# 개루프 제어와 폐루프 제어 비교 #### 개루프 제어의 기본 개념 개루프 제어(Open-Loop Control)는 제어 대상(Plant)의 출력 피드백을 사용하지 않고 사전에 설정된 기준 신호나 알고리즘에 따라 제어 입력을 결정한다. 간단히 말해, 시스템 외부에서 결정된 제어 신호 $u(t)$가 제어 대상에 입력되고, 그 결과 출력 $y(t)$가 생성되지만, 이때 생성된 출력이 다시 제어기에 영향을 주지 않는 구조를 가진다. 이러한 구조는 보통 피드백 신호가 없기 때문에 제어기의 출력이 실제 시스템 상태나 환경의 변화에 무관하게 동일하게 적용된다. 개루프 제어는 설계가 비교적 단순하고 비용이 낮다는 장점이 있으나, 외란(disturbance)이나 파라미터 변화가 있을 때도 제어 입력이 변하지 않으므로 출력이 원하는 값과 크게 달라질 위험이 있다. 특히 외란이나 모델링 오차(modeling error)가 큰 환경에서는 제어 성능을 유지하기 어렵다. 일반적으로 개루프 제어 시스템은 다음과 같이 표현할 수 있다. 제어 입력과 출력의 관계를 $G(s)$라는 선형 시불변(Linear Time-Invariant; LTI) 시스템으로 가정하면, 입력 $U(s)$와 출력 $Y(s)$ 간의 관계는 $$ Y(s) = G(s) U(s) $$ 으로 표현된다. 이때 제어입력 $U(s)$는 기준입력 $R(s)$에 의존적이며, 외부 피드백을 받지 않는 형태이므로 $$ U(s) = F(s) R(s) $$ 와 같은 어떤 사전 결정 함수 $F(s)$에 의해서만 결정된다. 따라서 전체 시스템 전달함수는 $G(s) F(s)$가 된다. #### 개루프 블록선도 예시 시스템을 단순화하여 그림으로 나타내면 아래 다이어그램처럼 표현할 수 있다. {% @mermaid/diagram content="flowchart LR R(("입력 R(s)")) --> F\["제어기 F(s)"] F --> G\["프로세스 G(s)"] G --> Y(("출력 Y(s)"))" %} 이 예시에서 제어기 블록 $F(s)$와 프로세스 블록 $G(s)$가 연결되어 있다. 출력 $Y(s)$가 다시 제어기에 들어가지 않으므로 피드백 경로가 없다. 모델링이 정확하고 외란이 없으며, 환경 변화가 적은 시스템이라면 이러한 개루프 구조만으로도 충분히 안정적이고, 과도 응답 특성이 양호하게 나올 수 있다. 그러나 대부분의 실제 시스템은 외란이 존재하고, 파라미터가 시간에 따라 변하거나 온도, 압력 등 물리적 조건으로 인해 바뀔 수 있다. 이런 경우 개루프 제어는 원하는 성능을 보장하기 어렵다. #### 폐루프 제어의 기본 개념 폐루프 제어(Closed-Loop Control)는 제어 대상의 출력 혹은 상태를 측정하여, 그 정보를 제어 입력 결정에 적극적으로 반영하는 구조다. 즉, 출력 피드백을 통해 실제 시스템 동작 상황에 따라 실시간으로 제어 명령을 수정함으로써 목표 성능을 달성하고자 한다. 제어 이론에서 가장 핵심적인 피드백의 장점은 시스템의 외란 및 불확실성을 억제(혹은 보상)함으로써 최종 출력이 기준값에 가까워지도록 제어한다는 것이다. 폐루프 제어에서는 오류 신호(error signal) $e(t)$가 매우 중요하다. 여기서 $e(t)$는 일반적으로 기준 신호 $r(t)$와 출력 $y(t)$의 차이로 정의되어 $$ e(t) = r(t) - y(t) $$ 가 된다. 이 오류 신호를 기반으로 제어기가 제어 입력 $u(t)$을 결정하기 때문에 시스템의 출력이 목표값에 수렴하도록 조절할 수 있다. 라플라스 변환 도메인에서 오류 신호 $E(s)$는 $$ E(s) = R(s) - Y(s) $$ 이고, 이때 제어 입력은 $$ U(s) = C(s) E(s) $$ 와 같은 제어기 $C(s)$에 의해 결정된다고 할 수 있다. 프로세스가 $G(s)$로 표현되면, 출력은 $$ Y(s) = G(s) U(s) $$ 가 되고, 이를 모두 합치면 폐루프 시스템의 전달함수 $T(s)$는 $$ T(s) = \frac{Y(s)}{R(s)} = \frac{G(s) C(s)}{1 + G(s) C(s)} $$ 와 같이 유도된다. #### 폐루프 블록선도 예시 폐루프 제어 블록선도는 아래 다이어그램과 같이 나타낼 수 있다. {% @mermaid/diagram content="flowchart LR R(("기준입력 R(s)")) --> E\["e(t)=R(s)-Y(s)"] E --> C\["제어기 C(s)"] C --> G\["프로세스 G(s)"] G --> Y(("출력 Y(s)")) Y --피드백--> E" %} 여기서 프로세스(또는 플랜트) $G(s)$의 출력 $Y(s)$가 다시 피드백 경로를 통해 오류 $E(s)$ 계산에 사용된다. 제어기 $C(s)$는 이 오류 정보를 이용하여 새로운 제어 입력 $U(s)$를 형성한다. 이를 통해 환경 변화나 프로세스 파라미터 변동 등에 대해 적극적인 보상을 수행할 수 있다. #### 개루프 제어와 폐루프 제어의 특징 비교 개루프 제어는 구조가 단순하고 구현 비용이 낮아 빠르게 시스템을 적용할 수 있지만, 외란에 대한 보상이 어렵고 오차가 발생하면 이를 즉각적으로 수정하기 힘들다. 이에 반해 폐루프 제어는 피드백을 통해 실제 상황에 따라 제어 입력을 지속적으로 업데이트함으로써 오차를 줄일 수 있다는 장점이 있지만, 시스템 구조가 복잡해지고 설계 및 구현 과정에서 세심한 분석이 필요하며, 센서 등 추가 하드웨어 비용이 발생할 수 있다. 폐루프 제어를 사용하면 단순히 출력 오차를 줄이는 것을 넘어 제어 시스템의 안정성, 강인성(robustness), 응답 속도, 오버슈트(overshoot) 등의 다양한 성능 지표를 만족하도록 제어기를 설계할 수 있다. 그러나 폐루프 구조는 피드백에 의해 시스템의 극점이 변화하므로, 부적절한 제어 이득 등으로 인해 오히려 시스템이 불안정해질 수 있다는 점을 주의 깊게 살펴야 한다. #### 전달함수 관점에서의 비교 개루프 시스템에서 시스템 전체의 전달함수는 $G(s)F(s)$와 같이 두 블록의 곱으로 단순히 표현된다. 한편 폐루프 시스템의 전달함수는 앞서 살펴보았듯이 $$ T(s) = \frac{G(s) C(s)}{1 + G(s) C(s)} $$ 의 형태를 가지며, 분모가 $1 + G(s)C(s)$가 된다. 이때 $1 + G(s)C(s) = 0$를 만족하는 $s$값을 시스템의 극점으로 해석하게 된다. 이 극점들은 제어 시스템의 안정성, 응답 특성 등에 매우 큰 영향을 미친다. 특히 $\mathrm{Re}(s) < 0$ 범위 안에서 극점이 모두 위치해야 시스템이 안정하다고 말할 수 있다. 폐루프 시스템에서 제어기 $C(s)$가 잘못 설계되면, 극점 위치가 오른쪽 반평면($\mathrm{Re}(s) > 0$)으로 이동하여 시스템이 불안정해질 수도 있다. #### 안정성(Stability) 측면에서의 차이 개루프 제어에서의 안정성은 보통 프로세스 $G(s)$ 자체의 자연 안정성에 의존한다. 즉, $G(s)$가 원래 안정적인 경우라면, 큰 문제 없이 작동할 수 있다. 하지만 불안정한 프로세스라면 개루프 제어만으로는 안정화하기 어렵다. 반면 폐루프 제어는 설계된 제어기 $C(s)$가 프로세스 $G(s)$와 상호작용하여 시스템 극점을 왼쪽 반평면으로 이동시킬 수도 있기 때문에, 불안정한 프로세스라도 적절한 피드백 제어 설계를 통해 안정화할 수 있는 가능성이 있다. Routh-Hurwitz 판별, 근궤적(Root Locus), Nyquist plot 등의 다양한 주파수영역/시간영역 해석 기법이 폐루프 안정성 분석에 활용된다. 개루프 제어에서도 $G(s)$ 자체의 안정성은 중요하지만, 폐루프 제어에서 다루는 이론적 틀이 훨씬 풍부하고, 강인성 분석이나 성능 사양 등을 체계적으로 다룰 수 있다. #### 주파수영역에서의 비교 및 민감도 해석 피드백 제어 이론에서는 개루프와 폐루프 특성을 비교하기 위해 주파수응답(Frequency Response) 해석이 널리 사용된다. 예컨대 보드 선도(Bode plot), 나이퀴스트(Nyquist) 선도 등의 기법을 통해 서로 다른 주파수 대역에서 시스템이 어떻게 동작하는지 시각화할 수 있다. 개루프 제어의 경우 제어기와 프로세스 전달함수의 곱 $G(s)F(s)$에 대한 주파수응답으로 단순히 해석 가능하지만, 폐루프 제어는 피드백 루프를 고려해야 하므로 $$ T(s) = \frac{G(s) C(s)}{1 + G(s) C(s)} $$ 에 대한 분석이 필요하다. 이때 분모 $1 + G(s)C(s)$의 크기와 위상 특성이 시스템 안정성과 민감도에 직접적으로 관련된다. 민감도함수(Sensitivity Function) $S(s)$는 폐루프 시스템에서 외란이나 모델 오차에 대한 출력의 민감도를 나타내며, $$ S(s) = \frac{1}{1 + G(s)C(s)} $$ 로 정의된다. 이 함수는 폐루프 제어에서 $|1+G(j\omega)C(j\omega)|$가 큰 주파수 대역에서는 외란에 대한 반응이 줄어든다는 사실을 보여준다. 즉, 피드백 루프가 충분히 이득을 갖는 주파수 영역에서는 시스템 출력이 외란이나 파라미터 변화에 대한 민감도가 작아지므로, 폐루프 제어가 더욱 강인한 거동을 보인다. 또한 보상기(compensator) 설계를 통해 특정 주파수 영역에서 $|G(j\omega)C(j\omega)|$을 크게 만들거나 작게 조정할 수 있다. 이 과정에서 위상여유(Phase Margin)와 이득여유(Gain Margin)를 적절히 확보해야 하는데, 이는 $1 + G(j\omega)C(j\omega)$가 -1을 관통하지 않도록 안정성을 유지하는 데 핵심적인 척도가 된다. 개루프 제어의 경우 모델링이 정확하고 외란이 작다면 문제가 없지만, 실제 환경에서의 변화를 예측하기 어렵거나 모델링 오차가 상당히 크다면 출력이 큰 편차를 보일 가능성이 높다. 이와 달리 폐루프 제어는 주파수응답 특성에서 특정 구간의 충분한 루프 이득(Loop Gain)을 갖도록 설계하여, 외란 rejection 성능이나 추종(tracking) 성능을 목표치로 제어기 설계 시 포함할 수 있다. #### 강인성(Robustness) 차원에서의 비교 강인성은 시스템 파라미터 변화나 모델링 오차가 발생하더라도 요구되는 성능 또는 안정성을 유지할 수 있는 능력을 뜻한다. 폐루프 구조에서는 피드백 제어기의 설계 결과로 시스템의 민감도가 감쇠되어, 일정 범위의 파라미터 변화에도 상대적으로 안정된 거동을 기대할 수 있다. 가령 플랜트 전달함수 $G(s)$가 $$ G(s) = \frac{k}{\tau s + 1} $$ 형태라 가정했을 때, $k$나 $\tau$가 약간 변하더라도 폐루프 시스템이 안정성을 잃지 않도록 제어기 $C(s)$를 설계함으로써 요구 성능을 유지하는 것이 가능하다. 반면 개루프 제어에서는 $k$나 $\tau$가 변동될 경우, 제어 입력이 수정되지 않으므로 출력이 큰 오차를 보이거나 심지어 불안정해질 수 있다. 폐루프에서의 강인성 해석을 위해서는 외란 거동뿐 아니라, 모델 오차나 파라미터 변동을 반영한 민감도함수 $S(s)$, 보완 민감도함수(Complementary Sensitivity Function) $T(s)$ 등의 분석이 필수적이다. 보완 민감도함수는 $$ T(s) = \frac{G(s)C(s)}{1 + G(s)C(s)} $$ 로 정의되며, 출력 추종 오차나 노이즈 증폭 같은 현상도 함께 해석할 수 있다. #### 폐루프의 이득과 극점 이동 폐루프 제어는 개루프 전달함수 $G(s)C(s)$에 1을 더한 형태인 $1+G(s)C(s)$가 분모로 등장하므로, 이 식의 해(즉, $1+G(s)C(s)=0$을 만족시키는 $s$)가 폐루프 시스템의 극점으로 결정된다. 제어기 설계를 통해 이 극점들을 원하는 위치(왼쪽 반평면으로 충분히 떨어진 위치 등)로 이동시킬 수 있다. 근궤적(Root Locus) 기법을 활용하면 이 과정에서 루프 이득의 변화를 바탕으로 극점들이 어떻게 이동하는지 직관적으로 파악할 수 있다. 개루프 제어는 극점 이동을 일으키지 않는다. 즉, 프로세스 전달함수 $G(s)$가 결정하면 그 자체가 시스템 극점들을 좌우하기 때문에, 원래 불안정한 프로세스 $G(s)$를 단순한 개루프 방식으로 다뤄서는 안정화할 수 없다. 그러나 폐루프 제어에서는 제어기 $C(s)$를 적절히 설정함으로써 시스템의 폐루프 극점을 안정적으로 배치할 수 있으므로, 본질적으로 불안정한 프로세스를 안정화할 가능성이 생긴다. #### 피드포워드 제어(Feedforward Control)와 폐루프 제어의 결합 피드백 제어는 출력 오차를 계속 줄여나가는 방식이므로, 오차가 발생해야만 제어 입력을 수정하기 시작한다는 한계가 있다. 이를 보완하기 위해 시스템의 사전 정보나 외란 정보를 활용하여 선제적으로 제어 신호를 생성하는 피드포워드(Feedforward) 제어 기법이 존재한다. 이러한 피드포워드 제어는 보통 폐루프 제어와 결합되어 사용된다. 예컨대 외란 $d(t)$가 특정한 경로를 통해 시스템에 유입되거나, 명령 입력 $r(t)$가 사전에 알려져 있을 때, 적절한 피드포워드 보상을 설계하여 시스템이 오차를 크게 발생시키지 않고 빠르게 목표 궤적을 추종하도록 한다. 그러나 피드포워드만 사용하면 외란이 정확히 모델링되지 않을 경우 보상 효과가 떨어질 수 있으므로, 실제 산업 현장에서는 폐루프 제어와 피드포워드 제어를 함께 사용하는 하이브리드 구성이 흔히 사용된다. #### 잡음 및 양자화 영향 현실 시스템에서는 센서 측정 과정에서 열적 잡음이나 양자화(quantization) 오차 등이 발생한다. 개루프 제어는 측정 신호를 활용하지 않거나 최소한으로만 활용하므로, 잡음이나 양자화가 커지더라도 제어 입력이 즉시 반응하진 않는다. 하지만 외란이 존재하면 이를 보상할 길이 없기에 오류가 크게 증가할 수 있다. 폐루프 시스템에서는 센서가 필수적으로 들어가므로, 센서 노이즈가 폐루프 내에서 증폭되어 최종 출력에 영향을 미칠 가능성이 있다. 특히 고이득 제어($|G(s)C(s)|$가 큰 영역)에서는 노이즈가 더욱 증폭될 수 있으므로, 설계 시 잡음 증폭을 고려해야 한다. 보완 민감도함수 $T(s)$는 노이즈가 출력에 미치는 영향을 분석하는 지표로 사용되며, 저주파 영역에서 $T(s)$를 크게 하되 고주파 영역에서는 $T(s)$가 너무 커지지 않도록 이득 롤오프(gain roll-off)를 주의 깊게 조정하는 것이 일반적인 설계 원칙이다. #### 상태방정식 관점에서의 비교 선형시불변(Linear Time-Invariant; LTI) 시스템은 전통적으로 전달함수 관점에서 많이 다루어졌지만, 현대 제어이론에서는 상태방정식(State-Space Equation) 형태로 표현하는 방식이 널리 활용된다. 상태방정식으로 시스템을 표현하면 시간영역 해석이나 차원 확장이 용이하고, 다입력-다출력(MIMO) 시스템에도 자연스럽게 적용할 수 있다. 상태방정식은 일반적으로 다음과 같이 주어진다. $$ \begin{aligned} \dot{\mathbf{x}}(t) &= \mathbf{A}\mathbf{x}(t) + \mathbf{B}\mathbf{u}(t) \ \mathbf{y}(t) &= \mathbf{C}\mathbf{x}(t) + \mathbf{D}\mathbf{u}(t) \end{aligned} $$ 여기서 * $\mathbf{x}(t)$는 시스템의 상태(state) 벡터, * $\mathbf{u}(t)$는 제어 입력(Control Input) 벡터, * $\mathbf{y}(t)$는 출력(Output) 벡터, * $\mathbf{A}$, $\mathbf{B}$, $\mathbf{C}$, $\mathbf{D}$는 적절한 차원을 갖는 행렬이다. **개루프 구조의 상태방정식 해석** 개루프 제어에서는 $\mathbf{u}(t)$가 외부에서 주어진 기준입력이나 일정한 알고리즘(피드백 미포함)에 의해 결정된다. 이를 단순화하면 $$ \mathbf{u}(t) = \mathbf{K}\_{\mathrm{ff}} r(t) $$ 등의 형태(피드포워드 이득 $\mathbf{K}\_{\mathrm{ff}}$와 기준입력 $r(t)$가 직접 연결)로 나타낼 수도 있고, 혹은 $r(t)$의 함수로 미리 정해진 일정한 궤적이 들어간다고 볼 수도 있다. 이때 상태방정식은 $$ \dot{\mathbf{x}}(t) = \mathbf{A}\mathbf{x}(t) + \mathbf{B}\bigl(\mathbf{K}\_{\mathrm{ff}} r(t)\bigr) $$ 의 형태를 갖는다. 여기서 출력 $\mathbf{y}(t)$가 제어 입력 생성에 영향을 주지 않으므로, $\dot{\mathbf{x}}(t)$를 결정하는 식이 (상태 $\mathbf{x}(t)$와 기준입력 $r(t)$만을 통해) 고정적으로 정의된다. 만약 프로세스가 불안정한 고유값(즉, $\mathbf{A}$의 고유값 중 우반평면에 위치)이 있다면, 단순 개루프 제어만으로는 안정화를 달성하기 어려울 수 있다. 외란이나 파라미터 변화가 없다면 시스템이 원하는 궤적을 어느 정도 추종할 수 있지만, 실제로는 대부분 작은 교란만 발생해도 원래 궤적을 유지하기 어려워진다. **폐루프 구조의 상태방정식 해석** 폐루프 제어에서 입력 $\mathbf{u}(t)$는 출력(혹은 상태) 피드백을 직접 활용한다. 가장 대표적인 예가 상태피드백(State Feedback)이다. 상태를 전부 측정 가능한 경우, $$ \mathbf{u}(t) = -\mathbf{K}\mathbf{x}(t) + \mathbf{K}\_{\mathrm{r}} r(t) $$ 와 같이 설계할 수 있다. 여기서 $\mathbf{K}$는 상태피드백 이득 행렬, $\mathbf{K}\_{\mathrm{r}}$는 기준입력 추종을 위한 이득 행렬이다. 이 경우 상태방정식은 $$ \dot{\mathbf{x}}(t) = \bigl(\mathbf{A} - \mathbf{B}\mathbf{K}\bigr)\mathbf{x}(t) + \mathbf{B}\mathbf{K}\_{\mathrm{r}} r(t) $$ 로 표현된다. 이 방정식에서 계수행렬 $\mathbf{A} - \mathbf{B}\mathbf{K}$의 고유값들을 적절히 왼쪽 반평면으로 위치시켜 안정화를 달성할 수 있다. 즉, $\mathbf{K}$를 조정함으로써 폐루프 극점(특성근)을 원하는 위치로 배치(Pole Placement)하는 것이 가능해진다. 이를 통해 본래 $\mathbf{A}$가 불안정 극점을 가지고 있어도, $\mathbf{K}$를 잘 설계하면 안정화를 이룰 수 있다. 출력 피드백만 가능한 경우(즉, 상태 전부를 측정하기 어려운 경우)에는 관측기(Observer) 또는 루엔버거 관측기(Luenberger Observer)를 사용하여 추정된 상태값 $\hat{\mathbf{x}}(t)$에 대해 $$ \mathbf{u}(t) = -\mathbf{K}\hat{\mathbf{x}}(t) + \mathbf{K}\_{\mathrm{r}} r(t) $$ 같이 운영할 수 있다. 이때 폐루프 분석은 상태확장(state-augmentation) 기법을 통해 관측 오차의 동특성과 함께 고려해야 한다. 결국, 이러한 폐루프 구조는 외란이나 불확실성이 존재하더라도 전체 동작을 원하는 대로 이끌어갈 가능성을 열어주며, 이는 개루프 제어에 비해 훨씬 높은 설계 유연성과 강인성을 제공한다. **MIMO 시스템에서의 차이** 단일 입력 단일 출력(SISO) 시스템이 아니라 다중 입력 다중 출력(MIMO) 시스템을 고려하면, 개루프 제어를 그대로 적용하기가 더욱 까다로워진다. MIMO 프로세스는 여러 입력-출력 채널 사이에 상호 결합(coupling)이 존재할 수 있는데, 개루프 제어에서는 이를 제대로 보상하기 어려운 경우가 많다. 반면 폐루프 제어에서는 상태공간 모델을 통해 각 채널의 결합 관계를 하나의 큰 행렬 $\mathbf{A}$, $\mathbf{B}$, $\mathbf{C}$, $\mathbf{D}$로 묶어 표현하고, 통합된 피드백 구조를 설계함으로써 상호 간섭을 줄이거나 원하는 방식으로 분산시킬 수 있다. 예를 들어, 하드웨어 제약으로 인해 모든 상태를 측정할 수 없더라도, 다중 센서 정보를 종합적으로 이용한 옵저버 설계나 칼만 필터(Kalman Filter) 등을 도입해 시스템 성능을 극대화할 수 있다. **비선형 시스템 관점** 현실 세계의 많은 시스템은 본질적으로 비선형 거동을 보인다. 개루프 제어에서 비선형 효과가 발생하면, 설계 시점에 예측하지 못했던 작동점 변화나 포화(Actuator Saturation), 마찰(Stick-Slip), 데드존(Dead Zone) 등이 문제가 될 수 있다. 특히 파라미터 변화가 발생하거나 외란이 주기적으로 입력되는 경우, 개루프 방식으로는 이러한 복합적인 비선형 현상을 실시간으로 보상하기 어렵다. 폐루프 제어는 적절한 모델 또는 근사 기법(선형화, 게인 스케쥴링, 슬라이딩 모드 등)을 통해 시스템이 시간에 따라 변해도 그때그때 측정된 출력이나 추정된 상태 값을 기준으로 제어 입력을 조정한다. 결과적으로 다소 복잡한 비선형 시스템이라도 실시간 피드백을 통해 어느 정도 안정화와 성능 향상을 꾀할 수 있다. 비록 완전한 보상이 어렵다 하더라도, 오차를 계속 줄여나가는 측면에서 폐루프가 개루프보다 일반적으로 유리하다. **구현 및 실무적 고려** 실제 산업 계장(Instrumentation & Control) 측면에서 개루프 제어는 센서나 계측 장비가 부족한 상황에서 임시적으로 적용하기 쉽다. 예를 들어 작은 전기모터를 단순 속도 제어하려 할 때, 모터 모델이 충분히 정확하고 주변 온도나 부하 변화가 극히 작다면, 기껏해야 PWM 제어 기반의 개루프 방식으로도 어느 정도 목적 달성이 가능할 수 있다. 센서(인코더, 로드셀 등)를 달고 정밀 피드백을 구현하는 과정이 비용 대비 효용이 낮다고 판단될 경우 개루프 제어가 채택되기도 한다. 그러나 점차 생산 자동화가 고도화되고, IoT(사물인터넷)와 결합된 스마트 제조가 보편화되면서, 상당수의 공정에서 고정밀 제어, 예측 진단, 자율 최적화 등이 요구된다. 이에 따라 센서 및 통신 인프라의 발달과 함께 피드백 제어(혹은 피드백 + 피드포워드 결합)가 일반적인 추세다. 폐루프 설계에 필요한 하드웨어 및 소프트웨어 인프라, 알고리즘 라이브러리, 시뮬레이션 툴(Matlab/Simulink 등)이 많이 보급되어 실무 적용의 장벽이 점점 낮아지고 있다. #### 고급 제어기법과의 연관성 개루프 제어와 폐루프 제어의 가장 큰 차이점 중 하나는, 폐루프 구조를 바탕으로 다양한 고급 제어 기법을 적용할 수 있다는 데 있다. 단순 PID 제어를 넘어선 최적 제어(Optimal Control), H∞ 제어, $\mu$-합성($\mu$-synthesis), 모델 예측 제어(Model Predictive Control; MPC) 등을 모두 폐루프 기반에서 구현한다. 이들 기법은 일반적으로 피드백 구조 위에서 시스템의 동특성, 외란, 노이즈, 모델링 오차 등을 종합 고려하며 성능 지표(예: $\mathcal{L}\_2$ 노름, $\mathcal{H}*2$ 노름, $\mathcal{H}*\infty$ 노름)를 최적화하거나, 특정 제한 조건(제어 입력 크기, 상태 변수 범위 등)을 만족하도록 제어 입력을 생성한다. **LQR 제어** LQR(Linear Quadratic Regulator)는 선형 시스템에 대해 다음 형태의 성능지표를 최소화하는 폐루프 상태피드백 제어 설계 기법이다. $$ J = \int\_{0}^{\infty} \bigl\[\mathbf{x}(t)^{\mathsf{T}} \mathbf{Q},\mathbf{x}(t) + \mathbf{u}(t)^{\mathsf{T}} \mathbf{R},\mathbf{u}(t)\bigr] , dt $$ 여기서 $\mathbf{Q}$는 상태 가중 행렬, $\mathbf{R}$는 입력 가중 행렬이다. 상태방정식이 $$ \dot{\mathbf{x}}(t) = \mathbf{A}\mathbf{x}(t) + \mathbf{B}\mathbf{u}(t) $$ 로 주어졌을 때, LQR 문제를 풀면 다음과 같은 폐루프 입력이 얻어진다. $$ \mathbf{u}(t) = -\mathbf{R}^{-1}\mathbf{B}^{\mathsf{T}} \mathbf{P},\mathbf{x}(t) $$ 여기서 $\mathbf{P}$는 리카티 방정식(Riccati Equation)의 양해(positive definite) 해이다. 이는 명백히 폐루프 구조를 취하고 있으며, 시스템 상태 $\mathbf{x}(t)$가 시간에 따라 변할 때마다 실시간으로 제어 입력이 적절히 조정된다. 개루프 방식으로는 이와 같은 최적화 프레임워크를 적용할 수 없다. **LQG 제어** LQG(Linear Quadratic Gaussian) 제어는 LQR 제어에 관측기(Observer)를 결합한 형태로 이해할 수 있다. 실제 시스템에서 상태 전부를 직접 측정하기 어려운 경우가 많으므로, 확률적 노이즈(가우시안)를 가정하고 칼만 필터(Kalman Filter) 기반의 상태추정기를 사용한다. 이렇게 얻은 추정 상태 $\hat{\mathbf{x}}(t)$에 대해 $$ \mathbf{u}(t) = -\mathbf{K} ,\hat{\mathbf{x}}(t) $$ 와 같은 형태로 LQR 이득 $\mathbf{K}$를 적용함으로써, 확률적 잡음이 포함된 측정 환경에서도 고성능 폐루프 제어를 달성할 수 있다. 개루프 제어만으로는 센서 잡음이나 외란이 존재하는 실제 환경에서 발생하는 불확실성을 보정하기 어렵기 때문에, LQG와 같은 기법은 폐루프 구조가 가진 피드백 이점을 극대화한다. **H∞ 제어** H∞ 제어는 주파수 영역에서 $\mathcal{H}\_\infty$ 노름(주파수 대역 내에서의 전달함수 최대 이득)에 대한 제한을 부과하거나, 이를 최소화하도록 하는 폐루프 제어기법이다. 이는 외란 억제(디스터번스 억제)나 강인성 측면에서 매우 유용하다. 일반화된 플랜트(generalized plant) 모델 $$ \begin{bmatrix} \mathbf{\dot{x}} \ \mathbf{z} \ \mathbf{y} \end{bmatrix} = \begin{bmatrix} \mathbf{A} & \mathbf{B}*w & \mathbf{B}*u \ \mathbf{C}*z & \mathbf{D}*{zw} & \mathbf{D}*{zu} \ \mathbf{C}*y & \mathbf{D}*{yw} & \mathbf{D}*{yu} \end{bmatrix} \begin{bmatrix} \mathbf{x} \ \mathbf{w} \ \mathbf{u} \end{bmatrix} $$ 에서 $\mathbf{z}$가 성능 출력(performance output), $\mathbf{w}$가 외란 입력(disturbance input), $\mathbf{u}$가 제어 입력, $\mathbf{y}$가 제어기의 측정량(measured output)일 때, 피드백 제어기 $K(s)$(또는 $K$)를 찾아서 폐루프 전달함수 $\mathbf{T}*{zw}$의 $\mathcal{H}*\infty$ 노름 $$ |\mathbf{T}*{zw}|*\infty = \sup\_{\omega},\overline{\sigma}\bigl(\mathbf{T}\_{zw}(j\omega)\bigr) $$ 가 최소화되거나 특정 한계 이하가 되도록 하는 것이 H∞ 제어의 목표다. 여기서 $\overline{\sigma}$는 최대 특이값을 의미한다. 이러한 문제 설정은 폐루프 없이 불가능하며, 피드백 구조를 전제로 해야만 외란 억제와 모델링 불확실성에 대한 강인도를 동시에 추구할 수 있다. **$\mu$-합성** $\mu$-합성($\mu$-synthesis) 기법은 H∞ 제어를 확장한 것으로, 시스템 파라미터의 불확실성(structured uncertainty)까지 모델에 통합하여 강인 제어기 설계가 가능하도록 한다. 외란뿐만 아니라, 플랜트 매개변수가 일정 범위에서 변동할 때도 폐루프 시스템의 안정성과 요구 성능을 보장하도록 제어기를 찾는다. 이는 폐루프 피드백 구조가 없으면 의미가 없으며, 개루프 제어로는 구조화된 불확실성을 적극적으로 제어 입력에 반영할 수 없다. #### 고차원 시스템에서의 폐루프 효과 대규모 시스템, 예를 들어 전력망, 대규모 프로세스 플랜트, 항공우주 분야, 로봇 군집 제어 등의 상황에서는 시스템 차원(dimension)이 매우 커진다. 이를 처리하기 위해 축차적 분산 제어, 계층적 제어(hierarchical control), 협업 제어(cooperative control) 등이 활발히 연구되고 있으며, 이들 역시 근본적으로 폐루프 피드백 구조를 기반으로 작동한다. 이러한 다계층 제어 전략에서 상위 제어기(Supervisory Controller)는 거시적 목표를 설정하고, 하위 제어기(Local Controller)는 실제 물리 시스템 상태 피드백에 기반하여 세부 구현을 수행한다. 분산 제어기 간에도 서로의 상태나 목표를 교환하여 협업 피드백을 형성함으로써, 단일 개루프 제어로는 달성 불가능한 전역적 안정성과 최적화가 이루어진다. #### 실습 예시 폐루프와 개루프를 비교하기 위한 간단한 C++ 예시를 살펴보자. 아래 코드에서는 선형 1차 시스템 $\dot{x} = -2x + u$를 제어 대상으로 두고, 개루프 방식(상태를 전혀 반영하지 않음)과 폐루프 방식(간단한 비례 제어)을 차례로 시뮬레이션한다. ```cpp #include #include #include // dx/dt = -2*x + u // 목표값 r(t)=1로 설정 double systemDynamics(double x, double u) { return -2.0 * x + u; } // 간단 개루프: u(t) = constant // 간단 폐루프: u(t) = K*(r - x) int main() { double dt = 0.01; double simTime = 5.0; int steps = static_cast(simTime / dt); // 초기값 double x_ol = 0.0; // open-loop double x_cl = 0.0; // closed-loop double r = 1.0; // 목표값 double K = 5.0; // 간단한 비례 이득 double u_ol = 2.0; // 개루프에서 상수 입력 double u_cl = 0.0; // 폐루프에서 매 스텝 계산 std::vector timeLog(steps), xOlLog(steps), xClLog(steps); for(int i=0; i