제조 기업은 시장 요구사항 변화에 따른 생산체계의 변화, 코로나19 팬데믹으로 인한 글로벌 밸류체인의 붕괴 등과 같은 큰 변화를 겪고 있다. 피할 수 없는 글로벌 경쟁 환경 속에서 생산비용 절감, 품질 제고, 유연 생산 등에 대한 지속적인 압박을 받고 있다. 이를 해결하기 위한 스마트팩토리 기술 도입, 그중에서도 가상 환경에서의 시뮬레이션을 통해 생산시스템 분석 및 예측, 최적화가 가능한 디지털 트윈 기술이 주목받고 있다. 디지털 트윈 관점에서 바라본 AI를 활용한 제조 시뮬레이션 기술은 무엇이 있는지 ICT와 미래 스마트 제조 혁신 컨퍼런스에서 ETRI 이은서 책임연구원이 발표한 내용을 정리했다.

 

 

시장은 공급자 중심이 아닌, 소비자 중심으로 변화하고 있다. 개인화·맞춤 제품 등 다양한 수요에 따라 제품을 다르게 생산해야 하는 문제가 생기고, 이런 이슈를 해결하기 위해서는 극도의 유연한 생산 체계가 필요하다. 국가적인 정책도 필요하지만, 기술적으로 해결할 수 있는 효율적인 방법 중 하나로 ‘기존 제조산업과 ICT 기술을 융합한 스마트 팩토리’가 꼽힌다. 가상환경에서의 시뮬레이션을 통해 환경에 대한 분석, 목표 요구치, 최적가가 가능한 ‘디지털 트윈’ 기술이 주목받고 있다.

 

디지털 트윈 구성 요소 기술

 

디지털 트윈은 많은 곳에서 연구하는 기술이며, 오래된 키워드다. 디지털 트윈은 얼핏 하나의 기술 분야처럼 느껴지지만, 세부 기술을 살펴보면 △데이터, 물리적, 지식 모델을 일괄적으로 연계하는 데이터 모델링 기술 △실시간 예측 및 분석을 위한 AI 기술 △AR/VR/XR 효율적인 트윈 시각화 기술 △초정밀/고성능 시뮬레이션 기술 △실시간 설비 제어 기술 △실시간 연결을 제공하는 IoT 기술로 이뤄졌다. 즉, 디지털 트윈은 현재 이야기하는 4차 산업혁명의 주요 기술의 총집합체다.

 

 

디지털 트윈과 시뮬레이션 기술

 

디지털 트윈은 실세계 데이터를 실시간으로 가상환경에 연결하고, 수집한 데이터의 분석 및 시뮬레이션 결과에 따라 자율적으로 실시간 설비 제어까지도 가능한 디지털 운영체제를 말한다.

시뮬레이션을 기반으로 의사결정이 가능하기 때문에 제조 산업에서의 고전적인 문제인 플래닝, 스케쥴링 최적화 문제, 설비 이상 감지, 예지보전, 물류 최적화, 설비 최적 세팅 등 사실상 제조 현장에서 발생하는 거의 대부분의 주요 문제를 컨트롤할 수 있다.

디지털 트윈은 실세계 제조 데이터를 실시간으로 가상 환경에 연결하는 커넥티드 트윈, 시뮬레이션 모델을 기반으로 공정 및 설비 파라미터 최적화 시뮬레이션 디지털 트윈, 가상환경에서 AI 분석·예측·최적화를 통해 다양한 의사결정을 자율적으로 수행하는 지능형 트윈의 단계로 나눠진다.

 

주요 이슈① - 실세계와 가상세계의 오차

 

디지털 트윈을 활용해 생산 현장에 도움이 되는 정확한 의사결정을 하기 위해서는 실세계를 정밀하게 모사할 수 있는 정밀한 시뮬레이션 모델 개발이 반드시 선행되어야 한다. 시뮬레이션을 기반으로 이뤄진 의사결정이 실세계에 영향을 미치기 때문에, 시뮬레이션 정확도가 떨어지면 의사결정의 신뢰성이 무너진다. 정확하지 않은 의사결정은 제조 환경에 크리티컬한 영향을 미친다.

 

화학 공정을 수행하는 국내 제조 기업 중 한 곳은 현장과 똑같이 돌아갈 수 있는 공정 시뮬레이션 모델 개발을 위해 10년 가까운 시간과 인력을 투입하고 있다. 수백억 원의 비용이 소모되는 상황이기에 시뮬레이션의 정확도는 생산 비용 및 최적의 의사결정에 있어 굉장히 중요한 사안임에도 불구하고, 정확도를 올리기 위한 기술의 한계가 존재한다. 정밀한 시뮬레이션 모델을 만들기 위해서는 시뮬레이션 결과와 비교할 수 있는 실제 생산 데이터가 반드시 필요하다.

 

주요 이슈② - 생산 이전/이후 단계의 연계

 

가상환경에서 시뮬레이션의 정확도를 높이기 위한 많은 노력을 진행하고 있다. 정확한 시뮬레이션 모델 개발을 위해서는 실제 생산 데이터가 반드시 필요하다. 가상 시뮬레이션과 실제 생산 현장과의 지속적인 연계가 핵심이다. 디지털 트윈을 활용할 경우 생산 이전, 이후 단계의 연계가 가능하다. 생산 단계에서 발생하는 문제점들을 효율적으로 엔지니어링 단계에 전달할 수 있다. 각 단계가 독립적인 프로세스로 진행되어 연계가 어렵지만, 디지털 트윈을 활용하면 실데이터를 기반으로 지속적인 피드백이 가능하다.

 

주요 이슈③ - 글로벌 트렌드

 

글로벌 최고 스마트공장 솔루션을 보유한 독일 지멘스 역시 여러 생산 단계 간의 지속적인 피드백을 목표로 하고 있다. 디지털 트윈을 활용해 제품을 설계하고, 이를 가상에서 생산해보고 실제 생산과도 연계하고 있는 것이다. 지멘스는 실제 제품이 완성되었을 때 소비자 데이터들을 기반으로 다시 전 단계에 피드백 줄 수 있는 제품 생산 전 주기를 커버하기 위해 노력 중이다.

 

최신 시뮬레이션 기술 동향

 

시뮬레이션 기술은 기본적으로 환경의 복잡도에 따라 많은 시간이 소모된다. 제조 환경을 구성하는 설비의 수, 구성의 수 등에 따라 다양하게 시간이 적용된다. 디지털 트윈 기반 의사결정에 활용되는 가장 핵심적인 기술로 연산에 많은 자원(비용 및 시간)의 투입이 필요한 기존 수식 기반의 시뮬레이션 모델을 데이터 기반의 시뮬레이션 모델로 전환해 시뮬레이션 시간을 크게 단축시킨 사례들이 보고되고 있다.

 

Y 대학교의 경우 딥러닝을 이용한 고성능 물리 기반 유체 및 연체 시뮬레이션 기술 연구를 통해 기존 물리 기반 시뮬레이션 방법보다 빠르게 예측 결과를 생성했다. 딥러닝 머신이 연체 시뮬레이션의 주요 과정을 대체 및 가속해 실시간으로 안정적 시뮬레이션 결과를 제공하는 것이다. 그러나 예측 정확도 및 품질은 물리 시뮬레이션 계산 결과에 준하는 수준으로, 시뮬레이션 품질 및 정확도 향상을 위한 추가 연구가 필요하다.

 

물류센터의 설비와 다양성 증가로 물류 프로세스의 복잡성이 기하급수적으로 증가한 C사는 AI 알고리즘이 결합된 고도화 디지털 트윈을 적용해 물리적 현장 프로세스 속도를 대폭 개선했다. 물류설비의 위치, 작업속도, 작업자 동선 등을 시뮬레이션해 시행착오를 대폭 줄일 뿐만 아니라 현장의 다양한 변수를 가상공간에 적용해보고 최적의 해결책을 찾아 현실에 즉시 적용한 것이다. 실제 현장의 데이터를 모아 AI가 각 시나리오를 학습해 계산·연산 기반 시뮬레이션 대비 비약적으로 단축시켰다.

 

Sim2Real은 시뮬레이션으로부터 학습된 결과가 실제 환경에 적용될 때의 차이 또는 오차를 최소화하기 위한 방법이다. 초기에는 학습 데이터/모델의 다변화를 통해 이를 해결하려 했지만, 이 방식만으로는 한계가 존재해 실제 현장 데이터를 활용해 정확도를 높일 수 있는 방법론들이 최근 활발히 연구되고 있다.

 

현장데이터를 활용한 AI 기반 시뮬레이션 기술

 

제조 환경을 구성하는 설비의 수, 구성의 수, 규모에 따라 시뮬레이션 구동에 많은 시간이 소모된다. 시뮬레이션 시간을 줄이기 위해 학습 모델화를 시켜 구동하면, 시간은 개선되지만 정확도가 떨어지는 문제점이 발생한다. 그렇다면 시뮬레이션에 AI 모델을 적용했을 때 어떻게 하면 정확도까지 향상할 수 있을까?

 

결론은 학습 데이터를 다양하게 만드는 것이다. 제조업은 접근법이 다르다. 제조업처럼 원가 생산 데이터를 다루는 분야에서는 가상 데이터를 만들어내는 것이 오히려 데이터를 왜곡시키는 결과를 초래할 수 있기 때문이다.

 

 

전통적으로 도메인 지식을 기반으로 개발되는 시뮬레이션 모델은 제품, 공정, 설비 등의 설계 및 시운전을 지원하는 엔지니어링 도구를 통해 로직과 수식을 기반으로 개발한다. 실제 현장과 결과 차이가 크거나 현장의 변화가 발생해 모델 수정이 필요한 경우 제3자가 수정하기는 매우 어렵다.

 

맺음말

 

시뮬레이션 최적화를 위한 현 기술의 한계, 극복하기 위한 과정에서 수요와 공급의 미스매치가 발생할 수밖에 없다. 이를 해결하기 위한 과도기에 있다. 아직 현장에서는 디지털 트윈 구축에 따른 기대 이득이 모호할 수밖에 없는 상황이다. 분석 및 활용 인력 부재 등의 이유로 가시적인 성과 창출은 지연되는 상황이다. 디지털 트윈을 통한 실질적인 효과는 정밀한 시뮬레이션 기술과 이를 활용한 주요 의사결정이 가능해질 때 그 효과가 나타날 수 있다.

 

현 단계가 주요 의사결정 지원을 위한 현장 데이터 모니터링 서비스 수준이라면, 향후 제조 전주기 최적 운영이 가능한 지능형 자율 제조 서비스 방향으로 나아가야 할 것이다. 가상-물리 시스템이 유기적으로 연계돼 유사 모델 및 환경을 가진 설비들의 빠른 디지털화 및 실시간 양방향 제어가 가능할 것이고, 설계·생산공정·제품 등 제조 전 주기에 걸친 품질 관리 및 예측을 통해 운영 효율을 극대화할 수 있을 것이다.

 

헬로티 함수미 기자 |