오토폼엔지니어링이 올리비에 르퇴르트르(Olivier Leteurtre) CEO의 방한과 함께 한국 시장을 위한 기술 협력과 인재 양성 전략을 발표했다. 이번 전략은 국내 고객과의 디지털 협업을 확대하고, 지역 기반 산학협력을 통해 디지털 금형 생태계를 구축하는 데 중점을 두고 있다. 르퇴르트르 CEO는 “제조업의 미래는 디지털 협업 생태계 위에서 결정된다. 오토폼은 금형 산업의 복잡한 공정과 데이터를 정밀하게 연결해, 더 이상 ‘경험’이 아닌 ‘데이터’로 예측하고 판단하는 환경을 만들어가고 있다”면서, “특히 한국은 자동차 산업의 글로벌 중심지이자, 디지털 제조 혁신이 가장 빠르게 진화하는 시장으로, 이 전환의 최전선에 서 있다. 오토폼은 이곳에서 디지털 트윈과 시뮬레이션을 통해 제조 방식의 새로운 기준을 제시하고, 산업의 미래를 주도해 나가겠다”고 밝혔다.     오토폼은 국내 주요 자동차 및 전자 산업의 OEM 기업과 협력하며 금형 설계, 시뮬레이션, 공정 최적화 등 다양한 디지털 전환 프로젝트를 전개하고 있다고 소개했다. 특히 ‘디지털 프로세스 트윈’을 구현함으로써 설계 초기부터 품질을 예측하고 리스크 줄이는 시스템을 현실화해 불량률을 줄이며, 실제 제조 현장에서의 리드타임 단축과 생산성 향상에 기여하고 있다. 이 같은 기술은 ESG 경영 요구에 대응하는 스마트 제조 구현에도 핵심 역할을 하고 있다는 것이 오토폼의 설명이다. 또한 오토폼은 국내 제조업 밸류체인 전반의 디지털 역량 강화를 위해, 중소 협력업체 지원에도 적극 나서고 있다고 밝혔다. 경일대학교 내에 설립 예정인 ‘디지털 트라이아웃 랩(Digital Tryout Lab)’은 고가의 소프트웨어나 전문 인력 없이도 시뮬레이션 기반 공정 해석을 적용할 수 있도록 돕는 기술 거점으로, 기존에 디지털 전환에서 소외됐던 2차·3차 벤더의 실질적 변화와 기술 내재화를 지원한다. 이 센터는 아진산업 등과 연계해 실무 중심의 시범 프로젝트를 수행하고 있으며, 향후 다양한 협력사들이 활용할 수 있는 공동 인프라로 확대될 예정이다. 오토폼은 기술 지원과 더불어 인재 양성 측면에서도 산학 협력을 강화하고 있다. 오토폼은 경북기계공업고등학교와 디지털 금형 분야 인재 양성을 위한 업무협약(MOU)을 체결하고, 지역 기반의 실무형 교육 생태계 조성에 나선다고 전했다. 이번 협약은 교내 실습과 인턴십, 산업 현장과의 채용 연계를 포함한 통합형 프로그램으로 구성되며, 디지털 제조 환경에 특화된 현장 맞춤형 기술 인재를 체계적으로 육성하는 데 초점을 맞추고 있다. 이외에도 오토폼은 국립창원대학교에 600억 원 규모의 소프트웨어를 3년간 기증해 ‘글로컬 산업기술거점센터’를 설립하고, 지역 기업과 연계한 실무 교육 및 취업 연계 프로그램을 운영하고 있으며, 성균관대학교와는 복합재료 기반의 공동 연구와 실무형 교육을 통해 차세대 제조 인재를 양성하고 있다. 오토폼엔지니어링코리아의 조영빈 대표는 “디지털 전환은 더 이상 대기업만의 과제가 아니며, 금형 산업의 디지털화는 선택이 아닌 생존의 문제다. 오토폼은 중소 협력사를 포함한 밸류체인 전반을 디지털 협업 구조로 연결해, 제조 생태계 전체의 경쟁력을 함께 끌어올리고자 한다”면서, “기술은 나눌 때 그 가치가 배가되고, 사람은 연결될 때 성장한다고 믿는다. 특히 기술과 인재를 지역 현장에서 직접 연결하는 산학협력 모델을 통해, 지속 가능한 산업 성장의 토대를 함께 만들어가겠다”라고 전했다.

다쏘시스템은 5월 29일 서울 코엑스에서 ‘3D익스피리언스 콘퍼런스 코리아 2025(3DEXPERIENCE CONFERENCE KOREA 2025)’를 개최한다고 밝혔다. ‘모두를 위한 모든 것의 버추얼 트윈(Virtual Twin of Everything for Everyone)’을 주제로 열리는 이번 행사는, 생성형 AI와 결합해 한층 진화한 버추얼 트윈 기술을 중심으로 대한민국 산업의 미래를 만들어 나갈 혁신 비전을 소개한다. 이번 콘퍼런스에서는 다쏘시스템이 올해 초 새롭게 발표한 기술 비전 ‘3D유니버스(3D UNIV+RSES)’를 소개하고, 7개 혁신 브랜드를 통해 다양한 산업 분야에 적용되는 최신 기술 트렌드를 선보인다. 특히 다쏘시스템은 ▲40개 이상의 전문 세션 ▲산업 전문가들이 직접 전하는 실무 지식과 노하우 등 프로그램을 통해 참석자들에게 실질적 인사이트를 제공할 예정이다.     오전에 진행되는 제네럴 세션은 다쏘시스템코리아 정운성 대표이사의 환영사로 시작한다. 기조연설자로 초청된 LG전자 ES연구소의 황윤제 기술고문은 ‘모델 기반 가상화 R&D를 통한 디지털 혁신 : AI 시대의 도전과 미래’를 주제로, 디지털 전환(DX)을 이끄는 AI 기술과 버추얼 목업 제작을 더욱 용이하게 하는 모델 기반 시스템 엔지니어링의 중요성에 대해 발표한다. 황윤제 기술고문은 가상화 분야에서 현재 직면한 주요 도전 과제가 무엇인지 살펴보고, 이를 극복함으로써 열릴 미래의 가능성에 대한 인사이트를 제공할 예정이다. 오후에는 바이오비아(BIOVIA), 에노비아/넷바이브(ENOVIA/NETVIBES), 카티아/3D익사이트(CATIA/3DEXCITE), 델미아(DELMIA), 시뮬리아(SIMULIA)의 5개의 브랜드 트랙과 별도 마련된 SDV(Software-Defined Vehicle) 트랙이 진행된다. 각 트랙을 통해 다쏘시스템의 전문가와 브랜드별 고객사는 최신 기술 동향과 다양한 산업 적용 사례를 폭넓게 소개하며, 특히 3D익스피리언스 기반 통합 업무 환경을 심도 있게 다룰 예정이다. 특히 추가로 마련된 SDV 트랙은 총 3개의 발표로 구성되어, 다쏘시스템의 SDV 설루션 전략과 함께 모델 기반 시스템 엔지니어링(MBSE : Model-Based Systems Engineering), 하드웨어/소프트웨어 통합, 가상 검증 등 제품 전체 관점의 개발 방향을 소개한다. 아울러 미래 모빌리티 산업의 도전과제와 설루션 방안, 메카트로닉스(mechatronics) 및 소프트웨어 중심 경험(software-driven experiences)을 위한 엔드 투 엔드 통합 업무 환경 구축 전략을 다룬다.   다쏘시스템코리아 정운성 대표이사는 “3D익스피리언스 콘퍼런스 코리아 2025는 가상과 현실을 끊임없이 연결하는 기술로 산업 혁신의 방향을 제시하는 자리”라며, “모두를 위한 모든 것의 버추얼 트윈이라는 이름에 걸맞게, 다쏘시스템은 앞으로도 다양한 산업의 전문가들과 함께 버추얼 트윈으로 미래 산업을 혁신하고, 무한한 가능성을 만들어 나갈 것”이라고 밝혔다.

앤시스가 인텔의 18A(1.8나노급) 공정 기술로 제조되는 첨단 반도체 설계를 위한 열 및 다중 물리 검증 도구 인증을 획득했다고 밝혔다. 이번 인증은 AI 칩, 그래픽처리장치(GPU), 고성능 컴퓨팅(HPC) 제품 등 고난이도 애플리케이션에 사용되는 반도체 시스템의 기능성과 신뢰성을 확보하는 데 핵심 역할을 한다. 또한, 앤시스와 인텔 파운드리(Intel Foundry)는 멀티다이 기반 3D 집적 회로(3D-IC) 시스템 구현에 활용되는 EMIB(Embedded Multi-Die Interconnect Bridge) 기술을 지원하는 포괄적인 다중 물리 검증 분석 플로를 공동 구축했다. 앤시스 레드호크-SC(Ansys RedHawk-SC) 및 앤시스 토템(Ansys Totem)은 인텔 18A의 GAA(Gate-All-Around) 트랜지스터인 리본펫(RibbonFET)과 후면 전력 공급 기술인 파워비아(PowerVia) 구조를 기반으로 전력 무결성과 신뢰성 분석 성능을 제공한다. 아울러 확장 가능한 전자기 시뮬레이션을 위해 HFSS-IC 제품군 내에 HFSS-IC Pro를 새롭게 선보였다. HFSS-IC Pro는 인텔 18A 프로세스 노드로 제작된 무선 주파수(RF) 칩, WiFi, 5G/6G 및 기타 통신 애플리케이션의 온칩 전자기(Electromagnetic, EM) 무결성 모델링에 대한 인증을 획득했다.     EMIB 기술은 고성능 마이크로프로세서, 이기종 통합 시스템 등 다양한 고성능 컴퓨팅 시스템에서 3D-IC 구현을 가능하게 하는 한편 다양한 종류의 칩을 유기적으로 연결해 고성능 컴퓨팅 시스템의 성능과 통합 수준을 높인다. 이번 다중 물리 플로에는 앤시스 레드호크-SC 일렉트로우써멀(Ansys RedHawk-SC Electrothermal)을 활용한 열 신뢰성 분석이 포함되어 있으며, 앤시스와 인텔 파운드리의 협력 범위를 확대해 실리콘 관통 전극(TSV)이 적용된 차세대 EMIB-T 기술까지 지원한다. EMIB-T 분석 플로는 HFSS-IC Pro와 앤시스의 에스아이웨이브(Anys SIwave)를 통한 신호 무결성 분석, 그리고 레드호크-SC 및 토템을 활용한 전력 무결성 분석까지 포괄하는 형태로 확장됐다. 레드호크-SC, 토템, HFSS-IC Pro의 인텔 18A 고성능 공정 노드(Intel 18A-P) 대상 인증 절차는 현재 진행 중이다. 고객은 최신 인텔의 공정 설계 키트(PDK, Process Design Kit)를 요청해 조기 설계 작업 및 IP 개발을 시작할 수 있다. 해당 설루션은 인텔 14A-E의 공정 정의 및 설계 기술 최적화(DTCO, Design Technology Co-Optimization)의 일환으로 포함되어 있다. 또한, 앤시스는 인텔 파운드리 액셀러레이터 얼라이언스(Intel Foundry Accelerator Alliance)의 일부인 인텔 파운드리 칩렛 얼라이언스에 합류해, 상호운용 가능한 칩렛 설계 및 제조를 위한 보안 생태계 구축에 기여할 예정이다. 인텔의 석 리(Suk Lee) 파운드리 에코시스템 기술실 부사장 겸 총괄 매니저는 “멀티다이 어셈블리 방식은 칩 적층 및 설계 효율에 대한 업계의 관점을 변화시키고 있다. 앤시스의 시뮬레이션은 고객이 설계를 고정밀로 검증할 수 있도록 지원하며, 복구가 어려운 비용을 절감하는 데 중요한 역할을 할 것”이라며, “칩렛 기술 발전을 위한 핵심 협력체인 인텔 파운드리 칩렛 얼라이언스에 앤시스가 참여하고 있어 매우 기대하고 있다”고 밝혔다. 앤시스의 존 리(John Lee) 전자·반도체·광학 사업부문 총괄 부사장은 “앤시스의 다중 물리 시뮬레이션 설루션은 고객에게 높은 수준의 열, 신호, 전력, 기계적 무결성을 보장하며, 최고의 신뢰를 제공한다. 고객의 칩 설계 방식은 다양할 수 있지만, 정확하고 신뢰성 있는 도구에 대한 수요는 항상 존재하며, 이 지점에서 앤시스의 강점이 발휘될 것”이라며, “인텔 파운드리와의 협업을 강화하고 칩렛 얼라이언스에 합류함으로써, 앤시스는 개방형 및 상호운용 가능한 기술을 통해 엔지니어링 완성도 향상이라는 약속을 실천해 나갈 것”이라고 덧붙였다.

어도비가 소셜 미디어, 전자상거래, 모바일 등 다양한 채널에서 급증하는 개인화된 콘텐츠 수요에 맞춰 기업의 효과적인 콘텐츠 제작을 지원하는 어도비 파이어플라이 서비스(Adobe Firefly Services) 및 파이어플라이 커스텀 모델(Firefly Custom Models)의 새로운 역량을 발표했다. 이번 발표로 기업을 위한 크리에이티브 및 생성 API 콜렉션인 파이어플라이 서비스는 영상과 3D를 비롯한 더욱 다양한 콘텐츠 유형을 지원하며 기업의 멀티미디어 제작 확대를 돕는다. 파이어플라이 서비스로 구동되는 새로운 파이어플라이 크리에이티브 프로덕션(Firefly Creative Production)은 노 코드(no-code) 인터페이스에서 주요 미디어 유형에 걸쳐, 반복적인 콘텐츠 제작 작업을 처리할 수 있도록 지원한다. 또한 파이어플라이 커스텀 모델과 퍼포먼스 마케팅용 어도비 Gen스튜디오(Adobe GenStudio for Performance Marketing)의 통합으로 브랜드 가이드라인을 준수하는 광고 콘텐츠를 한층 쉽게 확대할 수 있게 됐다.  이 같은 어도비의 혁신은 어도비 AI 에이전트와 모델을 통합하는 어도비의 AI 플랫폼으로 구동된다. 해당 플랫폼은 어도비 애플리케이션 전반에서 자사 데이터 인사이트, 서드파티 생태계의 AI 에이전트,  상업적으로 안전한 어도비 파이어플라이 및 안전한 서드파티 모델 등을 포함한다. 이처럼 어도비는 AI 플랫폼을 통해 마케팅과 크리에이티브를 통합하며 대규모로 개인화된 경험을 제공한다. 액센츄어(Accenture), 덴츠(Dentsu), 헨켈(Henkel), IPG 헬스(IPG Health), 태피스트리(Tapestry), 몽크스(Monks), 펩시코/게토레이(PepsiCo/Gatorade), 퍼블리시스(Publicis), 스태크웰(Stagwell), 에스티 로더 컴퍼니(The Estée Lauder Companies) 등 주요 기업과 에이전시는 어도비 파이어플라이(Adobe Firefly), 파이어플라이 서비스 및 커스텀 모델을 활용해 캠페인을 론치하는 데 걸리는 시간을 단축하며, 새로운 고객과 소통하며, 생성형 AI로 워크플로우를 간소화하고 크리에이티브 결과물을 강화하고 있다. 포레스터(Forrester) 총 경제 영향 조사(Total Economic Impact Study)에 따르면 기업은 어도비 파이어플라이 제품군을 통해 에셋 변형 제작을 70%-80%까지 확대하는 한편, 에셋 검토 및 수정에 소요되는 시간을 75% 나 단축하며(3년 기준), 전환율 개선을 위한 개인화된 경험을 확장하고 수익 증대를 모색하고 있다. 바룬 파머(Varun Parmar) 어도비 Gen스튜디오 및 파이어플라이 엔터프라이즈 솔루션 부문 총괄은 “기업들은 어도비 파이어플라이 서비스와 커스텀 모델을 활용해 효율적인 콘텐츠 공급망을 구축하며 놀라운 성과를 내고 있다”며 “생성형 AI는 마케터와 크리에이티브 담당자의 역량을 강화하고 이들이 중요한 작업에 집중할 수 있도록 지원한다”고 말했다.

디지털 트윈과 산업용 메타버스 트렌드   데이터 기반 서비스 관점에서의 디지털 트윈의 역할은 실 체계에서 수집한 실제 데이터와 디지털 트윈 시뮬레이션으로 얻어진 가상 데이터의 융합을 통하여 실제 시스템 관련 문제 해결에 유용한 빅 데이터 생성이라 할 수 있다.  디지털 트윈 활용은 안정성에 부담이 적고 신속/가시적 성공사례 확보가 가능한 스마트시티, 스마트 팩토리, 스마트SOC(도로, 철도, 항만, 공항, 등) 등이 대상이지만 기술성숙도가 높아지고 안정성이 보장됨에 따라 자율주행, 의료/인공장기, 식물공장 등으로 확대될 전망이다.   ▲ 철도 네트워크의 디지털 트윈 구축하는 독일 디지털 철도(이미지 출처 : 엔비디아)   1. 디지털 전환과 디지털 트윈 디지털 전환(Digital Transformation: DX)은 비즈니스 전 과정에 ICT 기술을 도입하여 전사적 업무, 생산 기술, 제품 등을 디지털화 한 후 이를 기반으로 가상 실험이 가능한 디지털 환경을 구축하는 것이다.  디지털 전환의 궁극적 목적은 기업 이윤 극대화에 필요한 업부/생산 효율성 및 제품 부가 가치 증대를 위한 다양한 창의적 대안들을 가상 실험을 통해 평가한 후 그 결과를 비즈니스 전 과정에 활용하는 것이다. 예를 들어, 스마트 팩토리의 디지털 전환은 조달 시스템, 생산 시스템, 물류 시스템 등 스마트 팩토리 구성요소들의 자원 할당 및 운용에 대한 다양한 대안들을 가상 실험을 통해 평가할 수 있는 환경을 구축하여야 한다. 그렇다면, 비즈니스 전 과정을 가상 실험하기 위해서는 무엇이 필요할까?  가상 실험을 하기 위해서는 먼저 가상 실험 대상(예: 제조 공장)을 선정하고, 다음으로, 가상 실험 시나리오(예:새로운 제조 장비 도입)가 필요하며 시나리오를 수행할 모델(예: 제조 공정 시뮬레이션 모델)이 필요하다. 이러한 가상 실험을 위한 모델이 디지털 트윈이며 이런 이유로 많은 사람들이 디지털 트윈을 DX의 Key(Richard Marchall, 2017), DX의 Enablers(Reterto Saracco, 2019), DX의 Central(Vijay Ragjumathan, 2019), DX의 Steppingstone(Harry Forbes, 2020), DX의 Pillar(Fransesco Belloni, 2020)라고 지적하였다.   2. 디지털 트윈의 정의 디지털 트윈은 물리적 자산, 프로세스 및 시스템에 대한 복제본으로 정의[Wiki 사전]되며, 복제본이란 대상 체계의 운용 데이터, 지형/공간/형상 정보 및 동작/운용 법(규)칙을 컴퓨터 속에 디지털화 해 놓은 것을 의미한다. 예를 들면, 제조 공장의 디지털 트윈은 제조 공장의 운용 데이터, 제조 공장의 공간/형상 정보, 그리고 제조 장비 동작 및 공정 모델이 컴퓨터 속에 복제된 것이 될 것이다. 디지털 트윈과 대상 체계가 쌍둥이기 때문에 쌍둥이 중 누가 먼저 태어났느냐에 따라 디지털 트윈의 이름을 다르게 붙이기도 한다. 대상 체계가 존재하기 전에 만들어진 디지털 트윈을 디지털 트윈 프로토타입(Prototype) 그리고 대상 체계가 만들어진 후 복제된 디지털 트윈을 디지털 트윈 인스턴스(Instance)라고 부른다. 디지털 트윈 프로토타입은 대상 체계 설계 단계에서 활용되며 디지털 트윈 인스턴스는 대상 체계의 운용 분석에 활용되는 것이 일반적이다. 디지털 트윈 인스턴스(실 체계의 복제본)와 디지털 트윈 프로토타입(실 체계의 설계 모델)이 모두 존재할 수도 있지만 디지털 트윈 프로토타입 없이 디지털 트윈 인스턴스만 존재할 수도 있다. 디지털 트윈 프로토타입과 인스턴스가 모두 존재한다면 인스턴스는 프로토타입에 실 체계 운용 정보가 반영되어 진화(성장)된 트윈으로 볼 수 있다. 3. 디지털 트윈 구축 목적 디지털 트윈의 구축 목적은 대상 실 체계와 디지털 트윈을 연동 운용함으로써 실 체계 관련 이해 당사자에게 지혜 수준의 혁신적 서비스를 제공할 수 있는 핵심 도구/수단으로 활용하기 위함이다. 데이터 기반 서비스 관점에서의 디지털 트윈의 역할은 실 체계에서 수집한 실제 데이터와 디지털 트윈 시뮬레이션으로 얻어진 가상 데이터의 융합을 통하여 실제 시스템 관련 문제 해결에 유용한 빅 데이터 생성이라 할 수 있다. 융합 빅 데이터는 AI-통계/공학 분석도구들을 이용하여 실 세계의 구성요소인 자산, 사람, 운용 프로세스들의 다양한 결합에 대한 분석/예측 및 체계 운용 최적 대안(최적화)을 찾는데 활용될 수 있다. 아울러, 융합 빅 데이터는 실 세계를 가상 환경에서 현실감 있게 표출할 수 있는 다양한 장비/장치와 VR/AR/XR/메타버스 관련 ICT 기술과의 융합 인터페이스를 통해 오락, 관광, 교육 훈련, 체험 등에 활용될 수 있다.     디지털 트윈의 복제 대상은 실 체계의 운용 데이터, 공간/형상 정보 및 실 체계에 포함된 객체들의 행위 모델 등 3가지이다. 운용 데이터는 실 체계에 설치된 IoT 장비로부터 획득이 가능하다. 공간/형상 정보는 서비스 목적에 따라 GIS, BIM 혹은 3D CAD 중 한 가지 이상을 결합하여 사용한다. 객체 행위 모델은 다양한 시나리오를 가상 실험하기 위한 시뮬레이션 모델을 사용하지만 서비스 목적에 따라서는 운용 데이터를 학습한 데이터 모델을 사용할 수도 있다. 구성요소 중 일부만을 사용한 디지털 트윈은 나머지 구성요소를 사용하지 않음으로 인한 한계점에 봉착하게 된다. 예를 들면, 실 체계 운용 데이터 복제만으로 구성된 IoT 기반 디지털 트윈은 수집된 데이터를 분석할 수는 있지만, 실 체계를 시각화한 지형/공간 상에 데이터를 표출할 수 없을 뿐만 아니라 실 체계와는 다른 가상 데이터를 입력한 시뮬레이션을 수행할 수 없다. 마찬가지로, 지형/공간 정보 만으로 구성된 디지털 트윈은 실 체계에서 일어나는 지형/공간 정보의 변화를 실 시간으로 반영할 수 없으며 시뮬레이션을 통한 실 체계의 현상 분석 및 미래 예측이 불가능 하다.      디지털 트윈의 효율적인 활용을 위해서는 위의 세 가지 구성요소 모두를 개발 및 운용할 수 있는 통합 플랫폼이 바람직하지만 국내외적으로 표준화된 디지털 트윈 플랫폼은 존재하지 않는다. 디지털 트윈의 특성 상 3가지의 디지털 트윈 구성요소 각각을 개발하는 독립적인 플랫폼을 사용하여 구성요소를 개발한 후 이들을 연동하여 운용하는 것이 효율적이다.  구체적으로는, 먼저, 디지털 트윈 개발 목적에 맞게 운용 데이터를 수집하는 IoT 플랫폼, 지형/공간 정보를 구축하는 지형/공간정보 플랫폼 및 모델링 시뮬레이션 플랫폼들을 이용하여 각 구성요소를 개발한다. 다음으로, 개발된 세 가지 구성요소를 실행하는 플랫폼들을 연동 운용하는 PoP(Platform of Platforms) 구조를 사용할 수 있다. PoP 구조는 디지털트윈의 목적에 부합되는 모든 디지털트윈을 개발/운용할 수 있는 플랫폼으로써 신뢰성 및 경제성(개발 기간 및 비용) 면에서 효율적인 구조이다. PoP 구조를 사용할 경우 플랫폼들 사이의 연동을 위한 데이터 모델과 API의 국제적인 표준화가 요구되며 데이터 모델의 표준은 대상 시스템에 따라 달라질 수 있다.  디지털 트윈을 실제 시스템에 대한 문제 해결 목적으로 사용하기 위해서는 대상 시스템에 대한 다양한 질문의 답을 디지털 트윈을 통해서 얻을 수 있는 서비스가 제공되어야 한다. OR 이론의 창시자 중 한 명으로 경영 과학 이론가인 R.L.Ackoff 교수는 사람이 생각하는 내용을 데이터, 정보. 지식, 지혜 등 4가지로 분류하였다. 데이터는 단순한 심벌(숫자나 문자)을 말하지만 정보는 ‘who’, ‘what’, ‘where’, ‘when’을 답할 수 있고, 지식은 ‘how’를 답할 수 있고, 지혜는 ‘why’를 답할 수 있어야 한다고 정의하였다. 디지털 트윈의 서비스 수준을 Ackhoff 교수의 분류법에 매핑 시킨다면 정보 수준 서비스는 시스템 분석(현상, 기능 등), 지식 수준 서비스는 시스템 예측(행위, 성능 등) 그리고 지혜 수준 서비스는 시스템 최적화(운용 최적화 등) 및 진단(수명 진단 등)에 해당한다. 예를 들어, 교통 시스템에 대한 다양한 질문을 답하기 위해 교통 디지털 트윈을 만들었다고 하자. 정보 서비스의 예는 현재 교통 시스템의 현상을 분석하는 것으로 어느 위치의 현재 시간대에 단위 시간당 교차로 통과 차량 대수가 얼마인지에 대한 답을 하는 서비스이다. 지식 서비스의 예는 현재 출발지에서 목적지까지의 소요 시간이 얼마가 되는지를 예측하는 질문에 대한 답을 하는 서비스이다. 지혜 서비스의 예는 현재 출발지에서 목적지까지의 소요 시간이 최소가 되는 최적화된 경로가 어떤 것인지의 질문에 대한 답을 하는 서비스이다.    4. 디지털 트윈의 구성요소 디지털 트윈의 3 가지 구성요소 중 행위 모델은 목적에 따라 데이터 모델과 시뮬레이션 모델로 대별된다. 데이터 모델은 실 체계에서 수집된 데이터들 사이의 상관관계를 기계학습하여 얻어진 모델(예: 인공신경망)로서 지식 서비스를 위한 시스템 행위 예측에 한계점을 가지고 있다. 구체적으로, 데이터 모델은 학습된 데이터 영역에서는 미래 예측이 가능하지만 학습된 영역 밖의 데이터에 대한 예측은 불가능 하다. 뿐만 아니라 학습 시와 예측 시의 시스템 운용 조건이 달라질 경우에도 예측이 불가능하다. 앞서 예시한 교통 디지털 트윈으로 데이터 모델을 사용할 경우 학습 시 도로 상황(운행 시간, 사고 발생 유무 등)이 예측 시 도로 상황과 동일하지 않으면 소요 시간 예측의 정확도가 보장되지 않는다. 더욱이, 시스템 변수 사이의 상관 관계로 표현된 데이터 모델은 변수 사이의 인과 관계가 필요한 시스템의 최적화 및 고장 진단 등에는 활용할 수 없다. 이러한 데이터 모델의 서비스 한계를 극복하기 위해서는 시뮬레이션 모델을 사용할 수 있다. 시뮬레이션 모델은 구축은 대상 시스템에 대한 도메인 지식과 이를 표현하는 지배 법칙에 대한 수학적/논리적 표현 방법을 이해해야 하므로 데이터 모델에 비해 고 비용이 요구된다. 따라서, 디지털 트윈의 행위 모델은 대상 시스템의 서비스 목적과 수준에 따라 다르게 선택될 수 있다.    5. 디지털 트윈의 발전 전망  디지털 트윈의 향후 발전 전망은 문제 해결과 가상 체험 및 빅 데이터 분야로 대별할 수 있다. 문제 해결 분야에서 디지털 트윈의 대상은 분석, 예측, 최적화/진단 대상이 되는 모든 시스템 분야로서 산업(제조, 생산, 물류, 식물공장 등), 공공(교통, 환경, 금융 등), 의료(진단, 인공장기, 가상수술 등), 재난안전(안전점검, 피해분석, 대피훈련 등), 국방(군사훈련, 국방분석, 무기체계 획득 등)등을 포함한다.  현재 디지털 트윈 활용은 안정성에 부담이 적고 신속/가시적 성공사례 확보가 가능한 스마트시티, 스마트 팩토리, 스마트SOC(도로, 철도, 항만, 공항, 등) 등이 대상이지만 기술성숙도가 높아지고 안정성이 보장됨에 따라 자율주행, 의료/인공장기, 식물공장 등으로 확대될 전망이다.  가상 체험 분야는 디지털 트윈이 실 세계 혹은 가상 세계를 움직이는 다양한 시나리오를 정형화한 지배 법칙(모델)을 실행(시뮬레이션)하는 수단으로 활용될 전망이다. 이러한 지배법칙 실행은 실제 세계와 가상 세계의 구별 없는 가상 체험을 목표로 하는 메타버스의 서비스 콘텐츠를 제공한다. 따라서, 메타버스 발전을 위해서 메타버스의 서비스 컨텐츠를 제공하는 디지털 트윈 발전이 필수적으로 향후 메타버스와 디지털 트윈은 동시에 발전할 전망이다.  빅 데이터 분야에서는 디지털 트윈의 가상 실험을 통해 실 체계에서는 물리적/경제적 이유로 수집 불가능한 다양한 빅 데이터를 생성하는데 활용될 전망이다. 유의미한 빅 데이터 생성을 위해서는 실 체계에서 수집 가능한 데이터를 사용하여 디지털 트윈 모델의 검증이 선행된 후 실 체계에서 수집 불가능한 데이터 생성을 위한 가상 실험이 설계되어야 한다. 디지털 트윈을 사용한 빅 데이터 생성은 시스템 기능 검증, 예지 진단 및 기계학습 등과 같은 부가가치가 높은 데이터 생성에 집중되어 미래 데이터 구독 시장 활성화에 기여할 전망이다.   김탁곤 명예교수  KAIST 전기전자공학부  

주요 디지털 트윈 소프트웨어 디지털 트윈 모델 생성 및 배포 솔루션, Ansys Twin Builder 개발 : Ansys, www.ansys.com 자료 제공 : Ansys Korea, 02-6009-0500, www.ansys.com   Ansys Twin Builder는 디지털 트윈(Digital Twin) 기술을 활용하여 실제 물리 시스템을 가상 환경에서 시뮬레이션하고 최적화할 수 있는 솔루션이다. 멀티피직스 시뮬레이션 기술을 기반으로 물리 모델과 실시간 센서 데이터를 결합하여 예측 유지보수 및 성능 최적화를 지원한다. 제조, 자동차, 항공우주, 전자, 에너지, 의료 등 다양한 산업에서 활용된다.   1. 주요 특징 (1) Physics 기반의 디지털 트윈 구축 IoT 데이터 및 시뮬레이션 모델을 결합하여 정밀한 디지털 트윈 모델 생성 (2) 실시간 시뮬레이션 및 예측 유지보수 지원  센서 데이터를 활용하여 장비의 고장 가능성 예측 및 유지보수 최적화 (3) 멀티피직스 통합 분석  전자기, 유체, 구조, 열 해석을 통합하여 복잡한 시스템 성능 분석 가능 (4) AI 및 머신러닝 연계 가능  OptiSLang을 활용한 AI 기반 최적화 및 데이터 분석 지원 (5) IoT 및 클라우드 플랫폼과 연계  AWS, Microsoft Azure, PTC ThingWorx 등 다양한 IoT 플랫폼과의 호환성 제공 2. 주요 기능 (1) 디지털 트윈 생성 및 실행  시뮬레이션 모델을 물리 데이터와 연결하여 실시간 가상 시뮬레이션 수행 (2) Model-Based Systems Engineering(MBSE) 지원  시스템 레벨 설계를 위한 MBSE 기반 시뮬레이션 제공 (3) 고급 시뮬레이션 및 자동화  MATLAB, Simulink, FMI 모델과 통합 가능하여 복잡한 시스템 해석 (4) PLM 및 데이터 관리 통합  Siemens Teamcenter, PTC Windchill 등 주요 PLM 시스템과 연계하여 제품 수명주기 관리 지원 (5) Predictive Maintenance 기능 내장  실시간 데이터 분석을 통해 유지보수 전략 개선 3. 도입 효과 ■ 설비 가동률 향상: 디지털 트윈을 활용한 사전 예측 유지보수로 시스템 다운타임 감소 ■ 제품 개발 기간 단축: 프로토타입 제작 없이 가상 환경에서 제품 설계 검증 가능 ■ 운영 비용 절감: 최적화된 유지보수 전략을 통해 운영 및 유지보수 비용 절감 ■ 설계 품질 향상: 실제 운영 데이터를 기반으로 제품 설계 개선 및 성능 최적화 4. 주요 고객 사이트 ■ 제조업: 두산 그룹, POSCO  ■ 자동차: 현대자동차그룹, LS Automotive Technologies, HL Mando ■ 항공우주: Korea Aerospace Industries (KAI), Hanwha Aerospace ■ 반도체/전자: Samsung Electronics, SK Hynix, LG Electronics, Samsung Electro-Mechanics, Samsung Display, LG Display, LG Innotek, LX Semicon ■ 에너지: LG Energy Solution, SK On, Samsung SDI, Hyundai Electric & Energy Systems, Doosan Enerbility, Hanwha Solutions   상세 내용은 <디지털 트윈 가이드>에서 확인할 수 있습니다. 상세 내용 보러가기

지멘스 디지털 인더스트리 소프트웨어는 모든 규모의 조직이 SaaS(서비스형 소프트웨어) 기반 PLM(제품 수명주기 관리)을 활용하여 제조 산업 전반의 디지털 전환과 혁신을 촉진할 수 있도록 팀센터 X(Teamcenter X) 소프트웨어의 새로운 버전을 출시한다고 발표했다. 새로운 팀센터 X 제품군은 기계, 전기, 전자 개발을 아우르는 프로세스 관리 및 크로스 도메인 기능 등 다양한 고급 기능을 사전 구성된 형태로 제공한다. 팀센터 X는 기존 두 종류의 버전에 새롭게 두 가지를 추가해, 총 네 가지 버전으로 제공된다.     팀센터 X 에센셜즈(Teamcenter X Essentials)는 간편한 배포와 낮은 운영 비용을 고려하여 설계되었으며, 기계 설계에 집중하는 기업을 위한 데이터 관리 기능을 제공한다. CAD 데이터 관리, 제품 구조 및 리비전 관리, 사용 위치 검색, 체크인/체크아웃, 3D 보기 및 마크업 기능이 포함되어 있으며, 기업의 성장에 따라 확장성을 지원한다. 새롭게 출시된 팀센터 X 스탠더드(Teamcenter X Standard)는 에센셜즈 버전을 기반으로 단순 변경 관리, 프로젝트 일정 관리, 문서 관리, 보고서 생성 등 추가적인 PLM 기능을 포함한다. 모든 기능은 사전 구성된 형태로 제공되며, 고객의 요구에 맞게 조정할 수 있다. 역시 새롭게 출시된 팀센터 X 어드밴스드(Teamcenter X Advanced)는 제품 수명 주기 전반에 걸쳐 기계, 전자 및 전기 설계 간의 크로스 도메인 협업이 필요한 기업을 지원한다. 전기 및 전자 설계 통합 및 분류를 위한 데이터 관리 기능이 추가되었으며, 마찬가지로 사전 구성된 상태로 제공되고 필요 시 맞춤화할 수 있다. 팀센터 X 프리미엄(Teamcenter X Premium)은 클라우드 공급자를 선택할 수 있으며, 팀센터의 전체 기능을 활용하고자 하는 기업을 위한 포괄적 PLM 설루션이다. 엔터프라이즈 BOM, 비즈니스 시스템 통합, 모델 기반 시스템 엔지니어링(MBSE), 제조 계획, 품질 및 컴플라이언스 관리, 제품 비용 및 서비스 수명 주기 관리까지 포함한다. 또한 산업용 기계, 의료기기, 반도체 등 특정 산업군을 위한 사전 구성 설루션도 제공된다. 지멘스 디지털 인더스트리 소프트웨어의 프랜시스 에반스(Frances Evans) 라이프사이클 협업 소프트웨어 수석 부사장은 “팀센터 X의 이번 확장은 SaaS PLM을 모든 규모의 기업이 보다 쉽게 접근할 수 있도록 하려는 지멘스의 사명을 이어가는 것”이라면서, “새로운 팀센터 X의 기능은 더 많은 고객이 빠르게 PLM 도입을 시작하고, 이후 팀센터 포트폴리오 전반을 통해 비즈니스 과제를 확장해 나갈 수 있도록 돕는다”고 말했다.

MBSE를 위한 아키텍처-1D 모델 연계의 중요성 및 적용 전략 (1)   제조산업에서 설계 효율 향상과 개발 기간 단축을 위해 모델 기반 개발(MBD)을 적극 도입하고 있지만, 아키텍처 모델과 1D 모델 간의 연계 부족으로 인해 개발 단계에서 모델의 실질적인 활용과 의사결정 지원이 어려운 경우도 많다. 이번 호에서는 MBD의 성과를 높이기 위한 아키텍처 모델과 1D 모델의 체계적인 연계 방안을 제시하고, 이를 통한 설계 효율 및 개발 정확성 향상의 전략적 방향을 살펴본다.   ■ 오재응 한양대학교 명예교수, LG전자 기술고문   최근 제조산업은 제품의 개발 기간 단축과 다품종 생산이라는 트렌드에 대응하기 위해 개발의 효율성을 극대화하고 반복 설계를 최소화하는 방향으로 변화하고 있다. 이러한 흐름 속에서 모델 기반 개발(Model-Based Development : MBD)은 이미 많은 제조업체가 적극 추진하고 있으며, 이를 통해 설계 초기부터 제품의 동작을 예측하고 최적화할 수 있는 기반을 마련하고자 한다. 그러나 모델 기반 개발을 도입하고 실제로 모델을 구축했음에도 불구하고, 현업에서 모델이 제대로 활용되지 못하는 경우가 많다. 이는 구축된 모델이 단지 형식적으로 존재할 뿐, 제품 개발의 맥락 속에서 아키텍처적, 1D적 연결성을 갖추지 못해 실질적인 의사결정과 개발 단계에서 활용되지 못하고 있기 때문이다. 즉, 원래 의도한 목적이나 아키텍처적 요구와 연계되지 않은 모델이기 때문에, 사용자는 해당 모델이 ‘내 일에 어떻게 쓰이는지’를 이해하지 못하고 거리감을 느끼는 것이다. 이러한 문제를 극복하기 위해서는 아키텍처 모델과 1D 모델을 유기적으로 연계하고, 이를 기반으로 아키텍처 요구사항을 구체화할 수 있어야 한다. 아키텍처 모델이란 제품의 구조, 기능, 물리적 메커니즘 등 아키텍처적 개념을 설명하는 모델이며, 1D 모델은 이러한 개념을 수학적으로 해석하고 시뮬레이션 가능한 형태로 정형화한 것이다. 따라서 아키텍처 모델과 1D 모델 간의 연계는 제품 개발의 전체 V자 프로세스에서 핵심 역할을 하며, 상호보완적으로 작용하여 제품 성능 검증 및 요구사항 만족 여부를 평가하는 데 기여한다.   그림 1. 아키텍처 모델 – 1D 모델 연계   <그림 1>은 이러한 개념을 시각적으로 설명한다. 초기의 아키텍처 설계 단계에서 아키텍처 요구와 구조를 정의한 뒤 이를 바탕으로 1D 모델이 생성되고, 시뮬레이션 및 해석을 통해 결과를 도출하며, 이 결과는 다시 상위의 아키텍처 요구사항에 대한 검증으로 이어진다. 이처럼 상향식-하향식 피드백 루프를 통해 아키텍처 모델과 1D 모델이 반복적으로 연계되어야 진정한 의미의 모델 기반 개발이 실현될 수 있다. 특히 설계자와 개발자는 1D 모델은 제품을 해석하고 튜닝하는 강력한 도구라고 인식하지만, ‘왜 이 설계를 했는가’, ‘서브시스템 간 구조는 어떻게 되는가’, ‘요구사항은 어떻게 충족되는가’와 같은 질문에는 답하지 못한다. 그 해답을 주는 것이 바로 아키텍처 모델(MBSE)이며, 이 두 모델을 연결해야만 설계의 정확성, 추적성, 협업성이 동시에 확보된다.   다양한 유형의 아키텍처적 측정 간의 관계   그림 2. ISO/IEC 15288 System Life Cycle Technical Processes & Life Cycle   ISO/IEC 15288(그림 2)은 시스템 수명주기 전반에 걸친 아키텍처 프로세스의 흐름과 체계를 정의한 국제 표준이다. 특히 이 표준은 모델 기반 시스템 엔지니어링(Model-Based Systems Engineering : MBSE) 관점에서 시스템 개발 활동을 구조화한 것으로, 시스템 수명 주기(V 모델)를 기반으로 요구 분석, 설계, 검증 및 확인, 유지보수 등 각 단계의 아키텍처적 활동과 그 상호 관계를 정립한다. 시스템 엔지니어링 활동을 통해 성공적인 시스템을 구축하기 위해서는 다양한 아키텍처적 성과 지표와 측정 지표가 필요하며, 이를 통해 시스템의 목표 달성 여부를 판단할 수 있다. 대표적인 지표로는 다음과 같은 세 가지가 있다. MOE(Measure of Effectiveness, 효과성 측정지표)는 시스템이 실제 운용 환경에서 얼마나 효과적으로 임무를 수행할 수 있는지를 평가하는 지표로, 주로 고객 요구사항이나 운용 목표 달성 여부에 초점을 맞춘다.  MOP(Measure of Performance, 성능 측정지표)는 시스템의 성능 수준을 수치적으로 정량화한 것으로, 설계 명세나 요구된 성능 기준을 얼마나 충족하는지를 평가한다.  TPM(Technical Performance Measure, 아키텍처 성과 측정지표)은 개발 과정 중 아키텍처 적인 목표 도달 여부를 지속적으로 모니터링하고 예측하는 데 사용되는 지표로, 시스템 개발 리스크를 조기에 식별하고 관리하는 데 활용된다. 이러한 측정 지표는 예측 차이나 실측 차이를 바탕으로 비교 분석할 수 있으며, 시스템 개발 단계에서 시스템의 위험 요인에 대한 조기 탐지와 개선 대책의 선제 적용이 가능하도록 지원한다. 이는 곧 사업의 비용 효율성 제고와 일정 준수에 기여하며, 전체 수명주기 동안 긍정적인 영향을 유도할 수 있다.  <그림 2>는 ISO/IEC 15288의 V-모델과 아키텍처적 측정 지표가 어떻게 연계되는지를 보여준다. 요구사항 도출과 검증, 설계와 확인 간의 대응 관계를 통해 아키텍처적 활동이 체계적으로 연결되며, 수명주기 전체에서 MOE, MOP, TPM이 통합적으로 작동하여 아키텍처적 리스크를 관리하고 시스템의 성공적인 구현을 가능하게 한다.      ■ 자세한 기사 내용은 PDF로 제공됩니다.

시점 – 사물이나 현상을 바라보는 눈 (5)   지난 호에서는 ‘정적 이미지’와 ‘동적 이미지’에 관하여 정의하고 두 이미지의 차이를 살펴보았다. 이미지 센서의 입장에서 바라본 ‘관찰의 시점과 관점’에 관한 몇 가지 사례를 들어가며 구체적으로 생각해 보았다. 또한 정적 이미지에 시간 요소를 비롯한 새로운 차원의 요소를 추가하는 방법의 고안과 활용의 필요성을 강조하였다. 이번 호에서는 정적 이미지와 동적 이미지의 활용이라는 측면에서 ‘변화와 흐름의 관찰’ 방법과 관찰된 결과를 가시화 및 시각화하는 구체적인 사례를 함께 생각해 보기로 한다. 변화와 흐름의 본질부터 응용에 이르기까지 구체적인 사례를 소개한다.   ■ 연재순서 제1회 호기심 제2회 암중모색 제3회 관찰의 시점과 관점 제4회 정적 이미지와 동적 이미지 제5회 변화와 흐름의 관찰 제6회 개별 관찰 제7회 집단 관찰 제8회 확률과 통계 제9회 작용, 반작용, 상호작용 제10회 무엇을 볼 것인가? 제11회 무엇을 믿을 것인가? 제12회 가설, 모델, 이론의 설득력의 시대성   ■ 유우식 웨이퍼마스터스의 사장 겸 CTO이다. 동국대학교 전자공학과, 일본교토대학 대학원과 미국 브라운대학교를 거쳐 미국 내 다수의 반도체 재료 및 생산 설비 분야 기업에서 반도체를 포함한 전자재료, 공정, 물성, 소재 분석, 이미지 해석 및 프로그램 개발과 관련한 연구를 진행하고 있다. 경북대학교 인문학술원 객원연구원, 국민대학교 산림과학연구소 상임연구위원, 문화유산회복재단 학술위원, 국제문화재전략센터 전문위원이다. 홈페이지 | www.wafermasters.com    그림 1. 당구공 움직임 궤적의 가시화   변화와 흐름의 본질‘변화’는 사물의 성질, 모양, 상태 따위가 바뀌어 달라지는 것을 의미하고, ‘흐름’은 흐르는 것, 또는 한 줄기로 잇따라 진행되는 현상을 비유적으로 이르는 말로 일상적으로 사용된다. 두 가지 개념 모두 시간과 관계가 있다. 시간 역시 흐름의 하나이다. 다만 시간은 불가역적으로 과거로 돌아갈 수 없다. 시간이 실재하는 것인가 하는 것은 철학적인 이야기에 가깝다. 다만 시간의 특성을 이해하고 여러 가지 현상을 관찰하면 변화와 흐름을 발견하게 된다. 우리도 시간의 흐름과 더불어 나이를 먹고 늙어 간다. 모든 생명체에게 공통된 현상이다. 눈으로 확인하기도 어려운 현상이나 추상적인 주제에 관해서 설명하기보다는 눈으로 확인할 수 있는 것이 이해하기 쉽다.  당구는 경도가 높은 압축 플라스틱 재질로 만든 공을 사용하는 경기이다. 당구공은 충돌 시의 반발계수가 1에 가까운 완전 탄성체이다. 따라서 당구공끼리 충돌하는 것은 두 물체가 부딪친 후에도 운동 에너지의 합이 변하지 않는 ‘완전 탄성충돌’에 가깝다. 정면에서 충돌할 경우 운동량 보전 법칙이 성립하여 공이 서로의 속도를 교환한다. 물리법칙을 이해하고 공을 치는 방향과 힘을 조절해서 다른 공을 맞히는 게임이다. 공을 치게 되면 공이 움직이게 되니 시시각각으로 위치와 속도가 달라진다. 즉 시간에 따른 위치 변화와 흐름이 발생한다.  <그림 1>은 당구대의 위쪽에 고정된 카메라로 노란 당구공을 쳐서 초록색 당구공을 오른쪽 위 귀퉁이에 넣는 장면을 촬영한 동영상에서 적당한 시간 간격으로 프레임을 발췌하여 합성한 이미지를 소개하였다. 하나의 이미지에서는 같은 시간 간격으로 프레임을 발췌하여 합성한 것이므로, 여러 개의 노란색 공의 위치는 같은 시간 간격으로 촬영된 것이다. 녹색 공 또한 마찬가지이다. 같은 색 공 사이의 간격이 넓은 것은 공의 이동 속도가 빨랐다는 것을 의미하고, 간격이 좁은 것은 그 공의 이동 속도가 빠르지 않았음을 의미한다. 공과 공 사이의 거리를 측정해서 프레임 간의 시차로 나누면 해당 구간의 속도를 구할 수도 있다. 고속으로 촬영해서 이미지를 합성하면 공이 전부 연결되어 공이 지나간 궤적을 그려낼 수 있을 것이다. 이러한 이미지를 합성해서 변화와 흐름을 시각화하는 방법을 포함해서 다양한 방법이 활용되고 있으며, 앞으로도 새로운 개념의 방법도 나타날 것으로 기대한다. 어떤 방법들이 고안되었으며 활용되고 있는지 살펴보도록 한다.   일상적으로 사용되는 흐름을 측정하는 기기 흐름에는 무엇이 있을까? 바람이 불면 공기의 흐름이 있고 강에는 물이 흐른다. 보도에는 사람들의 흐름이 있고 도로에는 차량의 흐름이 있다. 비가 오거나 눈이 내리는 것도 자연스러운 물의 순환(흐름)이다. 일상생활에서도 흐름을 측정하는 기기들이 셀 수 없이 많이 있다. 전류계, 전력량계(적산전력계), 수도 계량기, 도시가스 계량기, 온수 미터 등이다.(그림 2) 실험용 전류계는 실시간으로 흐르는 전하량을 전류로 표시하고 있다. 전체적으로 얼마나 사용했는지는 알 수 없다. 전류가 흐르지 않으면 그 순간 0을 표시하기 때문이다. 전체적인 흐름의 양을 알려고 하면 시시각각의 흐름을 적산해서 표시해야 한다. 전력량계(적산전력계), 수도 계량기, 도시가스 계량기, 온수 미터는 사용량을 적산하는 방식을 채용하여 사용량에 맞춰 요금을 부과하는 방식이다.  흥미롭게도 여기에서 소개한 흐름을 측정하는 모든 기기는 전선이나 배관을 통해서 흐르는 것이다. 전기는 누전되지 않는 한 전선을 벗어나서 흐르는 일이 없다. 물과 가스 또한 누수 또는 가스의 누출이 없는 상태에서 사용한다. 즉 모든 흐름의 측정은 폐쇄회로에서 이루어진다. 그런 의미에서 <그림 1>의 당구대 평면 상의 당구공 위치 변화를 동영상 정보를 바탕으로 추적한 사례는 특이한 경우로 볼 수 있다.    그림 2. 주변에서 흔히 볼 수 있는 흐름을 측정하는 기기     ■ 자세한 기사 내용은 PDF로 제공됩니다.

캐드앤그래픽스 디지털 트윈 설문조사 분석   디지털 트윈 기술에 대한 관심이 국내 제조 및 엔지니어링 업계를 중심으로 높아지고 있지만, 실제 산업 현장에서는 여전히 다양한 현실적 제약에 직면해 있는 것으로 나타났다. 캐드앤그래픽스는 국내 디지털 트윈 현황을 집대성한 ‘디지털 트윈 가이드’를 발간하고, 국내 제조 및 엔지니어링 업계 관계자를 대상으로 3월 13일부터 4월 14일까지 ‘국내 디지털 트윈 현황 설문조사’를 실시했다. 총 1212명이 참여한 이번 설문조사에서는 디지털 트윈의 이해도, 적용 분야, 도입 단계, 구축 시 어려움 등 다양한 관점에서 기술의 현주소를 조망했다. 특히 디지털 트윈을 실제로 사용 중인 기업과 종사자를 대상으로 진행한 심층 조사에서는 기술 도입 과정에서의 구체적인 어려움과 향후 투자 계획 등 실질적인 인사이트가 도출됐다. ■ 최경화 국장   설문조사 개요 및 참가자 현황 이번 설문조사는 국내 제조 엔지니어링 업계 관계자 1212명을 대상으로 진행되었다. 설문 참가자들의 배경은 다양한 산업 분야에 걸쳐 있었으며, 이는 디지털 트윈 기술이 단일 산업에 국한되지 않고 여러 분야에서 관심을 받고 있음을 시사한다. 참가자들의 직무 또한 연구개발, 설계, 생산, 관리 등 다양한 영역에 분포하고 있어, 디지털 트윈 기술이 기업 내 여러 부서와 직무에 걸쳐 중요성을 인정받고 있음을 알 수 있었다. 디지털 트윈 관련 업무 분야에서도 다양한 응답이 나타나, 이 기술의 응용 범위가 넓어지고 있음을 확인할 수 있다.   주력 산업 분야 설문 응답자들의 주력 산업 분야는 ‘건축/건설/토목’(22.7%)과 ‘전기전자/하이테크/반도체’(17.9%), ‘시각화/그래픽/디자인’(14.2%) 등이 높은 비중을 차지했으며, 자동차, 플랜트 등 다양한 산업 분야가 분포되어 있음을 알 수 있다.   그림 1. 설문 응답자 현황 - 주력 산업 분야   직무 분야 설문 응답자들의 직무 분포는 ‘엔지니어’(41.2%)가 압도적으로 높은 비율을 보였고, ‘경영진/임원’(15.9%), ‘SW 개발’(14.3%) 순으로 나타나, 기술 및 관리 직무 종사자들의 높은 관심을 반영했다.   그림 2. 설문 응답자 현황 – 직무   디지털 트윈 관련 업무 분야 설문 응답자들의 디지털 트윈 관련 업무 분야에 대해서는 CAD/3D 모델링이 가장 높게 나타났고, AI/머신러닝, CAE/시뮬레이션 순으로 나타났다.    그림 3. 설문 참가자 현황 - 디지털 트윈 관련 업무 분야   국내 디지털 트윈 도입 현황 - 뜨거운 기대감과 더딘 현실 디지털 트윈 이해 수준 기술에 대한 이해 수준은 아직 부족한 것으로 나타났다. 디지털 트윈 이해 수준에 대해서는 ‘대체로 알고 있다’(36.8%)와 ‘조금 알고 있다’(37.2%)가 비슷한 비율을 보였으며, ‘매우 잘 알고 있다’ (10.4%)는 소수에 불과했다. ‘잘 모른다’(15.6%)는 응답도 상당수를 차지했다. 이는 기술에 대한 인지도는 높지만, 깊이 있는 이해와 활용 능력은 아직 부족하다는 점을 시사한다.   그림 4. 디지털 트윈에 대한 이해 수준   디지털 트윈 발전 전망 반면, 디지털 트윈의 미래에 대한 업계의 기대는 매우 컸다. 향후 디지털 트윈 발전 전망에 대한 응답에 따르면 ‘매우 중요하게 성장할 것’(66%)과 ‘다소 성장할 것’(30.5%)이라는 답변이 전체의 압도적인 대다수를 차지했다. 또한 전체 응답자의 96.5%가 기술의 중요성과 잠재력에 대해 폭넓은 공감대를 형성하고 있음을 확인시켜 주었다.   그림 5. 디지털 트윈 향후 발전 전망   디지털 트윈 사용 기업 및 도입 현황 디지털 트윈을 실제로 사용하고 있는 기업 및 유저를 대상으로 한 심층 조사에는 총 385명이 참여했다. 이들 기업의 규모는 매출액과 직원 수를 기준으로 다양하게 분포하고 있어, 디지털 트윈 기술이 대기업뿐 아니라 중소기업에서도 점차 도입되고 있음을 알 수 있다.   디지털 트윈 사용 기업 규모 디지털 트윈 사용 기업의 매출액은 5000억원 이상이 48.8%를 차지해 가장 높은 분포를 보였으며, 1000억원 이상~500억원 미만이 13.2%로 큰 기업들이 주로 관심을 가지고 있었음을 알 수 있었다. 직원 수도 5000명 이상이 32.2%로 가장 높은 수치를 차지했으며, 1000명~5000명 미만이 17.9%, 100명~500명 미만이 11.7% 순으로 나타났다.    그림 6. 디지털 트윈 사용 기업 매출액   디지털 트윈 사용 기업 적용 분야 디지털 트윈 적용 분야는 ‘제품 설계 및 시뮬레이션’(66.8%), ‘생산/제조 운영’(43.9%), 설비 모니터링 및 유지보수(39.2%) 순으로, 제품 개발과 생산 영역에 활용이 집중되는 경향을 보였다. 제조 분야에 비해서는 사용이 적지만 도시, 에너지, 교통, 물류, 의료 등 다양한 영역에서 활용되고 있음을 확인할 수 있다. 특히 제조업 분야에서는 생산 공정 최적화, 품질 관리, 설비 예지 보전 등의 목적으로 활용되고 있을 것으로 추정된다.   그림 7. 디지털 트윈 적용 분야   디지털 트윈 적용 목적 디지털 트윈을 적용하는 주요 목적은 ‘설계 최적화’(61.0%), ‘생산성 향상’(54.5%), ‘운영 효율화’(46.2%) 등 효율성 증대 관련 항목들이 우위를 점했다.   그림 8. 디지털 트윈 적용 목적   디지털 트윈 도입 단계 아직까지 디지털 트윈에 대한 관심은 높지만 실제 사용 보다는 검토 중인 기업이 많은 것으로 나타났다. 디지털 트윈 사용 기업의 도입 단계 관련 답변을 보면, ‘도입 검토 중’(43.6%)이 가장 큰 비중을 차지했다. 이어 ‘일부 시스템 도입 완료’(18.4%), ‘PoC(파일럿) 진행 중’(12.2%), ‘전사 확산 및 활용 중’은 4.2% 순으로, 본격적인 활용 단계에 진입한 기업은 소수임을 알 수 있었다. ‘도입 계획 없음’(17.9%)이라는 응답도 적지 않았다.    그림 9. 디지털 트윈 도입 단계   다양한 상용 디지털 트윈 툴 사용… 자체 개발·검토도 다수 디지털 트윈 기술의 확산과 함께, 국내 기업들이 활용 중인 디지털 트윈 소프트웨어 및 플랫폼은 매우 다양하며, 기업별로 도입 단계나 활용 수준에서도 큰 차이를 보이는 것으로 나타났다. ‘현재 사용 중인 디지털 트윈 툴’에 대한 주관식 응답 결과를 분석해 보면, 국내 산업계는 BIM 기반 플랫폼, CAE 시뮬레이션 도구, PLM 및 협업 플랫폼, 그리고 게임 엔진 기반 시각화 도구를 중심으로 디지털 트윈 기술을 도입하고 있는 것으로 나타났다. 아래 내용은 답변 내용을 중심으로 정리한 것이다.   BIM 및 설계 중심 소프트웨어의 강세 디지털 트윈 구축의 초기 단계에서 가장 두드러지는 분야는 설계 기반 모델링(BIM) 도구다. 응답자 중 상당수가 오토데스크의 레빗(Revit), 오토캐드, 시빌 3D(Civil 3D), 나비스웍스(Navisworks) 등을 사용하고 있다고 응답했다. 벤틀리 시스템즈의 아이트윈(iTwin), 트림블의 테클라(Tekla) 및 트림블 커넥트(Trimble Connect), 아비바의 아비바 E3D(AVEVA E3D) 등도 건설·플랜트 산업에서 활용하고 있다고 답변했다.   정밀 해석 기반의 시뮬레이션 툴 확산 앤시스(Ansys), 아바쿠스(Abaqus), 하이퍼웍스(HyperWorks), LS-DYNA, 시뮬링크(Simulink), 아담스(Adams), GT-스위트(GT-Suite), 플렉스심(FlexSim) 등 해석 전문 툴의 사용도 두드러졌다. 특히 제품 설계나 공정 시뮬레이션에서 정밀한 모델링이 필요한 제조업, 자동차, 중공업 분야에서는 다물리 해석 툴 기반의 디지털 트윈 구현이 주를 이뤘다.   PLM 기반 통합 디지털 플랫폼도 주목 설계-생산-운영 전 주기를 통합 관리하기 위한 PLM 기반 플랫폼도 활발히 사용되고 있다. 다쏘시스템즈의 3D익스피리언스(3DEXPERIENCE), 카티아(CATIA), 에노비아(ENOVIA), 지멘스의 NX, 팀센터(Teamcenter), 플랜트 시뮬레이션(Plant Simulation), PTC의 크레오(Creo), 윈칠(Windchill), 씽웍스(ThingWorx) 외에도 전문 툴인 비주얼컴포넌트 등은 스마트 공정 및 운영 관리까지 연계된 디지털 트윈 구현에 활용되고 있는 것으로 보인다.   게임엔진 기반 실시간 시각화 기술 부상 유니티(Unity), 언리얼 엔진(Unreal Engine), 트윈모션(Twinmotion), 엔비디아 옴니버스(Omniverse) 등 게임엔진 기반 시각화 도구는 실시간 협업과 현장 시뮬레이션에서 각광받고 있다. 특히 언리얼엔진, 유니티와 옴니버스 등은 다른 플랫폼과의 연동성을 강화해 디자인 협업 및 공정 검증에 널리 활용되고 있다.   자체 설루션 및 커스터마이징 비율도 높아 이밖에도 국산 설루션인 이에이트, 소프트힐스, 버넥트, 한국디지털트윈연구소 설루션을 이용하고 있다는 응답도 있었다. 흥미로운 점은 응답자의 상당수가 ‘인하우스 개발’ 또는 ‘자체 플랫폼’, ‘프로젝트마다 요구사항 수렴 방식’ 등의 형태로 독자적인 디지털 트윈 시스템을 운영하고 있다는 것이다. 이는 특정 상용 설루션만으로는 각기 다른 업무 흐름이나 도메인 지식을 완벽히 반영하기 어렵기 때문으로 분석된다. 또한 ‘아직 도입 예정’ 또는 ‘검토 단계’라는 응답도 적지 않아, 디지털 트윈 도입의 확산은 진행 중인 흐름임을 알 수 있다.   넘어야 할 장벽 : 현장의 목소리로 본 핵심 과제 디지털 트윈의 확산이 더딘 배경에는 공통적으로 지적된 여러 장애물이 존재했다. 특히 높은 비용과 불확실한 ROI는 가장 큰 걸림돌로 지목됐다.   디지털 트윈 시스템 구축의 어려움 디지털 트윈 사용 기업이 꼽은 구축 시 가장 큰 어려움으로 ‘초기 투자 비용’(24.4%)과 ‘전문 인력 부족’(20.5%)이 가장 높은 비율을 차지했다. 그 뒤를 이어 ‘ROI 분석의 어려움’(16.6%), ‘경영진의 이해 부족’(15.1%) 순으로 나타났다. 주관식 답변에서는 고비용의 소프트웨어, 외산 설루션 및 3D 프로그램의 높은 라이선스 비용, 디지털 전환(DX) 도입 및 유지보수 비용 과다 등 경제적 부담에 대한 토로가 많았다. 특히 기대효과가 명확해야 한다, 비용 대비 효율이 확보되지 않으면 불가능하다, 실질적인 경영 효과로 어떻게 연결되는지 의문이라며, 투자를 정당화할 명확한 성과 측정과 검증된 성공 사례 부족을 지적했다. 전문 인력 부족 문제는 교육 시스템의 부재와 연계돼 있으며, 현장에서는 관련 교육 기회가 부족하다는 지적이 많았다. 경영진의 이해 부족도 중요한 문제로 나타났다.   그림 10. 디지털 트윈 구축 시 어려움   디지털 트윈 시스템 구축 관련 투자 계획 이러한 어려움에도 불구하고, 향후 디지털 트윈에 대한 투자 의향은 비교적 긍정적이었다. 사용 기업의 향후 투자 계획을 보여주는 그래프를 보면, ‘2년 이내’(31.4%), ‘1년 이내’(19.0%), ‘6개월 이내’(11.4%) 등 2년 내 투자 계획이 있다는 응답이 전체의 61.8%를 차지했다. 반면에 ‘도입 계획 없음’(26.2%)도 상당수 있었다.   그림 11. 향후 투자 계획   미래 투자 방향과 나아갈 길 전체 응답자가 디지털 트윈 확산을 위해 가장 필요하다고 꼽은 요소를 가중치 순으로 나타낸 그래프를 보면, ‘경영진의 의지와 디지털 트윈에 대한 이해’가 다른 항목을 큰 차이로 앞서며 압도적인 1위를 차지하고 있음을 확인할 수 있다. 또한 실제 사용 기업이 겪는 어려움에서도 ‘경영진의 이해 부족’이 중요한 요인으로 드러났다. 주관식 답변에서는 ROI 증명의 어려움과 맞물려 경영진 설득의 어려움을 토로하거나, 심지어 “실제 시험을 안 해도 된다고 생각하는 경영진이 많다”는 언급까지 나와, 리더십의 인식 개선이 시급함을 알 수 있었다. 표준화의 부재 역시 반복적으로 지적되었다. 응답자들은 데이터 표준화, 3D CAD 포맷 변환, 시스템 간 호환성 부족 등을 구체적인 문제로 언급했다.   그림 12. 디지털 트윈 시스템 구축과 확대를 위해 가장 필요한 것   구체적 정보와 성공 사례의 부족 또한 큰 장벽이다. 응답자들은 산업별 사례, 성공 및 실패 경험 등을 통한 실질적 정보 공유를 절실히 요구하고 있다. 이 밖에도 데이터 확보의 어려움, 외산 소프트웨어 의존도, 기술 복잡성, 국산 소프트웨어 개발의 필요성 등이 복합적으로 언급되며, 생태계 전반에 대한 개선이 필요함을 시사했다. 따라서 성공적인 디지털 트윈 도입과 확산을 위해서는 산적한 과제를 해결하기 위한 다각적인 노력이 필요하다. 현장의 목소리와 설문 데이터는 다음과 같은 방향을 제시하고 있다. 정부의 적극적인 역할 : 중소기업 지원 확대 , R&D 지원 및 국산 소프트웨어 육성, 산업 표준화 주도, 선도적인 인프라 투자 및 정책 지원 등 정부의 체계적이고 일관성 있는 지원 정책이 요구된다. 실질적 가치 증명 및 정보 공유 : 명확한 ROI 산정 모델 개발, 산업별 성공/실패 사례 발굴 및 투명한 공유, 기술 효용성에 대한 적극적인 홍보와 교육 강화가 필요하다. 표준화 및 기술 개발 : 데이터 형식 통일, 호환성 확보 등 산업 표준을 조속히 마련하고, 사용자 편의성을 높인 기술 및 플랫폼 개발 노력이 필요하다. 인력 양성 및 생태계 조성 : 실무 중심의 교육 프로그램 개발발 및 전문가 양성 시스템 구축, 산학연관 협력 시스템 강화가 필요하다.   맺음말 : 잠재력 현실화 위한 협력과 실질적 노력 시급 이번 설문조사는 디지털 트윈에 대한 국내 산업계의 높은 관심과 함께, 도입을 가로막는 다양한 현실적 장애 요인을 통계와 목소리로 생생하게 보여준 것이라고 할 수 있다. 이 같은 결과는 국내 산업계에서 디지털 트윈 도입이 활발히 이루어지고 있으나, 여전히 도입 도구의 표준화, 조직 내 전사적 활용, 실제 업무 흐름과의 통합 등에서 과제가 많다는 점을 보여준다. 향후에는 상용 툴과 자체 개발 플랫폼 간의 융합 전략, 그리고 데이터 연동성과 유지관리 측면에서의 체계적인 접근이 더욱 중요해질 것으로 보인다. 또한 디지털 트윈이 제조업 혁신의 핵심 동력으로 자리매김하기 위해서는 산업계, 정부, 학계가 함께 협력해 실질적인 해결책을 모색하고, 지속 가능한 생태계를 조성하려는 노력이 절실하다고 할 것이다.     ■ 기사 상세 내용은 PDF로 제공됩니다.