모델을 훈련시키기 위해 5,000개의 초기 설계 샘례를 생성했고, 이후 추가로 60,000개의 잠재적 설계를 스크리닝했습니다. 머신러닝 분류기는 안전 및 성능 제약 조건을 충족하지 못할 설계들을 정확히 식별해 내는 데 96.4%의 정확도로 매우 효과적이었습니다. 그러나 연구진은 머신러닝의 예측에만 전적으로 의존하지 않도록 주의를 기울였습니다. 이러한 시스템의 동작은 운영 한계 근처에서 예측 불가능해질 수 있기 때문에, 최종 목록에 오른 모든 설계는 원래의 엄격한 물리 모델을 사용하여 재평가되었습니다. 이를 통해 최종 권장 사항이 단순한 통계적 근사치가 아니라 물리적 실체에 근거하도록 보장했습니다.

이 대규모 스크리닝 과정을 통해, 팀은 네 가지 목표 사이의 최적의 타협을 나타내는 68개의 뚜렷한 설계를 식별했습니다. 그들은 기존의 기준점(baseline)보다 상당한 개선을 보여주는 하나의 "균형 잡힌(balanced)" 설계를 강조했습니다. 이 최적화된 설계는 교란 후 전압이 회복되는 데 걸리는 시간을 13.8% 단축했고, 열로 손실되는 총 에너지를 10.0% 줄였습니다. 또한 결함을 견뎌내는 능력을 향상시켜, 전력 결핍을 견딜 수 있는 시간을 0.150밀리초에서 0.240밀리초로 연장하여 60.2%의 탄력성 증가를 보여주었습니다. 수동 소자의 물리적 크기는 약간 감소했으며, 시뮬레이션된 결함 중 전압 강하는 36.2% 감소했습니다. 이러한 이점은 246.23kHz의 스위칭 주파수, 22.53마이크로헨리의 인덕턴스, 960.91마이크로패럿의 커패시턴스, 그리고 0.9042의 분수 제어 차수를 사용하여 달성되었습니다.

하지만 연구는 이러한 개선이 대가 없이 이루어진 것이 아님을 분명히 합니다. 속도, 효율성 및 결함 허용 능력에서 탁월했던 그 설계는 정상 작동 중에 발생하는 작은 급격한 전류 변동인 전류 리플(current ripple)의 높은 수준을 수용함으로써 그 성과를 냈습니다. 이 균형 잡힌 설계에서 전류 리플은 기준점 대비 약 116% 증가하여, 약 2.09암페어에서 4.52암페어로 상승했습니다. 비록 이 높은 리플이 연구진이 설정한 안전 한계인 8암페어 이내에 머물렀지만, 이는 시스템 설계 과정의 근본적인 진실을 보여줍니다. 즉, 모든 측면을 동시에 개선할 수는 없다는 것입니다. 연구진은 하드웨어와 제어 소프트웨어를 별개가 아닌 함께 최적화함으로써, 특정하고 관리 가능한 타협안을 받아들일 용의가 있다면 거의 모든 지표에서 우월한 구성을 찾아낼 수 있음을 입증했습니다.

연구진은 자신들의 연구 결과에 대한 한계를 명확히 밝혔습니다. 제시된 결과는 실제 물리적 하드웨어 프로토타입이 아닌, 전적으로 컴퓨터 시뮬레이션과 수학적 모델에 기반한 것입니다. 사용된 열 모델은 복잡한 다차원 열 지도(heat map)가 아닌 단순화된 스크린이었으며, 결함 시나리오는 실제 세계의 혼돈스러운 실패가 아닌 활성 페이즈(phase)의 수를 축소한 이상적인 모델이었습니다. 본 연구는 특정 부품을 실제 항공기에 사용할 수 있도록 인증했다는 주장을 하는 것이 아닙니다. 대신, 이는 전력 전자 설계에 대한 새로운 사고방식의 개념 증명(proof of concept) 역할을 합니다. 이는 머신러닝을 광범위한 설계 공간을 탐색하기 위한 스크리닝 도구로 사용하고, 엄격한 물리학으로 승자들을 검증함으로써, 엔지니어가 숨겨져 있던 설계의 절충안을 찾아낼 수 있음을 보여줍니다. 이 작업은 항공용 전력 시스템의 미래가 물리적 형태의 변환기와 제어기의 수학적 논리가 함께 탄생하여, 비행의 까다롭고 상충하는 요구 사항을 충족하기 위해 하나의 개체로서 최적화되는 통합적 접근 방식에 있음을 시사합니다.

기술 요약: 분수 차수 항공우주용 DC–DC 컨버터의 대리 모델 기반 다목적 공동 설계

문제 정의
전기화 항공기(MEA)를 위한 전력 변환기 설계는 단일 성능 지표 최적화만으로는 충족할 수 없는 상충하는 요구 사항들에 직면해 있다. 설계자는 신속한 버스 전압 회복, 낮은 반도체 손실, 적절한 수동 소자 크기, 충분한 열적 여유, 그리고 고장 내격(fault ride-through) 능력을 동시에 달달성해야 한다. 전통적인 설계 방식은 제어기 튜닝 전에 전력단 하드웨어를 고정하거나, 중요한 트레이드오프(trade-off)를 은폐하는 단일 목적 함수 최적화에 의존한다. 또한, 와이드 밴드갭(wide-bandgap) 반도체(SiC, GaN)의 통합은 설계 공간을 확장하지만 복잡한 열 및 신뢰성 제약을 도입한다. 본 논문이 다루는 구체적인 과제는 하드웨어 파라미터(스위칭 주파수, 인덕턴스, 커패시턴스)와 분수 차수 제어 파라미터(적분 차수 $\lambda$ , 이득)를 엄격한 열적, 과도 응답 및 고장 생존 제약 조건 하에서 함께 최적화하는 3상 인터리브드 270 V-to-28 V, 800 W DC–DC 컨버터의 공동 설계(co-design)이다.

방법론
저자들은 머신러닝을 물리 법칙의 대체재가 아닌 스크리닝 도구로 취급하는 대리 모델 지원 다목적 최적화 프레임워크를 제안한다. 워크플로우는 다음 단계들로 구성된다:

시스템 모델링:
- 컨버터: 3상 인터리브드 벅 컨버터의 물리 기반 평균 모델을 사용한다. 이는 연속 전도 모드, 기생 저항, 그리고 한 개의 상이 일시적으로 상실되는 상황(고장을 시뮬레이션함)을 반영한다.
- 제어기: 적분 차수 $\lambda$ ( $0 < \lambda \le 1$ )가 설계 변수인 분수 차수 PI $\lambda$ 제어기를 채택한다. 분수 적분은 수치 시뮬레이션을 위해 인과적(causal)으로 근사된다.
- 테스트 시퀀스: 부하 단계, 상실(고장), 입력 전압 강하를 겪는 고정된 20 ms 궤적을 적용하여 동적 성능을 평가한다.
다목적 정식화:
문제는 다음 네 가지 목적 벡터를 최소화하는 것으로 정의된다:
- 과도 성능 ( $J_{tr}$ ): 시간 가중 오차, 전압 오버슈트 및 언더슈트를 결합한 복합 지수.
- 총 손실 ( $P_\Sigma$ ): 전도, 스위칭, 게이트 및 리플 손실의 추정치.
- 수동 소자 크기 ( $S_{pass}$ ): 인덕턴스 및 커패시턴스 값에 기반한 정규화된 지수.
- 고장 내격 ( $t_{ride}$ ): 전류 결핍 발생 시 출력 커패시터가 부하를 유지할 수 있는 시간에 대한 보수적인 추정치.
- 제약 조건: 하드 제약 조건에는 접합 온도( $<125^\circ$ C), 상 전류 리플( $<8$ A), 출력 전압 범위($20 $–$ 38$ V)가 포함된다.
대리 모델 지원 워크플로우:
- 데이터 생성: 비선형 물리 모델을 사용하여 5,000개의 라틴 하이퍼큐브 샘플을 평가함으로써 훈련 데이터베이스를 구축한다.
- 타당성 분류: 트리 앙상블 분류기를 훈련시켜 설계가 동적 및 하드웨어 제약 조건을 만족하는지 예측한다. 이는 96.4%의 정확도, 99.0%의 정밀도, 96.0%의 재현율을 달데한다.
- 과도 응답 대리 모델: 다층 퍼셉트론(MLP)이 비용이 많이 드는 과도 응답 목적 함수( $J_{tr}$ )를 근사한다. 평균 절대 백분율 오차(MAPE)는 7.18%를 달성했으나, 저자들은 포화 경계 근처에서 정확도가 저하된다는 점을 언급했다.
- 스크리닝 및 최적화: 60,000개의 후보 설계를 생성한다. 분류기가 불가능한 영역을 필터링한다(26,209개 후보 유지). 디리클레 분포를 사용하는 2,000개의 가중치 벡터 뱅크를 사용하여 목적 함수들을 스칼라화하며, 이를 통해 68개의 트레이드오프 설계를 식별한다.
- 검증: 결정적으로, 유지된 68개의 설계 모두를 원래의 비선형 물리 모델로 재평가한다. 대리 모델은 최종 성능을 인증하는 데 사용되지 않는다.

주요 기여

6차원 공동 설계 벡터: 연구는 하드웨어와 분수 제어 파라미터를 동시에 최적화하는 통합 설계 벡터 $\theta = (f_s, L, C, \lambda, K_p, K_i)$ 를 도입한다.
명시적 트레이드오프 정식화: 네 가지 상충하는 목적을 동시에 처리하며, 제약 조건을 타당성 필터로 부과함으로써 스칼라 비용 함수의 특성인 트레이드오프 억제를 방지한다.
물리 인지형 머신러닝: 머신러닝이 큰 설계 공간을 스크리닝하는 속도를 높이지만, 최종 검증을 위해 명시적으로 물리 모델에 의존하는 워크플로우를 입증한다. 이는 임계 안정성 또는 포화 경계 근처에서의 대리 모델 부정확성 위험을 해결한다.
재현성: 특정 랜덤 시드, 샘플 크기, 적분 단계를 제공하여 수치 실험의 완전한 재현성을 보장한다.

결과
최적화 결과 68개의 검증된 파레토 최적(Pareto-optimal) 설계 세트가 도출되었다. "균형 잡힌(balanced)" 설계를 선택하여 기존 베이스라인( $f_s=300$ kHz, $L=40$ $\mu$ H, $C=600$ $\mu$ F, $\lambda=1$ ) 대비 공동 설계의 이점을 입증하였다:

성능 개선: 균형 잡힌 설계( $f_s=246.23$ $f_{s} = 246.23$ kHz, $L=22.53$ $L = 22.53$ $\mu$ $μ$ H, $C=960.91$ $C = 960.91$ $\mu$ $μ$ F, $\lambda=0.9042$ $λ = 0.9042$ )는 다음을 달성했다:
- 과도 성능 지수( $J_{tr}$ ) 13.8% 감소.
- 추정 컨버터 손실( $P_\Sigma$ ) 10.0% 감소.
- 시뮬레이션된 고장 전압 강하 36.2% 감소.
- 보수적인 커패시터 내격 시간 60.2% 증가 (0.150 ms에서 0.240 ms로).
- 정규화된 수동 소자 크기 지수의 2.1% 미세 감소.
트레이드오프: 이러한 이점은 상 전류 리플의 상당한 증가(2.09 A에서 4.52 A로 약 116% 증가)를 대가로 얻었다. 그러나 리플은 부과된 8 A 제한 범위 내에 있었다.
분수 차수의 효용성: 최적의 분수 차수는 파레토 세트 전반에 걸쳐 다양하게 나타났으며($0.8283 $에서$ 0.9753 $사이), 이는$ \lambda$가 고정된 상수가 아니라 연속적인 메모리 형성 파라미터로서 작동함을 나타낸다.

의의 및 주장
본 논문은 자신을 하드웨어 인증 연구가 아닌 "설계 스크리닝 환경"으로 규정한다. 주요 의의는 다음과 같다:

숨겨진 절충안의 노출: 연구는 단일 목적 튜닝이 흔히 은폐하는 트레이드오프(예: 리플과 과도 응답 회복 간의 관계)를 명시적으로 드러낸다.
공동 설계의 타당성 입증: 분수 제어 파라미터를 하드웨어와 함께 최적화하는 것이 순차적 설계보다 우수한 시스템 수준의 성능을 제공함을 보여준다.
방법론적 엄격성: 머신러닝을 종속적인 스크리닝 도구로 취급하고 모든 결과를 물리 모델로 재검증함으로써, 저자들은 안전이 중요한 항공우주 애플리케이션을 위한 신뢰할 수 있는 워크플로우를 구축한다.

저자들은 수치적 값들이 특정 컨버터가 인증 표준을 충족한다는 증거가 아니라, 방법론과 식별된 트레이드오프에 대한 증거임을 명시적으로 밝히고 있다. 또한 향후 작업에는 부품 데이터베이스, 상세한 전기-열 모델, EMI 분석 및 하드웨어-인-더-루프(HIL) 검증이 필요하다고 언급하였다.

기술 요약: 분수 차수 항공우주용 DC–DC 컨버터의 대리 모델 기반 다목적 공동 설계

유사한 논문