과학 및 공학 분야를 공부 한 사람이라면 누구나 “통제”라는 단어를 한 번 들었을 것입니다. 특히 “자동 제어”는 과학 및 공학 분야에서 자주 사용됩니다. 통제 분야가 너무 깊어서 전문 서적 한 권이 저절로 쓰여질 수 있지만, 이번에는 “통제란 무엇인가?”를 간략하게 살펴 보겠습니다. 자동 제어와 수동 제어의 차이점, 피드백 제어와 피드 포워드 제어의 차이점, 인공 지능과 엣지 최근 몇 년 동안 인기를 끌고있는 컴퓨팅.
통제란 무엇인가? 자동 제어 및 수동 제어
통제의 정의는 무엇입니까? “제어”는 “원하는 상태를 달성하기 위해 시스템을 조작하고 조정하는 것”으로 정의됩니다. 즉, 시스템과 협력하여 원하는 상태로 가져 오거나 유지합니다.
“제어”는 대략 두 가지 유형으로 나눌 수 있습니다. “수동 제어”및 “자동 제어”. 수동 제어는 인간이 시스템에서 작업한다는 것을 의미합니다. 즉, “시스템에서 수행되는 작업 및 조정에 대한 인간의 개입”으로 정의됩니다. 예를 들어, 춥고 보통 모닥불이고 화재가 너무 작아서 따뜻해지지 않으면 “통제”는 장작의 양을 늘려 불을 더 크게 만드는 것입니다. 이러한 경우, 인간이 모닥불의 “난방 시스템”에 대한 목표량으로서 “장작의 양”과 “화재의 크기”의 제어량을 조정함으로써 모닥불의 크기를 조절할 수 있다고 생각된다.
반면에 자동 제어는 시스템에서 자동으로 작동합니다. 즉, “인간의 개입없이 시스템에 대한 작업 및 조정 수행”으로 정의됩니다. 예를 들어, 뜨겁고 에어컨이 켜지면 인간은 온도 만 설정합니다. 그런 다음 에어컨은 자동으로 온도를 조정하여 해당 온도에 도달하거나 유지합니다. 이러한 경우, 공조기라고 불리는 “냉각시스템”은 설정온도를 목표량으로 하여 온도를 자동으로 제어하고 냉매 순환량을 제어량으로 하는 것으로 간주할 수 있다.
클래식 제어 방법, 피드백 제어 및 피드포워드 제어
상기 에어컨 예에서, 순환냉매의 양은 설정된 목표량에 대한 제어량으로서 제어된다. 즉, 전류량(상온)은 센서에 의해 측정되고, 제어량(냉매 순환량)은 이를 목표량(설정된 상온)과 비교하여 결정된다. 그리고 이것을 반복함으로써, 현재의 양은 점차 목표량에 접근하고 있다. 즉, 제어 방법은 현재 수량을 목표 수량과 비교하고 현재 수량에 차이를 추가하여 현재 수량을 목표 수량에 더 가깝게 만드는 데 사용됩니다. 이러한 제어 방법을 피드백 제어라고 합니다. 이는 차이가 현재 양으로 피드백되고 추가되기 때문입니다.
피드백 제어는 매우 일반적이며 널리 사용되는 제어 방법입니다. 그러나, 원칙적으로 현재 사용량이 목표량에 도달하기 전에 지연이 있다는 단점이 있다. 예를 들어, 욕조의 설정 온도에 도달하는 데 시간이 걸리고 에어컨의 온도가 안정되는 데 시간이 걸립니다.
반면에 피드포워드 컨트롤이 있습니다. 피드포워드 제어는 시스템에 교란이 있을 때 또는 필요한 제어량을 미리 예측할 수 있을 때 교란의 발생 및 제어량을 예측하고 그에 상응하는 제어량을 추가하는 제어 방법입니다. 피드백 제어 외에도 자주 사용됩니다. 예를 들어, 피드포워드 제어는 거친 제어량을 결정하기 위해 사용될 수 있고, 피드백 제어는 미세 조정을 위해 사용될 수 있다. 인공 지능은 또한 제어의 양을 예측하는데 사용될 수 있다.
구체적인 예로서, 욕조의 현재 온도를 측정하고 제어 된 양과 비교하는 대신, 사전에 예측하고 그에 상응하는 제어 된 양을 출력하는 것이 가능합니다. 이렇게 하면 설정 온도에 도달하는 데 걸리는 시간이 단축됩니다.
자동 제어 및 인공 지능
최근의 일부 에어컨과 욕조는 “랜덤 버튼”을 누를 때 자동으로 최적의 온도를 설정합니다. 이러한 제어는 고전적인 피드백 제어 또는 피드포워드 제어만으로는 달성할 수 없습니다. 이는 최적 온도를 결정하기 위해 제어량을 결정하기 위해 동시에 여러 요인을 수집할 필요가 있기 때문이다. 예를 들어, 욕조의 온도를 설정할 때 날씨, 온도 및 습도뿐만 아니라 욕조의 온도와 같은 요소를 수집하여 포괄적 인 판단을하고 욕조의 제어량을 결정해야합니다.
또한, 최근 보급되고 있는 가정용 연료전지를 사용할 경우, 온수 온도 이외에 발전량과 탱크의 잔존량을 고려하여 최적의 제어량을 결정할 필요가 있다. 따라서 전통적인 온수기보다 고려해야 할 요소가 더 많습니다. 그리고 고려해야 할 요소는 새로운 기술을 사용할 수있게됨에 따라 증가하는 경향이 있습니다. 이러한 상황에서는 목표 값에 대한 제어뿐만 아니라 전체 시스템에 대한 “최적의”제어를 수행 할 필요가되고 있습니다.
이러한 “최적의”제어 요구 사항에 대한 해답으로 인공 지능, 특히 신경망에 의한 딥 러닝은 포괄적 인 결정을 내리기 위해 종종 도입됩니다. 신경망은 동시에 여러 요인을 종합적으로 판단하여 통제의 양을 결정할 수 있습니다. 또한 최근 몇 년 동안 하드웨어와 소프트웨어의 엄청난 발전은 속도 측면에서 밝은 전망을 열었습니다. 학습이 필요하지만 많은 요인에 대한 최적의 통제량을 결정할 수 있다는 이점은 엄청납니다. 기존의 피드백 제어 및 피드포워드 제어를 보완하는 기술로서 미래 제어 기술에 없어서는 안 될 필수 요소가 될 것입니다.
자동 제어 및 엣지 컴퓨팅
위의 예에서 우리는 많은 제어 속도를 필요로하지 않는 에어컨과 온수기의 예를 제시했지만,이 예에서도 높은 제어 속도를 갖는 것이 좋습니다. 그렇다면 다른 분야는 어떻습니까? 특히 산업 시스템 및 자동차 분야에서는 제어를 위해 더 많은 속도가 필요합니다. 자동차의 엔진 제어를 예로 들자면, 제어는 몇 밀리초 단위로 수행됩니다. 마찬가지로 생산 시스템에서 제어 시스템에는 속도가 필요합니다. 클라우드 컴퓨팅의 출현 이후 다양한 산업 분야에서 클라우드의 사용이 증가하고 있지만 병목 현상은 속도입니다. 클라우드 컴퓨팅만으로 위에서 언급 한 제어 시스템을 실현하는 것은 속도면에서 쉽지 않습니다. 그러므로 엣지 클라우드 컴퓨팅보다 속도 측면에서 유리한 컴퓨팅은 효과적인 것으로 간주됩니다.
자동 제어의 미래
자동 제어는 실제로 18 세기 말까지 기계적으로 실현 된 매우 오랜 분야입니다. 옛날에는 이러한 자동 제어가 아날로그 형태로 실현되었습니다. 고전적인 제어 방법은이 아날로그 시대에 확립되었습니다. 현재이 기능은 디지털화되어 사용되지만 이제부터는 인공 지능이이를 보완 할 것입니다. 새로운 기술을 통합하여 점차 형태를 바꾼 자동화 된 제어는 인공 지능과 같은 기술에 의해 여전히 업데이트되고 있습니다. 엣지 컴퓨팅.
