제어공학 학습 로드맵

제어공학의 기초 배경 지식과 수학적 전제

제어공학을 제대로 이해하고 활용하기 위해서는 먼저 수학적 기초 지식이 탄탄해야 한다. 특히 선형대수학, 상미분방정식, 라플라스 변환, 복소해석학 등의 내용을 심도 있게 다루어야 실질적으로 도움이 된다. 간단한 1차 및 2차 미분방정식을 풀 수 있는 능력에서 한 걸음 더 나아가, 상태공간 표현에서 접하게 되는 행렬 연산과 고차 미분방정식을 자연스럽게 다룰 수 있도록 준비하는 것이 좋다.

선형대수학의 핵심은 행렬과 벡터에 대한 다양한 연산과 고윳값(eigenvalue) 및 고유벡터(eigenvector)의 해석이다. 시스템의 모드(mode)를 해석할 때 고윳값은 매우 중요한 정보를 제공한다. 예를 들어 연속시간 선형시스템에서 다음과 같은 상태방정식이 주어졌다고 하자.

$$\dot{\mathbf{x}}(t) = A \mathbf{x}(t) + B \mathbf{u}(t)$$

여기서 행렬 $A$의 고윳값이 시스템의 안정성을 결정하는 핵심 척도가 된다. 고윳값 중 실수부가 양인 것이 하나라도 있으면 그 시스템은 발산(unstable)하게 된다. 이러한 행렬 해석은 MIMO(Multi-Input Multi-Output) 시스템을 비롯해, 고차원 상태공간 모델을 다룰 때 더욱 중요해진다.

미분방정식은 단순히 2차 이하의 동차선형미분방정식만 다루는 것으로는 충분치 않다. 제어 시스템을 해석할 때 비선형 항이나 외부입력에 의한 영향을 고려하려면, 높은 차수의 선형·비선형 미분방정식을 포괄적으로 파악해야 한다. 예컨대, 다음과 같은 고차 선형방정식

$$\frac{d^n y(t)}{dt^n} + a_{n-1} \frac{d^{n-1} y(t)}{dt^{n-1}} + \dots + a_1 \frac{dy(t)}{dt} + a_0 y(t) = b_0 u(t)$$

에서 차수가 증가할수록, 전달함수나 상태방정식으로 변환할 때의 행렬 차원 역시 커진다. 이 과정을 명확하게 이해하려면 선형대수학과 미분방정식이 긴밀하게 맞물려야 한다.

라플라스 변환과 복소해석학에서 다루는 유수 정리(residue theorem)나 상(phase) 해석 기법은 주파수 영역에서 시스템의 거동을 보는 데 필수적이다. 안정도를 해석하기 위한 Nyquist 곡선이나 Bode 선도는 복소 평면에서의 극점(pole)과 영점(zero), 위상(phase), 크기(magnitude) 등의 개념을 잘 이해해야 비로소 그 진가를 발휘한다.

전달함수와 주파수 영역 분석

전달함수는 제어공학에서 널리 사용되는 대표적인 도구다. 선형 불변시스템(LTI system)의 입출력 특성을 한눈에 볼 수 있게 해주며, 주파수 응답 특성도 쉽게 확인할 수 있다. 전달함수로 나타낸 시스템을 해석하려면 먼저 다음과 같은 기본 구조를 인지한다.

$$G(s) = \frac{Y(s)}{U(s)}$$

여기서 $Y(s)$는 출력의 라플라스 변환, $U(s)$는 입력의 라플라스 변환이다. $G(s)$의 분자와 분모를 각각 영점과 극점이라 부른다. 극점의 위치에 따라 시스템의 안정도가 결정되고, 영점은 시스템의 응답 특성을 다채롭게 만든다. MIMO 시스템의 경우 단일 전달함수로는 표현이 어려울 수 있으므로 전달 행렬(transfer matrix)을 사용한다.

주파수 영역 분석은 이러한 전달함수 $G(s)$를 복소 주파수축($s = j\omega$) 위에서 해석하는 일이다. Bode 선도, Nyquist 선도, Nichols 선도 등 다양한 도구가 있고, 이를 활용하면 다음과 같은 사항을 판단할 수 있다.

잘 설계된 제어기는 안정도를 보장하면서도 사양(specification)을 만족해야 한다. 예를 들어, 위상여유(phase margin)나 이득여유(gain margin)는 폐루프 안정성의 여유도를 가늠하는 대표적인 지표다. 이러한 지표를 해석하기 위해서는 위상(phase)과 크기(magnitude)가 $\omega$에 따라 어떻게 변하는지를 자세히 살펴봐야 한다.

특히 Nyquist 안정판별법은 극점이 복소평면 오른쪽에 존재하지 않는 조건을 폐루프 극점으로도 이어지게 함으로써 안정도를 유지하는가를 진단한다. 이 과정에서 매우 직관적인 그림(궤적 해석)이 제공되기에 제어기를 설계하고 직관을 얻는 데 유용하다. 하지만 고차, 다입출력 상황이 복잡해지면 이 방법만으로는 해석이 어려워지므로 상태공간 접근이 중요해진다.

상태방정식과 상태공간 해석

제어공학이 발전하면서, 단순히 출력과 입력 사이의 관계만을 보는 전달함수 접근에 한계를 느끼게 되었고, 이를 보완하기 위해 상태공간(state-space) 표현이 널리 쓰이게 되었다. 상태공간에서는 내부 상태(변수)의 변화를 명시적으로 추적할 수 있으므로 고차 미분방정식이나 MIMO 시스템도 체계적으로 다룰 수 있다.

일반적으로 선형연속시간시스템을 상태방정식으로 표현하면 다음과 같다.

$$\begin{aligned} \dot{\mathbf{x}}(t) = A \mathbf{x}(t) + B \mathbf{u}(t) \\ \mathbf{y}(t) = C \mathbf{x}(t) + D \mathbf{u}(t) \end{aligned}$$

행렬 $A$, $B$, $C$, $D$의 크기는 시스템의 차수와 입출력 수에 의해 결정된다. 여기서 $\mathbf{x}(t)$는 시스템의 내부 상태를 나타내는 벡터, $\mathbf{u}(t)$는 입력 벡터, $\mathbf{y}(t)$는 출력 벡터다. MIMO 시스템에서는 $\mathbf{x}(t)$, $\mathbf{u}(t)$, $\mathbf{y}(t)$가 각각 다차원 구조를 가지므로 이에 따른 행렬 $A$, $B$, $C$, $D$의 차원이 자연스럽게 확장된다.

상태방정식 접근은 고전적 전달함수 접근과 달리 내부 상태를 해석하는 데 뛰어난 장점을 갖는다. 예컨대, 관측기(observer)나 상태궤환(state feedback)을 다룰 때 상태공간 모델이 훨씬 효율적이다. 시스템을 극점배치(pole placement) 기법으로 설계하는 과정도 상태공간 표현을 사용하면 간단명료해진다.

극점배치 설계는 원하는 극점들을 폐루프 계층에서 설정하고, 그에 맞춰 궤환 행렬(feedback matrix)을 결정하는 방식이다. 다음과 같이 궤환 입력을 가정한다고 하자.

$$\mathbf{u}(t) = -K \mathbf{x}(t)$$

폐루프 계에서의 상태방정식은

$$\dot{\mathbf{x}}(t) = (A - B K)\mathbf{x}(t)$$

가 된다. 여기서 $A - BK$ 행렬의 고윳값이 곧 폐루프 극점에 해당한다. 원하는 극점(안정, 과도응답, 빠른 응답 등)에 맞춰 $K$를 결정하면 폐루프 계를 임의로 구성할 수 있다. 이러한 과정에서 연속영역의 경우 라플라스 평면, 이산영역의 경우 $z$-평면에서 고윳값 또는 극점의 위치를 설정하는 것이 핵심이다.

MIMO 제어, LQG, 그리고 Kalman Filter

현실세계의 많은 시스템은 다수의 입력과 다수의 출력을 가진다. 즉, MIMO 시스템이 제어공학의 주류가 된다. 예를 들어 항공기의 자세제어 문제, 로봇 매니퓰레이터의 조인트제어 등은 수많은 센서와 액추에이터(actuator)를 동시에 관리해야 하므로 하나의 채널만 고려하는 SISO(Single-Input Single-Output) 접근으로는 충분치 않다.

이러한 MIMO 시스템의 설계에서는 상태공간 모델이 사실상 필수적이며, LQG(Linear Quadratic Gaussian) 제어나 Kalman Filter 설계 역시 상태공간 접근법과 밀접한 관련이 있다. 예컨대 LQG 제어는 상태궤환과 관측기를 결합하여 최적 제어를 구현한다. 선형시스템에서 잡음이 가우시안 분포를 따른다고 가정하면, 최소 평균제곱오차 관점에서 Kalman Filter가 최적의 상태 추정기를 제공한다.

Kalman Filter는 다음과 같은 시스템을 가정한다.

$$\begin{aligned} \mathbf{x}_{k+1} = A \mathbf{x}_{k} + B \mathbf{u}_{k} + \mathbf{w}_{k} \\ \mathbf{z}_{k} = C \mathbf{x}_{k} + D \mathbf{u}_{k} + \mathbf{v}_{k} \end{aligned}$$

여기서 $\mathbf{w}{k}$와 $\mathbf{v}{k}$는 가우시안 잡음이며, 각각 상태와 측정(출력)에 영향을 미친다. Kalman Filter는 $\mathbf{z}{k}$를 통해 $\mathbf{x}{k}$를 추정하고, 그 결과로 LQG 제어기는 상태 추정값을 바탕으로 상태궤환을 수행함으로써 최적 제어 성능을 달성한다. 이렇듯 현대 제어이론에서는 MIMO 시스템을 전체적으로 다루면서 확률적 거동까지 고려하는 수학적 틀이 요구된다.

강인제어와 H∞ 제어

실제 시스템 환경에서는 불확실성(uncertainty)이 필연적으로 존재한다. 모델링 과정에서 발생하는 파라미터 변화나 잡음, 외란(disturbance)이 모두 시스템의 동작 특성에 영향을 끼친다. 단순한 PID 제어나 LQG 제어만으로는 이러한 불확실성에 대한 성능을 보장하기 어려울 수 있다. 이런 배경에서 등장한 강인제어(robust control)는 시스템이 특정 범위의 불확실성에도 불구하고, 요구되는 안정성과 성능을 지키도록 설계하는 제어 방법론이다.

강인제어 이론에서 가장 큰 주류를 차지하는 것이 $H_\infty$ 제어다. $H_\infty$라는 명칭은 신호의 $L_2$-노름 또는 시스템의 최대게인(maximum singular value)을 최소화하고자 하는 동기에서 기인한다. $H_\infty$ 제어 기법은 시스템의 주파수 응답 관점에서 최대 이득을 억제하는 방향으로 설계가 이루어지는데, 일반적으로 다음과 같은 문제 설정을 가진다.

$$\begin{aligned} & \text{Given:}\\ & \quad \dot{\mathbf{x}}(t) = A \mathbf{x}(t) + B_w \mathbf{w}(t) + B_u \mathbf{u}(t) \\ & \quad \mathbf{z}(t) = C_z \mathbf{x}(t) + D_{zw} \mathbf{w}(t) + D_{zu} \mathbf{u}(t) \\ & \quad \mathbf{y}(t) = C_y \mathbf{x}(t) + D_{yw} \mathbf{w}(t) + D_{yu} \mathbf{u}(t) \\ & \text{Find a controller } K : \mathbf{u}(t) = -K\mathbf{y}(t) \\ & \text{such that the closed-loop transfer function from } \mathbf{w}(t) \text{ to } \mathbf{z}(t) \text{ has}\\ & \quad \| G_{zw}^{cl}(s) \|_\infty < \gamma \\ \end{aligned}$$

이때 $\mathbf{w}(t)$는 외란 신호, $\mathbf{z}(t)$는 외란에 대해 억제하고자 하는 출력(성능 목적), $\mathbf{y}(t)$는 제어기가 측정하거나 관측 가능한 신호에 해당한다. 설계자는 $\gamma$ 값을 작게 만들수록 더욱 강인한 성능을 기대할 수 있지만, 동시에 제어기 차수가 커지거나 물리적으로 구현이 복잡해질 가능성이 있다.

$H_\infty$ 이론은 불확실성이 구조적으로 주어진 경우(예: 파라미터 범위가 알려져 있는 선형 모델)뿐 아니라, 일정 범위의 동적 불확실성을 가진 경우에도 적용 가능하다. 하지만 수학적 난이도가 높고, 실제 문제에 적용하기 위해서는 Singular Value Decomposition(SVD), Linear Matrix Inequality(LMI) 풀이 등을 능숙하게 활용해야 하므로 심도 있는 학습이 필요하다.

슬라이딩 모드 제어와 비연속 제어

비선형 시스템이나 모델링 오차가 큰 환경에서 많이 쓰이는 강인제어 기법 중 하나가 슬라이딩 모드(sliding mode) 제어다. 시스템 상태가 특정 매니폴드(manifold) 위로 도달하면, 그 매니폴드 상에서 움직이도록 제어 입력을 설계한다. 이렇게 하면 외란이나 파라미터 변화에 대한 민감도를 크게 줄일 수 있다.

슬라이딩 모드 제어는 상태 궤적이 슬라이딩 면(sliding surface)으로 빠르게 도달하도록 하는 두 단계를 갖는다. 먼저 도달단(reaching phase)에서 상태를 슬라이딩 면으로 옮긴 뒤, 슬라이딩 모드가 발생하면 시스템은 슬라이딩 면 위에서 움직이게 된다. 이때 슬라이딩 면 위의 동역학은 차원이 축소된 등가계(equivalent system)로 볼 수 있어 해석이 용이하다.

하지만 슬라이딩 모드 제어는 이상적으로는 제어 입력이 빠르게 바뀌며 비연속(discontinuous) 특성을 갖는다. 실제 디지털 구현에서 스위칭 주파수가 유한하므로 채터링(chattering) 현상이 발생할 수 있다. 이를 완화하기 위해서는 스위칭 함수를 연속화하거나(adaptive, fuzzy sliding mode), 혹은 특정 근방에서 부드러운 전환을 하는 등의 방안이 제시된다.

디지털 제어와 샘플링 이론

아날로그 연속시간 제어에서 디지털 제어기로 넘어가는 과정에서도 심층적인 이해가 요구된다. 현실적으로는 마이크로컨트롤러, DSP, FPGA 등으로 제어 알고리즘을 구현하기 때문에, 시스템 신호가 샘플링을 거쳐 이산화(discretization)된다. 이산화된 시스템은 $z$-평면에서 극점을 해석하며, 연속 영역에서의 안정 기준과는 다른 고유의 해석 방법을 갖는다.

연속시간 전달함수 $G(s)$가 주어졌을 때, 이를 디지털 제어기와 함께 폐루프 구조로 구성하면 샘플링 주기 $T$에 따라 $G(z)$ 형태의 이산 전달함수로 변환해야 한다. 별도의 zero-order hold(ZOH) 가정 하에서 다음과 같은 표준 변환식을 사용할 수 있다.

$$G(z) = \mathcal{Z}\{ \mathcal{L}^{-1}\{ G(s) \} * \text{ZOH} \}\quad \text{(표준 ZOH 변환)}$$

또는 상태공간 표현에서

$$\begin{aligned} \mathbf{x}_{k+1} = \Phi \mathbf{x}_{k} + \Gamma \mathbf{u}_{k} \\ \mathbf{y}_{k} = C \mathbf{x}_{k} + D \mathbf{u}_{k} \end{aligned}$$

와 같은 형태로 이산화된 모델을 얻을 수 있다. 여기서

$$\Phi = e^{A T}, \quad \Gamma = \int_{0}^{T} e^{A (\tau)} d\tau\, B$$

와 같이 정의한다. 실제 구현에서는 직교다항근사, bilinear transform(Tustin 변환), Forward-Euler, Backward-Euler 등 다양한 기법이 사용된다.

디지털 제어기에서는 샘플링 주기가 짧을수록 이산화 오차가 줄어드는 장점이 있지만, 연산 부담과 하드웨어 요구사항이 늘어난다. 또한 샘플링 주기와 시스템 동특성 간의 상호작용이 존재하기에, 샘플링 주기가 부적절하면 에일리어싱(aliasing) 현상이 나타나거나 제어 성능이 급격히 악화된다. 따라서 나이퀴스트 주파수(Nyquist frequency) 근방의 설계를 신중히 해야 한다.

비선형제어 기초

현실 세계의 수많은 물리 시스템은 선형 근사만으로 충분치 않다. 항공기나 로켓, 로보틱스 등의 분야에서 비선형성이 두드러진다. 비선형제어는 이러한 비선형 시스템의 안정성과 제어기 설계를 다루는 이론이며, 다음과 같은 일반 비선형 상태방정식을 고려한다.

$$\begin{aligned} \dot{\mathbf{x}}(t) = f(\mathbf{x}(t), \mathbf{u}(t)) \\ \mathbf{y}(t) = h(\mathbf{x}(t), \mathbf{u}(t)) \end{aligned}$$

여기서 $f$와 $h$가 비선형함수이기 때문에, 선형시스템에서 사용했던 전통적 방법(라플라스 변환, 주파수 해석)이 직접 적용되지 않는다. 대표적인 비선형제어 기법에는 궤환 선형화(feedback linearization), 백스테핑(backstepping), 에너지 셰이핑(energy shaping) 등이 있다. 예를 들어, 궤환 선형화는 비선형 시스템을 적절히 변화좌표(transform)하여, 입력-출력 선형 관계로 바꾼 뒤 선형 제어 이론을 적용하는 방법이다.

비선형 안정성 해석에는 리아프노프 이론이 핵심적으로 쓰인다. 리아프노프 후보 함수를 구성하여, 그 함수가 시간에 따라 감소하는지 여부를 통해 시스템의 안정 여부를 판단한다. 이는 비선형 시스템에서 전역(global)·국소(local) 안정성을 평가할 수 있는 강력한 도구다. 또한, 비선형 시스템은 고차 궤환, 포화(saturation) 등 다양한 현상을 포함하기에, 제어 이득 튜닝과 파라미터 설계에서도 보다 세심한 접근이 필요하다.

적응제어와 머신러닝 기반 제어

모델 파라미터가 실제 동작 중에 바뀌거나, 시스템을 정확히 식별하기 힘든 환경에서는 적응제어(adaptive control) 개념을 도입한다. 적응제어는 온라인으로 제어기 파라미터를 조정함으로써, 사전에 시스템 모델을 정밀하게 알아둘 필요를 완화한다. MRAC(Model Reference Adaptive Control), STR(Adaptive STR법), LMS(Least Mean Square) 알고리즘 등이 이에 해당한다.

최근에는 머신러닝, 특히 딥러닝 기법을 제어에 접목하려는 시도가 활발히 이루어지고 있다. 강화학습(Reinforcement Learning)은 에이전트가 환경과 상호작용하면서 누적 보상을 최대화하는 정책을 학습하는 방식이며, 전통 제어설계에서 요구되는 정확한 모델링 과정 없이도 시스템 제어를 학습할 수 있다는 장점을 가진다. 다만, 안정성 보장이 쉽지 않으며 학습 과정에서 매우 많은 시뮬레이션이나 실험 데이터가 필요하다는 점이 단점으로 꼽힌다.

실제 시스템 구현과 실무 고려사항

이론적으로 설계된 제어 알고리즘을 실제 하드웨어에 적용하려면 여러 현실적인 제약과 이슈를 살펴야 한다. 먼저, 센서가 물리량을 계측하는 과정에서 노이즈와 오차가 필연적으로 발생하므로, 센싱 정확도와 샘플링 속도를 고려하여 제어기의 동작 주기를 결정해야 한다. 응답 속도가 매우 빠른 시스템(예: 고속 모터 제어)에서는 높은 샘플링 주기가 요구되고, 센서 역시 고성능 ADC(Analog-to-Digital Converter)를 사용해야 한다.

하드웨어 구현 측면에서 마이크로컨트롤러(MCU), DSP, FPGA 등 각 플랫폼은 고유한 장단점을 지닌다. MCU는 유연하고 저렴하지만, 연산 성능이 제한적일 수 있다. DSP는 제어용 연산(실수 연산)에 최적화되어 고속의 FFT 연산이나 곱셈·누산(MAC) 연산에 유리하다. FPGA는 병렬 처리를 통해 초고속 연산과 짧은 지연시간(latency)을 보장하지만, HDL(Hardware Description Language)을 다루어야 하므로 개발 난도가 상대적으로 높다.

실시간 운영체제(RTOS) 환경에서 제어 알고리즘을 돌려야 하는 경우, 태스크 우선순위(priority)를 정하고, 시간응답을 보장받아야 한다. 예컨대 주기성 태스크(periodic task)로 제어 루프를 구성하되, 통신 태스크나 로깅 태스크 등 비핵심적인 부분은 우선순위를 낮춰 시스템이 제어 작업을 놓치지 않도록 한다. 스케줄링 알고리즘(RMS, EDF 등)에 따라 태스크가 실행되는 시점이 결정되기 때문에, 제어기 설계 시 단일 루프 시간을 정확히 가정할 필요가 있다.

산업용 통신과 네트워크 기반 제어

공장의 자동화 라인이나 대규모 설비에서는 필드버스(Fieldbus), 산업용 이더넷(EtherCAT, ProfiNet, EtherNet/IP 등), CAN 통신(CANopen, J1939 등) 등을 통해 여러 센서와 액추에이터가 연결된다. 이때 네트워크 지연시간이나 패킷 손실율이 제어 성능에 영향을 줄 수 있어, 네트워크 기반 제어(NCS, Networked Control System)가 연구된다. 지연시간(delay)을 모델링하고, 이산 이벤트(discrete event)가 발생할 때마다 상태정보를 업데이트함으로써 안정성과 성능을 유지해야 한다.

네트워크 기반 제어에서 지연시간이 불규칙하면, 전통적인 시간영역 해석보다는 샘플시점에서 이벤트가 발생했을 때의 동작을 모델링하는 하이브리드 시스템(hybrid system) 접근이 유리할 수도 있다. 디지털 제어에서 보통 $k$번째 샘플링 시점을 기준으로 시스템 상태를 업데이트하지만, 지연이 들쑥날쑥하면 $k$번째 샘플이 실제 도달하는 시점이 가변적이므로, 이를 견딜 수 있는 강인한 제어기가 필요하다.

모델링 기법과 시스템 식별

고전적 제어 이론에서 시스템 모델은 주로 물리 방정식을 통해 얻었지만, 복잡한 현장 시스템에서는 물리 법칙만으로는 정확한 모델을 구하기 어려울 수 있다. 이때 실험 데이터를 기반으로 동적 모델을 추론하는 시스템 식별(system identification) 기법이 사용된다. ARX(Auto-Regressive with eXogenous input) 모형, ARMAX, BJ(Box-Jenkins) 모형 등 다양한 구조가 있으며, 이산시간에서 입력–출력 신호를 샘플링하고 이를 통해 파라미터를 추정한다.

시스템 식별 과정은 크게 실험 설계(입력을 어떻게 인가하여 데이터를 수집할 것인가), 파라미터 추정(최소자승법, 최대우도법 등), 모델 유효성 검증(적합도, 잔차 분석 등)을 포함한다. 예를 들어 ARX 모델은

$$y(k) + a_1 y(k-1) + \dots + a_n y(k-n) = b_1 u(k-1) + \dots + b_m u(k-m) + e(k)$$

과 같은 형태를 갖는다. 여기서 $e(k)$는 오차항, $a_i$와 $b_i$는 식별하고자 하는 파라미터다. 식별된 모델을 바탕으로 전달함수나 상태공간 표현을 얻을 수 있으며, 이를 이용해 제어기를 설계하거나 시뮬레이션 검증을 진행한다.

소프트웨어 기반 시뮬레이션과 모델 기반 설계

MATLAB/Simulink, Python(NumPy, SciPy, Control Toolbox), Scilab, Modelica 같은 소프트웨어를 활용하면, 복잡한 동적 시스템을 가상 환경에서 시뮬레이션할 수 있다. 모델 기반 설계(Model-Based Design) 접근에서는 설계 초기부터 모델을 중심에 놓고 제어 알고리즘을 검증한다. 하드웨어 인 더 루프(Hardware-In-the-Loop, HIL) 시뮬레이션 기법을 통해 실제 액추에이터나 센서를 모델 대신 연결하여, 소프트웨어 측 제어 알고리즘의 동작을 미리 실증할 수도 있다.

이 과정에서 자동 코드 생성(autocode generation)을 통해 Simulink 모델로부터 C/C++ 코드를 생성하여 마이크로컨트롤러나 DSP에 직접 탑재하기도 한다. 모델 검증 – 코드 생성 – 하드웨어 테스트로 이어지는 순환 과정을 빠르게 반복(rapid prototyping)할 수 있으므로, 제어기 설계 효율이 극대화된다.

고급 주제: 고유구조 할당, LMI, 딜레이 시스템

선형시스템 이론에서는 전통적인 극점배치 외에도, Jordan 형식이나 Kalman 분해를 통한 고유구조(eigenstructure) 할당, 다변수 폴리니어 접근, $\mu$-분석($\mu$-synthesis) 등 다양한 기법이 제안되어 왔다. 여기서 LMI(Linear Matrix Inequality) 기반 접근이 주목받는 이유는, 많은 강인제어 및 최적설계 문제가 LMI 형태로 정식화될 수 있기 때문이다. 한 예로, Lyapunov 함수 $P$ 행렬을 찾는 문제는

$$A^T P + P A < 0$$

와 같은 형태를 만족해야 하며, 이는 선형 행렬 부등식으로 해석할 수 있다. LMI는 반정의(positive semidefinite) 조건, $\gamma$-이득 제어 조건 등 폭넓은 제어문제를 포함하기 때문에, SDP(Semidefinite Programming) 솔버 등을 이용해 해를 구할 수 있다.

시간 지연(time delay)이 존재하는 시스템도 제어가 까다로운 대표적 예시다. 송수신 지연이 있거나, 공정상의 반응이 느려서 입력을 인가한 뒤 일정 시간이 지나야만 출력 변화가 관측되는 경우, 지연요소를 고려하지 않으면 불안정해질 수 있다. 예컨대

$$\dot{\mathbf{x}}(t) = A \mathbf{x}(t) + B \mathbf{u}(t - \tau)$$

와 같이 제어입력에 지연 $\tau$가 있으면, 전통적 선형시스템 이론에서 단순히 $A$, $B$ 행렬만으로는 완벽한 해석이 어렵다. 이를 보강하기 위해 Lyapunov-Krasovskii 함수나 특수한 LMI 기반 지연 제어 이론이 발전해왔다.

분산 파라미터 시스템과 PDE 기반 제어

열전달이나 유체역학, 탄성파동을 다루는 시스템은 공간적 분포가 존재하므로, 편미분방정식(PDE) 형태의 모델을 이룬다. 이러한 분산 파라미터 시스템(distributed parameter system)에서는 상태가 공간 변수와 시간 변수의 함수가 되며, 간단히 말해 무한 차원 동적 계로 볼 수 있다. 전통적으로는 무시할 수 있는 차원이거나 공간적으로 균일하다고 가정하여 ODE(상미분방정식) 형태로 근사해 왔으나, 요구 정밀도가 높아지면 PDE 자체를 직접 다루는 제어이론이 필요하다.

PDE 제어에서 자주 등장하는 접근으로는 세미그룹 이론, 무한 차원 리아프노프 함수 기법, 관측기를 결합한 포트 해밀턴(Port-Hamiltonian) 방식 등이 있다. 예컨대 열 방정식(Heat equation)을 경계 제어(boundary control)로 다룰 때, 특정 위치에서만 온도를 측정하고 히터·쿨러 등의 경계 입력(boundary input)을 조절해 온도를 일정하게 유지하고자 할 수 있다. 이때 무한 차원을 해석하는 수학적 기반이 필요하며, 이산화 과정에서 유한요소법(FEM), 유한차분법(FDM) 같은 수치해석 기법이 접목된다.

모델 예측 제어(MPC)

현대 공정 제어나 프로세스 산업, 그리고 로보틱스·자동차 분야 등에서 널리 쓰이는 기법 중 하나가 모델 예측 제어(Model Predictive Control, MPC)다. MPC는 미래의 시스템 거동을 예측 모델로 계산하고, 제약 조건(constraint)을 만족하는 입력 신호를 찾는 최적화 문제를 반복적으로 푸는 방식으로 작동한다. 연속시간 시스템이든 이산시간 시스템이든, 제어 시점마다 다음과 같은 과정을 수행한다.

1. 현재 상태(혹은 추정 상태)를 초기 조건으로 두고, 일정 시간 구간 $N$(예측 구간, horizon)만큼 미래 시스템 거동을 예측한다.

2. 미리 정의된 성능지표(예: 상태 오차, 제어 입력 크기, 에너지 사용량 등)를 최소화하거나 최대화하는 입력 신호 시퀀스를 찾는다. 이때, 제어 입력과 상태에 대한 물리적·안전적 제약(토크 제한, 속도 제한, 장애물 회피, 온도 제한 등)이 동시에 고려된다.

3. 최적화 문제를 풀면 예측 구간 전체에 걸친 최적 입력 궤적이 나오지만, 실제로는 그중 첫 번째 스텝 입력만을 실제 시스템에 적용하고, 다음 샘플 시점에 다시 1번 과정부터 반복한다.

이 방식(순차적 재계산, receding horizon)은 실시간 최적화 문제를 계속 푸는 형태이며, 제약이 엄격한 시스템도 안정적으로 제어할 수 있다. 예를 들어, 이동 로봇 경로 계획에서 장애물을 회피하거나, 화학 공정에서 온도·압력 한계를 넘지 않도록 동작 범위를 설정해 두는 식이다. 다만, 실시간으로 최적화 계산을 반복해야 하므로 연산 비용이 크다. 이를 완화하기 위해 빠른 QP(Quadratic Programming) 알고리즘, 다중 코어 병렬화 기법, 전용 하드웨어(예: FPGA 가속기) 등이 연구되고 있다.

복잡한 비선형 시스템에 대해서는 NMPC(Nonlinear MPC)로 확장한다. 여기서는 비선형 모델을 예측 과정에 사용하고, 제약이 비선형이 될 수 있다. NMPC는 높은 정밀도로 복잡한 동작을 제어할 수 있으나, 더 무거운 연산량과 수렴성 문제가 동반된다. 또한 불확실성과 잡음이 큰 환경에서 NMPC가 안정적인 해를 찾기 위해서는 견고성을 보장하기 위한 추가 기법(예: 강인 MPC, 튜브 MPC 등)이 필요하다.

멀티 에이전트 시스템과 분산 제어

무인 드론 편대나 협업 로봇, 분산 발전 네트워크 등 여러 개체가 동시에 상호작용하는 시스템에서는 멀티 에이전트(Multi-Agent) 제어 패러다임이 부상하고 있다. 기존에는 모든 시스템 정보를 중앙 집중식으로 모아서 하나의 제어기가 총괄하는 방식이 대부분이었지만, 확장성과 통신 부담 문제를 극복하기 어려웠다.

분산 제어(Distributed Control)는 각 에이전트가 부분적 정보(이웃한 에이전트 상태나 국소적 센서 데이터)만을 이용해 독자적으로 제어 입력을 결정하면서도, 전체 시스템 차원에서는 협력적 목표(예: 집단 안정성, 합의(Consensus), 충돌회피)를 달성하도록 하는 알고리즘을 연구한다. 다음과 같이 에이전트 $i$의 상태를 $\mathbf{x}_i(t)$라 하고, 이웃하는 에이전트들의 집합을 $\mathcal{N}_i$라 할 때,

$$\dot{\mathbf{x}}_i(t) = f_i\big(\mathbf{x}_i(t), \mathbf{u}_i(t)\big), \quad \mathbf{u}_i(t) = g_i\big(\mathbf{x}_i(t), \{\mathbf{x}_j(t)\}_{j \in \mathcal{N}_i}\big)$$

형태로 제어가 이루어질 수 있다. 중요한 점은 모든 에이전트가 전체 네트워크를 완전히 아는 것이 아니라, 인접 에이전트 정보만으로 의사결정을 한다는 것이다. 예컨대 합의 알고리즘(Consensus algorithm)에서는 각 에이전트가 자신과 이웃의 상태 차이를 줄이는 입력을 계산함으로써, 전체 에이전트 상태가 특정 공통값으로 수렴하도록 만든다. 이를 최적화와 결합한 분산 최적화(Distributed Optimization) 접근도 많이 연구되고 있다.

통신 지연과 패킷 손실, 네트워크 토폴로지 변화가 빈번한 무선 환경에서는 안정성 보장을 위해 적응형 알고리즘, 이벤트 기반 제어(EBC) 등이 쓰일 수 있다. 이러한 분산·협력 제어는 자율주행차 군집 주행, 전력망 제어, 센서 네트워크 등 폭넓은 분야에서 핵심적이다.

강화학습 기반 제어

강화학습(Reinforcement Learning, RL)은 에이전트가 환경과 상호작용하면서 얻는 보상(reward)을 최대화하도록 정책(policy)을 학습하는 기법이다. 전통 제어이론에서 시스템 모델을 정확히 파악하고 수리적인 방법으로 제어기를 설계했다면, 강화학습은 모델이 잘 알려지지 않은 상황에서도 시뮬레이션이나 실제 실험을 통해 시행착오(trial and error)로부터 최적 정책을 찾아낼 수 있다.

강화학습에서 대표적인 알고리즘으로 Q-learning, SARSA, Policy Gradient, Actor-Critic, DDPG, PPO 등이 있다. 연속적인 상태·입력 공간을 다루는 데에는 심층 뉴럴 네트워크(DNN)를 결합한 심층 강화학습(Deep RL)이 자주 사용된다. 로보틱스 분야에서 로봇 팔 조작(픽앤플레이스), 보행 로봇 균형잡기 등 복잡한 과제에 적용되어 주목받았다.

하지만 강화학습은 수많은 에피소드(trajectory)를 통해 데이터를 모아야 하고, 수렴성이 보장되지 않으면 엉뚱한 동작을 학습할 수 있다. 또한 안정성 보장을 위한 이론적 장치가 부족하므로, 안정 제어 이론과 RL을 융합하는 연구가 활발히 진행 중이다. 예컨대 제어 Lyapunov 함수나 배리어 함수(Barrier Function)를 결합하여, 학습 과정에서도 시스템이 안전동작 영역을 벗어나지 않게 하는 방법론이 제시되고 있다.

로보틱스와 서보 제어

로보틱스에서는 모터나 액추에이터를 정밀하게 구동하기 위해 서보 제어 기술이 필수적이다. 대표적으로 공간 상의 경로 추종(path tracking), 조인트 각도 제어(joint control), 힘·토크 제어(force/torque control) 등이 중요하다. 특히 산업용 로봇 매니퓰레이터의 조인트 제어는 고성능 서보 드라이버가 구현되며, 내부적으로 PID, 상태궤환, 고속 관측기 등을 결합하여 마이크로초 수준에서 제어 루프가 작동한다.

근래에는 인간-로봇 협업(cobot)이나 서비스 로봇이 늘면서 안전성과 상호 작용면에서의 이슈가 커졌다. 힘 토크 센서를 통해 외부 충돌이나 접촉을 감지하고, 임피던스 제어(impedance control), 어드미턴스 제어(admittance control) 등을 적용해 로봇이 부드럽게 동작하도록 만든다. 이러한 알고리즘은 비선형 시스템, 시간지연, 비정상 외란을 모두 고려해야 하며, 위치 제어와 힘 제어의 밸런스를 잘 맞춰야 한다.

하이브리드 시스템과 이벤트 기반 제어

디지털 제어 시스템은 이미 시간에 따라 이산화된 동작을 보이지만, 센서·액추에이터 수준에서도 이벤트(event)에 의해 상태나 제어입력이 전환되는 현상이 등장한다. 예컨대 온도 조절 시스템에서 일정 임계온도를 넘으면 냉각팬이 동작하고, 다시 온도가 내려가면 꺼지는 식의 로직이 하이브리드 시스템(hybrid system)을 형성한다. 이 시스템은 유한상태머신(Finite State Machine)과 연속 계(ODE)가 결합된 형태를 가진다.

이벤트 기반 제어(Event-Based Control)는 샘플링 시점이 일정 간격으로 고정되지 않고, 이벤트가 발생할 때만 제어 입력을 갱신함으로써 네트워크 부하와 연산량을 줄이는 아이디어를 제공한다. 안정성 유지는 기존의 시간 기반 제어와는 다른 분석 방법(이벤트 발생 조건, 스위칭 최소 간격 등)을 사용하며, 멀티 에이전트 및 분산 환경에서도 적용 가능하다.

최신 동향 요약

이처럼 제어공학은 단순 PID 제어에서 출발하여 상태공간, 강인제어, 최적제어, 비선형제어, 디지털제어, 모델 예측 제어, 강화학습, 분산제어까지 매우 넓은 영역으로 확장되고 있다. 각 영역은 독자적인 이론 체계를 갖추고 있지만, 실제 산업이나 연구 프로젝트에서는 여러 기법을 결합하여 복합 시스템을 설계·운영한다. 또한, 컴퓨팅 성능이 크게 발전함에 따라 과거에는 실시간 적용이 어려웠던 최적화 기반 기법이나 다중 센서 퓨전, 빅데이터 기반 학습 등이 점차 실용화되고 있다.