모델예측제어와 머신러닝 결합을 통한 효율적인 스마트 플랜트 기술 개발
기존 화공 플랜트 최적제어는 크게 모델기반 방식과 데이터기반 방식으로 구분할 수 있습니다. 기초 모델은 열역학적, 반응공학적 지식이 집적된 산물로서 공정에 대한 유의미한 사전지식과 최적제어기 설계를 위한 시작점을 제공합니다. 하지만, 실제 공정에서는 언제나 외란과 불확실성을 포함한 모델-플랜트 불일치가 존재하기 때문에 기초 모델만으로는 완벽한 최적 제어기를 구현하는데 한계가 있습니다. AI (Artificial Intelligence)는 스마트 플랜트 운전의 핵심기술로써, 플랜트의 데이터를 기반으로 머신러닝을 통해 시스템의 동역학이나 현재 플랜트의 상태에서의 최적 전략을 계산합니다. 하지만 플랜트의 모델과 같은 사전지식을 배제한 채 데이터기반 머신러닝만을 사용하여 플랜트의 최적 제어기를 설계하는 방식은 막대한 양의 데이터와 계산을 필요로 하며, 학습과정에서 탐색에 가중된 정책에 의해 시스템이 손상될 위험성이 있습니다. STEP 연구실에서는 기초 모델 기반 최적제어와 외란 및 불확실성의 영향이 포함된 플랜트 데이터에 기반한 머신러닝을 결합하여, 효율적으로 각 방식의 단점은 상호보완하고 장점은 활용하는 스마트 플랜트 기술을 개발하고 있습니다. 특히 잔류편차-제거 모델예측제어 전략을 바탕으로, 데이터기반 머신러닝을 통해 모델-플랜트 불일치를 학습 및 활용하는 제어 시스템을 개발하고자 합니다. 제안한 방식은 모델-플랜트 불일치의 보상을 전적으로 AI에 맞기는 기존 방식과는 달리 모델-플랜트 불일치 맵을 학습하여 활용하는 동시에 잔류편차 제거기법을 통해 보정 외란 신호를 업데이트 함으로써 안정성을 보장하기 때문에, 기존 방식보다 더 효율적으로 스마트 플랜트의 생산성을 향상시킬 수 있을 것으로 기대됩니다.