아이디어 개요

기존의 온도 챔버 및 열 기반 제조 공정은 대부분 고정된 PID 제어 파라미터를 사용하여 운전됩니다. 이러한 방식은 초기 세팅이 간단하다는 장점이 있으나, 공정 조건이 변하지 않는다는 가정에 기반하고 있어 반복 시험 과정이나 외란 발생 시 오버슈트, 정착 지연, 불필요한 에너지 소모와 같은 문제가 자주 발생합니다.

특히 양산 전 검사 단계에서는 동일한 장비로 수십~수백 회 이상의 반복 테스트가 수행되며, 장비의 열특성 변화, 환경 온도 차이, 부하 조건 변화에 따라 최적의 PID 파라미터가 달라질 수 있음에도 불구하고, 실제 현장에서는 이를 수동으로 재조정하거나 경험에 의존해 운전하는 경우가 많습니다.

본 프로젝트는 이러한 한계를 해결하기 위해, 기존의 고정 PID 제어 방식과 AI 기반 자율 제어 방식을 비교·\;분석하고, AI가 공정 특성을 스스로 분석하여 제어 파라미터를 자동으로 보정하는 자율 온도 제어 시스템을 제안합니다. 이를 통해 반복 시험 환경에서도 일관된 제어 성능을 유지하고, 작업자의 개입을 최소화하는 것을 목표로 합니다.

 \;

프로젝트 내용

본 시스템은 히터, 온도 센서, 팬으로 구성된 소형 온도 챔버를 대상으로 하며,
동일한 하드웨어 환경에서 두 가지 제어 방식을 적용하여 성능을 비교합니다.

1) 기존 PID 제어 방식

• 사전에 설정된 고정 PID 파라미터 사용

• 공정 조건 변화에 따라 오버슈트 및 응답 지연 발생 가능

• 반복 시험 시 제어 성능 편차 발생

• 최적 파라미터 도출을 위해 숙련자의 경험 또는 반복 튜닝 필요

2) AI 기반 자율 제어 방식

• 초기 구동 시 또는 공정 조건 변경 시, 온도 응답 데이터를 기반으로 공정 특성을 자동 분석

• 분석 결과를 바탕으로 PID 제어 파라미터 또는 출력 제어 전략을 자동 산출·\;보정

• 운전 중에도 제어 성능을 지속적으로 평가하여 필요 시 재보정 수행

• 외란 발생 시에도 빠른 회복과 안정적인 온도 유지 가능

3) 비교 평가 지표

본 프로젝트에서는 다음과 같은 지표를 통해 두 제어 방식의 성능을 정량적으로 비교합니다.

• 목표 온도 도달 시 오버슈트 크기

• 정착 시간(허용 오차 범위 내 진입 시간)

• 정상 상태에서의 온도 변동 폭

• 동일 조건에서의 히터 출력 사용량(에너지 효율)

 \;

기대 효과 및 의의

AI 기반 자율 제어 시스템은 단순히 PID 제어를 대체하는 것을 넘어,
공정 특성 분석 &rarr\; 제어 파라미터 결정 &rarr\; 실시간 제어 적용으로 이어지는 완전한 자율 제어 루프를 구성합니다.

이를 통해,

• 반복 시험 환경에서 제어 성능의 일관성 확보

• 작업자의 수동 튜닝 부담 감소

• 공정 품질 안정화 및 에너지 효율 향상

을 동시에 달성할 수 있으며, 본 프로젝트는 콘테스트의 6대 문제 영역 중
⑤ 공정 제어·\;자율 최적화 루프 : AI가 공정을 분석하고 직접 제어까지 수행하는 자율 시스템을 직접적으로 구현하는 사례가 됩니다.

1. 부품 수령 및 개발 착수 현황

AI 기반 PID 자동보정 시스템 구현을 위한 핵심 부품을 수령하였으며, 현재 실제 하드웨어 기반 디버깅을 시작한 상태입니다.

 \;

수령 및 사용 부품:

• STM32H755ZI-Q (NUCLEO-H755ZI-Q, 듀얼코어 MCU)

• LM35 온도 센서

• 12V PWM/TACH BLDC 팬

• PTC 히터(20&Omega\;)

• MOSFET Power Controller 모듈

현재 보드 전원 인가 및 ST-LINK를 통한 다운로드/디버깅 환경이 정상 동작하며, 시리얼 통신(VCP)을 통해 로그 출력이 확인되었습니다.
(첨부: STM32 world 로그 화면)

 \;

---

2. 현재 구현 및 디버깅 진행 상황

2-1. MCU 구조 및 시스템 아키텍처

STM32H755의 듀얼코어 구조를 활용하여 다음과 같이 역할을 분리하여 설계 중입니다.

• Cortex-M7 (H7 Core)

  • 시스템 동작 Sequence 제어

  • PID 제어 루프 실행

  • ADC 센서값 수집

  • MOSFET 및 BLDC 제어

  • 시스템 상태 관리

• Cortex-M4 (H4 Core)

  • AI 기반 PID 파라미터 자동 보정

  • 실시간 온도 응답 트래킹

  • Overshoot / Settling Time 분석

  • Adaptive Gain 조정 로직 수행

현재는 M7 코어 기반으로 전체 하드웨어 Bring-up 및 동작 검증을 우선 진행 중이며, 이후 M4에 AI 추론 구조를 이관할 계획입니다.

---

2-2. ADC 센서값 확인

• LM35 온도 센서를 ADC 채널에 연결

• 실시간 ADC Raw 값 수집

• 시리얼 로그를 통해 값 출력 확인

• ADC 변환값 기반 온도 계산 루틴 구현 중

현재는 ADC 값이 정상적으로 변동되는 것을 확인한 상태입니다.

---

2-3. BLDC 팬 구동

• PWM 출력 설정 완료

• 12V BLDC 팬 동작 확인

• PWM Duty 변경에 따른 회전 속도 제어 동작 확인

• 향후 TACH 피드백 기반 Closed-loop 속도 제어 예정

---

2-4. MOSFET 기반 히터 제어

• MOSFET Power Controller 모듈 연결

• PWM 제어 신호 출력 확인

• PTC 히터 온도 상승 확인

• 히터-팬 동시 구동 시 온도 응답 특성 관찰 중

---

3. 구현 순서 및 예상 일정

Step 1 (완료)

• 개발환경 구축

• ST-LINK 디버깅 환경 구성

• UART 로그 출력 확인

Step 2 (진행 중)

• ADC 센서 데이터 수집

• PWM 기반 BLDC 제어

• MOSFET 히터 제어

Step 3 (예정, 2주 이내)

• 기본 PID 제어 루프 구성

• 온도 목표값 추종 테스트

• Overshoot 및 Settling Time 측정

Step 4 (예정)

• M4 코어에 AI Adaptive 모듈 탑재

• PID Gain 자동 튜닝 알고리즘 적용

• 실시간 파라미터 보정 구조 구현

---

4. 현재 상태 요약

• 하드웨어 Bring-up 완료

• ADC 값 확인 완료

• BLDC 및 MOSFET 제어 동작 확인

• 듀얼코어 기반 역할 분리 아키텍처 설계 완료

• AI Adaptive PID 구조 설계 진행 중

현재는 초기 프로토타입 단계이며, 하드웨어 기반 실험을 통해 제어 응답 데이터를 수집 중입니다.
Quest 3에서는 AI 기반 자동보정 알고리즘을 적용한 실험 결과를 제출할 예정입니다.

 \;

Invoice 를 업로드 하오니 참고바랍니다!

 \;

AI 기반 소형 온도 챔버 자동 제어 시스템 &ndash\; 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 &rarr\; 모델 학습 &rarr\; 제어기 재설계 &rarr\; 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&int\;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(&tau\;) 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.