Physics-Informed Neural Network로 유압 시스템의 미측정 상태를 추정할 수 있을까?

유압 시스템과 인공지능의 만남

유압 시스템은 굴삭기, 항공기 조종면, 제조 로봇 등 우리 주변의 핵심적인 기계 장치들을 움직이는 근육과 같습니다. 하지만 시스템 내부의 압력, 유량, 혹은 부품의 마모 상태와 같은 내부 상태는 모든 곳에 센서를 설치할 수 없기에 측정하기 매우 어렵습니다. 여기서 물리 기반 신경망인 PINN(Physics-Informed Neural Network)이 혁신적인 해결책으로 떠오르고 있습니다. PINN은 단순히 데이터를 학습하는 기존 인공지능과 달리, 유체 역학의 물리 법칙을 학습 과정에 직접 포함함으로써 센서가 없는 위치의 상태를 정확하게 추정할 수 있게 해줍니다.

물리 기반 신경망이 무엇인가요

일반적인 인공지능은 데이터가 많을수록 성능이 좋아지지만, 물리적 현상을 무시하고 결과값만 맞추려는 경향이 있습니다. 반면 PINN은 뉴런의 학습 과정 속에 미분 방정식과 같은 물리 법칙을 제약 조건으로 추가합니다. 유압 시스템의 경우, 베르누이 방정식이나 나비에 스토크스 방정식 같은 유체 역학 법칙을 인공지능의 손실 함수(Loss Function)에 포함합니다. 이렇게 하면 인공지능은 데이터가 부족한 상황에서도 물리 법칙에 어긋나는 결과를 내놓지 않으며, 센서가 없는 지점의 압력 변화도 논리적으로 유추해낼 수 있습니다.

유압 시스템에서 미측정 상태를 추정해야 하는 이유

• 안전성 강화: 시스템 내부의 압력 과부하를 실시간으로 감지하여 대형 사고를 예방할 수 있습니다.
• 유지보수 효율화: 부품의 마모나 내부 누설을 직접 분해하지 않고도 수학적 모델을 통해 추정하여 예방 정비가 가능합니다.
• 비용 절감: 수많은 센서를 설치하는 대신, 최소한의 센서 데이터와 물리 모델을 결합하여 시스템 전체의 상태를 파악함으로써 하드웨어 구축 비용을 획기적으로 줄일 수 있습니다.
• 성능 최적화: 시스템이 가장 효율적으로 동작하는 압력과 유량을 계산하여 에너지 소비를 최소화할 수 있습니다.

실제 현장에서의 활용 방법과 단계

유압 시스템에 PINN을 적용하기 위해서는 체계적인 접근이 필요합니다. 처음부터 복잡한 모델을 만들기보다는 다음 단계를 따르는 것이 좋습니다.

• 시스템 모델링: 유압 회로의 기본 물리 방정식(질량 보존 법칙, 운동량 보존 법칙 등)을 수식으로 정리합니다.
• 데이터 수집: 시스템의 입구와 출구 등 접근 가능한 지점에 센서를 부착하여 압력과 유량 데이터를 확보합니다.
• 신경망 설계: 입력층에는 시간과 위치 정보를, 출력층에는 우리가 알고자 하는 압력이나 속도 정보를 설정합니다.
• 물리 제약 조건 추가: 신경망의 오차 계산 과정에 1번에서 정리한 물리 방정식을 미분 형태로 포함시킵니다.
• 학습 및 검증: 실제 데이터와 물리 법칙을 동시에 만족하는 방향으로 신경망을 학습시킨 뒤, 센서가 없는 지점의 값을 추정해 봅니다.

흔한 오해와 진실

많은 분이 인공지능이 만능이라고 생각하지만, PINN은 데이터 과학과 물리적 지식이 적절히 조화되어야 합니다.

오해 하나, 데이터가 많으면 물리 법칙은 필요 없다

데이터만으로 학습하면 유압 시스템이 가진 비선형적인 특성을 완벽히 잡아내기 어렵습니다. 특히 센서가 없는 구간에서는 데이터가 없기 때문에 물리 법칙이라는 가이드라인 없이는 인공지능이 엉뚱한 값을 출력할 가능성이 큽니다.

오해 둘, PINN은 모든 유압 시스템에 즉시 적용 가능하다

시스템마다 사용하는 유체(오일)의 점도, 온도 변화, 배관의 재질 등이 다르기 때문에 해당 시스템에 맞는 물리 모델을 정확히 수립하는 과정이 반드시 선행되어야 합니다.

전문가가 말하는 PINN 적용 팁

현장에서 PINN을 성공적으로 도입한 전문가들은 다음과 같은 조언을 건넵니다. 첫째, 데이터의 노이즈를 먼저 제거하세요. 유압 시스템은 진동이 심해 센서 데이터에 노이즈가 많습니다. 물리 모델을 적용하기 전에 데이터 전처리가 완벽해야 합니다. 둘째, 물리 모델을 너무 엄격하게 적용하지 마세요. 때로는 측정 데이터와 물리 방정식 사이의 가중치를 조절하는 하이퍼파라미터 튜닝이 성능을 좌우합니다. 셋째, 시뮬레이션 환경에서 먼저 검증하세요. 실제 장비에 적용하기 전, MATLAB/Simulink와 같은 툴로 가상의 유압 시스템을 만들고 PINN이 정확히 상태를 추정하는지 충분히 테스트하는 것이 비용 효율적입니다.

비용 효율적인 활용을 위한 전략

유압 시스템의 디지털 전환을 고민할 때 큰 비용이 드는 센서 교체보다는 PINN을 활용하는 것이 훨씬 경제적입니다.

• 최소 센서 전략: 고가의 정밀 센서를 모든 곳에 설치하는 대신, 시스템의 주요 입출력 지점에만 저렴한 센서를 설치하고 PINN으로 내부를 가상화합니다.
• 클라우드 컴퓨팅 활용: 신경망 학습은 강력한 컴퓨팅 자원이 필요합니다. 로컬 장비에서는 데이터 수집만 수행하고, 학습은 클라우드 서버에서 수행하여 사양 낮은 로컬 장비로도 운영이 가능하도록 설계합니다.
• 오픈소스 라이브러리 사용: PyTorch나 TensorFlow 기반의 PINN 전용 라이브러리(DeepXDE 등)를 활용하면 밑바닥부터 코딩하는 것보다 5배 이상 빠르게 시스템을 구축할 수 있습니다.

자주 묻는 질문과 답변

질문: 센서가 하나도 없어도 추정이 가능한가요?

답변: 최소한의 입출력 데이터는 반드시 필요합니다. 시스템의 시작점(입구)과 끝점(출구)에 대한 정보가 없으면, 물리 법칙만으로는 현재 시스템이 어떤 상태인지 확정할 수 없습니다. 최소한 하나의 센서 데이터라도 있어야 합니다.

질문: 시스템이 복잡하면 계산 시간이 너무 오래 걸리지 않나요?

답변: 실시간 추정이 필요한 경우, 학습은 오프라인에서 미리 완료하고 실제 현장에서는 학습된 모델을 통해 즉각적인 결과값만 도출하는 ‘추론(Inference)’ 단계만 거치게 됩니다. 따라서 실시간성 확보는 충분히 가능합니다.

질문: 일반적인 데이터 기반 AI와 구체적으로 무엇이 다른가요?

답변: 데이터 기반 AI는 ‘데이터와 결과의 상관관계’만 찾지만, PINN은 ‘데이터와 결과가 왜 그렇게 나오는지에 대한 물리적 이유’를 함께 고려합니다. 이 덕분에 데이터가 부족한 영역(센서가 없는 곳)에서도 신뢰할 만한 추정치를 제공합니다.

산업별 적용 가능성

유압 시스템의 상태 추정은 다양한 분야에서 응용될 수 있습니다. 건설 기계 분야에서는 굴삭기 실린더의 내부 누설을 감지하여 고장을 사전에 방지할 수 있습니다. 항공우주 분야에서는 조종면을 움직이는 유압 액추에이터의 잔여 수명을 예측하여 비행 안전성을 극대화합니다. 제조 공정에서는 정밀 제어가 필요한 유압 프레스의 압력을 실시간으로 모니터링하여 제품 불량률을 낮추는 데 기여합니다. 이렇듯 PINN은 유압 시스템이 사용되는 거의 모든 산업에서 운영 효율을 극대화하는 핵심 기술로 자리 잡고 있습니다.

기술적 완성도를 높이는 데이터 전처리 방법

PINN의 성능을 높이기 위해서는 입력 데이터의 정교함이 필수적입니다. 유압 시스템은 작동 시 발생하는 압력 서지(Surge) 현상 때문에 데이터가 급격히 변동합니다. 이러한 노이즈를 단순히 제거하면 물리적인 특성까지 사라질 수 있으므로, 이동 평균 필터나 칼만 필터를 사용하여 데이터의 물리적 의미를 유지하면서 부드럽게 다듬는 과정이 필요합니다. 또한, 시스템의 운전 조건(온도, 부하)에 따라 유체의 물리적 성질(점도 등)이 변하므로 이를 변수로 입력층에 넣어주는 것이 중요합니다.

미래 전망과 고려사항

앞으로의 유압 시스템은 ‘지능형 유압’으로 진화할 것입니다. 단순히 압력을 가하는 것을 넘어, 스스로 상태를 진단하고 수리 시점을 알려주는 시스템이 표준이 될 것입니다. 이를 위해 PINN은 유압 회로 설계 단계부터 고려되어야 합니다. 설계 단계에서부터 센서의 위치와 물리적 모델을 결합한 PINN 알고리즘을 함께 설계한다면, 향후 유지보수 비용을 획기적으로 낮출 수 있는 스마트 시스템을 구축할 수 있습니다. 기술을 도입할 때는 현재 시스템의 데이터 로깅 환경이 충분한지, 물리 모델을 수식화할 수 있는 전문가가 있는지 점검하는 것이 우선입니다.