스파이더 몽키 최적화와 딥러닝을 결합한 DC‑DC 벅 컨버터 디지털 트윈 프레임워크

초록

본 논문은 저전력 벅 컨버터 프로토타입을 기반으로, 스파이더 몽키 최적화(SMO)와 심층 신경망(DNN)을 연계한 데이터‑구동 디지털 트윈(DT) 체계를 제안한다. SMO로 파라미터 식별을 고속·전역 최적화하고, DNN으로 노화 지표와 고장 시점을 회귀 예측한다. 실험 결과, 전통적 방법 대비 전역 최적 성공률 95 %, 반복 횟수 33 % 감소, 제약 위반 80 % 감소를 달성했으며, R² > 0.998의 높은 예측 정확도를 보였다.

상세 분석

이 연구는 전력 전자 시스템에서 점점 중요해지는 부품 노화 모니터링을 디지털 트윈(DT) 개념으로 확장한다는 점에서 의의가 크다. 저전력 벅 컨버터를 물리적 메커니즘 모델(MMM)로 구현하고, 동일 회로를 MATLAB/Simulink 기반 디지털 모델(DM)로 복제한 뒤, SMO 알고리즘을 이용해 L, C, rL, rC 등 주요 파라미터를 실시간 측정값에 맞추어 최적화한다. SMO는 그룹·리더 구조와 무작위·교란 인자를 결합해 전통적 PSO가 흔히 겪는 지역 최적 함정을 효과적으로 회피한다. 최적화된 파라미터 집합은 DNN의 입력 피처로 사용되며, 5‑계층 완전 연결 구조와 Adam 옵티마이저를 통해 노화 진행과 t_failure을 고정밀 회귀한다. 논문은 합성 데이터(10 k 샘플)와 실제 열 사이클 실험을 모두 활용해 검증했으며, ISTSE 기반 비용 함수가 장기 시간 영역 오차를 최소화하도록 설계된 점이 눈에 띈다. 결과적으로 전압·리플 감소(20‑25 %)와 인덕터 전류 리플 감소(15‑20 %)라는 실질적인 성능 향상을 보고했으며, 이는 DT가 설계 단계뿐 아니라 운영 단계에서도 실시간 최적화 피드백을 제공할 수 있음을 시사한다. 다만, SMO·DNN의 하이퍼파라미터 튜닝 과정이 상세히 기술되지 않았고, 고전압·고전류 대형 파워 모듈에 대한 확장성 검증이 부족한 점은 향후 연구 과제로 남는다.