디지털 트윈 기반 디젤 엔진 건강 모니터링: 물리‑인포드 신경망과 딥오퍼레이터의 전이학습 융합

초록

본 논문은 디젤 엔진의 시스템‑레벨 건강 모니터링을 위해 물리‑인포드 신경망(PINN)과 딥오퍼레이터(DeepONet)를 결합한 하이브리드 프레임워크를 제안한다. 오프라인에서 학습된 DeepONet이 액추에이터 동역학을 빠르게 예측하고, PINN이 물리 법칙을 이용해 파라미터 식별을 수행한다. 또한 다단계 전이학습과 few‑shot 전이학습 두 가지 전략을 도입해 온라인 재학습 비용을 크게 감소시켰으며, 기존 PINN 기반 방법 대비 정확도·일반화·배포 효율성이 향상됨을 실험적으로 입증한다.

상세 분석

이 연구는 디젤 엔진 디지털 트윈 구현에 있어 두 가지 핵심 기술을 통합한다. 첫 번째는 물리‑인포드 신경망(PINN)으로, 엔진 평균값 모델의 미분 방정식을 손실 함수에 직접 삽입해 미지 파라미터와 상태 변수를 동시에 추정한다. 기존 PINN은 매 추론마다 전체 네트워크를 재학습해야 하는 높은 계산 비용이 단점이었으나, 저자는 이를 보완하기 위해 딥오퍼레이터(DeepONet)를 도입한다. DeepONet은 입력 함수(예: 연료 주입, 스로틀 명령)를 받아 액추에이터 동역학을 직접 매핑하는 연산자를 학습한다. 오프라인에서 대규모 시뮬레이션 데이터를 이용해 사전 학습된 DeepONet은 온라인 단계에서 거의 즉시 출력값을 제공하므로, PINN이 물리 손실을 계산할 때 필요한 독립 상태 변수(예: 연소 압력, 배기 가스 흐름)를 빠르게 얻을 수 있다.

전이학습 전략은 두 가지로 구분된다. (i) 다단계 전이학습(Multi‑stage TL)은 먼저 광범위한 작동 조건에서 전체 모델을 사전 학습한 뒤, 새로운 운전 상황이 주어지면 제한된 파라미터(예: 연료 분사 지연, EGR 비율)만을 미세조정한다. 이 과정은 전체 네트워크를 다시 학습하는 것보다 5~10배 빠른 실행 시간을 제공한다. (ii) few‑shot TL은 사전 학습된 다중 헤드 구조를 고정하고, 새로운 상황에 대응하는 출력 레이어만을 학습한다. 물리 손실에 필요한 미분값은 학습 루프 외부에서 한 번만 계산해 저장하므로, GPU 메모리 사용량과 연산량이 크게 감소한다. 특히, 파라미터 식별을 위한 역문제 해결 시, 미분 연산을 자동 미분이 아닌 사전 계산된 형태로 제공함으로써 실시간 적용 가능성을 확보한다.

실험에서는 기존 PINN 기반 파라미터 추정 방법과 비교해 평균 절대 오차(MAE)를 30% 이상 낮추었으며, 온라인 추론 시간은 0.02 s 수준으로 실시간 제어에 충분히 적용 가능함을 보여준다. 또한, 가우시안 잡음을 포함한 노이즈 데이터에서도 견고한 추정 성능을 유지해 현장 적용성을 검증하였다.

이와 같이 물리 기반 모델의 해석 가능성과 딥러닝의 비선형 매핑 능력을 결합하고, 전이학습을 통해 재학습 비용을 최소화함으로써 디지털 트윈 기반 엔진 건강 모니터링에 새로운 패러다임을 제시한다.