AI 기반 소형 온도 챔버 자동 제어 시스템 – 최종 결과 제출

본 프로젝트는 기존 고정 PID 기반 열 공정 제어의 한계를 개선하기 위해, 공정 데이터를 기반으로 스스로 학습하고 제어 파라미터를 자동 보정하는 머신러닝 기반 자율 제어 알고리즘을 적용한 소형 온도 챔버 자동 제어 시스템입니다.

기존 PID 방식은 사전에 설정된 고정 제어 계수를 사용하는 정적 제어 방식입니다. 그러나 실제 열 공정 환경에서는 외란, 환경 온도 변화, 반복 시험 조건 변화 등에 따라 시스템 동특성이 변합니다. 이러한 변화에 고정 PID는 능동적으로 대응하지 못하는 구조입니다.

본 시스템은 공정 데이터를 실시간으로 수집하고, 통계 기반 머신러닝 알고리즘을 통해 공정 모델을 지속적으로 업데이트하며, 그 결과를 이용해 제어 파라미터를 자동으로 재계산하는 자율 학습 기반 제어 시스템입니다.

Quest 3 단계에서는 실제 구동 장면을 포함한 소개 영상과 함께
완성된 최종 시스템을 제출합니다.

1. 실제 작동 영상

중간 실험 과정 사진

▶ 소개 영상 링크:
[프로젝트 내용 발표자료]

https://youtu.be/Vh5sHnhbi4o

[실제 작동 영상]

https://youtu.be/Y6AuaZAh6Fg

영상에는 다음 내용이 포함되어 있습니다.

• 실제 온도 챔버 구동 장면

• 목표 온도 50°C 설정 및 상승 과정

• 고정 PID 응답 특성

• AI 기반 자율 제어 응답 비교

• 외란 조건 테스트 장면

• 최종 안정화 결과 확인

2. 시스템 구조 및 동작 원리

본 시스템은 히터, LM35 온도 센서, PWM 제어 팬, STM32H7 기반 MCU 제어 보드로 구성되어 있습니다.

동작 구조는 다음과 같습니다.

1. 온도 데이터를 실시간 수집합니다.
2. RLS(Recursive Least Squares) 알고리즘을 통해 공정 모델을 온라인 학습합니다.
3. 학습된 모델을 기반으로 PI 제어 파라미터를 자동 산출합니다.
4. PWM을 통해 팬 출력을 제어하며, 설정 온도 +5℃ 초과 시 히터를 차단합니다.

이 구조는 단순 제어기가 아니라, 데이터 → 모델 학습 → 제어기 재설계 → 적용의 반복 구조를 갖는 학습 기반 시스템입니다.

3. 개발 과정 요약

• 1~2주차 : 문제 정의 및 시스템 설계

• 3~4주차 : 하드웨어 제작 및 기본 PID 구현

• 5~6주차 : 반복 시험 데이터 확보 및 성능 분석

• 7~8주차 : AI 기반 자동 보정 로직 개발

• 9~10주차 : 통합 테스트 및 성능 비교 검증

고정 PID 방식과 AI 자율 제어 방식을 동일 조건에서 비교하여
오버슈트, 정착 시간, 에너지 사용량을 정량 분석했습니다.

4. 머신러닝 기반 RLS 모델 추정 기법

기존 제어 방식은 사전에 설정된 Kp, Ki, Kd 값을 기반으로 동작하는 고정 PID 제어 방식입니다.

제어식은 다음과 같습니다.

u(t) = Kp·e(t) + Ki∫e(t)dt + Kd·de/dt

이 방식은 공정 특성이 변하지 않는다는 가정 하에 동작하는 제어 방식입니다.

그러나 환경 온도 변화, 발열체 특성 변화, 반복 시험 조건 변화가 발생할 경우 최적 PID 계수가 달라지며, 이에 따라 오버슈트 증가, 정착 시간 지연, 제어 성능 편차가 발생하는 문제가 있습니다.

또한 최적 파라미터 도출을 위해 작업자의 수동 튜닝이 필요하다는 한계가 있습니다.

따라서!! 아래의 AI 모델을 사용하여 한계점을 돌파했습니다.

머신러닝 기반 RLS 모델

본 시스템에서는 공정을 다음과 같은 1차 동적 모델로 표현합니다.

T[k] = aT[k-1] + b·u[k-1] + c

여기서 a, b, c는 시스템 동특성을 나타내는 파라미터입니다.

이 파라미터는 RLS(Recursive Least Squares) 알고리즘을 통해 실시간으로 추정됩니다. RLS는 통계 기반의 온라인 학습 알고리즘이며, 새로운 데이터가 입력될 때마다 모델 파라미터를 업데이트하는 순차 학습(Online Learning) 방식입니다.

RLS는 다음과 같은 머신러닝 특성을 갖습니다.

1. 데이터 기반 모델 학습
2. 실시간 파라미터 업데이트
3. 오차 최소화를 기반으로 한 최적 추정
4. 과거 데이터와 현재 데이터를 동시에 고려하는 적응형 추정 구조

이는 지도 학습 기반의 선형 모델 추정 기법에 해당하며, 반복적으로 모델을 보정하는 온라인 머신러닝 알고리즘입니다.

정리하자면 RLS의 역할은 아래와 같습니다.

• 온도 응답 데이터를 기반으로 공정 모델 추정
• 시간상수(τ) 및 시스템 이득(K) 계산
• 20초 주기로 PI 계수 자동 재계산
• 제어기 파라미터 자동 업데이트

결론적으로 기존 PID 방삭과 RLS 기반 AI모델을 비교하자면

결론은 AI 기반 자율 제어 적용 시,

1. 오버슈트 감소
2. 정착 시간 단축
3. 팬 출력 사용량 감소
4. 외란 발생 시 빠른 회복
5. 반복 시험 환경에서도 안정적인 제어 유지

효과를 확인했습니다.

5. 완성 결과물 제출

• 소형 온도 챔버 하드웨어 완성

• MCU 기반 제어 보드

• PID 및 AI 자율 제어 알고리즘 구현 완료

• 실제 구동 검증 완료

• 코드는 happyjdk2@gmail.com 로 요청주시면 공유해드리겠습니다.

영상 및 실물 결과물로 최종 완성 상태를 확인할 수 있습니다.

6. 구매 인보이스 제출

프로젝트 수행 과정에서 구매한 부품의 인보이스를
최종 단계까지 모두 업로드 완료하였습니다.