내리막길의 미학: 리아푸노프의 두 가지 안정성 분석 방법

섹션별 상세

선형화 방법(Method of Linearization)은 테일러 급수를 통해 비선형 시스템을 선형 근사하여 분석하지만, 근사 오차 범위를 설정하는 계산이 매우 까다롭고 모델의 미세한 변화에도 분석을 새로 시작해야 하는 단점이 있다.

전위 함수 방법(Method of Potential Functions)은 물리적 에너지 소산 개념에서 영감을 얻어, 상태가 평형점에서 멀어질수록 큰 양수 값을 갖고 평형점에서만 0이 되며 시간이 흐를수록 값이 감소하는 함수를 정의하여 수렴성을 증명한다.

이 방법은 수학적 증명 과정을 '전위 함수'라는 인증서(Certificate)를 찾는 제약 조건 만족 문제(Constraint Satisfaction Problem)로 변환하며, 이는 수치적 최적화 도구를 이용한 컴퓨터 탐색에 매우 적합한 구조를 갖는다.

선형 시스템의 경우 강한 볼록 이차 함수 형태의 리아푸노프 함수를 가정함으로써, 안정성 분석 문제를 선형 행렬 부등식(LMI)을 푸는 볼록 최적화 문제로 단순화하여 효율적으로 해결할 수 있다.

text

x_{t+1} = Ax_t

선형 동적 시스템의 기본 상태 방정식

text

V(x) = x^T P x

강한 볼록 이차 함수 형태의 리아푸노프 함수 후보

text

V(Ax) < V(x) for all x

시간에 따른 전위 함수의 감소 조건

text

A^T P A - P < 0

안정성 분석을 위해 도출된 선형 행렬 부등식(LMI)

전위 함수 방법의 핵심적 이점은 강건성(Robustness)에 있으며, 시스템 행렬이 시간에 따라 변하거나 불확실성이 존재하는 경우에도 공통의 전위 함수를 찾아 시스템 전체의 안정성을 보장할 수 있는 확장성을 제공한다.

리아푸노프 함수(Lyapunov Function): — 시스템의 상태를 양의 스칼라 값으로 매핑하는 함수로, 평형점에서 0이 되고 시스템의 궤적을 따라 값이 감소하는 특성을 갖는다. 시스템의 에너지가 소산되어 평형점으로 수렴함을 수학적으로 증명하는 '인증서' 역할을 하며 제어 이론의 핵심 도구이다.
선형 행렬 부등식(Linear Matrix Inequality (LMI)): — 행렬 변수에 대한 선형적인 부등식 제약 조건을 의미한다. 리아푸노프 안정성 조건을 LMI 형태로 변환하면 볼록 최적화 알고리즘을 통해 컴퓨터로 안정성을 자동 검증할 수 있어 현대 제어 시스템 설계에 필수적이다.
테일러 급수(Taylor Series): — 어떤 지점에서의 미분계수들을 이용해 함수를 다항식의 합으로 근사하는 방법이다. 비선형 동적 시스템을 평형점 근처에서 선형 시스템으로 근사하여 분석할 때 사용되지만, 근사 오차 범위를 계산하는 과정이 매우 복잡하다는 단점이 있다.
볼록 최적화(Convex Optimization): — 볼록 집합 위에서 볼록 함수의 최솟값을 찾는 최적화 기법이다. 지역 최적해가 곧 전역 최적해임을 보장하므로 수치적으로 매우 안정적이고 효율적인 해를 구할 수 있어 리아푸노프 함수 탐색 등에 널리 활용된다.