디지털 트윈과 AI가 시뮬레이션과 현실의 간극을 메우다   제조 시설은 지속적인 문제에 직면해 있다. 정비 일정은 일반적으로 실제 마모와 관계없이 3개월마다 부품을 점검하고 6개월마다 구성 요소를 교체하는 등 엄격한 일정을 따른다. 그 결과 불필요한 점검과 교체로 인한 비효율적인 시간 낭비가 발생하고, 반대로 정비 일정 전에 부품이 고장 나는 일도 생긴다. 센트랄수펠렉-파리 사클레대학교(CentraleSupélec–Université Paris-Saclay)의 지궈 젠(Zhiguo Zeng) 교수와 그의 연구팀은 디지털 트윈 기술과 딥러닝을 결합한 혁신적인 접근 방식을 통해 이 문제를 해결하고 있다. 그들의 목표는 모든 중요 부품에 센서를 배치할 필요 없이 시스템 수준의 모니터링 데이터만으로 로봇 시스템의 구성요소 수준의 고장을 감지하는 것이다. 젠 교수는 “유지보수는 공장에서 매우 큰 문제”라면서, “기계에 유지보수가 필요한 시기를 미리 안다면 주문이 적은 시기에 수리 일정을 잡을 수 있어 생산성 손실을 최소화할 수 있다”고 말했다. 그는 신뢰성 공학과 수명 예측 분야에서 풍부한 경험을 갖고 있지만, 디지털 트윈 기술은 그의 이전 연구와는 결이 다른 새로운 영역이었다. 센트랄수펠렉의 안 바로스(Anne Barros) 교수와 페드로 로드리게스-아예르베(Pedro Rodriguez-Ayerbe) 교수가 주도하는 학제 간 프로젝트인 ‘미래의 산업(Industry of the future)’에 참여하면서, 그는 디지털 트윈이 어떻게 강력한 시뮬레이션 도구를 물리적 시스템에 실시간으로 직접 연결할 수 있는지 깨달았다. 젠 교수는 “디지털 트윈은 결함 진단에 매우 유용하다. 이를 실제 기계의 데이터에 연결하여 그 데이터로 모델을 개선할 수 있다”고 설명했다.  제조업, 자동차, 항공우주 및 기타 분야로 활용 영역이 확대되면서, 디지털 트윈은 인더스트리 4.0에서 유망한 기술 중 하나로 자리잡고 있다. 물리적 객체나 시스템의 가상 복제본인 디지털 트윈(digital twin)을 생성함으로써, 조직은 운영 현황과 유지보수 필요성을 명확하게 파악할 수 있다. 또한 디지털 트윈은 예측 유지 관리 시스템 개발의 어려운 측면 중 하나인 고장 데이터의 부족에 대한 해결책을 제시한다. 젠 교수는 “현실에서는 고장이 자주 발생하는 걸 보기는 어렵다. 그래서 이제는 시뮬레이션을 통해 고장 데이터를 만들어낸다”고 설명했다.   가상과 물리의 가교 역할 디지털 트윈 프로젝트는 물리적 시스템과 가상 시스템 간의 다양한 수준의 통합을 통해 구현 옵션을 제공한다. 젠 교수의 연구팀은 세 가지 서로 다른 수준의 디지털 표현으로 작업했다. 기본 수준에서 디지털 모델은 기존 시뮬레이션처럼 작동하며, 물리적 시스템과 데이터를 교환하지 않는 정적 모델로 오프라인에서 실행된다. 그다음 단계는 디지털 섀도로, 가상 모델이 물리적 시스템의 데이터를 받아 그 행동을 미러링하지만 제어하지는 않는다. 가장 발전된 구현은 데이터와 정보의 양방향 흐름을 갖춘 진정한 디지털 트윈이다. 여기서 모델은 관찰을 바탕으로 스스로 업데이트하고 물리적 시스템을 제어하는 실시간 결정을 내린다. 연구팀은 테스트용으로 ArmPi FPV 교육용 로봇을 선택했다. 이 로봇은 5개의 관절과 하나의 엔드이펙터로 구성되며, 6개의 서보 모터로 제어된다. 결함 진단의 기초가 될 만큼 정확한 디지털 트윈을 만드는 것은 어려운 일이었다. 또한 기존 모니터링 접근 방식의 한계를 해결해야 했다. 젠 교수는 “대부분의 산업 사례에서 베어링을 진단하려면 베어링 수준의 센서가 필요하며, 이는 쉽지 않은 일이다. 내부에 베어링이 있는 큰 기계를 상상해보면 센서를 설치하기 위해서는 기계를 분해해야 하는데 때로는 공간이 충분하지 않을 때도 있다”고 말했다.   그림 1. ArmPi FPV 교육용 로봇(출처 : 센트랄수펠렉)   그들의 접근 방식은 시스템 수준 데이터(로봇 엔드 이펙터의 이동 궤적)를 사용하여 구성 요소 수준의 오류(개별 모터 문제)를 진단하는 것이었다. 또한 디지털 트윈을 사용하여 관찰할 수 있는 것과 감지해야 할 것 사이의 격차를 해소하고자 했다. 연구팀은 시뮬링크(Simulink)와 심스케이프 멀티바디(Simscape Multibody)를 사용하여 디지털 트윈을 구축했으며, 구성요소와 시스템 수준 동작을 모두 나타내는 계층적 모델을 만들었다. 젠 교수는 “모든 것은 시뮬레이션 모델을 설계하는 것으로 시작한다. 동적 시스템과 그 제어기를 모델링하고 싶다면 시뮬링크는 매우 강력하다”고 말했다. 연구팀은 시뮬링크를 사용해 모터 제어기를 PID 제어기로 모델링하면서 실험적으로 조정한 게인 값을 활용했다. 또한, 시뮬링크의 시각화 기능을 적극적으로 활용해 시뮬레이션 데이터와 실제 로봇의 센서 데이터를 연동할 수 있는 인터페이스를 구축하고, 실시간 모니터링 환경을 구성하였다. ROS 툴박스(ROS Toolbox)는 로봇 하드웨어와의 연결에서 유용한 역할을 했다. 젠 교수는 “로봇 운영 체제(Robot Operating System : ROS)를 사용하려면 일반적으로 ROS와 파이썬(Python) 환경을 별도로 구성하고 모든 연결을 직접 처리해야 한다”면서, “ROS 툴박스를 사용하면 이런 설정이 자동으로 관리되기 때문에 많은 노력을 아낄 수 있다”고 설명했다. 연구팀은 AI 모델 학습을 위한 데이터 준비 과정에서는 두 가지 접근 방식을 시도하였다. 먼저, 로봇에 입력되는 모터 명령과 그에 따른 그리퍼(gripper)의 움직임 패턴과 같은 원시 계측값을 기반으로 데이터를 수집하였다. 이후에는 디지털 트윈을 활용한 방식을 도입하였다. 시뮬레이션을 통해 로봇이 명령에 따라 어떻게 움직여야 하는지를 예측하고, 이 결과를 실제 움직임과 비교함으로써 예상과 실제 간의 차이를 도출하였다. 이러한 차이는 미세한 고장을 감지하는 데 유용한 지표로 작용하였다.   그림 2. 심스케이프 멀티바디의 로봇 팔에 대한 시뮬링크 모델(출처 : 센트랄수펠렉)   연구팀은 딥 러닝 툴박스(Deep Learning Toolbox)를 사용하여 장단기 메모리(Long Short-Term Memory : LSTM) 신경망을 훈련하여 특정 실패를 나타내는 패턴을 식별했다. 모델 아키텍처에는 각각 100개의 숨겨진 단위가 있는 두 개의 LSTM 계층, 그 사이의 드롭아웃 계층 및 완전히 연결된 분류 계층이 포함된다. 연구팀은 매트랩 앱 디자이너(MATLAB App Designer)를 사용하여 각 모터의 위치, 전압 및 온도를 포함한 실시간 데이터를 수집하는 그래픽 사용자 인터페이스를 설계했다. 이 인터페이스를 통해 로봇의 상태를 모니터링하고 오류 진단 모델의 예측을 검증할 수 있었다. 이러한 통합 도구들이 원활하게 함께 작동하면서, 연구팀은 소프트웨어 호환성 문제와 씨름하기보다는 효율적으로 기술적 과제 해결에 집중할 수 있었다.   현실 격차에 도전하다 연구팀은 실제 로봇에서 훈련된 모델을 테스트했을 때 연구원들이 ‘현실 격차’라고 부르는 시뮬레이션과 현실 세계 간의 불일치에 직면했다. 결함 진단 모델은 시뮬레이션에서 98%의 정확도를 달성하여 모터 고장의 위치와 유형을 모두 정확하게 식별했지만, 실제 로봇에서 테스트했을 때 성능은 약 60%로 떨어졌다. 젠 교수는 “시뮬레이션이 현실과 일치하지 않는 이유를 분석하고 있다”고 말하며, “실제 세계를 시뮬레이션 상에서 표현할 때 고려하지 못한 요소들이 있다”고 설명했다. 젠 교수와 그의 연구팀은 통신 신뢰성 문제, 시뮬레이션에서 고려되지 않은 모터 노이즈, 제어 명령과 모니터링 활동 간의 동기화 문제 등 성능 격차에 기여하는 여러 요인을 확인했다.   그림 3. 정상 상태 오류에서 로봇 팔의 애니메이션 및 관련 혼동 매트릭스(출처 : 센트랄수펠렉)   이러한 과제는 디지털 트윈 애플리케이션의 광범위한 문제를 반영한다. 현실은 가장 정교한 시뮬레이션보다 더 복잡하다. 연구팀은 낙담하기보다는 실제 노이즈 패턴을 시뮬레이션 하는 모듈을 디지털 트윈에 추가하고 전이 학습에 도메인 적응 기술을 적용하는 등 이러한 격차를 해소하기 위한 방법을 개발했다. 젠 교수는 “디지털 트윈 모델을 개발할 때 보정 테스트를 하긴 하지만, 이 역시 통제된 환경에서 이루어진다”고 말했다. 이어서 “하지만 산업 현장에 모델을 실제로 적용하면 훨씬 더 많은 노이즈가 포함된 데이터를 접하게 된다. 이처럼 현실의 노이즈를 알고리즘 관점에서 어떻게 보정할 것인가는 매우 도전적인 연구 주제”라고 설명했다. 이러한 수정을 통해 연구팀은 실제 세계 정확도를 약 85%까지 개선했다. 이는 실용적 구현을 향한 중요한 진전이다.   소규모 실험실에서 스마트 공장으로 연구팀의 작업은 단일 로봇을 넘어서 확장되고 있다. 이들은 다수의 로봇이 협업하며 생산 라인을 구성하는 소규모 스마트 공장 환경을 구축하고 있으며, 이를 통해 고장 진단 알고리즘을 보다 실제에 가까운 조건에서 실험하고자 한다. 젠 교수는 “우리는 미니 스마트 공장을 구축하려고 한다”면서, “생산 설비와 유사한 환경을 만들어 로봇에 알고리즘을 적용해, 실제 생산 스케줄링에 통합될 수 있는지를 실험하고 있다”고 설명했다. 이러한 접근 방식은 교육적 효과도 크다. 센트랄수펠렉의 공학과 학생들은 수업과 프로젝트를 통해 디지털 트윈, 로보틱스, 머신러닝 기술을 실습 기반으로 학습하고 있다. 젠 교수는 “학생들이 처음부터 가상 공간에서 모델을 직접 설계하고 이를 점차 실제 로봇과 연결해가는 과정을 보면, 그들이 이 과정을 진심으로 즐기고 있다는 걸 알 수 있다”고 전했다. 이 연구는 제조업뿐 아니라 물류, 스마트 창고 등 다양한 산업 분야로의 확장이 가능하다. 예를 들어 스마트 창고에서는 로봇이 정해진 경로를 따라 이동하지만, 장애물이 나타나면 이를 인식하고 경로를 유동적으로 조정해야 한다.   그림 4. 여러 로봇이 소규모 스마트 공장 환경의 생산 라인에서 협력하여 작동한다.(출처 : 센트랄수펠렉)   젠 교수는 “스마트 창고에서 로봇은 사전 정의된 규칙을 따르지만, 패키지가 떨어지고 경로가 막히는 등 경로를 리디렉션하고 다시 프로그래밍해야 하는 경우가 있을 수 있다. 이런 경우 로봇을 조정하기 위해 각 로봇의 실시간 위치를 알아야 하기 때문에 디지털 트윈 시스템이 필요하다”고 설명했다. 연구팀은 구성요소가 고장 날 때 로봇의 움직임을 조정하는 것과 같은 내결함성 제어를 포함한 추가 응용 프로그램을 모색하고 있다. 또한 연구자들은 에너지 소비만 고려하는 것이 아니라, 궤적 최적화 모델에서 각 모터의 성능 저하 수준과 잔여 유효 수명도 고려하는 건전성 인식 제어를 개발하고 있다. 그들의 코드, 모델, 데이터 세트를 깃허브 저장소(GitHub repository)를 통해 자유롭게 공개하고 있으며, 다른 연구자들이 이를 바탕으로 연구를 확장해 나가기를 기대하고 있다. 목표는 개선의 출처가 어디든 간에, 보다 나은 고장 진단 시스템을 구축하는 것이다. 젠 교수는 “누군가 우리보다 더 나은 결과를 만들어낸다면 정말 기쁠 것”이라고 전했다. 중국 제조업 현장에서 일하던 부모님의 영향을 받아 공학자의 길을 걷게 된 젠 교수에게 이번 연구는 단순한 학문적 탐구를 넘어선 개인적인 사명이기도 하다. 젠 교수는 “어릴 때 제조업에서 일하는 것이 얼마나 힘든 일인지 직접 보며 자랐다”면서, “내가 그렸던 비전은 그런 육체 노동을 로봇이 대체하게 해 사람들이 보다 나은 삶을 살 수 있도록 하는 것이었다”고 전했다.   ■ 이웅재 매스웍스코리아의 이사로 응용 엔지니어팀을 이끌고 있으며, 인공지능·테크니컬 컴퓨팅과 신호처리·통신 분야를 중심으로 고객의 기술적 성공을 지원하는 데 주력하고 있다. LG이노텍과 LIG넥스원에서 연구개발을 수행하며 신호처리와 통신 분야의 전문성을 쌓아왔다.     ■ 기사 PDF는 추후 제공됩니다.

매스웍스는 엔지니어, 과학자, 연구원의 생산성을 높이고 개발을 가속화하는 매트랩(MATLAB)용 생성형 AI 어시스턴트 ‘매트랩 코파일럿(MATLAB Copilot)’을 출시했다. 매트랩 및 시뮬링크 릴리스 2025b(Simulink Release 2025b, R2025b)에서 제공되는 매트랩 코파일럿은 매트랩 환경 내에서 코딩, 디버깅, 학습을 간소화하도록 설계되었다. 매트랩 코파일럿은 개발 워크플로 전반에 걸쳐 사용자를 지원하는 지능형 기능을 제공한다. 사용자는 매트랩 코파일럿 채팅(MATLAB Copilot Chat)에서 질문을 하고 매스웍스 문서와 실제 코드 예제를 기반으로 답변을 받아, 매트랩 환경을 벗어나지 않고도 신뢰할 수 있고 상황에 맞는 정보에 빠르게 접근할 수 있다. 사용자가 매트랩 편집기(MATLAB Editor)를 사용할 때 코파일럿이 자동 완성과 코드 예측을 제안하거나 자연어로 작성된 설명으로부터 코드를 생성하여, 더 빠른 개발과 더 효율적인 프로토타이핑을 가능하게 한다. 매트랩 코파일럿은 익숙하지 않은 코드를 설명하고, 주석을 추가하며, 오류 설명을 명확히 설명하고, 매트랩 테스트(MATLAB Test)를 사용하여 테스트를 생성하기도 한다. 이러한 기능은 디버깅 시간을 줄이고, 코드 품질을 향상시키며, 팀 간 더 빠른 온보딩과 협업을 지원한다.     매스웍스 엔지니어링 부서의 로이 루리(Roy Lurie) 부사장은 “매트랩 코파일럿은 사용자가 프로그래밍이 아닌 엔지니어링과 연구에 집중할 수 있도록 지원한다는 매스웍스의 오랜 접근 방식을 이어간다”면서, “기존 매트랩 워크플로에 생성형 AI를 직접 통합함으로써 매트랩 코파일럿은 매트랩과 시뮬링크를 엔지니어링 혁신 플랫폼으로 강화하여, 수백만 명의 엔지니어와 과학자가 세계에서 가장 혁신적인 엔지니어링 시스템을 설계하고 구축할 수 있도록 지원한다”고 말했다. 매스웍스의 세스 디랜드(Seth DeLand) 생성형 AI 부문 수석 제품 마케팅 매니저는 “매트랩 코파일럿은 엔지니어, 과학자, 연구원들이 이미 익숙하고 신뢰하는 매트랩 환경 안에서 그대로 활용할 수 있도록 설계되었다”면서, “이는 코드를 더 빠르게 작성할 수 있도록 지원할 뿐만 아니라 전체 개발 프로세스를 더 직관적이고, 협력적이며, 궁극적으로 더 강력하게 만드는 것이다. 앞으로 사용자들이 매트랩 코파일럿을 어떻게 활용할지 기대된다”고 말했다.

매스웍스는 한국전자통신연구원(ETRI)이 매스웍스의 매트랩(MATLAB)과 시뮬링크(Simulink)를 활용하여 직교형 레이더 신호 송수신용 실시간 신호처리 모듈을 개발했다고 발표했다. 이 모듈은 내셔널인스트루먼트(NI) FPGA(Field-Programmable Gate Array) 기반 레이더 에뮬레이션 동작을 가속화한다. ETRI 입체통신연구소의 전파연구본부는 소출력 레이더 시스템에서 동작하는 직교형 레이더 신호 송수신이라는 복잡한 신호 처리 과제를 해결하기 위해, 매트랩과 시뮬링크를 활용한 모델 기반 설계(MBD) 접근 방식을 도입했다. 이를 통해 알고리즘을 시스템 수준에서 설계하고 검증한 뒤 자동 HDL 코드 생성과 하드웨어 구현까지 가능해졌으며, FPGA 기반 실시간 처리 시스템의 개발 효율성과 구현 정확도를 동시에 향상시켰다. 실시간 신호처리 모듈을 개발하는 과정에서 ETRI 연구팀은 그래픽 프로그래밍 환경을 이용한 기존의 CPU 기반 실행 방식만으로는 정해진 시간 내에 다중 신호를 동시에 분석하고 처리해야 하는 성능 요구사항을 충족할 수 없음을 확인했다. 신호 간섭을 줄이기 위한 정합 필터 뱅크(matched filter bank)와 같은 병렬 처리 알고리즘은 실시간 실행이 필요했고, 직교 신호 수신기는 파이프라인 구조로 구현되어야 했다. 이에 연구팀은 이러한 성능 목표 달성을 위해 NI FPGA로의 전환이 필수라고 판단했다. 그러나 매트랩 알고리즘을 HDL 코드로 변환하는 과정은 비효율적이고 오류가 발생하기 쉬웠으며, 특히 알고리즘이 변경될 때마다 수동으로 코드를 업데이트해야 하는 문제가 있었다.  또한, 알고리즘과 HDL 코드 간의 구조적 불일치로 인해 디버깅 과정이 복잡해졌다.     이러한 문제를 해결하기 위해 연구팀은 알고리즘을 시뮬링크 모델로 변환한 후 HDL 코더(HDL Coder)를 통해 HDL 코드를 자동 생성하는 워크플로를 선택했다. 이러한 접근 방식을 통해 아키텍처, 고정소수점 데이터 타입, 구현 방법 등 FPGA 구현을 위한 다양한 설계 옵션을 쉽게 평가할 수 있었다. 또한 매스웍스의 HDL 베리파이어(HDL Verifier)를 활용해 생성된 HDL 코드와 원본 알고리즘의 동작을 코시뮬레이션을 통해 비교함으로써, 시스템 수준에서의 동작 검증과 성능 테스트를 효과적으로 수행했다. ETRI는 기존의 수동 코딩 워크플로 대비 HDL 코드 구현과 검증에 소요되는 시간과 노력을 약 50% 절감할 수 있었다. 더 나아가, 알고리즘 설계자와 하드웨어 엔지니어 간의 워크플로를 통합하여 반복 작업을 줄이고 인적 오류를 최소화했다. ETRI는 머신러닝 기반 알고리즘이 포함된 향후 프로젝트에서도 동일한 방식으로 HDL Coder를 활용한 자동 코드 생성을 적극 적용할 계획이다. 한국전자통신연구원 전파연구본부의 책임연구원인 김형중 박사는 “매트랩 펑션 블록(MATLAB Function blocks)을 사용하면 주요 알고리즘 코드 대부분을 별도 작업 없이 그대로 사용할 수 있어 특히 유용하다”면서, “HDL 전문 지식이 없어도 HDL 코더를 사용해 알고리즘을 HDL 코드로 쉽게 변환할 수 있었다”고 설명했다. 매스웍스코리아의 정승혁 애플리케이션 엔지니어는 “한국전자통신연구원의 직교형 레이더 신호 개발에서복잡한 신호처리 알고리즘을 FPGA 하드웨어로 효율적으로 구현하는 데 매트랩과 시뮬링크가 핵심 역할을 했다. 이번 성과는 매스웍스의 모델 기반 설계 접근법이 한국의 첨단 연구개발 프로젝트에서 실질적인 혁신을 가능하게 한다는 것을 보여준다”면서, “매스웍스는 앞으로도 한국의 선도적인 연구기관들과 지속적인 협력을 통해 차세대 기술 개발에 적극 지원할 것”이라고 말했다.

최적화 문제를 통찰하기 위한 심센터 히즈 (6)   심센터 히즈(Simcenter HEEDS)는 제품 설계 과정에서 발생하는 다양한 문제에 대해서 최적화 방법론을 적용하고 올바른 결과를 도출하는 데에 도움을 준다. 이번 호에서는 토크 암(torque arm)의 설계 최적화를 위해 히즈에서 심센터 3D(Simcenter 3D) 솔버를 연계하여 시뮬레이션 자동화 워크플로를 구성하고 최적화를 진행하는 예제를 소개한다.   ■ 연재순서 제1회 AI 학습 데이터 생성을 위한 어댑티브 샘플링과 SHERPA의 활용 제2회 근사모델 기반의 최적화 vs. 직접 검색 기반의 최적화 제3회 수집 또는 측정된 외부 데이터의 시각화 및 데이터 분석 제4회 산포특성을 가지는 매개변수의 상관성 및 신뢰성 분석 제5회 실험 측정과 해석 결과 간의 오차 감소를 위한 캘리브레이션 분석 제6회 프로세스 자동화 Ⅰ – 구조 설계 최적화 제7회 프로세스 자동화 Ⅱ – 모터 설계 최적화 제8회 프로세스 자동화 Ⅲ – 유로 형상 설계 최적화 제9회 프로세스 자동화 Ⅳ – 다물리 시스템 최적화 제10회 프로세스 자동화 Ⅴ – 제조 공정 효율성 최적화   ■  이종학 지멘스 디지털 인더스트리 소프트웨어에서 심센터 히즈를 비롯하여 통합 설루션을 활용한 프로세스 자동화와 데이터 분석, 최적화에 대한 설루션을 담당하고 있다. 근사최적화 기법 연구를 전공하고 다양한 산업군에서 15년간 유한요소해석과 최적화 분야의 기술지원과 컨설팅을 수행하였다. 홈페이지 | www.sw.siemens.com/ko-KR   그림 1   <그림 1>은 실제 토크 암 제품 이미지와 적용된 위치 및 구조적 특성을 보여주는 예시로, 이 최적화 사례에서 다룬 실제 제품 및 설계 환경을 이해하는 데 참고하길 바란다. 이번 예제에서는 질량 최소화 및 구조적 제약 조건 만족이라는 실제 공학 설계 과제를 효율적으로 수행하는 데 히즈의 성능과 활용성을 살펴 볼 것이다. 이 사례에서 설계 최적화의 목표는 토크 암의 질량을 최소화하는 것이다. 단, 구조적 제약 조건을 반드시 만족해야 하는데, 이 때 구조적 무결성(structural integrity)을 유지하기 위해 응력 수준이 재료의 항복 응력(yield stress)을 넘지 않아야 하는 조건을 만족해야 한다. 이를 위해 설계 상에서 사전에 선정한 치수 변수를 범위 내에서 조정하게 된다. 최적화 설계 프로세스는 심센터 3D와 히즈 MDO를 활용하여 자동화된 워크플로 방식으로 진행된다. 즉, 심센터 3D에서 나스트란(Nastran) 솔버를 이용한 구조 해석 결과를 히즈가 자동으로 처리하고, 해당 결과를 평가하여 최적의 설계안을 찾는 방식이다.   프로세스 자동화(Process Automation) 다분야 설계 최적화(MDO : Multidisciplinary Design Optimization) 수행 시, 설계 및 분석 프로세스는 여러 소프트웨어 환경에서 이루어진다. 이런 환경에서 효율적인 데이터 교환 및 프로세스 연동이 필수이므로, 데이터를 신속하고 정확하게 받기 위해서는 직접 인터페이스 포털(Direct Interface Portal)이 필요하다. 히즈에서는 여러 공학 분야에서 흔히 사용하는 CAD 및 CAE 툴(아바쿠스, 앤시스, 카티아, 솔리드웍스, 매트랩, LS-다이나, 심센터, 파이썬 등)을 모두 지원하므로, 사용자는 기존에 보유한 다양한 소프트웨어를 그대로 활용하면서 히즈를 이용하여 최적화 작업을 자동화할 수 있다. 히즈가 제공하는 직접 인터페이스 포털 중 일부를 <그림 2>에 나타내었다. 포털을 사용하여 <그림 3>과 같이 구성하면 사용자가 수동으로 결과를 처리하고 데이터를 전환하는 번거로운 작업을 하지 않아도 된다. 이는 시간 소모 및 인적 오류 가능성을 줄이고, 작업 흐름을 더 효율적이고 빠르게 만든다. 워크플로의 자동화가 가능하기 때문에, 결과적으로 여러 분야의 시뮬레이션 모델이나 분석을 보다 빠르고 신뢰도 높게 수행하여 더 나은 설계 및 최적화 결과를 도출할 수 있다.   그림 2   그림 3   최적화 문제 정의   그림 4   설계 목적은 <그림 4>에 나타낸 토크 암의 질량을 최소화하는 것이다. 주어진 하중 조건은 25kN이며, 이 때 구조물이 교차 방향에서 받는 최대 응력이 항복 강도를 초과하지 않아야 한다.(최대 700MPa) 또한 최대 변형량이 4mm를 초과하지 않는다는 제약 조건도 함께 고려한다. 최적화에 적용할 주요 치수 변수는 <그림 5>와 같으며, 특히 두께(Thickness of Extrude)를 변수(T1)로 설정하여 최적화 문제를 규정했다.   그림 5     ■ 자세한 기사 내용은 PDF로 제공됩니다.

매스웍스는 한국과학기술정보연구원(KISTI)과 매트랩(MATLAB) 및 매트랩 병렬 서버(MATLAB Parallel Server) 호스팅 서비스 제공을 위한 협약을 체결했다고 발표했다. 양 기관은 한국과학기술정보연구원 국가슈퍼컴퓨팅센터의 HPC(고성능 컴퓨팅) 서비스 고도화를 위한 협력을 진행할 계획이다. 매트랩 사용자들은 국가슈퍼컴퓨팅센터의 고성능 컴퓨팅 자원을 활용해 대규모 데이터 처리, 복잡한 연산, 인공지능 모델 학습 등을 수행할 수 있게 됐다. 사용자들은 컴퓨터 상에서 제공되는 가상 환경을 통해 복잡한 기술적 설정 없이도 원격으로 작업을 제출하고 슈퍼컴퓨터의 병렬 컴퓨팅 기능에 접근할 수 있다. 이번 협약을 통해 교육 및 연구 기관뿐만 아니라 기업 사용자들도 개인 또는 기관에서 보유한 매트랩과 매트랩 병렬 서버 라이선스를 활용할 수 있게 됐다. 또한 매스웍스는 세미나와 워크숍을 통해 연구자들의 고성능 컴퓨팅 활용을 지원하고 기술 교육을 제공할 예정이다.     매스웍스의 김광식 상무는 “이번 협약은 ‘과학과 공학의 발전을 가속화한다’는 매스웍스의 미션을 실현하는 중요한 발걸음”이라면서, “매트랩을 통해 대규모 데이터 처리와 AI 모델 학습이 필요한 학계와 산업계의 연구자들이 슈퍼컴퓨팅 자원을 보다 효율적으로 활용할 수 있을 것”이라고 말했다. 국가슈퍼컴퓨팅본부의 박찬열 본부장은 “매스웍스와의 협력을 통해 핵심 연구 인프라인 고성능 컴퓨팅 자원을 기반으로 더욱 다양한 연구 환경을 제공함으로써 국내 연구자들의 연구 생산성이 향상되길 기대한다”면서, “앞으로도 KISTI는 국내 과학기술 발전을 위해 세계적 수준의 컴퓨팅 인프라를 제공하고 연구자 지원을 강화해 나갈 것”이라고 말했다.

매스웍스는 미국 뉴잉글랜드의 에너지 기업인 에버소스 에너지(Eversource Energy)와 협력해 재생에너지 통합을 지원하는 시스템 계획 프로세스를 구축했다고 밝혔다. 전기차, 히트펌프, 태양광 패널 등 친환경 에너지의 확산으로 전력 배전망 계획에 불확실성이 커지는 가운데, 에버소스는 포춘 글로벌 500대 기업이 수백만 개의 전력망 시나리오를 확률과 위험도에 따라 분석하고 우선순위를 정할 수 있는 확률론적 조류 계산(PLF : Probabilistic Load Flow) 시스템을 개발했다. 미국의 에너지 전환 과정에서의 핵심 과제는 재생에너지 발전 설비를 안정적으로 전력망에 통합하는 것이다. 미국 에너지정보청(EIA)에 따르면 2025년에는 26GW(기가와트), 2026년에는 22GW 규모의 태양광 설비가 추가될 것으로 전망하고 있다. 에버소스는 기존의 전통적 시나리오 기반 모델링으로는 미래 전력망 수요에 대응하기 어렵다고 판단하고, 확률론적 조류 계산(PLF) 자동화를 전력 시스템 분석에 통합했다. 이를 통해 에버소스는 수많은 시나리오를 시뮬레이션하고, 배전망 모델링 역량을 향상시키는 한편, 필요한 데이터 분석 역량 강화를 위한 투자도 적극 지원하고 있다.     에버소스는 확률론적 조류 계산(PLF) 시스템 구축을 위해 매트랩(MATLAB)을 주요 개발 환경으로 활용했다. 매트랩은 수치 연산 병렬 처리 기능을 제공해 다중 코어 CPU 및 GPU 클러스터에 효율적으로 작업을 분산시킬 수 있도록 지원했으며, 이를 통해 에버소스는 대규모 시뮬레이션과 데이터 분석을 신속하게 수행할 수 있었다. 또한 매트랩 액티브X(ActiveX) 서버를 활용해 추가 프로그래밍 언어 없이 매트랩과 DNV 시너지 일렉트릭 솔버(DNV Synergi Electric Solver) 간 직접 통신을 구현했다. 확률론적 모델링에 필수적인 몬테카를로(Monte Carlo) 시뮬레이션 역시 매트랩을 통해 구현됐다. 이를 통해 입력 변수들의 확률 분포에서 무작위로 값을 선택해 다양한 시나리오를 평가할 수 있다. 또한 매트랩의 데이터 시각화 도구는 PLF 시뮬레이션 결과를 직관적으로 분석하고, 다양한 조건 하에서 전력망 성능을 시각화하여 잠재적인 문제를 발견하고 개선 영역을 식별하는 데 기여했다. 매스웍스의 토니 레논 심스케이프(Simscape) 제품 마케팅 매니저는 “현대 시스템 계획에서 증가하는 요구사항은 도전인 동시에 기회로 작용한다”면서, “에버소스는 매트랩과 매스웍스의 컨설팅 서비스를 통해 인프라 투자 전략을 최적화하고, 잠재적 문제를 선제적으로 대응해 안정적이고 효율적인 에너지 공급 체계를 구축했다”고 말했다. 에버소스의 존 크레소 고급 예측 및 모델링 수석 엔지니어는 “현재 뉴잉글랜드 지역에서 진행 중인 대규모 에너지 전환으로 배전망 계획이 매우 복잡해졌다. 이러한 환경에서 고객에게 안전하고 안정적인 서비스를 제공하는 것이 매우 중요하다”며, “새롭게 구축한 PLF 설루션을 통해 시뮬레이션 시간을 95% 단축하고, 전력망 신뢰도를 정밀하게 평가하며, 데이터 기반으로 최적의 인프라 투자 결정을 내릴 수 있게 됐다. 이를 통해 잠재적 문제를 선제적으로 해결할 수 있는 역량을 확보했다”고 말했다.

매스웍스(MathWorks)는 국내 대학생들이 인공지능(AI) 실무 역량을 강화하고, 다양한 산업 분야에서의 AI 기술 활용 가능성을 확대할 수 있도록 ‘제5회 매트랩(MATLAB) 대학생 AI 경진대회’를 개최한다고 밝혔다. 국내 대학교에 재학 중인 대학생 및 대학원생이라면 누구나 개인 또는 팀으로 참가할 수 있다. 오는 5월 30일까지 참가 신청을 받으며, 예선에서는 프로젝트 주제 설명과 매트랩을 활용한 솔루션 구현 계획을 제출해야 한다. 최종 우승자는 9월에 발표될 예정이다. 이번 대회 참가자들에게는 AI 기반 시스템을 구현할 수 있도록 매트랩과 시뮬링크(Simulink)를 포함한 다양한 매스웍스 제품들을 자유롭게 사용할 수 있다. 또한 매스웍스는 예선 통과자를 대상으로 매스웍스 엔지니어가 직접 진행하는 온라인 교육을 개최할 예정이다. 온라인 교육에서는 ‘딥러닝 온램프(Deep Learning Onramp)’와 같은 자기 주도형 온라인 교육과정을 활용해 학생들이 매트랩의 다양한 기능을 보다 쉽게 탐색하고, 실제 프로젝트의 완성도를 높일 수 있는 실용적인 방법을 제공받는 기회가 마련될 예정이다. 올해로 5회째를 맞이한 본 대회는 대학생들이 매트랩과 시뮬링크를 활용해 실생활의 다양한 문제를 창의적으로 해결하고, AI 기술을 실질적으로 적용할 기회를 제공하기 위해 마련됐다. 2021년 첫 개최 이후, 매해 참가자 수, 참가 주제, 매스웍스 툴의 활용도 면에서 꾸준한 성장세를 보이고 있으며, 특히 작년 대회에서는 1인 가구, 고령화, 교통, 환경 등 사회적 변화에 대응하는 시의성 높은 프로젝트들이 실질적인 응용 가능성과 기술적 우수성을 선보였다.  최종 결선에 진출한 세 팀에게는 각각 1등 200만 원, 2등 100만 원, 3등 50만 원의 우승 상금이 수여된다. 심사는 매스웍스의 AI 전문가들이 진행하며 AI 모델 구축의 타당성 및 혁신성 등을 종합적으로 검토할 예정이다. 특히 올해에는 매트랩을 비롯한 매스웍스 툴 활용 능력을 중점적으로 심사해 참가자들의 기술 역량과 문제 해결 능력을 다각도로 분석할 계획이다.  김경록 매스웍스코리아 교육 기관 세일즈 매니저는 “매트랩과 시뮬링크는 AI와 엔지니어링을 통합하는 강력한 플랫폼으로, 매스웍스코리아는 학계 및 산업계와 긴밀히 협력하여 기술 확산과 인재 양성에 힘쓰고 있다”며 “이번 경진대회 참가자들은 매스웍스가 제공하는 다양한 툴과 교육 콘텐츠를 활용해 실제 산업에 적용 가능한 AI 프로젝트를 직접 구현해볼 수 있다. 이를 통해 참가자들은 실무 역량을 키우고 미래 AI 전문가로 성장하는 발판을 마련할 수 있을 것"이라고 말했다.   제5회 매트랩 대학생 AI 경진대회에 대한 자세한 사항 및 참가 신청은 매스웍스코리아 홈페이지에서 확인할 수 있다.

매스웍스가 4월 8일 ‘매트랩 엑스포 2025 코리아(MATLAB EXPO 2025 Korea)’를 개최했다고 발표했다. 행사에는 1500명 이상의 국내외 기술 전문가, 매트랩(MATLAB)과 시뮬링크(Simulink) 사용 고객이 참석해 다양한 산업 분야의 최신 기술 및 엔지니어링 트렌드를 확인했다. 이번 행사는 매스웍스의 아비 네헤미아(Avi Nehemiah) 설계 자동화 소프트웨어 부문 총괄 디렉터와 한화로보틱스 정병찬 대표이사의 기조연설로 시작됐다. 아비 네헤미아 디렉터는 기조연설에서 소프트웨어 정의 시스템(Software-defined systems)의 가치와 구현 방법을 심도 있게 다뤘다. 발표에 따르면, 모델 기반 설계(Model-Based Design)를 통해 요구사항부터 아키텍처, 기능, 구현, 테스트까지 이어지는 디지털 스레드를 구축하고, AI와 데이터 기반 기능, 클라우드 활용을 통해 하드웨어 변경 없이도 새로운 기능을 제공할 수 있다. 이러한 접근 방식은 자동차, 산업 기계, 의료 시스템 등 다양한 산업 분야에서 제품의 가치를 높이고 사용자 경험을 향상시키는 핵심 요소로 자리잡았다. 정병찬 대표이사는 ‘로봇, 혁신으로 일상과 산업을 재창조하다’라는 제목의 기조연설에서 로봇 기술의 현재와 미래를 조망했다. 정병찬 대표이사에 따르면 로봇 기술이 제조업을 넘어 서비스, 의료, 농업 등 다양한 분야로 확장되고 있다. 발표에 따르면 이러한 확장은 인공지능과 로봇 기술의 발전과 결합되어 산업 생태계에 상당한 영향을 미칠 잠재력을 갖는다. 매트랩 엑스포 2025 코리아의 기술 세션은 알고리즘 개발 및 AI, 전동화, 모델 기반 설계, AI 응용 엔지니어링, 모빌리티, 무선 및 위성 등 6개 트랙으로 구성됐다. 삼성전자, 현대자동차, SK텔레콤, 한국전력연구원 등 국내 첨단 기술 기업들이 참가해 매트랩과 시뮬링크의 활용 사례를 공유했다.     행사장의 데모 부스에서는 다양한 산업 분야의 기술이 소개됐다. 자동차 분야에서는 모델 기반 설계의 데브옵스(DevOps) 환경 통합 설루션을 전시했다. 또한 매스웍스는 요구사항 관리부터 시스템 아키텍처 설계, 소프트웨어 개발과 검증까지의 CI 환경 구축 방안을 시연했다. 무선 분야에서는 언리얼 엔진을 활용한 사실적 위성 시나리오 시각화 사례에 대한 핸즈온 데모를 통해 AI 기반 모델링 기법을 체험할 수 있게 했다. 참석자들은 정적 및 동적 검증을 위한 통합 플랫폼인 폴리스페이스(Polyspace) 제품군을 통한 코드 기반 검증 과정도 확인할 수 있었다. 아카데믹 부스에서는 세종대학교, 단국대학교, 카이스트, 인하대학교, 전북대학교, 창원대학교, 한국공학대학교 등 여러 대학의 연구 사례가 소개되었는데, 그중 인하대학교 임베디드 제어 연구실(ECL)은 ‘신속 제어 프로토타이핑 시스템 및 첨단 제어 기술’을 발표했다. 인하대학교 ECL은 자체 개발한 경량 신속 제어 프로토타이핑 시스템(LW-RCP)을 활용해 시뮬링크 기반의 블록 다이어그램 프로그래밍으로 제어 시스템을 설계하고 실시간 제어기를 구현하는 방법을 설명했다. 특히 2단 도립진자 시스템의 실시간 제어 시연에서는 최적제어와 강화학습 기반 제어를 활용한 기술을 시연했다. 매스웍스코리아의 이종민 대표는 "이번 매트랩 엑스포는 참석자들과 함께 국내 엔지니어링 분야의 미래를 확인할 수 있는 뜻깊은 행사였다”면서, “매스웍스는 앞으로도 AI, 전동화, 모빌리티 등 다양한 산업 분야의 기술 발전을 지원해 국내 산업의 경쟁력 강화에 기여할 것"이라고 전했다.

제품 개발 프로세스의 변화를 이끄는 MBD   MBD(모델 기반 개발)는 자동차 업계에서 화제가 되고 있는 가상 시뮬레이션이다. 기존의 방식보다 비용 절감과 개발 공정의 단축을 실현할 수 있다. MBD는 자동차 업계를 중심으로 제조 현장에서 주목을 받고 있는 개발 방법이다. 이번 호에서는 MBD의 정의, MBD의 중요성 및 CAE와의 차이, MBD의 장점과 단점을 설명한다.    ■ 오재응 LG전자 기술고문, 한양대학교 명예교수   MBD는 ‘모델 기반 개발’ MBD(Model Based Development)는 컴퓨터에 현실과 동일한 모델을 만들고 개발 및 검증하는 방법이다. 가상 시뮬레이션에 의해 개발의 효율화를 실현할 수 있다. 종래의 개발이나 검증에서는 종이의 사양서를 확인하면서 설계하고 완성 후에 사양서를 보면서 검증하는 사이클이었지만, MBD는 매트랩(MATLAB), 시뮬링크(Simulink) 등의 소프트웨어를 사용해 컴퓨터 상에 ‘움직이는 사양서’라고 불리는 모델을 만들고 개발과 검증을 동시에 진행한다. 매트랩과 시뮬링크의 차이점은 다음과 같다. 매트랩 : 수치 계산이나 데이터 해석 등에 적합 시뮬링크 : 시뮬레이션이나 테스트 환경 구축 등에 적합 MBD에서 제어 장치 및 제어 대상을 모델화하여 그 모델에 기반한 개발을 수행하는 기법으로, 매트랩/시뮬링크를 이용한 모델을 작성하고 검증하는 프로세스를 <그림 1>에 나타낸다.   그림 1. 매트랩/시뮬링크를 이용해 모델을 작성하고 검증하는 프로세스   따라서 지금까지의 개발 방법과 달리 제품을 만들지 않고 검증할 수 있게 되므로, 테스트나 분석을 여러 번 반복하여 품질 향상으로 연결된다. 또한 검증에 소요되는 비용과 비용을 줄일 수 있다는 것도 큰 장점이다.(그림 2)   그림 2. 모델 기반 개발 프로세스   MBD는 주로 자동차 업계 등에서 중요시되고 있는 개발 방법 실제로 자동차를 만들어 검증을 반복하면 막대한 비용이 들기 때문에, MBD로 업무를 진행하고 있는 케이스는 적지 않다. 또한 자동차 업계뿐만 아니라 항공 업계와 우주 산업, 의료 기기, 산업용 로봇 등에서도 도입되고 있다. 요즘에는 자율 운전이나 환경에 대한 배려 등 니즈의 변화나 다양화가 진행되고, 자동차의 제조도 복잡해지고 있다. 경쟁사보다 뒤떨어지지 않도록 개발 사이클을 가속화하는 것도 드물지 않다. 배기가스 규제 등을 클리어할 필요도 있다. 이러한 배경으로 비용 절감과 개발 프로세스의 단축화를 실현할 수 있는 MBD는 주목을 받고 있다. 한편, MBD가 맞지 않는 분야도 있다. 예를 들어, 스마트폰의 앱이나 오피스 워크에서 이용하는 소프트웨어 등 제어를 수반하지 않는 소프트웨어 개발에는 적합하지 않다. MBD는 실제 기계의 품질 향상과 시스템 안전을 위해 효과적이지만, 이러한 소프트웨어는 실제 기계가 필요하지 않기 때문이다.   CAE와의 차이 MBD는 컴퓨터에서 검증을 수행하는 CAE(Computer Aided Engineering)와 유사한 기술이지만, 각각의 사용 목적이 다르다. CAE의 경우 온도나 진동 등에 변화를 더해 시뮬레이션하는 방법이지만, MBD는 모델을 활용해 제품의 타당성을 검증한다. 엄밀히 말하면 개발 시점에서 CAE를 적용하고 품질 향상과 개발 기간을 단축하는 것이 MBD이다. CAE는 시뮬레이션하고 설계에 피드백하기 때문에 설계의 업스트림에 위치하지 않는다.   MBD에는 다양한 이점이 있음 MBD의 주요한 이점은 개발 단계에서 시뮬레이션을 할 수 있고 개발 기간을 줄일 수 있다는 것이다. 여기에서는 MBD의 장점을 자세히 살펴본다.   즉시 시뮬레이션 가능 MBD의 장점은 기존 개발 프로세스보다 조기에 시뮬레이션을 할 수 있다는 것이다. MBD는 종이의 사양서가 아니고, 움직이는 사양서가 되는 모델을 만들어 개발도 검증도 곧바로 행할 수 있다. 모델을 작성함으로써 기존의 방식으로 필요했던 시뮬레이션에 걸리는 공수가 줄어들어 횟수를 늘려 품질 향상으로 이어질 것이다. 또한, 시뮬레이션에 관여하는 인건비를 줄일 수 있는 메리트도 있다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.