제어계측공학과 지망생을 위한
미적분 II 심화 탐구 보고서
"네가 배운 미적분이 로봇의 움직임을 결정한다. 진짜 공학의 세계로 와라."
안녕, 미래의 제어계측공학도들.
이치쌤이야.
'수열의 극한은 왜 배우고, 미분, 적분은 대체 어디다 써먹는 걸까?'
아마 미적분 II를 공부하면서 이런 의문을 품지 않은 사람은 없을 거야.
특히 제어계측공학과를 꿈꾼다면, 네가 지금 풀고 있는 그 문제들이 사실은 자율주행 자동차, 스마트 팩토리의 로봇 팔, 심지어는 전투기의 비행 제어 시스템을 움직이는 핵심 원리라는 걸 알아야 해.
미적분은 단순히 대학 가려고 배우는 과목이 아니야.
복잡한 시스템의 미래를 예측하고, 원하는 대로 정밀하게 움직이게 만드는 '엔지니어의 언어' 그 자체지.
오늘 이 글을 통해, 그 언어를 어떻게 생기부에 날카롭게 새겨 넣을 수 있는지 알려줄게.
집중하고 따라와.
목차
수열의 극한
미분법
- 비선형 시스템의 선형 근사와 테일러 급수
- PID 제어기의 미분(D) 제어 원리와 오버슈트(Overshoot) 억제 효과
- 경사 하강법(Gradient Descent)을 이용한 최적 제어 파라미터 탐색
적분법
디지털 제어 시스템의 안정성 판별과 수열의 극한
탐구 방향:
자, 로봇 팔에게 '90도 위치로 이동해!'라고 명령했다고 치자.
로봇 팔이 정확히 90도에 멈추면 좋겠지만, 현실은 다르지.
목표 지점을 휙 지나쳤다가 다시 돌아오고, 또 지나치고... 이걸 반복하다가 점점 안정을 찾거나, 최악의 경우엔 미친 듯이 발광하며 부서질 수도 있어.
이게 바로 제어 시스템의 '안정성' 문제야.
이걸 수학적으로 어떻게 분석할까?
시스템의 움직임을 나타내는 방정식을 '특성방정식'이라고 하는데, 이 방정식의 근(해)이 바로 시스템의 운명을 결정해.
디지털 제어에서는 이 근들이 수열의 '공비' 역할을 하거든.
만약 공비의 절댓값이 1보다 작으면? 시간이 지날수록 오차는 0으로 수렴하고 시스템은 안정돼.
반대로 1보다 크면 오차는 무한대로 발산하고, 시스템은 폭주하겠지.
네 보고서에서는 간단한 1차 시스템, 예를 들어 드론의 고도 제어 같은 상황을 가정해봐.
$y_{n+1} = a \cdot y_n + b \cdot u_n$ 같은 간단한 점화식으로 모델링하고, 여기서 $a$가 바로 특성방정식의 근이야.
$a$ 값을 0.5, 0.9, 1.1 등으로 바꿔가면서 시간에 따른 출력값($y_n$)의 변화를 그래프로 직접 그려봐.
공비가 1보다 작을 때 오차가 급격히 줄어드는 모습, 1에 가까울수록 느리게 줄어드는 모습, 1보다 클 때 폭발적으로 증가하는 모습을 시각적으로 보여주는 거야.
이를 통해 '수열의 극한'이라는 추상적인 개념이 어떻게 시스템의 물리적인 안정성과 직결되는지, 그 연결고리를 네 스스로 증명해 보이는 거지.
면접관이 '수렴 조건이 왜 중요한가?'라고 물었을 때, "시스템의 안정성을 보장하는 수학적 근거이기 때문입니다"라고 답하면 게임 끝나는 거야.
디지털 필터(IIR 필터)의 원리와 무한등비급수
탐구 방향:
노이즈 캔슬링 이어폰, MP3 음질 개선, 통신 신호 정제... 전부 '디지털 필터' 기술 덕분이야.
필터는 말 그대로 원하는 신호는 통과시키고, 원치 않는 신호(노이즈)는 걸러내는 장치지.
특히 IIR(Infinite Impulse Response) 필터라는 놈은 구조가 아주 재미있어.
현재의 입력값뿐만 아니라, '바로 직전의 출력값'을 다시 입력으로 참조해서 현재의 출력값을 만들어내.
이게 왜 무한(Infinite)이라는 이름이 붙었을까?
어떤 순간에 '쾅!'하고 짧은 충격(임펄스)을 한 번만 가해도, 그 영향이 과거의 출력값을 타고 계속해서 미래의 출력값에 영원히 영향을 미치기 때문이야.
이걸 수학적으로 풀어보면 기가 막히게도 무한등비급수 형태가 나타나.
네 보고서에서는 $y_n = x_n + a \cdot y_{n-1}$ 라는 가장 간단한 1차 IIR 필터의 차분방정식을 분석해봐.
$n=0$일 때 입력 $x_0=1$을 딱 한 번만 주고, 그 이후로는 입력을 0으로 했을 때, 출력 $y_n$이 어떻게 변하는지 계산해 보는 거야.
$y_0=1$, $y_1=a$, $y_2=a^2$, $y_3=a^3$, ... 이렇게 무한수열이 나오는 걸 확인할 수 있을 거야.
이 필터의 총 응답, 즉 에너지는 이 모든 출력값을 더한 것이니, 바로 무한등비급수 $\sum_{n=0}^{\infty} a^n$ 이 되지.
이 급수가 수렴하려면? 당연히 공비 $|a|<1 br="">만약 $|a| \ge 1$ 이면? 필터는 불안정해져서 작은 입력에도 출력이 폭주해버리는, 쓸모없는 필터가 되는 거야.
결국 '무한등비급수의 수렴 조건'이 'IIR 필터의 안정성 조건'과 완벽하게 일치한다는 것을 네 손으로 증명하는 거지.
교과서 속 공식이 최첨단 신호 처리 기술의 심장을 어떻게 뛰게 하는지 보여주는 강력한 주제야.
비선형 시스템의 선형 근사와 테일러 급수
탐구 방향:
현실 세계는 대부분 '비선형(Non-linear)'이야.
로봇 팔의 관절 움직임, 진자의 운동, 비행기의 공기 저항... 이런 것들은 깔끔한 일차함수로 표현되지 않고 복잡한 곡선 형태를 띠지.
이런 비선형 시스템을 그대로 해석하고 제어하는 건 너무나도 어려워.
그래서 공학자들은 아주 영리한 방법을 쓰지. 바로 '특정 지점 근처에서는 선형이라고 가정'해버리는 거야.
지구를 멀리서 보면 둥글지만, 내 발밑의 땅은 평평해 보이는 것과 같은 원리야.
이 '선형 근사'의 수학적 무기가 바로 테일러 급수야.
테일러 급수는 어떤 복잡한 함수라도 특정 지점에서의 미분값들만 알면 무한개의 다항식 합으로 근사시킬 수 있다는 엄청난 이론이지.
특히, 그 다항식에서 1차항까지만 딱 잘라내면 그게 바로 그 지점에서의 '접선'이 되고, 이게 바로 선형 근사야.
네 보고서에서는 가장 대표적인 비선형 함수인 $f(x) = \sin(x)$를 예로 들어봐.
$x=0$ 근처에서 이 함수를 테일러 급수로 전개하면 $f(x) \approx x - \frac{x^3}{3!} + \frac{x^5}{5!} - \cdots$ 가 돼.
여기서 $x$가 아주 작은 값이라면 $x^3, x^5$ 항들은 무시할 수 있을 정도로 작아지겠지?
그래서 $\sin(x) \approx x$ 라는 놀라운 선형 근사식을 얻게 되는 거야.
실제로 로봇 팔이 아주 미세하게 움직일 때, 제어기는 복잡한 사인 계산 대신 그냥 비례 관계로 제어해버려.
이게 가능한 이유가 바로 테일러 급수 덕분이라는 걸 설명하는 거야.
복잡한 현실의 문제를 '잘 아는 문제'로 바꿔서 푸는 공학적 사고의 정수를 보여줄 수 있는 주제다.
PID 제어기의 미분(D) 제어 원리와 오버슈트(Overshoot) 억제 효과
탐구 방향:
공장 자동화부터 드론, 에어컨 온도 조절까지, 세상의 거의 모든 제어 시스템 뒤에는 PID 제어기가 있어.
P(비례), I(적분), D(미분) 세 가지 동작을 조합해서 시스템을 제어하는데, 그중 'D 제어'는 마치 미래를 예측하는 예언가와 같아.
생각해 봐. 자동차가 정지선에 멈추려고 해.
정지선에 도착했을 때 브레이크를 밟으면 이미 늦어서 정지선을 훌쩍 넘어버리겠지? 이걸 '오버슈트'라고 해.
똑똑한 운전자는 정지선에 가까워질수록, 즉 '목표와의 거리가 줄어드는 속도'가 빠를수록 미리 브레이크를 더 강하게 밟아.
이 '속도', 즉 '오차의 변화율'이 바로 미분이야.
D 제어는 현재 오차($e(t)$)의 변화율($\frac{de(t)}{dt}$)을 계속 계산해.
목표값에 빠르게 다가가고 있다면 오차의 변화율, 즉 도함수 값이 크겠지.
D 제어는 이 큰 변화율을 보고 "어, 이 속도대로 가다간 목표를 지나치겠는데?"라고 예측해서, 제어 입력을 미리 줄여주는 '브레이크' 역할을 하는 거야.
네 보고서에서는 목표값과 실제 출력값의 차이를 나타내는 오차 함수 $e(t)$ 그래프를 그려봐.
시스템이 목표값에 가까워질수록 오차는 줄어들고, 그래프는 아래로 내려오지.
이때 각 지점에서의 접선의 기울기(도함수)가 바로 '오차가 줄어드는 속도'야.
이 기울기가 가파를수록 D 제어가 강하게 작동해서 오버슈트를 억제하는 모습을 시뮬레이션으로 보여주는 거지.
미분이 어떻게 '미래 예측'이라는 공학적 기능을 수행하는지, 그 직관적인 원리를 설명하면 면접관의 눈빛이 달라질 거다.
경사 하강법(Gradient Descent)을 이용한 최적 제어 파라미터 탐색
탐구 방향:
요즘 제일 핫한 인공지능, 그 심장에는 미분이 있어.
AI가 '학습'한다는 건 결국 '최적의 값을 찾아가는 과정'인데, 이때 가장 기본이 되는 알고리즘이 바로 경사 하강법이야.
이게 제어공학이랑 무슨 상관이냐고?
앞서 말한 PID 제어기에서 최적의 P, I, D 값을 찾는 것도 똑같은 문제거든.
먼저 제어기의 성능을 나타내는 '비용 함수(Cost Function)'를 정의해.
예를 들어 '오버슈트가 클수록, 안정화되는 데 시간이 오래 걸릴수록 비용이 크다'는 식으로 말이야.
우리의 목표는 이 비용을 최소로 만드는 최적의 P, I, D 파라미터를 찾는 거지.
경사 하강법은 안개 낀 산에서 가장 낮은 계곡을 찾아 내려가는 것과 같아.
현재 내 위치에서 발을 딛고, 어느 방향이 가장 가파른 내리막길인지 확인해.
그 '가장 가파른 방향'이 바로 비용 함수의 기울기, 즉 '그래디언트(Gradient, 미분)'의 반대 방향이야.
그 방향으로 딱 한 걸음만 내려가. 그리고 다시 그 위치에서 가장 가파른 내리막길을 찾아 또 한 걸음 내려가.
이 과정을 반복하면 언젠가는 가장 낮은 지점(비용 함수의 최솟값)에 도달하게 되겠지.
네 보고서에서는 $y=(x-2)^2$ 같은 간단한 이차함수를 비용 함수로 가정해봐.
임의의 시작점(예: $x=5$)에서 시작해서, 도함수 $y'=2(x-2)$를 이용해 기울기를 계산하고, 그 반대 방향으로 x값을 조금씩 이동시키는 과정을 직접 보여주는 거야.
이때 한 걸음에 얼마나 이동할지를 결정하는 '학습률(learning rate)'의 중요성도 함께 언급해줘.
학습률이 너무 크면 최저점을 지나쳐 왔다 갔다 하고, 너무 작으면 최저점까지 가는 데 너무 오래 걸린다는 점을 시각적으로 보여주면 완벽해.
미분이 어떻게 '최적화'와 '학습'의 언어가 되는지 보여주는, AI와 제어 이론을 잇는 최고의 주제다.
PID 제어기의 적분(I) 제어 원리와 정상상태 오차(Steady-state Error) 제거
탐구 방향:
에어컨을 24도로 맞췄는데, 아무리 기다려도 24.1도에서 더 이상 온도가 내려가지 않는 경우가 있어.
이렇게 목표값에 완전히 도달하지 못하고 남아있는 미세한 오차를 '정상상태 오차'라고 해.
P 제어와 D 제어만으로는 이 오차를 없애기 힘들어.
이때 등판하는 해결사가 바로 'I(적분) 제어'야.
I 제어는 '기억력 좋은 잔소리꾼' 같아.
아주 작은 0.1도의 오차라도, "아직 0.1도 부족해!", "계속 0.1도 부족하잖아!"라고 외치면서 이 작은 오차들을 시간이 지남에 따라 계속해서 더해 나가(누적시켜).
이 '시간에 따른 오차의 누적'이 바로 적분이야.
작은 오차도 계속 쌓이면 언젠가는 무시 못 할 큰 값이 되겠지?
I 제어는 이 누적된 오차 값이 충분히 커지면, "더 이상은 못 참아!"라면서 제어 입력을 확 키워서 남아있던 0.1도의 오차마저 없애버리는 역할을 해.
네 보고서에서는 목표 온도를 24도, 현재 온도를 24.1도로 유지되는 상황을 그래프로 그려봐.
시간이 흘러도 오차 함수 $e(t) = -0.1$ 이라는 상수 함수가 유지되는 거지.
이때 $e(t)$ 그래프와 x축 사이의 넓이, 즉 정적분 값($\int e(t)dt$)이 시간에 따라 선형적으로 계속 커지는 모습을 보여주는 거야.
이 누적된 넓이 값이 제어에 반영되어 결국 온도를 24도로 정확하게 맞추는 과정을 설명하면 돼.
적분이 어떻게 '과거의 오차를 기억하고, 끝까지 책임을 묻는' 끈질긴 제어 원리로 작동하는지 보여주는 아주 좋은 탐구 주제야.
라플라스 변환(Laplace Transform)의 기초와 미분방정식의 대수적 풀이
탐구 방향:
제어 시스템의 움직임을 분석하려면 필연적으로 미분방정식을 풀어야 해.
근데 솔직히 미분방정식 푸는 거, 정말 복잡하고 어렵거든.
그래서 18세기 프랑스의 천재 수학자 라플라스가 마법 같은 도구를 만들었어.
바로 '라플라스 변환'이야.
이건 비유하자면, 어려운 한국어 문제를 풀기 위해 잠시 쉬운 영어 문제로 바꿔서 풀고, 그 답을 다시 한국어로 번역해오는 것과 같아.
라플라스 변환은 '시간 영역(t)'의 복잡한 미분방정식을 '주파수 영역(s)'이라는 새로운 세계의 간단한 대수방정식(분수식)으로 바꿔주는 변환기야.
그 변환의 정의는 $F(s) = \int_{0}^{\infty} f(t)e^{-st}dt$ 로, 특정 함수 $f(t)$에 $e^{-st}$를 곱해서 0부터 무한대까지 적분하는 과정이야.
이게 왜 마법이냐면, 미분 연산($\frac{df}{dt}$)을 라플라스 변환하면 그냥 변수 $s$를 곱하는($sF(s)$) 단순한 곱셈으로 바뀌어 버려.
적분은? $s$로 나누는 나눗셈이 되지.
미분, 적분이 그냥 사칙연산이 되는 거야!
네 보고서에서는 $f(t)=1$이나 $f(t)=e^{-at}$ 같은 간단한 함수를 라플라스 변환 정의에 직접 넣고 적분해서 $F(s)=\frac{1}{s}$이나 $F(s)=\frac{1}{s+a}$가 나오는 과정을 보여줘.
그리고 도함수의 라플라스 변환 공식을 증명하면서, 왜 미분방정식이 간단한 대수방정식으로 바뀌는지 그 핵심 원리를 파헤치는 거야.
고전 제어 이론의 가장 강력한 무기가 어떻게 적분으로 만들어졌는지, 그 근본을 탐구하는 깊이 있는 주제가 될 거다.
컨볼루션(Convolution) 적분을 이용한 선형 시불변(LTI) 시스템의 출력 신호 계산
탐구 방향:
어떤 시스템의 '성격'을 알고, 거기에 특정 '입력'을 가했을 때, 어떤 '출력'이 나올지 예측하는 건 제어공학의 가장 근본적인 질문이야.
여기서 시스템의 성격을 나타내는 명함 같은 것이 바로 '임펄스 응답'이야.
망치로 종을 '땅!'하고 짧게 쳤을 때 '애앵~'하고 울리는 소리, 그게 바로 종이라는 시스템의 임펄스 응답이지.
그렇다면 망치로 '쿵-짝-쿵-짝'하고 입력하면 어떤 소리가 날까? 이걸 예측하는 수학적 연산이 바로 컨볼루션(Convolution)이야.
컨볼루션은 한 함수를 뒤집어서, 다른 함수 위를 쭉 훑고 지나가면서 겹치는 부분의 넓이를 계속 계산하는 과정이야.
수식으로는 $\int f(\tau)g(t-\tau)d\tau$ 로 표현되는 적분이지.
이게 물리적으로 어떤 의미냐면, 현재의 출력은 현재의 입력뿐만 아니라 과거의 모든 입력들이 시스템의 임펄스 응답에 따라 영향을 미친 결과들의 총합이라는 뜻이야.
'쿵'이라는 입력의 여운이 남아있는 상태에서 '짝'이라는 입력이 들어오고, 그 여운들이 계속 중첩되는 과정을 계산하는 거지.
네 보고서에서는 복잡한 수식 대신, 아주 간단한 사각파 형태의 두 함수를 가지고 컨볼루션 연산을 직접 그림으로 보여주는 걸 목표로 해봐.
하나의 사각파를 뒤집어서 다른 사각파 위로 조금씩 이동시키면서, 두 함수가 겹치는 부분의 넓이를 계산해서 점을 찍어보는 거야.
그러면 놀랍게도 삼각형 모양의 결과 파형이 나타나는 걸 확인할 수 있어.
이 시각적인 과정을 통해, 컨볼루션 적분이 단순히 어려운 수학 기호가 아니라, '시간에 따른 영향의 누적'을 계산하는 매우 직관적인 과정임을 이해시키는 거야.
이 원리는 신호 처리, 이미지 필터링 등 전자공학의 모든 분야에서 쓰이는 핵심 중의 핵심이다.
푸리에 급수(Fourier Series)와 신호 분석의 기초
탐구 방향:
세상의 모든 주기적인 신호, 예를 들어 네 목소리, 악기 소리, 심지어는 전자기파까지도 사실은 수많은 높이와 주파수를 가진 단순한 사인파들의 합으로 이루어져 있어.
마치 오케스트라의 웅장한 음악이 바이올린, 첼로, 트럼펫 등 각 악기 소리의 합인 것처럼 말이야.
이 복잡한 신호를 각각의 순수한 사인파 성분으로 분해하는 것, 이게 바로 푸리에 급수의 아이디어야.
푸리에 급수를 이용하면, 시간의 흐름에 따라 복잡하게 변하는 신호를 '어떤 주파수 성분이 얼마나 세게 들어있는가'라는 '주파수 영역'의 정보로 바꿀 수 있어.
이게 왜 중요하냐면, 노이즈 제거를 생각해보면 쉬워.
목소리에 섞인 '삐-'하는 고주파 노이즈는 시간 영역에서는 분리하기 어렵지만, 주파수 영역으로 바꿔보면 특정 고주파수 성분이 툭 튀어나와 있는 게 보이지.
그럼 그 주파수 성분만 싹 제거하고 다시 시간 영역으로 되돌리면? 노이즈가 사라진 깨끗한 목소리를 얻게 되는 거야.
네 보고서에서는 이 각 주파수 성분의 세기(계수)를 어떻게 구하는지에 집중해봐.
그 핵심에는 '삼각함수의 직교성'과 '정적분'이 있어.
복잡한 신호에 내가 찾고 싶은 주파수의 사인파를 곱해서 한 주기 동안 적분하면, 신기하게도 내가 찾던 주파수 성분만 살아남고 나머지는 모두 0이 되어 사라져.
이 원리를 이용해서 간단한 사각파(square wave)가 사실은 기본 주파수, 3배 주파수, 5배 주파수... 의 사인파들이 무한히 더해진 것임을 증명하는 과정을 탐구해봐.
적분이 어떻게 복잡한 신호의 속살을 파헤치는 날카로운 분석 도구가 되는지 보여주는, 신호 처리와 통신 이론의 가장 근본적인 주제라고 할 수 있어.
마무리하며
어때, 좀 감이 와?
수학이 그냥 종이 위에서 끝나는 학문이 아니란 걸 이제 알았을 거야.
오늘 내가 던져준 주제들은 시작일 뿐이야.
이걸 바탕으로 너만의 탐구를 시작해 봐.
이런 깊이 있는 고민과 탐구 활동은 나중에 비싼 돈 주고 입시 컨설팅을 받거나 면접 학원에 가서도 얻기 힘든 너만의 진짜 스토리가 될 거야.
지금 당장 스터디카페나 독서실 책상에 앉아서, 네가 가장 흥미롭게 느낀 주제 하나를 골라 더 깊게 파고들어 봐.
좋은 인강용 태블릿으로 관련 온라인 강의를 찾아보는 것도 좋은 방법이야.
결국 이런 노력 하나하나가 모여서 네 실력이 되고, 합격으로 이어지는 거니까.
치열하게 고민한 만큼, 결과는 반드시 따라온다.
이치쌤이 항상 응원할게.