디지털 트윈과 제조 지능화 (1)

QnA

• DT가 외부 서비스를 이용하려면 인터페이스가 준비되어 있어야 한다고 들었다. 그렇다면 나중에 진짜 그런 트윈급의 DT를 만들게 된다면 외부 업체와 협력을 하고 별도 인터페이스들을 미리 구성해서 DT에 적용해두는 것인가? 예를 들면 AWS의 서비스라거나, 특정 로봇의 통신 인터페이스는 다를텐데, 그걸 각각 미리 구현해두는것인가? 모든 경우의 수를?
  • 현재 기술 구현 상으로는 그렇다. 무엇을 쓸지 미리 후보를 정해놓고 인터페이스를 미리 만들어둔다.
  • 나중에 표준이 점점 통일되면 그런 번거로움이 줄어들겠지.
  • 인터페이스를 만들어주는 AI를 만들면?
    • 그보다는 디지털 트윈 자체가 실행 권한을 갖기 때문에 직접 두 대상의 작동방식을 확인하고 통번역해서 통신하는 방식으로 구현될 수는 있을 것 같다.

팁

요즘 말하는 융합형 인재가 무슨 말이겠어요? 단순히 복수전공 말하는 게 아냐. 생각을 해보세요. 산업공학과를 전공했는데, 기계공학과로 대학원을 가. 그럼 가서 기계 몰라요 할 거예요? 안되지. 그리고 나중에 취업을 해. 공장을 디지털화할 거야. 보통 그러면 전사적으로 진행을 해요. 어떤 경우에는 인터넷부터 다 뜯고 다시 붙이기도 해요. 그럼 그때 통신 몰라요 할 거야? 책임자가 그러면 되겠습니까? 안되지. 전공을 안했어도 상부에게 설명하고 납득시킬 수 있을 만큼, 업체와 직접 대화할 수 있을 만큼 알아야 하는 거예요. 그게 융합형 인재고 요즘 기업들이 원하는 겁니다.

님들이 디지털 트윈을 하든 AI를 하든 무슨 일을 하든, 항상 자신이 작업하는 대상에 대해 이해하고 일을 해야 한다. 도메인 지식이 있어야 겉핥기 이상의 일을 할 수 있다.

님들은 이제 앞으로 뭔가 일을 하려면 그것의 시스템 구조도를 직접 그릴 수 있어야 해요. 항상 머릿속으로 기본적인 구조를 그릴 수 있어야 합니다.

디지털 트윈의 기본개념

디지털 트윈이라는 용어 자체는 도메인 불문하고 생각보다 많이 쓰이는 말이다. 이 말은 ‘산업공학과 전공’처럼 굉장히 광범위한 말이다. 그러니 디지털 트윈 관련 인사에게 질문할 때에는 “디지털 트윈 중 어떤 분야를 하는지” 물어봐야 한다.

오늘 가장 먼저 말할 것은 디지털 트윈과 관련해서 가장 많이 들을 3가지 단어의 개념이다.

근데 님들 수준에서 이 세 가지를 굳이 구분할 필요는 없다. 그래도 개념은 알아야 하니까 배우는거야.

1. 디지털 전환: 디지털 트윈이랑 약간 비슷함
   옛날엔 뭐 수업 내용 엑셀 이정도만 디지털화가 이루어졌는데, 요즘엔 사람의 머리에 들어있는 것들, 공간 등 더 많은 것이 디지털화되고 있다. 이게 디지털 전환이야. 공장만 디지털화하는 게 아니라 될 수 있는 모든 것을 디지털화하는 것을 디지털 전환이라고 한다.
2. 사이버 물리 시스템 (CPS)
   CPS는 사이버도 있고 물리도 있는 시스템. 현실의 대상이 있고, 가상의 대상이 동시에 있는 것을 말한다.
   이건 시스템에 좀 더 초점이 맞춰짐. 시스템이란 어떤 계 전체를 운영하는 관점인 것.
3. 디지털 트윈
   디지털 트윈은 현실에 있는 것의 ‘트윈’을 가상의 공간에 만든 것.
   이건 모델 중심. 굳이 CPS와 비교하자면 CPS가 조금 더 크다고 볼 수 있다.

발표 잘하는 사람은 날때부터 뱃속에 피피티 담고 나오는 게 아니에요. 다른 잘하는 사람 보고 배우는 겁니다. 발표를 잘하는 방법 중의 하나는 근거 자료가 명확한 거예요.

가트너 하이프 사이클 알아요? 보는 방법 알려드립니다. 앞에서부터 태동기 - 거품 낀 피크 - 거품 빠지는 기간 - 재조명기 - 안정기입니다. 기술은 대체로 이 흐름을 따라 발전합니다. 그리고 그래프에 있는 마커들은 해당 기술이 안정될 때까지 어느 정도 남았는지 나타내는 겁니다.

디지털 트윈은 2017년 시작해서 바로 다음 해 거품이 끼었어. 거품이 끼었다는 게 무슨 말이냐면 남들 다 쓰는 것 같고 식상하게 느껴지는 것. 빠른 유행 말하는듯. 챗지도 한창 거품 낄 때 할루시네이션 이슈 있었잖아요. 그런 거임.

다시 디지털 트윈 보세요. 나오자마자 확 거품 끼고(2018년 시점) 지금은 거품 빠지기~안정기 정도 됩니다.

스마트 제조

를 하려면 뭘 해야 할까? 그렇게 나온 게 스마트 제조 8대 기술이에요. 위에서부터 4개는 생산 시스템 혁신, 아래 4개는 ICT 혁신에 해당.

1. 스마트 센서
2. CPS
3. 3D 프린팅
4. 에너지 절약
5. IoT
6. 클라우드 컴퓨팅
7. 빅데이터
8. 홀로그램

우리나라는 중소/중견이 많고 대기업의 비율이 낮아요. 그럼에도 대기업이 커보이는 건 그 몇 개의 대기업이 특출나서 그래. 그러니까 대기업 취업이 어려워요.

오늘 필기 뭘 써야 할지 영 모르겠음…

우리나라 스마트 제조 전략의 첫 번째는 중소 중견 끌어올리기. 요즘에도 현장에 컴퓨터가 없고 종이에 손으로 쓰는 업장들이 정말 많아요. 근데 현차 삼성 1차 벤더만 가도 다 스마트 센서에 자동화가 되어 있어요. 이렇게나 차이가 나는데 정부 지원금을 어떻게 줘야 할까? 그런 필요에서 나온 게 스마트 공장 수준 구분이에요.

그럼 현차 삼성은 최고수준을 달성했을까? 그건 아님. 전세계 어디에도 모든 파트에서 고도화된 곳은 없어요. 홍보용 시공장은 있어도 진짜 생산공장이 저렇게 된 데가 없어요.

이 중에서도 제일 고도화된 단계는 전사적으로 CPS화된 곳. CPS 자주 나오죠? 기억해두세요.

디지털 트윈의 정의

여러 가지 정의가 있지만 교수님은 이게 제일 좋다

특정 사용 목적을 만족시키기 위한 디지털 표현

Digital representation (=Information that represents attributes and bahaviors of an entity), sufficient to meet the requirements of a set of use cases

디지털 트윈을 만들 때 할 수 있는 질문은 ‘얼마나 구현해야 디지털 트윈을 만들었다고 할 수 있는가?’입니다. 그래서 필요한 게 ‘특정 사용 목적’이에요. 목적과 범위에 맞는 대상을 포커스해서 만들어야 합니다. 그리고 디지털 트윈은 한번에 모든 속성을 다 구현할 수가 없어요. 조금씩 만들어서 개선해가는 거지.

근데 주의해야 할 것은 엔티티의 정의. DT에서 말하는 엔티티는 식별할 수 있는 고유한 정보를 갖는 항목입니다. DT는 실제의 대상을 가상으로 옮긴 거잖아요. 만약에 공장을 만들었다 쳐. 그럼 그 가상의 공장을 체험할 때 해야 할 일이 뭐야? 내 설비를 찾는 거예요. 서로를 구분할 수 있어야 해. 그걸 말하는 거야. 설비들끼리도 서로를 식별할 수 있어야 합니다. 그런 ID를 갖는 대상을 엔티티라고 봅니다.

반면 사이버 물리 시스템은 정의가 좀 달라요

센서와 액츄에이터를 갖는 물리 시스템과 이를 제어하는 컴퓨팅 요소가 결합된 네트워크 기반 분산제어 시스템

미국은 이걸 조금 더 좋아해서 이게 자주 나옵니다.

근데 다시 말하지만 굳이 엄밀하게 구분할 필요는 없어요.

• CPS의 구성 요소
  • 물리 시스템(실물)
  • 센서, 액츄에이터
  • 모니터링, 컨트롤 시스템: 분석의 시작은 모니터링입니다. 대상에 대한 이해, 탐색부터 시작해야 합니다.
  • 데이터 분석
  • 모델링, 시뮬레이션, 최적화: 분석 결과로 내가 어떤 의사 결정을 할 것인지 정해야죠
  • 비즈니스, 유저 목표: 시스템에 적용해야죠. 그 후에는 물리 시스템으로 돌아가야 합니다. 다 했으면 도돌이표해야지. 실제 공장의 설비와 프로세스가 어떻게 움직여야 하죠? 거기까지 해야 다 한 거예요. 근데 실제로는 너희한테는 권한을 안 줄 거예요. 그래도 해야돼. 이게 계획입니다 하고 말해야 해.

연구자들이 95%의 정확도로 모델을 만들어와요. 거기선 그래도 돼. 하지만 공장에서는 그러면 안됩니다. 그걸로 무엇을 어떻게 컨트롤할건지까지 계획해야 합니다. 그래서 물리 시스템에서부터 데이터 분석과 모델링을 거쳐서 비즈니스로 갔다가, 물리 시스템으로 돌아와야 하는 거야.

• 디지털 트윈 구성요소
  • 데이터
    • 구현하고자 하는 대상의 정보를 알아야 한다. 운영과 관련한 정보뿐만 아니라 그 장비를 생산한 회사, 사양 등 생산부터 사용까지의 모든 정보를 고려해야 한다. 그 중에 목적에 따라 필요한 것을 골라 사용하는 거야.
    • 그리고 데이터는 항상 연결되어 있어야 합니다. 어제의 데이터로 모델을 만들었어. 그건 오늘 뭐가 돼? 예쁜 쓰레기가 돼요. 항상 동기화가 되어야 합니다. 실시간 혹은 실시간에 가깝게 동기화가 되어야 합니다.
    • 모든 데이터가 실시간으로 나올 필요는 없지만(예: 기기 사양), 현장에서 동적으로 변하는 데이터는 반드시 동기화되어야 한다. 그거 안되면 예쁜 쓰레기.
  • 모델
    DT는 3D 모델이 아니에요. 그거 없어도 모델이에요. 많이들 착각합니다. 하지만 그렇게 생각하는 이유? 사람은 형상이 같아야 직관적으로 같다고 생각해. 설득력이 높아져. 그래서 3D 모델을 쓸 뿐입니다.
    그리고 이것들 외에도 여러가지 있을 수 있어요. 대표적인 3가지일 뿐임.
    다만 여기에는 실행자는 없는데, 최근에는 AI 에이전트가 추가돼서 실행자를 맡기도 한다.
    • 기초 모델: 물리/화학/엔지니어링/시뮬레이션
    • 데이터 기반 모델: 통계학, 기계학습/인공지능 모델
      • 디지털 트윈에 지능을 주기 위해 들어감
    • 가시화 모델: 3D 모델. XR 모델.
      • 이 모델이 꼭 1:1 스케일로 필요한 유즈케이스도 있어요. 그게 어떤 경우야? 공장 공간 내에서 설비의 이동이 필요할 때. 그럴 때 이걸 구현해서 새 설비를 여기저기 끼워보는 거야.
      • 혹은 모델하우스 같은 거. 가상 품평. 차량 하나 만들 때 클레이 만들잖아요. 그거 하나에 1억 든대. 근데 가상 환경에 만들어봐. 클레이 안 써도 되지, 주변환경 바꿔도 되지, 가상환경에서 타볼 수도 있지. 훨씬 더 몰입감 있게 품평할 수 있겠죠.
      • 이런 경우가 아닌 이상 선택적으로 활용하는 거예요.
  • 서비스 인터페이스
    DT는 ‘사용’할 수 있어야죠. 외부와 공유하고, 데이터도 주고받고 할 수 있어야 합니다. 그래서 인터페이스가 필요해. 외부에서 정보를 가져오려면 어떻게 해야 하나? 그걸 고민해야 합니다. 구현이랑은 별개의 문제야. 적어도 머리로 계획할 줄은 알아야 합니다.
    그래서 서비스 예시를 좀 들어보자면 VR/AR에도 써도 되고, 진단/예측에도 쓸 수 있고 그래요
• 디지털 트윈 특징
  • 디지털 트윈은 실시간성이 있어야 해요. 하지만 단위 시간이 딱 정해져 있지는 않아요. 그건 현장마다 필요한 만큼 쓰면 됩니다.
  • 실제 대상이 가상화되어 있어야 합니다.
  • 지능적이어야 해. 가상화로 끝낼 거야? 그건 시작이에요. DT 하나에 몇 억 드는데 모니터링만 할 거야? 공장은 라인 한번 멈추면 초 단위로 돈이 나가요. DT는 실제 공장에 할 수 없는 일을 해보기 위한 거야(시뮬레이션). 그래서 현실과의 진짜같은 동화가 필요한 거고, 실제에서 안 되는 일을 스스로 해결하고 컨트롤까지 하기 위해 지능화가 필요하다.
    근데 예전에도 시뮬레이션 데이터 분석 다 했어요. 그런데 지금의 차이점? 얘는 스스로 해. 문제가 터진 다음에 사람이 모델을 만들고 적용하면 늦어. 사후대책은 늦어. 이제 우리가 원하는 것은 문제가 생기기 전에 미리 대응할 수 있고, 사람이 굳이 모델 만들어 시간 자원 쓸 필요 없이 DT가 먼저 해결책까지 가져와. 그걸 원해.
• 디지털 트윈 유형
  • 디지털 모델
    예전에 했던 거. 데이터를 수동으로 수집하고, 시뮬레이션하고, 현실 피드백도 수동으로 돌아가.
    사실 지금도 이렇게 하는 데 많아요
  • 디지털 그림자
    수집 분석은 자동으로 돼. 근데 제어는 수동이야.
    요새 대부분 여기까지는 왔어.
  • 디지털 트윈
    이제 제어도 자동으로 해.
    그런데 이제 그림자에서 트윈으로 넘어가는 것의 문제는 기술적인 이슈도 있지만, 현장의 인식도 바뀌어야 한다. 현장은 변화를 싫어하고, 최종 결정은 사람이 해야 한다. 그래서 여기까지 넘어가는 데에는 장벽이 좀 있다.
• 디지털 트윈 핵심 기술
  • 보안: 여러가지 있는데, 보안 중요합니다. DT에 설비 정보 다 들어가죠. 그걸 해커가 가져가. 그럼 회사는 엄청난 손실을 봅니다. 유출만으로도 문제가 되기 때문에 보안 중요해.
  • 연결 기술: 외부와의 소통이 되어야 하니까 필요해
  • 그 외에도 더 있는데 설명 듣다가 못적었음 강의자료 보고 잘 생각해보세요

---

• DT를 구축하려면 데이터가 필요하다. 어디서 얻을까?
  요즘 산업공학과도 AI 다 한다. 소프트웨어 전공자는 이제 AI 모델에는 강점이 안 돼요. 그럼 뭘 해야 해? 자기 도메인을 살려야 해.
  실무 들어가면 데이터 떠먹여주는 사람 없어요. 어디서 무슨 데이터가 필요한지 알아야 요구하죠. 거기서 도메인 지식이 필요한 거임.
  도메인 지식이 있는 사람들이 데이터를 만들고 수집할 수 있다.
  근데 스마트 센서 아까 말했죠. 그거 믿으면 될까요? 안돼요 그거 하나에 돈이 얼만데, 설비는 또 몇 대예요? 그 돈 있어요? 안되지. 센서가 첫 번째가 아님.
  현장에서는 크게 3가지에서 데이터가 나온다
  1. 설비(기계/장비 데이터)
     이게 1순위입니다. 현장 인터페이스 확인해봐야 합니다. 통신이 되는 장비인지, 만약 안된다면 어떻게 하는지(개념적으로 알아야). 인터페이스는 무료인지 유료인지, 현장에서 이미 사용중인 것인지, 어디에 어떻게 데이터가 들어가고 있는지 파악하는 게 제일 첫 번째야.
  2. 시스템
     대기업 회사는 보통 현장에 MES(제조 실행 시스템)가 있어요. 어디서 어떤 설비가 무엇을 하고 있는지, 무엇이 얼마나 생산되었는지, 어떤 이슈가 있는지 다 여기서 확인할 수 있다.
     기본적으로 현장에 MES가 깔릴 때 설치 업체가 설비의 데이터 인터페이스를 다 딴다. 그러니 여기서 한번에 확인할 수 있다.
     근데 여기엔 필요한 정보만 선택적으로 들어오고 있을 것이다. 그러니 포함되지 않은 raw 데이터는 어디 있는지, 가져올 수 있는지, 안된다면 설치 업체와 협의해서 해결이 가능한지. 이런 게 돈이 덜 든다.
     PLM은 제품과 관련된 정보를 갖고 있다. 제품 사양 같은 것들.
     ERP는 비즈니스와 관련된 정보를 갖고 있다. 하나의 완성품을 만든다 해도, 그 부품이 전부 셀프 생산이 아니다. 자재, 물류, 외부 부품 등의 정보가 다 여기 있다.
  3. 센서
     위의 두 가지를 다 하고서도 결국 또 센서가 필요한 경우가 있다. 그럴 때 딱 필요한 곳에 딱 필요한 만큼 설치해야 하는 게 센서다.
     근데 그래도 전수조사를 할 수는 없고, 그렇기 때문에 생기는 또다른 문제가 분석 결과의 deploy 문제다. 이 설비에서 새 센서로 분석한 데이터를, 센서가 설치되지 않은 다른 동일 설비에는 어떻게 적용할 건데? 명확한 답은 없다.
• 센서와 스마트 센서
  센서 자체는 아주 오래된 단어임. 옛날엔 센서에 usb를 꽂았고, 주기적으로 그 usb를 통해서 데이터를 받았어. 문제가 뭐야? 실시간성이 없어.
  그래서 요즘 센서는 통신이 된다. 그게 스마트 센서고, 그래서 통신 기능이 중요한 거야.
  요즘 클라우드 많이 쓰죠. 근데 생각을 해봐. 공장 내 모든 센서가 생산하는 값을 전부 클라우드에 올린 다음 처리해. 돈이 얼마고, 클라우드는 제대로 작동하겠어요? 거기서 엣지 컴퓨팅이 나오는거야. 말단에서 컴퓨팅을 한다고.
  그리고 또 센서가 얻는 값 중에는 굳이 올릴 필요 없이 지금 보고 버려도 되는 게 있죠? 그런 걸 센서가 알아서 처리하고 딱 필요한 것만 클라우드에 보내는 거야. 그렇게 자원 절약.
  스마트 센서는 그런 사유로 약간의 컴퓨팅 능력까지 갖추고 있다.
• 사물 인터넷 (IoT)
  IoT라는 말은 보통 플랫폼을 포함한다. 기계끼리 소통을 하려면 체계가 있고 인프라가 있어야겠죠? 그래서 플랫폼이 있어.
  미래에는 IoE(-evrything)이 될 거예요. 사물만이 아니라 정말 모든 게 연결되는 거야.
• 빅데이터
  빅데이터의 3V는 알죠? 셋 다 중요합니다.
  근데 요즘은 5V입니다. 그게 왜 그래? 무작정 수집하면 돈만 들고 도움이 안 되거든. 기업이 돈을 쓴다는 건 그 이상으로 수익을 뽑아내겠다는 뜻이에요. 그러니 데이터 수집도 right 데이터만. 믿을 수 있고 가치가 있는 것만 수집해야 하는 거예요. 그게 5V임.
  그리고 ‘빅데이터’라는 것은 AI만 말하는 게 아닙니다. 그 데이터를 수집하고 저장하고 유지하고 활용하는 모든 기술 및 인프라를 포함해서 말하는 거예요. 이게 상당히 큰 영역이라는 걸 이해하시면 좋겠습니다.
• 시뮬레이션
  시뮬레이션은 실제로 해보지 않고 다양한 조건과 결과를 실험할 수 있다는 게 장점임
• 클라우드 컴퓨팅
  앞선 모든 데이터 및 과정들을 어딘가에는 저장해둬야겠죠? 그때 필요한 게 클라우드 컴퓨팅. 서비스 유형은 3가지 정도로 나눌 수 있다.
  1. 레거시: 모든 데이터 및 서버를 직접 보유하고 관리하기. 옛날엔 이게 됐는데, 지금은 데이터가 너무 많고, 외부와의 데이터 주고받기가 필요해지니까 아래의 유형으로 변화하는 것임.
  2. IaaS(인프라): 레거시 시스템의 모든 것을 직접 할 수 있는데, 인프라 서버만 필요한 경우. 대기업이나 국내 중소 중견이 이걸 많이 쓴다. 서버만 빌리기.
  3. PaaS(플랫폼): 플랫폼을 서비스한다는 건, 다른 양식은 다 제공하고 정해져 있으니 사용자는 어플리케이션만 양식 맞춰서 만들고 올리라는 말임. API, 언어, 연동 방법, 어느 DB를 써야 하는지 등이 다 정해져서 그대로 앱만 만들면 됨. 구글 플레이스토어에 올리는 앱 같은 거임.
  4. SaaS(소프트웨어): 서비스 제공자가 다 할게. 고객은 설치해서 사용만 해. 스마트폰은 SaaS 환경이다.
• 가상현실/증강현실
  • 가상현실과 증강현실의 차이: 가상현실은 사람이 현실과 차단되어 가상현실로 납치당하는 것, 증강현실은 현실에 가상의 뷰를 import해서 사용자가 현실과 가상을 동시에 체험할 수 있도록 하는 것.
  • 가상현실보다 증강현실이 어려워요. 증강현실은 지평좌표계 고정부터 시작해야 합니다.

디지털 트윈 사례

GE Predix

디지털 트윈에서 시각화는 필수가 아니지만, 적절히 사용되면 사용자의 이해를 돕고 설득력을 높인다.

그 외에도 설비 수명주기 분석 후 선제적 위험 보고 및 해결방안 제시도 가능

그리고 여기서 잘 보면 이 DT가 무엇을 기반으로 저렇게 판단했고, 얼마나 고려하여 결론을 내렸는지 설명하고 있음. → 설명 가능 AI죠

이 사례로부터 한번 생각해보자. 아까 배운 CPS의 구성 요소 중 어떤 것이 어디에 대응될까?

1. 물리 시스템(실물): 시연에 사용된 터빈
2. 센서, 액츄에이터: 터빈에 무슨 센서가 붙어있었을지는? 잘 모르겠음. 하지만 AI가 ‘자신이 무엇을 기반으로 그렇게 생각했는지’ 설명할 때 데이터 소스로 존재했을 것
3. 모니터링, 컨트롤 시스템: AI가 터빈의 사용 데이터를 실시간으로 받고 처리하면서 이게 얼마나 소모되고 있고, 사용 패턴이 어떻게 되는지 파악함
4. 데이터 분석: 사용 패턴과 소모 추세를 기반으로 향후 부품 수명 주기 소모율을 계산하고자 함
5. 모델링, 시뮬레이션, 최적화: 쓰던대로 쓰면 이 부품은 언제쯤 얼마나 못써먹게 될 것이며, 어떻게 하면 그러한 미래를 피할 수 있는지 알아냄
6. 비즈니스, 유저 목표: 사용자에게 처음부터 끝까지 보고함. 내가 터빈 계속 봤는데 공회전 자꾸 하더라. 근데 그거 계속 하면 여기 닳아서 세 달 후에 망가질 거임. 이거 해결하려면 작업자가 직접 멈춰주거나, 우리 서비스 중에 ‘바로 끄기’ 서비스 있어. 그거 쓰면 돼. 지금까지의 설비 데이터, 날씨 정보 등등을 토대로 내가 5만번 시뮬레이션 해보고 말하는 거임. 전자는 돈이 이만큼 들고 후자는 돈이 저만큼 들어. 어떻게 할래? → 사용자는 작업자에게 일을 하나 더 맡길지 서비스를 하나 더 구매할지 고민하기만 하면 됨.

앞으로 님들은 어떤 디지털 트윈을 봤을 때, 그게 어디에 집중된 건지, 어떤 요소가 있고 어떤 요소가 없는지, 이건 어떤 디지털 트윈인지 이해하고 말할 수 있어야 한다. 그걸 연습시킬 거임.

디지털 트윈과의 3가지 특징과도 연결해서 생각해봅시다. 이 사례에서는 이 요소들이 어떻게 연결돼서 구현되었겠습니까?

• 연결성
  • 설비 데이터를 실시간을 수집함
• 가상화
  • 가상환경에 있는 설비는 현실과 실시간으로 연결됨
  • 이 설비가 어떻게 돌아갔을 때 얼마나 쓸 수 있는지 시물레이션하여 알아냄
• 지능화
  • 설비 사용 행태로부터 예상 수명을 도출하고 해결책을 제시함

이 사례는 DT의 구현 수준 중에 세 번째인 트윈에 해당한다. 사람이 의사결정을 하긴 했지만, 그 적용이 스스로 이루어지고 피드백까지 알아서 가능하므로 트윈으로 봐야 한다.

그럼 디지털 트윈의 3가지 요소(데이터, 모델, 서비스)에는 어떻게 적용되었는가?

1. 데이터: 터빈의 구동 데이터 및 기타 정보(날씨 등), 담당자 정보 등
2. 모델: 통계적 모델과 물리 모델이 동시에 적용되고, 사용자를 위해 가상화도 한 것 같음. 시뮬레이션도 했음. 의사결정 모델도 있을 것.
3. 서비스 인터페이스: 터빈의 데이터를 수집하는 프로그램, 터빈을 자동으로 종료하여 수명을 아껴주는 프로그램 등을 운용하거나 외부로부터 얻어 활용할 수 있음.

CNC 공작기계

공장은 가능하면 센서를 안 쓰고 싶어 한다. 그게 다 돈이거든. 그렇기 때문에 우리는 센서를 추가하지 않고 얻어낼 수 있는 데이터소스를 잘 활용해야 한다.

공장에는 자체적으로 관리 시스템이 있기 때문에 전류 전력 데이터 정도는 얻을 수 있을 것이다. 만약 그럴 수 없다 해도, 전류 전력 센서는 비교적 비용이 덜 든다.

위와 같은 이유에 더해, 에너지 소비량 데이터는 다음과 같은 점에서도 중요하다.

1. 에너지 효율성 관리
2. 환경적 이슈 파악
3. 기기 상태 이해

DMG MORI - CELOS 사례에서도 에너지 절감 기능을 상당히 강조하고 있다. 이러한 에너지 소비량 관련한 디지털 트윈 사례를 이번에 설명한다.

• CNC 공작기계 소비 에너지 데이터 분석
  • 기술 개발 목표
    • CNC 공작기계에서 수집되는 소비 에너지 데이터 모니터링 기술 개발
    • 수집된 데이터를 기반으로 소비 에너지 분석 및 예측 기술 개발
    • 분석 결과를 활용하여 CNC 공작기계 이상상태 진단 기술 개발
  • 에너지를 소모하는 유닛들: spindle(회전하는 주축 부품), cooler(기계 과열 방지), feed, coolant, cutting, tool, utility
  • 가상 머신 기반 에너지 사용량 추정: 가상 머신에 공작기계와 NC 코드를 넣고 공작 과정을 시뮬레이션하면서 에너지 사용량을 예측함.
  • 실제 머신이 동일한 코드로 실제 공작을 진행하며 에너지 사용량을 측정함.
  • 이때 가상/실제 두 머신의 에너지 사용량이 크게 차이난다면 무언가 문제가 있을 것으로 간주함. + NC 코드를 다듬어서 최대한 효율적으로 공작하게 함.
  • 이제 이 기술을 어디다 써먹는가? 현업에서는 문제의 발생을 알아내는 것뿐만 아니라 그것의 원인이 무엇인지 정확히 찾아내길 요구함. 하지만 이 기술은 그런 부분에 한계가 있음.
    이것은 에너지 사용량이라는 데이터 자체의 한계이기도 함. 이 값에는 도메인 정보가 그다지 많지 않기 때문에 원인까지 자동으로 파악하기엔 한계가 있다.
• CNC 공작기계 CPPS 환경 구축
  설비로부터 데이터를 수집해서 가상화 모델을 구동하고, 모니터링 서비스까지 제공하는 것은 구현되었고,
  MES, PLM, ERP로부터 데이터를 I/O하거나 모니터링 결과를 설비에 피드백하는 구조는 구현되지 않았음
  이제 이런 걸 보면 어느 정도까지 구현된 디지털 트윈인지, 여러 레이어 중 어디까지 이 기술이 이어져 있는지 파악할 수 있어야 돼요.

자세한 사항은 강의교재 보세요 이건 이미지가 있어야 설명이 되겠다.

이제 이 사례를 또 디지털 트윈 구조에 끼워보자. 어디에 무엇이 어떻게 구현되었는가?

1. 물리 환경: CNC 공작기계
2. 센서/액츄에이터: 전류/전압 센서, CNC 인터페이스
3. 모니터링/컨트롤 시스템: 파트별 전력 소모량 데이터 수집, 공작기계 HMI
4. 데이터 분석: 소비 에너지 예측 모델
5. 모델링 최적화 시뮬레이션
6. 비즈니스: PC/모바일용 서비스, 소비 에너지 관리

이 사례에서는 컨트롤 개념은 딱히 들어가지 않았음

3가지 특징은 어떻게 구현되었는가?

• 연결성: 설비가 작동할 때 실시간으로 전력 데이터가 전달 가능함
• 가상화: 시뮬레이션 환경 구축, 그 안에서 CNC 공작기계 동작
• 지능화: 공작기계 데이터 분석

이건 디지털 그림자 정도의 단계다. 사람이 요구 정도는 해줘야 하기 때문

3가지 요소에는 어떻게 반영되었는가?

1. 데이터
   전압/전류 소모량, G코드
2. 모델
   언제 문제가 생길지 예측하는 모델(물리 모델)
3. 서비스 인터페이스
   모니터링 서비스, 현장 가시화 서비스 등

추가 예제

디지털 트윈 사례: 자율주행자동차

• 현차 사례 있음(시간 문제로 영상은 안보고 넘어감)

스마트팜 1

스마트팜 2

영상 재생 안돼서 설명만 함

VR 헤드셋 끼고 컨트롤러를 쓰면 실제 나무가 눈앞에 보이고, 연동된 로봇팔이 사람 팔과 똑같이 움직이며 열매를 딸 수 있음

디지털 트윈 구축 기술 - AAS 기본 개념

표준이 왜 필요한가? 모두가 각자 자신의 방식으로 말하면 그 누구도 서로 손쉽게 소통할 수 없기 때문. 예전에는 표준이 개발되기 전에 기술이 먼저 나왔기 때문에 다들 표준을 쓸 이유를 못느꼈다.

그런데 이제 정보가 오가는 게 중요해지고, 예전에 표준 없이 일하던 사람들은 그 불편함을 알기 때문에 기술을 개발하기 전에 표준을 먼저 잡고 간다.

디지털 트윈 분야에서의 표준은 AAS(Asset Administration Shell)라고 한다.

디지털 트윈의 기술적 고려사항

• 정보 모델링
  • 특정 목적에 따라 무엇을 만들어야 하는지
  • 그걸 어떻게 구조화하나?
  • 어떻게 정보를 업데이트하지?
  • 무슨 표준을 사용하나?
  • 다른 DT와 어떻게 정보를 주고받을 것인가?
  • 다수의 DT를 어떻게 조합해 사용할 것인가?
• 정보 출처
  • 이 정보가 어디서 온 것인지?
  • 다른 DT는 어떻게 참조할지?
  • 어떻게 저장할지?
  • 온오프라인 정보를 어떻게 수집할지?
• 정보 동기화
  • DT의 목표는 최대한 실시간에 가깝게 동기화하는 것
  • 어떻게 동기화할 것인지?
  • 다수의 DT 간 동기화는 어떻게 할지?
  • 어느 정도 주기로, 어떻게 보안을 준수해서 동기화할지?
  • 표준 및 방법까지
• API
  • 외부와 통신하는 방식을 정하는 것임
  • 오프라인 정보(확장자가 다른 파일) 어떻게 액세스함?
  • 온라인 정보(다른 API)는 어떻게 액세스함?
  • 정보는 벌크로 혹은 스트림으로?
  • 클라우드나 엣지 간 상호작용은 어떻게?
  • 상호운용성 지원을 위한 API 표준
• 연결성
  • 디지털 트윈과 그 안의 엔티티들을 식별하여 연결하기 위함 메커니즘
  • 그런 엔티티를 자동으로 인식해서 DT와 연결하기
  • 다른 DT를 인식하고 연결하기
  • 표준
• 배포
  • IoT 장치, 엣지, 클라우드 등 다양한 위치에 배포하기
  • 개별 DT를 식별하고 통합하기
  • DT를 다른 곳에 다른 형태로 배포하기
• 보안
  • 핵심은 권한 이슈. 누구에게 무엇을 공개하고, 무엇을 차단할 것인가?
• 상호운용성
  • 표준부터 표준까지 표준만 있음
  • 그런데 이제 각 파트에 대한 표준이 다 따로 있음. 그럼 그 표준끼리는 어떻게 연동함? → 이곳에 AAS 등장

아니 여기서부터 교수님이 너무 랩하셔서 뭐 적을 시간이없어

---

AAS가 최근 핫해진 이유

를 말하기에 앞서 DPP를 알아야 한다. 리터럴리 디지털 상품 여권임. 이제 국내외로 드나드는 상품들도 여권이 있어야 한다.

그리고 이 DPP에는 PCF가 들어가야 한다. PCF란 product carbon footprint라고 해서, 이 상품이 만들어지는 처음부터 끝까지의 과정에서 배출된 탄소를 다 기록하라는 거임.

그렇다면 이제 이 PCF와 DPP를 어떻게 써서 보여줄 것인가? 그걸 AAS에 써와라. 그래서 AAS가 핫하게 된 거임. 핫할 수밖에 없는 거임. 물론 AAS가 원래 먼저 있었음.

AAS는 실제 물리적 장비에 디지털한 헬멧을 씌운다는 식으로 이해하면 된다.

• AAS에 들어가는 asset의 범위: (교수님 커스텀 정의, 엔지니어링 관점) 센서와 액츄에이터를 갖는 물리 시스템 → 디지털 트윈을 만들기 위해서는 그 대상은 실시간 동기화가 가능해야 하고(센서), 원격으로 제어하여 동작하도록 할 수 있어야 한다(액츄에이터).
  사실 인간도 디지털 트윈에 있어서 상당히 중요한/주요한 요소이긴 한데, 굳이 디지털 트윈에 진짜 트윈으로 구현되지는 않는다. 생물학에서 인간 유전형질 연구가 쉽지 않은 것과 비슷하게 인간들에게 센서를 붙이고 액츄에이터로 제어를 시도한다고 그걸 네 하고 들어주는 인간이 그닥 없기 때문임.
• AAS는 서브모델의 집합이다.
  참고 사이트: IDTA - AAS Submodel Templates
• 서브모델은 프로퍼티로 이루어진다
  • 기본 서브모델: ID(식별자), 테크니컬 데이터(기본사양, 엔지니어링 정보), 오퍼레이션 데이터(실제 운영 관련 정보), docs(도면, 사양, 매뉴얼 등 각종 자료)로 구성됨 → 이 양식을 참고 사이트(IDTA 서브모델 템플릿)에서 다운받을 수 있다.
• AAS에는 위 기본 모델을 권고하고 있음. 그 외에도 추가하고 싶은 서브모델/속성이 있으면 더 써도 됨.
• AAS는 무엇으로 작성하는가? aasx로 작성하면 된다. 오픈소스이니 프리하게 다운 가능하다. 근데 맥은 안됨. 윈도우만.
• AAS > 서브모델 > 프로퍼티란 무엇인가?
  • 프로퍼티는 각각이 고유한 ID를 갖는다. 이 ID는 모든 사용자에게 한치의 차이도 없이 동일하게 인식되는 것을 목적으로 한다.
    이게 무슨 말이냐면, 예를 들어 터빈의 사이즈를 표현하기 위해 가로 세로 높이를 작성한다 치자. 그러면 그냥 가로 세로 높이라고 쓰면 안됨. AAS 전용 사전에서 “터빈의 가로/세로/높이”라는 ID를 찾아서 써야 함. 만약 모터의 가/세/높이라면 “모터의 가/세/높” 전용 ID를 찾아서 써야 하는 거임.

  • 카테고리 구조가 어떻게 되는가? 아래와 같이 구성됨. ID라고 말하는 것은 저 순서로 사전을 서치해서 “모터의 최대회전속도” ID를 찾아 써야 한다는 말임.

    AAS	서브모델	프로퍼티
    모터	테크니컬 데이터	최대회전속도

• AAS 모델링 방법론
  • 목표 설정> 대상 탐색 > asset 설계 > AAS 설계 > AAS 구현 > 시스템 구현 및 검증
  • 사실 요즘에는 aasx가 있어서 이 과정을 완전 똑같이 따르지는 않는데 예시로 설명해주겠음. 지금도 유효한 방법임.

신우코스텍 AAS 적용 사례

1. 목표 설정
   • 어떤 기계에 대하여
   • 어떤 활용을 위하여
   • 어떤 정보를 다룰 것인가
2. 대상 탐색
   • 페트병을 만드는 기계에 대하여 AAS를 구현하자.
   • 해당 기계의 공정
     1. 사출 공정: 페트병이 될 기본 템플릿을 사출하여 굳힘
     2. 재가열 공정: 페트병 모양을 만들기 위해 다시 약간 가열함
     3. 연신블로우 공정: 불어서 페트병 모양을 만들고 라벨까지 같이 생산함
     4. 용기 취출 공정: 설명 제대로 못들었는데 뚜껑 닫는 공정인듯
3. asset 설계
   • 이 기계에 대해 어떤 서브모델, 어떤 속성을 저장할 것인가?
   • 이때는 이 기계를 구조별로(공정별로) 나눠서 각 구조에 따라 모델링했음.
4. AAS 설계
   • 각 구조별로 서브모델과 프로퍼티 구성함
5. AAS 구현
   • aasx로 옮겨서 구현
6. 시스템 구현 및 검증
   • 설계대로 만들어서 제대로 돌아가는지 검증하기

---

AAS 참고자료

1. IDTA - AAS Submodel Templates
2. GitHub kosmo-nestfield - Overview

AAS 구현 사례

사출성형

용해된 플라스틱 원료를 금형에 주입하고, 열과 압력을 가하여 일정한 형상을 만들어 내는 공정

1. 호퍼에 플라스틱 수지(가루) 넣기
2. 수지가 실린더를 지나가면서 히터에 의해 녹음
3. 실린더가 금형에 녹은 수지를 짜넣음
4. 금형은 수지가 새지 않게 열과 압력을 가함
5. 이후 수지를 식히면 플라스틱이 굳음
6. 금형을 열면 제품이 하나 나옴

우진플라임 사례

• 엔지니어링 데이터 활용 시나리오
  1. AAS 기반 데이터 수집
  2. 사출성형 제품 불량 예측 알고리즘 실행 → 양품 시 종료, 불량 시 다음 진행
  3. 불량 원인 분석 알고리즘 실행
  4. 불량 원인 변수 도출
  5. AAS 모델 내 mechanical breakdown 모델로 이동
  6. 개별 asset 및 모니터링 데이터로 이동
  7. 상세 원인 파악

디지털 트윈의 이슈와 제언

디지털 트윈은 거품기를 지나서 발전/안정기에 접어들고 있다. 그런데 실제 활용도는 떨어진다. 구축 후에도 지속적으로 활용하지 못하는 기업들이 많다. 이유는?

• DT를 잘못 이해하고 잘못 적용함
• 전문인력 부족
• 센서와 시설의 자동화에만 집중
• 다양한 데이터소스와 운영 시스템
• 구축 비용을 제외하고도 운영 비용, ROI 이슈

똑바로 하려면 어떻게 해야 할까?

• 기술 및 전문성
  • 관리자와 현장 작업자를 위한 디지털 트윈 교육 필요
    기본 개념 필수, 필요 시 심화까지. 유지보수 교육도 해야 함
  • “디지털 트윈” 키워드로 전문인력 확보는 어렵고 실패할 확률이 큼
    디지털 트윈 전체적으로 전문가라고 자칭하는 사람은 사기꾼일 수 있다. “어느 파트의 전문가”인지?
    DT는 전문가 1명으로 이루어지는 것이 아니다. 기술뿐만 아니라 기본 역량을 잘 보고 뽑아야 한다. 전문 도메인 중심의 핵심 인재 양성 필요.
    덧: 학사? 전문가 아닙니다. 석사? 전문가 아닙니다. 최소 5년 경력이거나 박사 이상은 되어야 전문가로 취급합니다. 님들은 전문가 아니에요.
  • 내부 인력만으로는 DT 구축의 한계와 어려움 존재
    외부 인력/업체를 잘 활용할 수 있어야 한다. 누가 잘하는 지 알고 있고, 그들의 연락처가 있다는 것은 상당한 강점이 될 것이다. 모빌리티 스쿨에 오는 강사들 잘 기억해두세요. 님들은 이 사람들이 직접 강의하는 것도 봤잖아요. 알죠?
    구축 초기 단계 전문가와의 협력 필요 ← 처음에 잘 해야지, 중간에 뒤엎으면 그것도 돈이라 님이 짐 싸고 나가야 함.
  • 디지털 트윈 구축에서 3D 가시화를 해야 하나?
    정답은 아닌데, 필수는 아닌데, 상부를 설득하고 홍보하기에는 효과적이다. 비용이 된다면 하는 게 좋다. 성과 극대화 가능.
    가시화는 돈이 많이 들어요. 데모 영상에 나오는 정도의 간단한 조작에 몇 억 듭니다. 그럼에도 예산이 된다면 하는 게 굿임.
    • 그렇다면 어느 정도로 구현해야 하나?
      상황에 맞춰 되는 만큼, 필요한 만큼.
      관절의 움직임까지 할 것인가, 모양만 나오게 할 것인가? 관절 움직임까지 하려면 그 좌표를 하나하나 받을 수 있어야 해요.
  • DT 구축을 위해 뭐부터 해야 하나?
    정답은 없지만, 생각은 크게 실행은 작게.
    생각은 공장 전체가 DT가 된다는 큰 그림을 전제하고, 실제 하는 일은 일단 사출 설비 하나에 대한 DT만 하는 거임.
    우리나라의 스마트 팩토리는 설계보다 생산 단계에 집중되어 있다. 여기서 가장 먼저 DT를 도입하는 게 설비예요.
    설비 하나에 대해 DT를 구현해서 성공하면 이제 공장 전체에 대한 DT를 구현해도 된다는 실효성이 입증되는 거임.
• 데이터 수집 관리
  • 데이터는 비용임
  • 필요한 데이터에 집중
    쓰레기 넣으면 쓰레기 나오지
    데이터 수집의 목적과 활용을 명확히 정의해야 한다
  • 데이터의 보안과 프라이버시에 대한 고려 필요
    기업 내외부 데이터 전송, 활용 시 암호화 같은 걸 적용해야 함 (님들이 직접 하는 게 아니라 적절한 인력에게 시키세요. 이런 걸 고려할 능력을 갖추라는 것임)
    DT 데이터 및 모델에 대한 접근 권한 관리
    개인정보 준수하시기
  • 데이터의 실시간성 확보 중요
    DT의 가장 근본은 실시간성이에요. 제어는 수동으로 하더라도 동기화만큼은 반드시
  • 데이터의 수집, 저장 뿐 아니라 분석 목적을 고려한 디지털 트윈 전략 필요
    제조 지능화, 자율화 달성
    님들 피지컬 AI 아세요? 아마 내년쯤에 정부에서 예산 엄청 줄 거예요. 요즘 LLM 같은 지능을 피지컬 AI한테 넣어주겠다는 거임. 휴머노이드가 나올 수도 있는 거임. 님들 옆에는 산업용 로봇이 서있을 수 없습니다. 스치면 죽거든요. 하지만 휴머노이드는 인간의 옆에 서기 위해 만들어진 로봇이에요.
    이런 피지컬 AI에서도 DT가 중요해집니다. 인간은 어릴 때 이것저것 배우죠. 피지컬 AI도 가상환경에서 본인 업무 환경에서의 행동 방침을 배워야 하거든. 가도 되는 곳과 가면 안 되는 곳, 어떤 문제가 생겼을 때 대응 방법 등을 배워야 해.
• 상호운용성
  • 디지털 트윈의 데이터는 다양한 소스로부터 수집됨
    데이터 형식, 프로토콜 등의 통합 필요
    OPC-UA 등 국제표준, 산업표준 적용 권장
    전체 데이터에 대한 통합된 데이터 관리 시스템 필요
  • 디지털 트윈은 다양한 애플리케이션에 적용되어야 함
    이기종 정보시스템, 운영시스템 등과의 통합 필요
    AAS 등 국제표준, 산업표준 적용 권장
  • 정보기술(IT)과 운영기술(OT)의 융합 필요
    디지털 모델 > 쉐도우 > 트윈 달성을 위해서는 반드시 두 측면 다 알아야 한다.
    DT는 소프트웨어, 하드웨어 간 각 조합에 대한 통합을 통해 달성될 것
• 비용
  • 초기 투자 비용이 높음
    이건 어쩔 수 없음. 인프라 비용이 비쌈.
    그래서 정부가 중소 중견에 지원을 열심히 한다. 대기업은 알아서 할 수 있지. 그런데도 제대로 하는 곳이 많지 않다.
    어중간하게 돈을 아끼면 안돼. 다 갈아엎을 것까지 마음의 준비를 하고 시작해야 한다.
  • 운영 비용을 고려해야 함
    데이터 수집, 저장, 분석에 드는 비용뿐만 아니라 시스템의 업그레이드 및 유지보수 비용 포함
    공장 설비 배치 바꾸면 DT도 같이 업데이트해야지. 센서 고장나면 바꿔야지. 센서 작동하나 안하나 점검해야지. 그거 다 비용임.
    DT 관련 지속적인 교육 비용 포함
  • ROI에 대한 재정의 필요
    AI는 수익이 명확해. 사람이 빠지고 기계가 대신 하고, 그 작업에 대한 성과가 명확하거든.
    DT는 명확하지가 않아. 전사적으로 적용되는 것이고, 이 일의 수익 모델이 아직 다 정립되지 않았음. 이걸 적용해서 어떤 성과가 있었는지? 이걸 한 사람에게는 어떻게 보상해야 하는지?
    직접적인 수익만 볼 게 아니라 간접적이고 투자적인 관점에서 수익을 평가할 필요가 있다.