활성 자기부상 시스템을 위한 최적 미분 피드백 제어 데이터 기반 접근법 실험 연구

초록

본 논문은 활성 자기부상(AML) 시스템에 적용되는 최적 미분 피드백(Derivative Feedback Control, DFC) 설계 방법을 두 가지 데이터‑드리븐 접근법으로 비교한다. 하나는 강화학습 기반 정책 반복(Policy Iteration, PI) 알고리즘을 이용한 직접 모델‑프리 방식이며, 다른 하나는 Dynamic Mode Decomposition with Control(DMDc)과 Prediction Error Minimization(PEM)으로 식별한 모델을 이용한 간접 방식이다. 제안된 다중 epoch 루프를 갖는 모델‑프리 PI는 데이터 다양성을 확보해 학습 편향을 감소시키며, 실험 결과 다중 epoch을 적용했을 때 간접 방식보다 일관되게 우수한 제어 성능을 보였다.

상세 분석

이 연구는 AML 시스템의 고유 비선형성, 불확실한 평형점, 센서‑액추에이터 정렬 오차 등으로 인한 모델링 어려움을 극복하기 위해 미분 피드백 제어(DFC)를 선택하였다. DFC는 상태의 미분이 평형점에서 0이 되므로 측정 바이어스에 강인하지만, 고주파 잡음에 민감한 단점이 있다. 이를 보완하기 위해 두 가지 데이터‑드리븐 전략을 도입했다. 첫 번째는 정책 반복(PI) 기반의 모델‑프리 RL 방법으로, 초기 안정적인 제어 이득 K₁을 필요로 한다. 저자들은 기존 PI에 외부 epoch 루프를 추가해 매 epoch마다 새로운 데이터셋을 수집하고, 최소제곱법을 통해 P와 K를 재추정한다. 이 과정은 데이터 편향을 평균화하고, 잡음에 대한 견고성을 향상시킨다. 두 번째는 DMDc와 PEM을 결합해 시스템 행렬 A, B를 식별하고, 식별된 모델에 대해 전통적인 LQR 기반 DFC 설계(ARE 해석)를 수행하는 간접 방식이다. DMDc는 비파라메트릭으로 계산 효율이 높지만 정확도가 낮고, PEM은 파라메트릭으로 높은 정확도를 제공하지만 계산 비용이 크다. 실험에서는 동일한 AML 하드웨어에 두 제어기를 적용해 응답 시간, 오버슈트, 정착 오차, 제어 입력 RMS 등을 비교하였다. 결과는 다중 epoch을 활용한 모델‑프리 PI가 특히 초기 데이터가 제한적이거나 잡음이 큰 상황에서 빠른 수렴과 낮은 정착 오차를 달성함을 보여준다. 반면, 간접 방식은 단일 데이터셋에 의존하므로 모델 식별 오류가 제어 성능에 직접적으로 전이된다. 또한, 제안된 epoch 루프는 실시간 적용 가능성을 확보하면서도 학습 안정성을 유지한다는 점에서 실용적이다. 전체적으로 이 논문은 데이터‑드리븐 제어가 물리적 모델링이 어려운 고속 비선형 시스템에 적용될 수 있음을 실험적으로 입증하고, 다중 epoch 기반 정책 반복이 기존 RL 방법보다 신뢰성 있게 최적 제어 해를 찾을 수 있음을 강조한다.