디지털 트윈(digital twin)의 미래[133]

박정수 성균관대 교수의 현미경 '스마트팩토리'
제조업 부흥의 선봉장,'인공지능 기반 스마트팩토리'

박정수 성균관대 스마트팩토리 융합학과 겸임교수

[박정수 성균관대 스마트팩토리 융합학과 겸임교수] 산업혁명이 몰고 온 미래 ‘제조 산업’을 요약하는 키워드(key word)는 “제조 지능화(manufacturing intellectualization)”이다. 이는 산업의 변환(transformation)과 전환(transition)의 특성이기 때문에, 이 시기에 제조업이 지향해야 할 전략적인 목적(goal)과 목표(target) 설정이 명확해야 한다.

인공지능(AI), 빅데이터, 증강 휴먼(augmented Human), 혼합 현실(mixed reality), 사물 인터넷(IoT), 그리고 행동 인터넷(IoB) 등 첨단 기술과 인프라를 개별 제품이나 단일 공정에만 적용시킬 것이 아니라, 기획 단계부터 최종 사용자 경험(UX) 및 소비자 경험(CX)까지 제품이 태어나 소비되는 전주기(life cycle) 과정에 걸쳐 세심한 관리가 필요하다. 이는 점점 개인화되고 있는 고객 맞춤 대응, 즉 과거와 다른 뉴 노멀(new normal) 공급망(supply chain)과 품질 관리의 수준을 가늠하는 미래 제조업의 스마트팩토리 디자인이기 때문에, 현실 세계와 가상 세계를 단순 연결하는 수준에서 벗어나 실시간 기반으로 피드백(real-time based feedback) 기능이 가능한 데이터 관리 기술에 의한 디지털 트윈(digital twin)에 대해 주목해야 한다.

디지털 트윈(digital twin)은 일반적으로 컴퓨터에 현실 속 사물의 쌍둥이를 만들고, 현실에서 발생할 수 있는 상황을 컴퓨터로 시뮬레이션함으로써 결과를 미리 예측하는 기술이며, 현실 세계에서 실체를 갖고 있는 물리적 시스템과 기능과 동작을 사물인터넷(IoT)과 행동 인터넷(IoB)의 데이터 관리 기술을 활용하여 소프트웨어로 만들어 연결함으로써 마치 거울을 앞에 두고 서로 쌍둥이처럼 동작하도록 하는 기술을 말한다.

이처럼 디지털 트윈 기술은 갑자기 등장한 기술은 아니다. 항공 우주 분야에서 연구 개발 단계에서 활용하기 시작했다. 우주라는 미지의 세계에 막대한 비용을 들여 개발한 우주선을 발사하고, 한 번도 해 보지 않은 임무를 수행해야 하는 항공 우주 산업 분야에서 디지털 트윈 기술은 꼭 필요한 기술이었다. 관련 기술이 점차 발달하여 실제 물리적인 요소와 디지털 요소가 연계된 것은 최근이다. 사물인터넷, 증강현실(AR), 가상현실(VR) 등의 기술이 등장하면서 정보의 수집과 데이터 관리 기술, 그리고 시각화 기술이 고도화되었기 때문이다.

스마트팩토리의 궁극적인 목적은 제조 지능화이다. 이를 위한 가시성과 최적화 수준을 향상시키기 위해 설계된 디지털 트윈을 통해, 기업은 제품 성능을 최적화하고 제품의 서비스 수명에 대한 가시성을 확보하며 예지적(predictive) 유지 보수를 수행할 시기와 위치를 파악하고 제품의 잔존내용연수(RUL, Remaining Useful Life)를 연장하는 방법을 알 수 있다. 통합 플랫폼과 디지털 경험(DX) 과점의 디지털 트윈은 물리 및 데이터 기반 트윈을 혼합하여 제품 수명주기 동안 각 단계별로 최적화를 가능하게 하는 완전하고 개방적이며 유연한 접근 방식이다. 더 나아가 디지털 트윈의 궁극적인 활용 목적이 최적화라는 점에서는 시뮬레이션을 통한 예측이 무엇보다 중요한데, 최근 머신러닝(ML)을 포함한 인공지능 기술의 발전에 힘입어 디지털 트윈이 지향하는 바가 이루어지고 있는 것 같다.

제조 산업은 스마트팩토리를 고도화하여 디지털 경험을 사고파는 경제 활동으로 진화하고 있다. 특정 목표를 달성하기 위해 현실 세계, 즉 제조 현장을 실시간 상호작용을 통해 현실 세계와 디지털 세계 간의 피드백 기능을 극대화하기 위해 디지털로 모델링 해야 한다. 왜냐하면 디지털 트윈은 “양방향 데이터 흐름”이 핵심이기 때문이다.

디지털 트윈의 개념은 증가된 데이터 가용성, 연결성 및 최종 사용자의 진화하는 요구와 결합된 기존 시뮬레이션 모델링의 자연스러운 확장으로 볼 수 있다. 현장 따로 컴퓨터 따로는 디지털 경험을 실현시킬 수 없을 뿐만 아니라 빅데이터 특성을 담아낼 수 없기 때문이다. 복잡한 물리적 시스템을 이해, 모니터링 및 실험하는 능력은 시뮬레이션 모델링 및 디지털 쌍둥이(digital twin)의 공통점이다. 디지털 트윈의 추가 기능은 시뮬레이션에서 추출한 지식을 활용하여 물리적 시스템에 피드백을 제공한다는 것이다. 그런 다음 이 피드백을 사용하여 일부 최종 사용자가 지정한 매개변수를 최적화하기 위해 일부 측면을 제어하거나 조작할 수 있다. 전자와 자동차 산업에서 의료에 이르기까지 다양한 분야에서 디지털 트윈이 여러 용도로 사용되고 있다.

디지털 트윈은 제조 시스템의 실시간 모니터링을 위해 제어 시스템을 사용하는 플랫폼 구성이 중요하다. 또한 제품 개발과 제품 전체 라이프사이클 개념에서 그 중요성이 커지고 있다. 제품 개발 시나리오 관점에서 신제품 개발(NPD) 프로세스 평가, 결함 진단과 관련된 매개변수 민감도 적응 모델링 및 자율 생산 시스템을 위한 프레임워크(framework)을 포함시켜야 한다. 아래 그림은 스마트팩토리 고도화 관점에서 제조 지능화와 디지털 트윈의 상호작용을 보여주고 있다.

또한, 디지털 트윈은 제조 현장의 PLC 관리에 활용할 수 있다. PLC(Programmable Logic Controller)는 산업 플랜트의 유지관리 및 자동 제어 및 모니터링에 사용하는 제어 장치이다. 입력을 프로그램에 의해 순차적으로 논리 처리하고 그 출력 결과를 이용해 연결된 외부 장치를 제어한다. 특히 설계 시 아이디어 구상에서 판매에 이르기까지 제품 라이프 사이클(PLC; Product Life Cycle)의 모든 측면은 전문화된 디지털 트윈에 의해 처리될 수 있다. PLC는 제조 시스템의 모든 측면을 포함하기 때문에, 스마트 팩토리에 대한 시뮬레이션 모델 생성, 즉 디지털 제조 구현의 필수다.

디지털 트윈은 재구성 가능한 제조와 실제 제조를 반영하는 강력한 제조를 위해 필요하다. 제조는 제품에 대한 수요 변화의 대응 활동이며, 이는 공장의 구성과 구조를 빠른 변화에 적응시키는 스마트팩토리의 고도화 이유다. 재구성 가능한 제조는 다양한 시장 요구를 충족시키는 높은 수준의 민첩성과 많은 이점을 제공할 수 있지만 여기에는 기술적 문제뿐만 아니라 비기술적인 전략적인 제조 개념이 포함되고 있다. 이러한 문제는 생산 효율성, 신뢰성 및 비용 효율성과 관련이 깊기 때문이다.

그러므로 디지털 트윈(digital twin)은 제조 가치망(value chain)의 상호작용(inter-action)과 가시성(visualization)을 극대화시키기 때문에 다이내믹한 생산 시설의 주요 문제를 최적화와 가시성 과점에서 제조 현장의 유연성과 적응력을 향상시켜주는 주요 기능이다. 또한 복잡한 제조 시스템에서 디지털 트윈은 스마트팩토리 환경 내에서 채택되어 다양한 측면을 효율적으로 모델링하고 제어할 수 있다. 특히, 실시간 기계 상태 모니터링 기능, 향상된 신뢰성, 예측 유지 보수 가능성, 이해관계자에 대한 맞춤형 서비스 등 이러한 이점은 사물 인터넷(IoT)을 통해 지속적으로 수집 및 전송되는 데이터를 통해 실현되고, 이 데이터는 이후 일정, 유지 관리, 물류 및 의사 결정과 같은 주요 작업에 사용된다. 수익과 지속 가능한 수익성을 개선하기 위해 스마트 제조 환경 내에서 지능적이고 데이터 기반 의사 결정을 달성하는 것이 스마트팩토리의 궁극적인 목표이다.

궁극적으로 데이터 기반 디지털 트윈의 아이디어는 스마트 팩토리에서 생성되는 데이터의 양이 정형 데이터 뿐만 아니라 비정형 데이터까지 증가하기 때문에 빅데이터를 활용한 인공지능 기반의 지능화(intellectualization) 프로세스가 근원(根源)이다. 따라서 데이터는 제조 환경 내에서 복잡한 시스템의 상태를 결정하고 모니터링하는 데 사용할 수 있는 핵심 요소이기 때문에 데이터에 중점을 둬야 한다. 디지털 트윈 프레임워크는 추출된 지식을 사용하여 모델의 기능을 향상시키는 것이다. 이러한 지식은 실제 제조 환경에서 발생한 모든 변경 사항을 반영하기 위해 온라인으로 업데이트되어야 한다.

이를 통해 많은 기능이 일부 변경 사항이 발생하더라도 제조 프로세스의 다양한 측면을 지속적으로 개선할 수 있다. 제조 자산의 성능 및 효율성 향상과 제품을 신속하게 검증할 수 있다는 점이 좋은 예이다. 제안된 프레임워크의 참신함은 기계 학습 및 프로세스 마이닝(mining)의 발전을 활용하여 자동/반자동 시뮬레이션 모델 개발에서 이전 접근 방식의 단점을 극복하고 데이터 기반 모델을 구축한다는 사실에 있다. 지속적으로 검증되고 업데이트되어야 한다. 그래서 데이터 기반 디지털 트윈이 필요하다. 지능화(intellectualization)는 지식과 정보, 빅데이터와 인공지능 알고리즘을 활용하는 수준(水準)이기 때문이다.

류성 (star@edaily.co.kr)