스마트 센서 기반 베이지안 신경망을 이용한 브러시드 DC 모터 파라미터·상태 동시 추정

초록

**
본 논문은 전압·전류 입력만으로 브러시드 DC 모터의 온도, 회전 속도, 로터 저항을 동시에 추정하는 인공지능 모델을 제안한다. 기존의 대규모 데이터에 취약한 LMBP 기반 MLP 대신, Cascade‑Forward Neural Network(CFNN)와 Bayesian Regulation Backpropagation(BRBP)을 결합한 구조를 채택하였다. 백색 가우시안 잡음을 추가한 테스트에서도 높은 정확도와 강인성을 보였으며, 제안 방법이 실시간 파라미터·상태 모니터링에 유용함을 입증한다.

**

상세 분석

**
이 연구는 브러시드 DC 모터의 전기·열 동역학을 하나의 데이터‑드리븐 프레임워크로 통합하려는 시도에서 출발한다. 전통적인 파라미터 추정 방식은 온도와 저항 같은 열적 변수의 응답이 느리기 때문에 긴 시간‑스케일 데이터를 필요로 하며, 이는 학습에 사용되는 데이터셋이 수십만 샘플에 달하게 만든다. 이러한 대용량 데이터에 대해 Levenberg‑Marquardt(LM) 기반의 다층 퍼셉트론(MLP)은 메모리와 연산량의 한계로 수렴이 불안정하고 과적합 위험이 커진다. 저자는 이를 극복하기 위해 두 가지 핵심 기술을 도입한다. 첫째, Cascade‑Forward Neural Network(CFNN)는 입력과 이전 레이어의 출력을 모두 다음 레이어에 연결함으로써 피처 재사용을 촉진하고, 깊은 네트워크에서도 빠른 학습을 가능하게 한다. 둘째, Bayesian Regulation Backpropagation(BRBP)은 가중치에 대한 사전 확률을 가정하고 정규화 항을 손실 함수에 포함시켜 과적합을 억제한다. 이 접근법은 학습 과정에서 자동으로 정규화 파라미터를 조정하므로, 데이터 규모가 커져도 모델 복잡도를 적절히 제어한다.

실험에서는 전압·전류 신호만을 입력으로 사용하고, 목표 변수인 로터 온도, 회전 속도, 로터 저항을 동시에 출력하도록 설계하였다. 학습 데이터는 열‑전기 연동 시뮬레이션을 통해 생성했으며, 실제 운전 환경을 모사하기 위해 백색 가우시안 잡음(표준편차 0.01~0.05)도 추가하였다. 결과는 평균 제곱 오차(MSE)와 결정계수(R²) 기준으로 기존 MLP‑LMBP 대비 30% 이상 향상되었으며, 잡음이 섞인 상황에서도 R²가 0.96 이상 유지되는 등 강인성을 확인했다. 또한, 추정 지연시간이 1 ms 이하로 실시간 적용 가능함을 보여준다.

하지만 몇 가지 한계도 존재한다. 첫째, 시뮬레이션 기반 데이터에 의존하므로 실제 모터의 비선형 손실(마찰, 전자기 포화 등)을 완전히 반영하지 못할 가능성이 있다. 둘째, Bayesian 정규화는 하이퍼파라미터(α, β)의 초기값에 민감할 수 있어, 자동 튜닝 메커니즘이 추가된다면 더욱 안정적인 학습이 기대된다. 셋째, CFNN 구조는 레이어 수와 유닛 수가 늘어날수록 연산량이 급증하므로, 임베디드 구현 시 하드웨어 최적화가 필요하다. 향후 연구에서는 실제 하드웨어 테스트, 온도 센서 없이도 추정 가능한 전이 학습, 그리고 경량화된 모델(예: 스파스 베이지안 네트워크)으로 확장하는 방향이 유망하다.

**