마이크로 열전 시스템 적응형 PID 제어

마이크로 열전 냉각기(Micro-TEC) 시스템에서 정밀한 온도 조절은 PCR 열 순환기, 생체 의료 기기, 마이크로 전자 냉각 플랫폼 등 다양한 응용 분야에 필수적입니다. 비례-적분-미분(PID) 제어기는 구조적 단순성으로 널리 사용되지만, 성능은 게인 선택에 크게 좌우됩니다. 기존의 휴리스틱 튜닝은 비선형 열역학 환경에서 적응성이 제한적이며, 유전 알고리즘(GA)이나 입자 군집 최적화(PSO) 같은 최적화 기반 기법은 반복적이고 계산 집약적인 탐색이 필요합니다. 본 연구에서는 이러한 문제를 해결하기 위해 앙상블 기반 PID 게인 학습 프레임워크를 제안합니다. 2,500개 이상의 Micro-TEC 작동 시나리오에 대해 GA와 PSO를 오프라인으로 실행하여 PID 게인 지식 저장소를 구축하고, 이를 랜덤 포레스트, Extra Trees, 그라디언트 부스팅 학습기로 구성된 스태킹 앙상블 회귀 모델의 지도 학습 데이터로 활용했습니다. 훈련된 앙상블 모델은 작동 조건과 거의 최적에 가까운 PID 게인 간의 매핑을 학습하여, 배포 시 반복적인 진화 최적화의 필요성을 없앱니다. 제안된 앙상블 제어기는 Micro-TEC 플랜트 모델에서 오버슈트를 37.9%(6.31%에서 3.92%로), 정착 시간을 28.0%(16.8초에서 12.1초로) 감소시켰습니다. 또한, 정상 상태 온도 오차를 0.11°C(59.3% 감소)로 줄였으며, 기존 PSO 튜닝 PID보다 약 65배 빠르게(980ms 대비 15ms) 게인을 선택했습니다. 이 프레임워크는 고전적인 PID 제어와 데이터 기반 학습을 결합하여, 비선형 열 시스템에서 시나리오 인지 게인 스케줄링을 위한 확장 가능하고 계산 효율적인 접근 방식을 제공합니다.