브러시드 DC 모터 파라미터와 상태 동시 추정용 지능형 센서 기반 베이지안 신경망

본 논문은 브러시드 DC 모터의 전압(Va)과 전류(Ia)만을 입력으로 사용해 모터의 속도(ωr), 권선 온도(θ) 및 권선 저항(Ra)을 동시에 추정하는 인공지능 기반 추정기를 설계하고 검증한다. 서론에서는 기존의 속도 및 온도 측정 방법—터보미터, 광학 엔코더, 직접 온도 센서—의 비용·복잡성 문제와, EKF, 확장 EKF, SVSF 등 전통적인 필터 기반 추정기의 초기값 의존성 및 수렴 불안정성을 지적한다. 특히 온도와 저항이 서로 비선형적으로 연계되어 있음을 강조하며, 이를 동시에 추정할 수 있는 통합 모델의 필요성을 제시한다. II장에서는 DC 모터의 전기·기계·열 3축 모델을 수식으로 전개한다. 전기 방정식(1)은 전압, 저항, 온도 계수 α, 전류, 인덕턴스, 역기전력 상수 ke, 속도를 포함한다. 기계 방정식(2)은 관성 J, 점성 마찰 b, 부하 토크 Tl을 고려한다. 열 방정식은 구리 손실(Pcu = Ia²·Ra(θ))과 철손(Piron = k_ir·ω²)을 포함한 열 흐름을 열용량 H와 냉각 전송 계수 Tk(속도 의존)로 모델링한다. 최종적으로 9개의 연립 미분 방정식(8)–(9) 형태로 정리되어, MATLAB/Simulink 환경에서 시뮬레이션이 수행된다. 시뮬레이션 결과는 전류가 60 A까지 피크를 보인 후 정상 상태 7.27 A로 감소하고, 속도는 부하에 따라 변동하며, 평균 온도는 약 80 °C에 도달함을 보여준다. III장에서는 시뮬레이션 데이터를 기반으로 ANN 추정기를 설계한다. 기존 다층 퍼셉트론(MLP)과 Levenberg‑Marquardt(LM) 백프로파게이션은 대규모 데이터셋에서 메모리 초과와 학습 속도 저하 문제를 야기한다. 이를 해결하기 위해 캐스케이드‑포워드 신경망(CFNN)을 선택한다. CFNN은 입력층과 모든 은닉층을 다음 층에 직접 연결함으로써 피처 전달 경로를 다변화하고, 비선형 매핑 능력을 강화한다. 학습 알고리즘으로는 베이지안 규제 백프로파게이션(BRBP)을 적용해 가중치에 사전 확률을 부여, 과적합을 억제하고 메모리 효율성을 확보한다. 활성화 함수는 은닉층에 하이퍼볼릭 탄젠트(tanh), 출력층에 선형 함수를 사용한다. 데이터 전처리 단계에서는 시뮬레이션 결과에 백색 가우시안 잡음(표준편차 미명시)을 인위적으로 추가해 실제 센서 환경을 모사한다. 전체 데이터는 50 % 학습, 25 % 검증, 25 % 테스트로 분할하였다. 최적화된 CFNN은 2000 epoch 학습 후 평균 제곱 오차 1.6 × 10⁻⁴를 달성하였다. IV장에서는 추정 성능을 상세히 평가한다. 속도 추정에서는 과도 상태에 0.3 s 동안 110 rad/s의 피크 오차가 발생했지만, 정상 상태에서는 0.04 rad/s 이하(0.008 %)의 오차로 높은 정확도를 보였다. 온도 추정은 정상값 80 °C에 대해 ±0.6 °C(0.75 %) 이내, 권선 저항은 ±0.004 Ω 이하의 오차를 기록하였다. 이러한 결과는 잡음이 포함된 입력에서도 신경망이 강인하게 동작함을 입증한다. 결론에서는 제안된 CFNN‑BRBP 기반 추정기가 전압·전류만으로 속도·온도·저항을 동시에 추정할 수 있음을 강조한다. 이는 별도 속도 센서나 온도 센서가 필요 없으며, 실시간 제어 및 상태 모니터링에 적용 가능함을 의미한다. 다만, 현재는 시뮬레이션 기반 검증에 머물러 있으며, 실제 하드웨어 실험과 온라인 적응 학습 메커니즘 도입이 향후 과제로 제시된다.