실시간 유압 실린더 마찰력 추정을 위한 하이브리드 데이터 기반 알고리즘

초록

본 논문은 LSTM 신경망과 랜덤 포레스트를 결합한 하이브리드 데이터‑드리븐 모델을 제안한다. 실험실에서 수집한 압력·위치·속도 데이터를 학습시켜, 다양한 부하와 작동 조건에서 마찰력을 10 % 이하의 오차로 실시간(1.51 ms) 추정한다. 기존 LuGre 모델과 비교했을 때 적응성·계산 효율성이 크게 향상되었다.

상세 분석

이 연구는 유압 실린더의 마찰 특성을 정확히 파악하기 위해 전통적인 분석 모델의 한계를 짚고, 데이터‑드리븐 접근법을 채택한다. 저자는 먼저 기존 Dahl·LuGre 모델이 속도·히스테리시스·유체 점도 변화를 충분히 반영하지 못한다는 점을 지적한다. 이를 보완하기 위해 시계열 특성을 잘 포착하는 LSTM(Long Short‑Term Memory) 네트워크를 사용해 입력 변수(양실린더 압력 P₁, P₂, 피스톤 변위 x, 속도 v, 가속도 a)와 마찰력 F_f 사이의 비선형 동적 관계를 학습한다. LSTM은 과거 상태를 기억함으로써 마찰력의 메모리 효과와 스티키‑슬립 현상을 모델링한다. 그러나 LSTM만으로는 변수 중요도 해석이 어려워, 학습된 특징을 랜덤 포레스트(Random Forest) 회귀기로 재구성한다. 랜덤 포레스트는 각 트리에서 변수 중요도를 평가하고, 과적합을 방지하면서도 빠른 추론 속도를 제공한다. 하이브리드 구조는 LSTM이 복잡한 시계열 패턴을 추출하고, 랜덤 포레스트가 이를 효율적인 회귀식으로 변환하도록 설계되었다.

실험은 Bosch H160CA 실린더와 Festo 밸브, 0‑250 bar 압력 센서, 선형 포텐시오미터를 이용해 200 Hz(5 ms) 샘플링으로 진행되었다. 데이터 전처리 단계에서 이동 평균 필터(윈도우 10, 30)를 적용해 노이즈를 감소시켰으며, 가속도는 차분을 통해 계산하였다. 학습 데이터는 다양한 외부 부하와 유압 유량 조건을 포함해 10 000개 이상의 샘플을 확보했다. 모델 훈련은 80 % 데이터를 학습, 20 %를 검증에 사용했으며, 최적의 LSTM 층 수와 은닉 유닛, 랜덤 포레스트 트리 개수를 교차 검증으로 선정하였다.

평가 결과, 제안된 하이브리드 모델은 평균 절대 오차(MAE)가 0.08 N·m 수준이며, 전체 오차율은 9.3 %에 머물렀다. LuGre 모델은 동일 조건에서 18 % 이상의 오차를 보였다. 또한 추론 시간은 1.51 ms로, 실시간 제어 루프(≤5 ms) 내에서 충분히 동작한다. 이러한 성능은 모델이 압력 변동, 온도 변화, 실린더 속도 변화 등 복합적인 영향을 동시에 학습했기 때문으로 해석된다.

한계점으로는 학습 데이터가 실험실 환경에 국한돼 실제 현장 적용 시 추가적인 도메인 적응이 필요하고, 센서 노이즈가 급격히 증가하면 LSTM의 기억 메커니즘이 왜곡될 가능성이 있다. 향후 연구에서는 온라인 적응 학습(continual learning)과 앙상블 기법을 도입해 모델의 일반화 능력을 강화하고, 하드웨어‑인‑더‑루프(HIL) 테스트를 통해 제어 시스템에 직접 통합하는 방안을 모색한다.