비례 적분 미분(Proportional Integral Derivative, PID) 제어기는 효율성, 단순성, 범용성 덕분에 산업 분야 전반에서 널리 사용된다. 자동차 분야에서는 비례 적분(Proportional Integral, PI) 제어기의 대표적인 적용 사례로, 전기자동차(Electric Vehicles, EVs)에 동력을 공급하는 브러시리스 직류(Brushless Direct Current, BLDC) 모터 영역을 들 수 있다. BLDC 모터의 속도 제어 정밀도는 효율성과 신뢰성으로 잘 알려져 있으며, 차량 성능을 최적화하고 에너지 효율을 보장하는 데 있어 무엇보다 중요하다. PID 제어기는 적용 시마다 성능을 최적화하기 위해 조율(tuning)되어야 한다. 널리 알려진 경험적 시행착오 기반 조율 전략인 지글러–니콜스(Ziegler–Nichols) 방법은, 대규모 탐색 공간에서의 국소적으로 최적의 해가 존재하는 경우 최적이 아닌(sub-optimal) 성능을 초래한다. PID 제어기 조율에 맞춘 기존의 인공지능(Artificial Intelligence) 방법들은 종종 단일 최적화 관점에 초점을 맞추어, 다목적(multi-objective) 고려를 통해 얻을 수 있는 잠재적 성능 향상을 간과한다. 또한, 널리 사용되는 군집(swarm) 기반 PID 최적화 방법들은 대개 초기 개체군을 무작위로 생성하면서 입력 파라미터에 대한 어떠한 경계(bounds)도 설정하지 않아, 제약이 없는 탐색 환경에서 일관되지 않고 신뢰성이 낮으며 최적이 아닌 해에 취약해진다. 본 연구에서는 제약된 차분 진화(Constrained Differential Evolution)와 입자 군집 최적화(Particle Swarm Optimized) PID 제어기를 사용하여 BLDC 모터 속도 제어, 에너지 사용, 효율의 다목적 최적화를 수학적으로 모델링한다. 지글러–니콜스 조율 방법을 사용하여 초기 PI 파라미터를 산정하고 입력 공간에서의 경계를 정의한다. 본 방법론은 실제 시간(real-time) 도로 경사도 데이터를 EV 제어 시스템에 통합함으로써 핵심적인 공백을 해결하여, 특히 도로 조건이 까다로운 상황에서 에너지 소비를 최소화하면서 정밀도를 향상시킨다. 제안된 접근법은 EV에서의 모터 속도 제어와 에너지 효율을 유의미하게 개선한다. 30회 반복(iterations)에 걸친 제안된 군집 기반 최적화 결과, MSE가 약 95.4% 감소하였고(3.8834에서 0.1809로), 에너지 소비는 약 3.1% 감소하였다(1.015 kWh에서 0.984 kWh로). 이러한 결과는 속도 제어 정밀도와 에너지 효율 모두를 향상시키는 데 본 방법의 효과를 보여준다. 또한 관련 코드 데이터는 Github에서 제공된다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.