미분방정식과 블록선도 변환
선형 미분방정식의 일반적 형태
연속 시간에서의 선형 미분방정식은 시간에 대한 종속변수의 고차 도함수가 포함된 형태로 표현된다. 가장 일반적으로 많이 다루는 것은 입력을 $u(t)$, 출력(응답)을 $y(t)$라 할 때 다음과 같은 $n$차 선형 미분방정식이다.
여기에서 $y^{(k)}(t)$는 $y(t)$의 $k$차 미분을 의미하며, 계수 $a_{i}$와 $b_{j}$는 상수(시간에 무관)라고 가정한다. 일반적으로 제어 시스템에서는 이러한 미분방정식을 통해 시스템의 동특성을 기술하고, 나아가 시스템 해석 및 설계를 진행한다. 이때 초기값에 대한 고려도 중요하지만, 주로는 그보다 전이 특성과 정상상태 해석에 집중하게 된다.
미분방정식만으로는 복합 시스템을 빠르게 이해하기 어렵기에, 라플라스 변환을 활용하여 이를 $s$ 영역에서의 전이함수(transfer function)로 바꾸고, 블록선도를 구성하면 훨씬 시각적이고 체계적으로 시스템을 해석할 수 있다. 이러한 과정에서 중요한 것은 각 항이 라플라스 변환에서 어떻게 표현되고, 그것이 블록선도에서 어떤 형태의 블록으로 대응되는지에 대한 이해다.
라플라스 변환과 전이함수
연속 시간 영역에서의 선형 미분방정식을 라플라스 변환하면, 미분은 $s$에 대한 곱셈으로 치환된다. 예를 들어 $y'(t)$의 라플라스 변환은 $sY(s) - y(0)$이다. 초기값이 0이라고 가정하면 미분항은 $sY(s)$가 되므로, $n$차 미분항은 $s^{n} Y(s)$로 간략화된다. 이를 통해 앞서의 미분방정식을 라플라스 변환하면 다음과 같은 형태로 나타난다.
이를 정리하면 다음과 같은 전이함수를 얻을 수 있다.
위 전이함수를 시스템의 입력과 출력의 비로서 정의할 수 있으며, 이는 $G(s)$라 표기할 수도 있다. 즉,
이 전이함수 $G(s)$는 블록선도에서 핵심적인 블록으로 표현되며, 시스템 내부에서 일어나는 입력-출력 변환 과정을 하나의 연산 블록으로 통합한다.
블록선도의 기본 구성 요소
블록선도에서 가장 중요한 구성 요소는 연산 블록과 합점, 분기점이다. 연산 블록은 시스템 또는 부시스템을 나타내며, 그 안에는 시스템의 전이함수 혹은 전달 특성이 라플라스 변환 형태로 들어간다. 한편, 시간 영역의 미분방정식을 직접 블록선도로 표현할 때는 적분 블록 $\frac{1}{s}$ 혹은 미분 블록 $s$ 등을 최소 단위로 구성하기도 하지만, 라플라스 변환을 통해 얻어진 전이함수를 하나의 단일 블록으로 처리하는 접근이 흔하다.
시스템이 여러 단계로 구성되어 있다면, 블록을 여러 개로 분할하고 각각의 연결 관계(피드포워드나 피드백 등)를 합점과 분기점을 통해 나타낸다. 미분방정식상에서 서로 다른 항을 갖는다면 블록선도에서도 그에 맞춰 여러 개의 경로가 형성되는데, 예를 들어 미분된 입력 항이 존재한다면 그에 상응하는 경로에 $s$연산이 포함된 블록이 놓일 수 있다. 물론 초기값이 중요하게 작용한다면, 초기조건을 고려한 항이 별도의 입력 블록으로 구현될 수도 있다.
아래는 간단한 단일 입력-단일 출력(SISO) 시스템의 블록선도 예시를 간략화한 것이다.
이처럼 단순화하면 복합 시스템도 큰 그림을 빠르게 파악할 수 있으나, 세부적인 해석을 위해서는 적분 블록, 미분 블록, 가중치 등이 각각 분해된 구조를 분석하는 경우도 있다.
미분방정식 기반 블록선도 구축 절차
미분방정식에서 블록선도를 직접 그리는 대표적 절차는 먼저 모든 미분항을 적분 형태로 변환하는 방식이다. 예컨대
이라는 미분 연산자를 사용하기보다
라는 적분 연산자를 표현하여 블록선도에 나타내는 것이 일반적이다. 적분 블록은 라플라스 도메인에서 $\frac{1}{s}$로 표현될 수 있는데, 이 블록을 연쇄적으로 연결하여 고차 미분방정식을 단계적으로 분해하고, 각 항에 대응하는 가중치(계수)를 앞에 곱하여 합점에서 적절히 가산함으로써 최종 출력 $y(t)$를 구한다.
이를테면 2차 미분방정식
를 다룬다고 하자. 라플라스 변환에서는
이 되며, 적분 블록으로 재구성하면 $\ddot{y}(t)$는 적분 블록을 두 개 연결한 형태로 표현된다. 즉, 입력 $u(t)$가 어떤 가중치 블록을 거쳐 적분 블록을 반복하여 통과하고, 최종적으로 $y(t)$가 형성되는 구조로 나타낼 수 있다. 필요에 따라 $\dot{y}(t)$ 역시 중간 출력으로 분리하여 표시하기도 한다.
블록선도 변환의 예시적 스케치
간단한 블록선도를 예시로 나타내면 다음과 같은 형태로 정리할 수 있다.
여기에서 1/s는 적분 블록을 의미하며, a1, a2는 합점에서 곱해지는 계수 블록으로 볼 수 있다. 이 때 실제 연결 방식 및 합점의 구성은 미분방정식의 양상에 따라 달라질 수 있다. 또한, 이 그림은 매우 단순화된 형태로, 보다 엄밀히 표현하려면 미분 항목과 적분 블록의 연결 관계를 더 세분화해야 할 수도 있다.
이러한 블록선도의 변환 과정을 통해 시스템의 합성과 분해가 어떻게 이루어지는지 보다 직관적으로 이해할 수 있다. 더 복잡한 예시에서는 여러 개의 입력 혹은 경로가 존재할 수 있고, 그에 따른 세분화된 전달 특성도 병렬 혹은 직렬 연결로 나타난다. 제어계에서 피드백이 존재하는 경우라면, 출력 혹은 중간 변수의 피드백 경로가 별도의 블록과 합점으로 연결된다.
블록선도는 단순히 그림만으로 시스템을 보여 주는 것이 아니라, 미분방정식이나 전이함수에서 확인되는 계수 및 구조적 특성이 어떻게 상호 연동하는지를 시각적으로 표현해 주므로, 제어계 해석과 설계 과정에서 폭넓게 사용된다.
블록선도 대수와 경로 이득
복합 블록선도를 이해하고 간소화하기 위해서는 블록선도 대수(Block Diagram Algebra)와 경로 이득(Path Gain) 계산 방식을 숙지해야 한다. 블록선도 대수는 여러 개의 블록과 합점, 분기점이 연결된 구조에서 입력과 출력 사이의 전이함수를 체계적으로 도출할 수 있도록 규칙화한 연산 절차다. 이를 통해 복잡한 블록선도를 단순화하여 최종적으로 하나의 전이함수 형태로 귀결시키게 된다.
블록선도 대수의 가장 기본적인 규칙은 다음과 같은 표현들을 사용한다. 예를 들어, 두 블록 $G_{1}(s)$와 $G_{2}(s)$가 직렬 연결이라면 전체 전이함수는 $G_{1}(s) G_{2}(s)$로 나타내고, 병렬 연결이라면 $G_{1}(s) + G_{2}(s)$가 된다. 피드백 연결에서는, 피드백 경로에 $H(s)$가 있다고 할 때 폐루프 전이함수는
로 표현되며, 이는 제어공학에서 매우 빈번히 등장하는 형태다. 이러한 기본 블록선도 연산 규칙을 단계별로 적용하면서, 복합 구조를 단계적으로 단순화해 나간다.
다만, 피드백 경로가 여러 갈래로 분기되어 있거나 순환 루프가 여러 개인 경우, 단순한 블록선도 대수만으로는 빠른 해결이 어렵다. 이럴 때는 Mason의 공식(Mason's Gain Formula)과 같은 추가적인 공식이 유용하다. Mason의 공식은 신호흐름선도(Signal Flow Graph)에서 유도된 것으로, 블록선도와 동일한 해석이 가능한 도식적 방법론이다. 이를 활용하여 상호결합이 복잡한 루프 구조를 체계적으로 정리할 수 있다.
Mason의 공식 개념
Mason의 공식은 블록선도 혹은 신호흐름선도에서 독립 경로, 순환 루프, 그리고 이들 간의 결합 관계를 체계적으로 분석하여, 입력에서 출력까지의 총 이득을 일괄적으로 계산하는 방법이다. 이때 경로(Path)와 루프(Loop)에 대해 명확하게 정의하고, 각 경로 이득(path gain)과 루프 이득(loop gain), 그리고 공통으로 공유되는 결합 지표 등을 이용하여 식을 세운다.
Mason의 공식은 크게 전경로(forward path)와 순환 루프(loop)를 구분하고, 전경로상에서의 전체 곱, 그리고 루프 간의 상호 결합 지수를 포함한 교차항을 고려하여 최종 전이함수를 도출한다. 제어계 설계나 복잡계 해석에서, 단순한 블록선도 축약만으로는 서로 결합된 루프가 정리되지 않는 경우가 많으므로, Mason의 공식을 적극 활용하면 수월하게 일관성 있는 전이함수를 도출할 수 있다.
일반적으로 신호흐름선도에서 Mason의 공식은 다음과 같은 형태로 주어진다. 입력을 $r$이라 하고 출력이 $c$인 경우,
여기서 $P_{k}$는 $k$번째 전경로의 이득, $\Delta$는 전체 시스템의 결정식(determinant) 역할을 하는 항이며, $\Delta_{k}$는 $k$번째 전경로와 공통 노드를 갖지 않는 루프들을 제외한 나머지의 결정식이다. 루프의 상호 배타성, 중첩 여부 등을 고려하여 다항식 형태로 전이함수를 계산할 수 있다.
블록선도와 신호흐름선도의 비교
블록선도와 신호흐름선도는 입력, 출력, 중간 노드의 연결 구조를 시각적으로 표현한다는 점에서 유사하나, 표현 단위나 계산 방식이 조금 다르다. 블록선도에서는 주로 전이함수를 지닌 블록이 노드 간에 배치되고, 합점과 분기점을 통해 신호 흐름이 결정된다. 반면 신호흐름선도에서는 노드를 중심으로 신호가 일방향 링크로 연결되며, 각 링크마다 통과 이득(gain)이 표기되는 형태다.
두 표현 방식 모두 복합 시스템을 체계적으로 분석하기에 충분히 강력하지만, 블록선도는 제어계에서 좀 더 직관적으로 사용되며, 신호흐름선도는 Mason의 공식 사용이 용이하다는 특징이 있다. 큰 맥락에서 둘은 동일한 시스템을 묘사하므로 상호 변환이 가능하다.
고차 시스템에서의 블록선도 해석
고차(고차 미분방정식 혹은 고차 전달함수) 시스템으로 갈수록 블록선도의 노드와 블록 수도 많아지며, 이로 인해 단순 피드백 구조가 아닌 다중 피드백 구조가 나타날 수 있다. 예컨대 하나의 출력이 다시 서브 시스템들의 입력으로 들어가고, 그 서브 시스템들의 출력이 또 다른 합점에서 재조합되는 식의 복잡한 루프 구성이 흔히 등장한다.
이런 경우에는 먼저 가능한 한 많은 직렬, 병렬, 피드백 연결을 단계적으로 정리하고, 최종적으로 남은 복잡 구간에 대해서 Mason의 공식과 같은 방법을 이용하여 전체 시스템 전이함수를 도출할 수 있다. 때로는 미분방정식을 직접 라플라스 변환하여 얻은 $G(s)$를 간단하게 써두고, 주변 경로(병렬 경로나 보조 입력 경로)의 영향을 따로 반영함으로써, 전체 시스템의 입출력 특성을 모듈 단위로 간소화하기도 한다.
블록선도의 해석 결과로부터 얻은 전이함수는 주파수 응답, 시간 응답, 안정성, 위상 등의 다양한 분석 기법에 활용될 수 있으므로, 복잡한 블록선도를 체계적으로 단순화하여 전이함수를 얻는 절차는 제어공학 입문에서 필수적인 과정이라 할 수 있다.
MIMO(다중입력 다중출력) 시스템과 블록선도
지금까지는 단일 입력-단일 출력(SISO) 시스템을 중심으로 미분방정식과 블록선도 변환을 살펴보았으나, 실제 공학적 상황에서는 여러 개의 입력과 여러 개의 출력이 존재하는 MIMO(다중입력 다중출력) 구조가 빈번하게 등장한다. 이때 각 출력은 여러 입력에 의해 영향을 받으며, 그 사이에서 상호 간섭 혹은 협조 작용이 발생한다.
MIMO 시스템을 미분방정식으로 기술하려면 여러 개의 상호 결합된 미분방정식을 동시에 풀어야 한다. 이를 라플라스 변환하면 출력 벡터와 입력 벡터 사이의 전달함수가 행렬 형태로 표현되는 경우가 많다. 예를 들어, 2×2 MIMO 시스템이라면 다음과 같은 전달함수 행렬(transfer matrix)을 정의할 수 있다.
이는
라는 형태로 입력 벡터 $\mathbf{U}(s)$와 출력 벡터 $\mathbf{Y}(s)$ 간의 관계를 나타낸다. 이런 MIMO 전달함수 행렬은 블록선도에서도 행렬 형태의 블록(혹은 여러 개의 스칼라 블록으로 분할된 구조)로 나타낼 수 있다. 즉, 하나의 큰 블록선도 안에 입력들이 각각 경로를 따라 여러 블록(부분 전이함수)을 통해 출력으로 이어지도록 표현된다. 이때 블록선도 내의 합점이나 분기점이 다수 존재하여, SISO 시스템보다 훨씬 복잡해진다.
복잡한 MIMO 블록선도의 대수적 단순화는 SISO 블록선도와 같은 규칙(직렬 연결, 병렬 연결, 피드백 등)을 확장하여 적용하되, 변수가 벡터 또는 행렬이라는 점에 유의해야 한다. 예컨대 직렬 연결에서 $G_{1}(s)$와 $G_{2}(s)$가 각각 행렬 형태라면, 단순 곱 $G_{1}(s) G_{2}(s)$도 행렬 곱으로 정의된다. 병렬 연결이면 동일 차원의 행렬끼리 단순히 더하면 되고, 피드백 연결에서는
처럼 행렬의 역행렬을 사용해야 한다. 여기서 $\mathbf{I}$는 항등행렬, $\mathbf{G}(s)$와 $\mathbf{H}(s)$는 MIMO 전이함수 행렬이다.
상태방정식(State-Space)으로부터의 블록선도 유도
MIMO 시스템이나 고차 SISO 시스템을 표현하는 또 다른 강력한 방법은 상태방정식(state-space equation)이다. 일반적으로
형태로 표현하며, 여기서 $\mathbf{x}(t)$는 상태벡터, $\mathbf{u}(t)$는 입력벡터, $\mathbf{y}(t)$는 출력벡터다. 행렬 $\mathbf{A}$, $\mathbf{B}$, $\mathbf{C}$, $\mathbf{D}$는 시스템의 동특성과 입출력 구조를 결정한다. 이를 라플라스 변환하면
가 되며, 이를 통해 $\mathbf{X}(s)$를 소거하면
형태가 되어, $\mathbf{G}(s) = \mathbf{C}(s\mathbf{I} - \mathbf{A})^{-1}\mathbf{B} + \mathbf{D}$로 정의되는 전달함수 행렬과 동일해진다.
상태공간 표현으로부터 블록선도를 직접 구성하는 과정에서는 각 상태변수마다 적분(혹은 미분) 블록을 할당하고, $\mathbf{A}$, $\mathbf{B}$, $\mathbf{C}$, $\mathbf{D}$의 계수에 따라 적절히 분기점과 합점을 구성하게 된다. 예컨대 $\dot{\mathbf{x}}(t) = \mathbf{A}\mathbf{x}(t)$ 부분은 상태변수들을 서로 연결해 주는 블록선도 구조로 나타나고, $\mathbf{B}\mathbf{u}(t)$는 외부 입력으로부터 상태로 이어지는 병렬 경로, $\mathbf{C}\mathbf{x}(t)$는 상태로부터 출력으로 이어지는 변환 블록이 된다.
캐노니컬 형식(Canonical Form) 블록선도
고차 미분방정식이나 임의의 상태방정식은 여러 가지 캐노니컬 형식(canonical form)으로 변환할 수 있으며, 이를 블록선도로 나타냈을 때도 일정한 패턴이 드러난다. 예컨대 제어캐노니컬(Control Canonical Form)이나 관측캐노니컬(Observer Canonical Form)은 시스템 행렬이 반동글(block companion matrix) 형태가 되도록 상태변수를 정의하는 방식이다.
제어캐노니컬의 예시로, $n$차 미분방정식
를 상태공간으로 바꾸면,
이러한 형태로 정의가 가능해진다. 이 상태방정식을 블록선도로 직접 나타내면, 각 $x_{i}$가 적분 블록을 통과하며 순차적으로 $x_{1} \to x_{2} \to \dots \to x_{n}$으로 이어지고, 마지막 블록에서 $-a_{1}x_{n} - \dots - a_{n}x_{1} + u$가 합성되어 다시 적분 블록의 입력으로 돌아오는 환형(루프) 구조가 완성된다. 이는 SISO 고차 미분방정식을 체계적으로 시각화하고, 각 상태변수가 어떤 역할을 하는지 파악하기에 매우 유용하다.
C++를 통한 간단 예제
다음 예제는 2차 미분방정식 $,\ddot{y}(t)+a_{1}\dot{y}(t)+a_{2}y(t)=u(t),$를 수치적으로 적분하여, $y(t)$를 구하는 간단한 C++ 예시다. 여기서는 오일러 방법(Euler method) 같은 기본 수치 적분 기법을 사용한다. 실제로 제어 시뮬레이션이나 블록선도 구현 시, 디지털 컴퓨터에서 이러한 수치 기법을 활용한다.
위 코드는 오일러 전진법으로 2차 미분방정식을 풀어가며, 각 시점 $t$에서 $y(t)$와 $\dot{y}(t)$인 $dy$를 출력한다. 실제 제어계 시뮬레이션 환경에서는 더 정교한 룽게-쿠타(Runge-Kutta) 기법 등을 사용하며, 블록선도 형태로 구현된 시뮬레이터(예: MATLAB/Simulink)나 다른 전용 툴을 활용하여 블록선도를 직접 구성하고 수치해석을 진행하기도 한다.
고찰
미분방정식에서 시작하여 라플라스 변환, 블록선도, 그리고 상태방정식(캐노니컬 형식 포함)에 이르는 일련의 변환 과정은 제어이론을 폭넓게 다루는 기본 수단이다. 적절히 선택된 표현 방식(전이함수, 상태방정식, 블록선도 등)을 통해 시스템을 직관적이면서도 수학적으로 엄밀하게 해석할 수 있다. 특히, 복잡계나 고차 시스템을 다룰 때는 MIMO 구조, 상태공간 모델, 그리고 신호흐름선도(Mason의 공식) 같은 다양한 기법을 종합적으로 활용해야 한다.
초기조건 처리와 블록선도
미분방정식을 라플라스 변환하여 전이함수를 구할 때, 보통 초기조건이 0이라고 가정하면 매우 간단한 형태의 전이함수가 도출된다. 그러나 실제 물리 시스템에서는 $y(0)$, $\dot{y}(0)$ 등과 같은 초기상태가 0이 아닐 때가 많다. 이 경우 라플라스 변환에서 나타나는 초기조건 항은 블록선도 내부에서 별도의 입력 경로로 처리할 수 있다.
예를 들어 2차 미분방정식
을 라플라스 변환하면(0이 아닌 초기값 가정),
이를 정리하면
초기값 항을 하나로 묶으면
따라서 전이함수는
블록선도 관점에서 보면, $\frac{1}{s^{2} + a_{1}s + a_{2}}$라는 본래 블록에 입력 $U(s)$가 들어가는 경로 외에, 초기조건 $y(0)$, $\dot{y}(0)$이 합성되어 동일 블록으로 유입되는 추가 경로가 존재한다고 해석할 수 있다. 실제 그림으로 표현하면, 합점에서 $U(s)$와 초기조건으로부터 생기는 항이 함께 더해진 뒤, $\frac{1}{s^{2} + a_{1}s + a_{2}}$ 블록을 통과하여 $Y(s)$가 결정된다.
물론 이것을 적분 블록 기반으로 풀어내면, 예를 들어 2개의 적분 블록을 직렬로 배치한 뒤, 그중간 및 최종 출력 지점에 초기값을 반영하는 형태로 구현할 수 있다. 일반적으로 초기조건이 중요한 시스템 해석의 경우, 블록선도 상에 별도의 입력 노드(가중치 포함)를 배치해 주는 방식이 직관적이다.
부분분수 전개와 역변환
전이함수를 구한 뒤, 시간영역 해석을 위해서는 역라플라스 변환이 필요하다. 대표적인 기법으로 부분분수 전개가 있다. 예를 들어,
같은 전이함수를 역변환하려면, 분모의 근(극점) 위치에 따라 부분분수 형태로 분해해 주어야 한다. 간단한 예를 들어, 2차 식을 지닌 전이함수
를 부분분수 전개하면
계수 $A$와 $B$를 풀어서 구하면,
이로부터,
이런 식으로 시간영역 해석이 가능하다. 블록선도에서 각 전이함수 블록은 결국 이러한 지수응답(또는 공진형 응답, 감쇠 진동 등)의 선형결합으로 표현되어, 물리적 시스템에서의 과도응답을 이해하는 데 직접 연결된다. 고차 다항식인 경우에도 유사하게 모든 근들을 찾아 부분분수 전개를 수행하며, 중근이나 복소근인 경우에도 표준화된 전개 방식이 존재한다.
블록선도 시뮬레이션 툴 활용
실제 산업 현장이나 연구실에서는 블록선도를 손으로 그리는 대신, 시뮬레이션 툴(예: MATLAB/Simulink, Scilab/Xcos, LabVIEW 등)을 활용하여 블록선도를 구성한다. 이때 각 블록에는 전이함수(또는 상태공간 모델, 테이블 방식 정의 등)를 할당하고, 합점과 분기점으로 서로 연결한 뒤, 주어진 입력에 대한 출력의 시간응답을 수치적으로 구해낸다. 사용자는 블록선도 상에서 파라미터($a_{1}, a_{2}$ 등)를 직접 조정하거나, 처음부터 상태방정식 혹은 미분방정식을 자동 변환하여 블록으로 삽입할 수도 있다.
시뮬레이션 툴의 장점은 다음과 같은 절차가 실시간(혹은 빠른 오프라인 계산)으로 이루어져, 파라미터 스위핑(sweeping)이나 다양한 입력 시나리오(단위 계단, 램프, 임의 파형 등)에 대한 응답을 손쉽게 확인할 수 있다는 점이다. 또한, 블록선도를 더 세분화하여 서브시스템 단위로 관리하고, 여러 사람과 협업해 대규모 시스템을 설계하는 작업에도 유용하다.
라플라스 변환과 Z 변환의 관계
제어공학에서는 이산시간(discrete-time) 시스템을 다루기도 하므로, 블록선도를 작성할 때 Z 변환을 사용해야 하는 경우도 나타난다. 이산시간 시스템에서 미분방정식은 차분방정식(difference equation)으로 대체되며, 라플라스 변환 대신 Z 변환을 적용한다. 예를 들어,
와 같은 차분방정식은 Z 변환을 통해
형태로 바뀐다. 따라서 전이함수는
가 된다. 이를 블록선도로 표현할 때는 $\frac{1}{z}$ 블록(= 단위 지연) 등을 사용하거나, 별도의 Z-도메인 전이함수를 하나의 블록으로 묶어서 표시한다. 디지털 제어 시스템이나 샘플링이 포함된 하이브리드 시스템에서는 라플라스 도메인 블록선도와 Z 도메인 블록선도가 혼재할 수 있는데, 이를 오차 없이 구성하려면 표본화 주기, 지연 시간 등을 정확히 고려해야 한다.
이처럼 제어공학 전반에서는 선형 연속시간 시스템만이 아니라 이산시간 시스템, 비선형 시스템, 그리고 여러 가지 제약이 결합된 복합 시스템을 다룬다. 그럼에도 불구하고 미분방정식(또는 차분방정식)과 블록선도를 기본 틀로 삼아 해석하고 설계하는 전통은 이어지며, 이는 다양한 현대 제어 이론으로 확장될 때도 핵심 개념을 제공한다.
블록선도와 폐루프 안정성
선형 연속시간 시스템에서 가장 중요한 해석 중 하나가 폐루프 안정성(closed-loop stability)에 대한 판단이다. 블록선도 내에서 피드백 구조가 존재하면, 입력으로부터 출력까지의 전체 전이함수는 폐루프 전달함수가 되는데, 그 극점(pole)의 위치가 안정성을 결정한다. 즉, 폐루프 전달함수 분모(특성방정식)의 근들이 모두 왼쪽 반평면(실수부 음수 영역)에 위치하면 연속시간 시스템이 안정하다고 말한다.
라플라스 변환 영역에서, 폐루프 전이함수가
형태를 취한다면, $1+G(s)H(s)=0$이 되는 $s$가 폐루프 극점을 결정한다. 이를 특성방정식(characteristic equation)이라 부르며,
의 해를 극점이라 한다. 블록선도를 단순화하면 결국 $T(s)$를 유도할 수 있고, 그 분모 식이 곧 폐루프 특성방정식이 된다.
안정성 판별에는 여러 기법이 사용되는데, 2차 또는 3차 정도까지는 직접 근을 구해 안정영역을 판정할 수 있으나, 차수가 높은 경우엔 근들이 실수부 음수인지 판별하기가 쉽지 않다. 따라서 Routh-Hurwitz 안정 판별법, Nyquist 안정 판별법, Root Locus 기법, Bode 선도 등을 활용한다. 블록선도를 통해 $G(s)$와 $H(s)$를 구체화한 뒤, 그 피드백 합성으로 얻어지는 폐루프 계의 안정성을 분석하는 것이 제어 공학에서 핵심이 된다.
Routh-Hurwitz 기준과 블록선도
Routh-Hurwitz 기준(Routh-Hurwitz criterion)은 특성방정식의 계수를 행렬 형태로 배열하여, 모든 열에서 부호가 바뀌지 않아야 안정하다는 것을 판별하는 고전 기법이다. 예를 들어 특성방정식이
형태일 때, Routh 배열(Routh array)을 구성하여 맨 앞열의 부호 변화를 조사하면 된다. 변수가 많아지고 블록선도가 복잡해질수록, 시스템의 폐루프 특성방정식도 고차가 되기 쉽다. 이때 블록선도를 간소화한 후 전이함수를 얻고, 그 분모를 Routh 배열로 배치해 확인하면, 초기 설계 단계에서 빠르게 안정 여부를 검토할 수 있다.
근궤적(Root Locus)과 블록선도
근궤적(root locus)은 피드백 계에서 게인(gain) $K$를 변화시키면서 폐루프 극점이 복소평면 상에서 어떻게 이동하는지를 시각적으로 나타내는 방법이다. 이를 위해 블록선도에서 $G(s)H(s)$ 내에 조정 가능한 스칼라 게인 $K$를 둔 뒤, 특성방정식
의 해가 $K$ 변화에 따라 이동하는 궤적을 그린다. 이 기법은 단순하지만 강력하여, 블록선도를 통해 식별된 $G(s)$, $H(s)$가 있을 때 목표로 하는 응답 특성(고유진동수, 감쇠비 등)에 맞춰 게인을 조정하기 위한 설계 지침을 제시한다.
블록선도 상에서 여러 개의 피드백 루프가 있거나, MIMO 구조로 인해 전이함수가 행렬형태가 된다면, 근궤적만으로는 전체 극점 이동을 단순히 표시하기 어려울 수 있다. 그렇지만 SISO로 단순화할 수 있는 구간 혹은 대표 채널에 대해서는 근궤적 기법이 여전히 유효하다.
주파수응답 해석과 블록선도
주파수응답 해석에서는 $s=j\omega$ 대역에서 $G(j\omega)$의 크기와 위상을 분석한다. 블록선도 상에서 여러 경로가 직렬, 병렬, 피드백으로 얽혀 있어도, 종국적으로는 $G(j\omega)H(j\omega)$ 형태를 구할 수 있고, 이를 Bode 선도, Nyquist 선도, Nichols 선도 등으로 시각화한다. Nyquist 안정 판별법은 $1+G(j\omega)H(j\omega)$가 복소평면에서 원점을 몇 번 감싸는지를 확인해 안정성을 판정하며, Bode 선도는 진폭 이득(dB)과 위상(˚)을 주파수별로 도시해 폐루프 안정여유(gain margin, phase margin)를 직관적으로 파악하도록 한다.
블록선도를 통해 각 모듈별 전이함수가 확정되면, 이를 곱하거나 더하는 방식으로 전체 전달 특성을 구하고, 주파수 영역에서의 크기 및 위상 보상(bode 보상기, PID 설계 등)에 대한 설계 인사이트를 얻는다. 고차, 복수 루프 계에서 이득과 위상을 조절하기 위해선, 부분 경로를 순차적으로 보상하거나 내부 루프와 외부 루프를 분리하여 설계하는 접근이 흔하다.
디지털/하이브리드 블록선도에서의 안정성
실제 산업계 제어 시스템은 아날로그 블록과 디지털 블록이 혼합된 하이브리드 형태가 많다. 디지털 제어기(마이크로프로세서 내부의 소프트웨어)에서 샘플링 주기 $T_s$마다 연산을 수행하고, 시스템에는 연속시간 플랜트(plant)가 연결된다. 이때 블록선도에는 Z 변환(디지털 제어기)과 라플라스 변환(연속시간 시스템)이 공존하게 되며, 이를 변환기(hold, sampler) 블록을 통해 연결한다.
이런 하이브리드 구조에서는 안정성 판정이나 성능 해석이 좀 더 복잡해지는데, 대표적으로 샘플링된 분산제어(digital control) 영역에서는 $z$ 평면에서 극점이 단위원 내로 들어와야 안정이 보장된다는 기준을 사용한다. 또한 제로-오더 홀드(ZOH) 블록을 통한 $G_{H}(s)$의 $Z$ 변환 등, 별도의 변환 절차를 거쳐 폐루프 특성식을 구해야 한다. 결국 블록선도 분석은 동일하되, 연산 도메인이 혼합되는 점을 주의 깊게 다루어야 한다.
블록선도의 모형 축소와 근사
고차 시스템, 혹은 너무 복잡한 MIMO 시스템을 다룰 때는, 모든 동특성을 포함하는 정밀 모델을 그대로 제어기로 사용하기보다 근사 모델(저차 모델)을 쓰는 경우가 잦다. 이를 모델 축소(model reduction)라 하며, 시간응답과 주파수응답 관점에서 핵심 모드(mode)만 유지하고, 미소 모드나 빠른 감쇠 모드는 생략한다. 블록선도 측면에서도, 작은 영향만 주는 경로를 단순화하거나, 느린 동특성만 남기는 식으로 축소 블록선도를 만든다.
예컨대 5차나 6차 정도의 전달함수를 근사해 2차나 3차로 만들면, 해석과 설계가 간단해진다. 다만 축소 과정에서 안정성이나 위상 특성에 큰 변화를 주지 않도록 신중한 절차(밸런스 트렁케이션, 모달 축소 등)를 수행해야 한다. 블록선도의 관점에서는, 불필요한 고주파 경로나 빠른 극점을 제거한 상태를 새로운 블록선도로 제시하여, 설계와 해석을 간소화한다.
비선형 미분방정식과 블록선도
현실 시스템은 종종 비선형성을 포함한다. 마찰, 포화(saturation), 데드존(dead zone) 등과 같은 물리적 현상으로 인해 미분방정식 자체가 선형으로 유지되지 않는 경우가 비일비재하다. 비선형 미분방정식은 라플라스 변환이 직접적으로 적용되지 않거나, 적용하더라도 대응되는 비선형 항 때문에 전통적인 전이함수 개념을 정의하기가 어렵다. 그 결과, 블록선도 기법도 단순 선형 블록(예: ss, 1s\frac{1}{s}, α\alpha, βs\beta s 등)만으로는 표현이 힘들다.
이를 해결하기 위한 접근 가운데 하나는, 작은 입력 범위나 특정 작동점(operating point) 근방에서 시스템을 선형 근사(linearization)하여 블록선도를 구성하는 것이다. 예컨데 로봇 매니퓰레이터의 비선형 동역학 방정식도, 로봇 조인트가 특정 위치나 속도 부근에서 소신호(small signal) 근사로 선형 모델을 얻을 수 있다. 이때 얻은 선형 모델을 기준으로 블록선도를 작성하고, 근사적으로 설계를 수행한다. 그러나 시스템이 작동점에서 크게 벗어나면 선형 근사 모델의 정확도가 떨어져 설계가 제대로 맞지 않을 수 있다.
좀 더 일반적으로는, 비선형 요소를 특별한 블록으로 정의하고, 나머지 선형 부분을 라플라스 변환하여 전이함수 블록으로 표현한 뒤, 이 둘을 결합한 하이브리드 블록선도로 관리하기도 한다. 예를 들어 서보 모터 구동장치에 ‘포화’ 블록이 있다면, 이는 출력 레벨이 특정 한계 값을 넘을 수 없음을 의미한다. 이를 단순 계단 함수 형태의 비선형 블록으로 모델링하고, 나머지 주파수 특성 블록(모터, 기어, 앰프 등)은 선형 전이함수로 표현하는 식이다. 이런 비선형 블록선도는 안정성 해석이나 응답 해석을 직접 라플라스 변환으로 처리하기 어렵지만, 시뮬레이션 툴을 통해 수치 해석을 하는 데는 크게 문제가 없다.
블록선도와 선형화 과정
비선형 동역학 모델로부터 국소적(linearized) 블록선도를 유도하는 절차는 주로 다음 단계들을 거친다. 먼저 운동방정식, 에너지 방정식 등 비선형성을 띠는 상태방정식을 전개하고, 특정 평형점(equilibrium point)에서 테일러 전개(Taylor expansion)를 수행하여 1차 항(선형 항)만 남긴 근사 모델을 구한다. 그 결과 다음과 같은 형태의 선형 상태방정식이 얻어진다.
여기서 $\delta\mathbf{x}(t) = \mathbf{x}(t) - \mathbf{x}^{}, δu(t)=u(t)−u∗\delta\mathbf{u}(t) = \mathbf{u}(t) - \mathbf{u}^{}$, $\delta\mathbf{y}(t) = \mathbf{y}(t) - \mathbf{y}^{}$는 평형점 $\mathbf{x}^{}, \mathbf{u}^{}, \mathbf{y}^{}$ 근방의 작은 편차(small perturbation)다. 이렇게 얻은 선형 모델은 라플라스 변환을 취해 전이함수(행렬) $\mathbf{G}(s)$를 구할 수 있으며, 이때 블록선도 역시 SISO 혹은 MIMO 구조로 표현할 수 있게 된다.
비선형 항이 매우 크거나, 작동점이 지속적으로 변하는 경우에는 선형화 모델이 시시각으로 달라지므로, 파라미터가 시간에 따라 바뀌는 선형 시변(Linear Time-Varying) 모델이나 LPV(Linear Parameter-Varying) 모델을 쓰기도 한다. 그때마다 블록선도 자체가 시간에 따라 변동하는 형태가 되므로, 전통적인 ‘고정 전이함수 블록’ 접근 대신, 파라미터 스케줄링(parameter scheduling)을 적용해야 할 수도 있다.
선형근사 블록선도의 시뮬레이션 예시(C++)
아래 예시는 단순한 비선형 시스템 $\ddot{y}(t) + b\bigl(y(t)\bigr)\dot{y}(t) + c\bigl(y(t)\bigr) = u(t)$가 있다고 가정했을 때, 특정 작동점에서 $b\bigl(y^{}\bigr)=b_{0}$와 $c\bigl(y^{}\bigr)=c_{0}$로 근사화하여 선형 모델로 시뮬레이션을 실행하는 가상의 코드다. 실제로는 비선형 시뮬레이션과 선형 근사 시뮬레이션을 비교함으로써, 선형화 오차를 평가할 수도 있다.
위 코드는 선형근사 모델만을 단순히 시뮬레이션한다. 실제로는 $b\bigl(y(t)\bigr)$, $c\bigl(y(t)\bigr)$가 $y(t)$에 따라 달라지지만, 작동점 근처에서 한 번만 근사값 $b_{0}$, $c_{0}$를 사용했다. 블록선도 역시 $\frac{1}{s^{2} + b_{0}s + c_{0}}$ 형태의 전이함수를 가진 선형 블록으로 표시하고, 거기에 입력 $u$가 들어간다고 보면 된다.
비선형 요소의 블록 구현
비선형ity가 부분적으로만 존재한다면, 예컨대 포화(saturation)를 $\mathrm{sat}(\cdot)$로 표현해 $\mathrm{sat}(x) = \max\bigl(\min(x, x_{\max}), x_{\min}\bigr)$ 형태라 하면, 이를 블록선도에서 별도 블록으로 표시할 수 있다. 이 블록은 입출력 관계가 단순히 $f(s)$ 형태의 라플라스 변환으로 설명되지 않고, 구간별 선형화나 테이블 룩업(lookup) 방식으로 정의된다. 시뮬레이션 툴에서는 해당 블록을 그래픽 아이콘 형태로 두고, 그 전후의 선형 블록과 연결하여 종합적인 해석을 한다.
비선형 블록 때문에 전체 시스템 전이함수를 하나의 폐루프 계수로 단순화하기는 불가능하나, 국소적 작업(작동점 주위)이나 특정 입력 범위에서는 유효한 선형 근사 블록선도를 얻을 수 있다. 제어기 설계시엔, 먼저 비선형 블록을 추정 혹은 관찰한 뒤 이를 적절히 보상하는 방식(피드포워드, 혹은 제한기 등)을 적용하는 전략도 흔히 쓰인다.
블록선도 해석의 확장: 유한요소법(FEM)과 분산 매개변수계
분포 매개변수계(distributed parameter system), 즉 편미분방정식(PDE)로 기술되는 시스템은 무한 차원을 갖는 동특성을 보이므로, 간단한 유한 차수 전이함수로 다루기 어렵다. 열 방정식, 물질 확산방정식, 유체 유동 방정식 등이 그러하다. 이 경우, 공간 좌표에 대해 유한요소법(FEM)이나 분산 모델링 기법을 활용하여 여러 구간으로 나누면, 각 구간마다 로컬(국소) 미분방정식을 얻고 이를 서로 연결해 준다. 그 결과를 집성(assembly)하면, 대차원 상태방정식 또는 근사 전이함수가 형성된다.
이때 블록선도 자체도 많은 서브 블록(구간별 전이함수나 적분 블록)으로 구성되어 복잡한 형태를 띨 수 있다. 그러나 FEM 기반의 시뮬레이션 툴은 이런 구조를 내부적으로 자동 구축해, 사용자가 전체 PDE를 입력하면 적절히 분할하고 수치적 블록선도를 만들기도 한다. 제어공학적으로는 분산 매개변수계를 근사하여 집약 매개변수계(lumped parameter system) 형태의 블록선도를 얻고, 여기서 폐루프 제어를 설계·적용하는 방식을 취한다.
현대 제어이론에서의 블록선도
현대 제어이론(Optimal control, H∞ control, MPC 등)에서도 블록선도 개념은 여전히 유효하다. 다만, 칼만 여과기(Kalman filter)나 LQG 제어기, $\mathcal{H}_{\infty}$ 제어기의 설계식은 주로 상태방정식 형식으로 나타난다. 그럼에도 실질적으로 구현하거나 시뮬레이션할 때는, 결국 여러 연산자(상태추정기, 동특성 블록, 제어기 블록 등)를 하나의 신호 흐름도로 묶어야 하므로, 블록선도가 필수적이다.
예컨대 LQG 폐루프 계를 블록선도로 그리면, 플랜트 $\mathbf{G}(s)$와 칼만 필터(추정 블록), LQ 궤환(출력 피드백) 블록이 직렬·병렬·피드백으로 결합된 복합 구조를 볼 수 있다.
결국 현대 제어에서 ‘블록선도’는 다양한 수학적 기법(최적화, 확률 필터링, 비선형 해석 등)을 시각적·구조적으로 재현하는 공통 프레임 역할을 수행한다. 이는 선형 범위를 넘어선 비선형, 시변, 분산 시스템에서도 마찬가지다. 제어 엔지니어는 필요에 따라 모델링 수준을 조절해 블록선도 표현을 선택하고, 상황에 맞는 해석·설계 기법을 적용한다.
실제 제어시스템 구현에서의 블록선도 활용
현업에서는 블록선도를 그림으로만 사용하지 않고, 실제 하드웨어나 소프트웨어 내에서 시스템을 모듈 단위로 구성할 때에도 이 개념이 자주 활용된다. 예컨대 임베디드 제어 시스템(마이크로컨트롤러, DSP, FPGA 등)에서 제어 알고리즘을 작성할 때, 제어 블록선도를 코드 구조에 직접 반영할 수 있다. 센서 입력은 블록선도에서의 $u(t)$ 역할을 하고, 연산(미분, 적분, 곱셈, 덧셈)은 코드 상의 함수를 통해 실행된다. 출력은 액추에이터나 통신 포트로 전달되어, 블록선도에서의 $y(t)$로 대응된다.
이 과정을 좀 더 체계적으로 지원하기 위해, MATLAB/Simulink나 Scilab/Xcos 같은 툴이 코드를 자동 생성(Auto-coding)해 주는 기능을 제공한다. 사용자가 그래픽 환경에서 블록선도를 구성하면, 각 블록에 해당하는 C/C++ 코드가 자동으로 작성되어 마이크로컨트롤러나 DSP에 곧바로 포팅될 수 있다. 이러한 방식은 대형 산업체에서도 적극적으로 도입되어, 초기 모델링에서 최종 구현까지의 시간을 크게 단축하고, 인간 실수에 의해 발생하는 위험 요소를 줄여 준다.
실시간 운영체제나 RTOS(Real-Time Operating System)를 사용하는 환경에서도, 블록선도의 각 주기별 연산을 태스크(task)로 배치하고, 우선순위를 결정하여 스케줄링하면 실시간 동작이 가능하다. 예컨대 1kHz 샘플링 주기로 제어 루프를 돌리려면, 블록선도 상의 모든 연산이 1ms 이내에 수행되어야 하므로, 해당 연산들의 복잡도를 관리하거나, 하드웨어 가속 기능(FPU, SIMD 등)을 활용하여 연산 시간을 줄여야 한다. 블록선도는 여기서도 모듈별 연산 경로를 시각적으로 파악해, 최적화 혹은 재배치를 계획하는 데 도움을 준다.
모델 예측 제어(MPC)와 블록선도
블록선도는 고전적 PID 제어뿐 아니라 모델 예측 제어(MPC) 같은 고급 제어 알고리즘의 구조를 나타낼 때도 자주 활용된다. MPC는 미래 시점까지의 시스템 동작을 예측하고, 성능 지표를 최적화하도록 입력을 결정하는 제어 방식이다. 상태방정식이나 전이함수 모델을 사용해 예측 부위를 구성하고, 구속조건(constraint)을 만족하는 범위 내에서 목표 함수를 최소화하는 최적화 문제를 매 샘플링 주기마다 푼다.
이 과정을 블록선도로 옮기면, 다음과 같은 아이디어가 반영된다. 우선 시스템 모델을 나타내는 블록(혹은 상태방정식 기반 예측 모듈)이 있고, 이 블록에 추정된 현재 상태와 여러 단계의 미래 입력 후보를 넣어 출력 예측을 계산한다. 그리고 이 예측 결과를 최적화 블록에서 평가하여, 전체 비용(cost)을 최소화하도록 입력 시퀀스를 조정한다. 마지막으로, 그중 첫 번째 스텝에 해당하는 입력을 실제 시스템에 가하는 것이 MPC의 기본 절차다.
선형 시스템이라면 MPC 문제는 선형 예측 모델에 기반한 2차(quadratic) 최적화 문제가 되며, 블록선도는 선형 블록(전이함수)와 최적화 알고리즘을 연결한 모양으로 구성된다. 비선형 시스템에 대해서는 비선형 예측 모델과 비선형 최적화 블록으로 확장될 수 있지만, 시뮬레이션과 코드 구현 복잡도가 대폭 증가한다. 그럼에도 불구하고 블록선도로 나타내면, 예측 모델, 비용 계산, 제약 조건, 출력 반환 경로 등이 각각 명시되어, 설계자와 운영자가 구조를 쉽게 이해할 수 있다.
신경망(NN)과 딥러닝 기반 블록선도
최근에는 신경망(Neural Network)이나 딥러닝을 통한 시스템 모델링 및 제어가 부상하고 있다. 이를 블록선도로 표현할 때, 신경망 자체는 선형 블록이 아니라 복수의 활성화 함수(ReLU, sigmoid 등)와 가중치 행렬이 계층적으로 결합된 구조가 되므로, 전통적인 라플라스 도메인 블록과는 성격이 다르다. 그럼에도 시뮬레이션 툴에서는 신경망 블록을 별도로 제공해, 입력 벡터가 들어가면 계층적 연산을 거쳐 결과가 나오도록 시각적으로 연결할 수 있다.
예컨대 시스템 파라미터 식별이나 모델 프리 제어(model-free control)를 신경망으로 구현한다면, 블록선도에서 신경망 블록과 플랜트 블록이 병렬로 놓이거나 피드백 루프 상에 배치되어, 정책(policy)이나 상태 추정 기능을 수행하게 된다. 이처럼 딥러닝 기반 제어에서도 블록선도는 여전히 유효한 표현 수단이며, 실제 구현 시 FPGA나 GPU 등에서 신경망 연산을 가속해 줘야 하는지, 어떤 경로로 피드백이 주어지는지를 명시적으로 보여 주는 역할을 한다.
시뮬레이션 예: 블록선도를 이용한 여러 입력 시나리오 테스트 (C++)
아래 예시는 단순 PID 제어 블록을 가상으로 표현하고, 단계 입력(step input)과 램프(ramp) 입력을 번갈아가며 시스템에 주는 시뮬레이션 코드다. 실제로는 시뮬레이션 툴에서 블록선을 그려놓고 입력 블록을 시간에 따라 변경하지만, 여기서는 C++에서 직접 구현하는 방식으로 예를 들겠다.
이 예시는 블록선도로 나타내면 대략 다음과 같은 형상을 갖는다. PID 블록이 오류(오차)를 받아 제어 신호 $u$를 내보내고, 이를 2차 프로세스 블록이 받아서 출력 $y$를 생성한다. 입력 신호 블록에서 나오는 $r(t)$가 합점에서 $r(t) - y(t)$로 오차가 되고, 그 오차가 다시 PID 블록으로 피드백되는 구조다.
모든 과정을 명시적으로 블록선도로 도시하면, 설계자 입장에서 제어 구조와 신호 흐름을 한눈에 파악할 수 있고, 추후 또 다른 입력 시나리오나 파라미터 변화를 손쉽게 반영할 수 있다.
지속적 활용과 발전 방향
제어공학에서 미분방정식과 블록선도 변환은 시스템을 단순화하고 시각적으로 파악하는 핵심 기법이다. 산업 현장에서는 모델 기반 제어(MBD), 자동 코드 생성, 실시간 시뮬레이션(RCP, HIL 등) 기법이 빠르게 확산되면서, 블록선도 표현이 더욱 중요해지고 있다. 전통적 라플라스 도메인 블록선도에서 출발하여, 상태방정식을 비롯한 여러 형태(신호흐름선도, 유한요소 분산 모델 등)로 확장해 나가는 추세가 계속 이어질 것이며, 비선형·확률·지능형 기법까지 통합해 주는 포괄적 도구로 발전하고 있다.
Last updated