스팀 발전기 모델링을 위한 인공지능 기법 비교 연구

본 논문은 스팀 발전기 시스템의 입력‑출력 관계를 모델링하기 위해 인공지능(AI) 기법들을 비교·평가한다. 연구 배경으로는 기존 공정 제어에서 비선형 다변량 관계를 정확히 파악하기 어려워 AI 기반 예측 모델이 필요함을 제시한다. 데이터는 미국 Abbott 발전소에서 수집한 9,600개의 샘플로, 입력 변수는 연료 흐름, 공기 흐름, 레벨(인치), 부하 변동이며, 출력 변수는 드럼 압력, 배기 가스 내 초과 산소, 드럼 수위, 스팀 흐름이다. 모든 변수는 0~1 사이로 정규화하였다. 연구에 사용된 AI 기법은 크게 세 가지로 구분된다. 첫 번째는 인공 신경망(ANN)으로, 다층 퍼셉트론(MLP)과 방사형 기저 함수(RBF) 네트워크를 구현하였다. MLP는 은닉층 수와 뉴런 수, 학습률, 모멘텀 등을 조정했으며, 베이지안 최적화와 위원회(Committee) 학습을 통해 다중 모델을 결합해 일반화 성능을 강화하였다. RBF는 K‑means 클러스터링으로 중심을 설정하고, 가우시안 폭을 최적화한 뒤 선형 출력 가중치를 최소제곱법으로 구해 학습 속도를 크게 단축시켰다. 두 번째는 서포트 벡터 머신(SVM)이다. RBF 커널과 다항 커널을 시험했으며, 정규화 파라미터 C와 커널 폭 γ를 그리드 서치로 최적화하였다. SVM은 소규모 데이터에서 강건하지만, 전체 9,600 샘플을 모두 사용하면 메모리와 계산량이 급증해 실시간 적용에 제약이 있다. 세 번째는 적응형 뉴로‑퍼지 추론 시스템(ANFIS)이다. 입력당 3개의 퍼지 멤버십 함수를 설정하고, 2⁴=16개의 퍼지 규칙을 기반으로 하이브리드 학습(전방 퍼지 추론 + 역전파) 방식을 적용했다. ANFIS는 규칙 기반이 직관적이며, 학습 후 실행 단계에서 거의 즉시 예측을 제공한다. 성능 평가는 평균 제곱근 오차(RMSE)와 결정계수(R²)로 수행했으며, 모든 모델이 높은 정확도(R²>0.95)를 보였다. 구체적으로, ANFIS는 드럼 압력과 스팀 흐름 예측에서 RMSE가 각각 0.018, 0.022로 가장 낮았으며, 구현 난이도와 파라미터 튜닝 요구가 가장 적었다. MLP은 베이지안 최적화와 위원회 기법을 적용했을 때 일반화 성능이 크게 향상되었으며, RBF는 학습 속도가 빠르지만 은닉 뉴런 수와 폭 파라미터 설정에 민감했다. SVM은 높은 메모리 요구와 커널 파라미터 민감도로 실시간 적용에는 부적합함을 확인했다. 결론적으로, 스팀 발전기와 같은 복잡한 공정 시스템의 예측 모델링에서는 ANFIS가 정확도, 학습·실행 효율성, 구현 용이성 측면에서 가장 균형 잡힌 선택임을 제시한다. 또한, 베이지안 최적화와 위원회 학습은 전통적인 MLP의 성능을 크게 끌어올릴 수 있음을 보여준다. 향후 연구에서는 하이브리드 모델(예: ANFIS와 RBF 결합)이나 온라인 학습 기법을 도입해 실시간 제어 적용 가능성을 탐색할 수 있다.