이공계를 공부한 사람이라면 “제어”라는 단어를 한 번 들어봤을 것입니다.특히 과학 및 공학 분야에서는 “자동 제어”가 자주 사용됩니다.전문 서적 한 권이면 저절로 쓸 수 있을 정도로 통제의 영역이 깊은데요, 이번에는 “통제란 무엇인가?”에 대해 간단히 알아보도록 하겠습니다.자동 제어와 수동 제어의 차이, 피드백 제어와 피드포워드 제어의 차이, 최근 대세가 되고 있는 인공지능과 엣지 컴퓨팅의 관계에 대해 알아보겠습니다.
제어란 무엇인가?자동 제어 및 수동 제어
통제의 정의는 무엇입니까?“제어”는 “원하는 상태를 달성하기 위해 시스템을 조작하고 조정하는 것”으로 정의됩니다.즉, 시스템을 사용하여 원하는 상태로 만들거나 유지 관리하는 것입니다.
“제어”는 크게 두 가지 유형으로 나눌 수 있습니다.“수동 제어”와 “자동 제어”.수동 제어는 사람이 시스템에서 작업하는 것을 의미합니다.즉, “시스템에서 수행되는 운영 및 조정에 사람이 개입하는 것”으로 정의됩니다.예를 들어, 춥고 보통 모닥불이고 불이 너무 작아서 따뜻해지지 않는다면, 장작의 양을 늘려 불을 더 크게 하는 것이 '통제'입니다.이 경우, 모닥불의 “가열 시스템”의 목표량을 “불 크기”로 하여 인간이 “장작의 양”의 조절량을 조절함으로써 모닥불의 크기를 조절하는 것으로 간주된다.
반면에 자동 제어는 시스템에서 자동으로 작동합니다.즉, “사람의 개입 없이 시스템의 운영 및 조정을 수행하는 것”으로 정의됩니다.예를 들어, 덥고 에어컨을 켰을 때 인간은 온도만 설정합니다.그러면 에어컨이 자동으로 온도를 조절하여 해당 온도에 도달하거나 유지합니다.이런 경우 에어컨이라는 '냉방 시스템'이 설정 온도를 목표량으로, 냉매 순환량을 제어량으로 하여 자동으로 온도를 조절한다고 볼 수 있습니다.
클래식 제어 방법, 피드백 제어 및 피드포워드 제어
위 에어컨 예시에서는 설정된 목표량에 대한 제어량으로 냉매 순환량을 조절합니다.즉, 센서로 전류량 (상온) 을 측정하고 목표량 (설정된 상온) 과 비교하여 제어량 (냉매 순환량) 을 결정합니다.그리고 이를 반복하면서 현재의 금액은 점차 목표액에 근접하고 있습니다.즉, 현재 수량과 목표 수량을 비교하고 그 차이를 현재 수량에 더하여 현재 수량을 목표 수량에 더 가깝게 만드는 제어 방법을 사용합니다.이러한 제어 방법을 피드백 제어라고 합니다.이는 차액이 현재 금액으로 피드백되어 추가되기 때문입니다.
피드백 제어는 매우 일반적이고 널리 사용되는 제어 방법입니다.그러나 원칙적으로는 현재 금액이 목표량에 도달하기까지 지연되는 단점이 있습니다.예를 들어, 욕조의 설정 온도에 도달하는 데 시간이 걸리고 에어컨 온도가 안정화되는 데 시간이 걸립니다.
반면에 피드포워드 제어가 있습니다.피드포워드 제어는 시스템에 장애가 있거나 필요한 제어량을 미리 예측할 수 있는 경우 장애 발생과 제어량을 예측하고 해당 제어량을 더하는 제어 방식입니다.피드백 제어와 함께 자주 사용됩니다.예를 들어, 피드포워드 제어는 대략적인 제어량을 결정하는 데 사용될 수 있고, 피드백 제어는 미세 조정을 위해 사용될 수 있다.인공 지능을 사용하여 제어량을 예측할 수도 있습니다.
구체적인 예로, 욕조의 현재 온도를 측정하여 조절량과 비교하는 대신 미리 예측하여 그에 상응하는 제어량을 출력하는 것을 생각할 수 있습니다.이렇게 하면 설정 온도에 도달하는 데 걸리는 시간이 단축됩니다.
자동 제어 및 인공 지능
최근의 일부 에어컨과 욕조는 “랜덤 버튼”을 누르면 자동으로 최적 온도를 설정합니다.이러한 제어는 기존 피드백 제어나 피드포워드 제어만으로는 달성할 수 없습니다.최적의 온도를 결정하려면 여러 요인을 동시에 수집하여 제어량을 결정해야 하기 때문입니다.예를 들어, 목욕의 온도를 설정할 때는 욕조의 온도뿐만 아니라 날씨, 온도, 습도 등의 요인을 수집하여 종합적으로 판단하고 목욕의 조절량을 결정해야 합니다.
또한 최근 널리 보급되고 있는 가정용 연료전지를 사용할 때는 온수 온도 외에 발전량과 탱크의 잔량을 고려하여 최적의 제어량을 결정해야 합니다.따라서 기존 온수기보다 고려해야 할 요소가 더 많습니다.그리고 새로운 기술이 등장함에 따라 고려해야 할 요소도 늘어나는 경향이 있습니다.이러한 상황에서는 목표값에 대한 제어뿐만 아니라 전체 시스템에 대한 “최적” 제어를 수행하는 것이 필요해지고 있습니다.
이러한 “최적의” 제어 요구 사항에 대한 해답으로 종합적인 결정을 내리기 위해 인공 지능, 특히 신경망을 통한 딥 러닝이 도입되는 경우가 많습니다.신경망은 동시에 여러 요인을 종합적으로 판단하여 제어량을 결정할 수 있습니다.또한 최근 몇 년간 하드웨어와 소프트웨어의 엄청난 발전으로 속도 측면에서 밝은 전망이 열렸습니다.학습이 필요하긴 하지만 많은 요인에 대한 최적의 제어 수준을 결정할 수 있다는 이점은 엄청납니다.기존의 피드백 제어와 피드포워드 제어를 보완하는 기술로서 향후 제어 기술에 없어서는 안 될 기술이 될 것입니다.
자동 제어 및 엣지 컴퓨팅
위의 예에서는 제어 속도가 많이 필요하지 않은 에어컨과 온수기의 예를 들었지만 이러한 예에서도 제어 속도가 빠른 것이 좋습니다.그럼 다른 지역은 어떨까요?특히 산업 시스템 및 자동차 분야에서는 제어를 위해 더 빠른 속도가 필요합니다.자동차의 엔진 제어를 예로 들면 제어는 몇 밀리초 단위로 수행됩니다.마찬가지로 생산 시스템에서도 제어 시스템에는 속도가 필요합니다.클라우드 컴퓨팅의 등장 이후 다양한 산업 분야에서 클라우드 사용이 증가하고 있지만 병목점은 속도입니다.위에서 언급한 제어 시스템을 클라우드 컴퓨팅만으로 구현하는 것은 속도면에서 쉽지 않습니다.따라서 클라우드 컴퓨팅보다 속도 측면에서 유리한 엣지 컴퓨팅이 효과적인 것으로 간주됩니다.
자동 제어의 미래
자동화 제어는 사실 18세기 말에 기계적으로 실현되었다고 하는 매우 오래된 분야입니다.예전에는 이러한 자동 제어가 아날로그 형태로 구현되었습니다.고전적인 제어 방법은 이 아날로그 시대에 확립되었습니다.지금은 이것이 디지털화되어 사용되고 있지만, 이제부터는 인공 지능이 이를 보완할 것입니다.새로운 기술을 접목하여 점차 형태가 바뀌었던 자동화 제어는 여전히 인공 지능 및 엣지 컴퓨팅과 같은 기술에 의해 업데이트되고 있습니다.
