가상 제품 개발을 위한 MBSE 및 SysML의  이해와 핵심 전략 (7)   최근의 MBSE(모델 기반 시스템 엔지니어링) 환경은 개별 도구를 연계하던 전통적 방식에서 벗어나, 요구사항부터 시뮬레이션, 형상 관리까지 전 과정을 하나의 플랫폼에서 관리하는 ‘디지털 스레드’ 기반의 통합 환경으로 진화하고 있다. 이번 호에서는 모델링 도구인 ‘랩소디(Rhapsody)’와 ‘카메오 시스템 모델러(Cameo Systems Modeler)’의 특징을 살펴보고, 효율적인 설계 환경 구축 전략을 짚어본다.   ■ 오재응 한양대학교 명예교수, 시뮬레이션 랩 CTO   모델링 도구 여기에서는 모델링 도구로서 랩소디(Rhapsody)의 특징과 기능을 간단하게 소개하고 있으며, 특히 시스템 아키텍처 설계와 모델 일관성 유지에 있어 랩소디가 어떤 역할을 수행하는지를 설명한다. IBM의 랩소디는 UML 및 SysML 기반의 시스템 모델링 도구로, 아키텍처 모델을 통해 시스템 설계 정보를 저장할 수 있는 동적인 데이터베이스 구조를 제공한다. 사용자가 정의한 각 모델 객체(예 : 블록, 컴포넌트 등)는 한 번 정의되면 그것이 표현되는 모든 다이어그램 상에서 동일한 특성과 속성을 유지한다. 이를 통해 전체 모델의 일관성과 추적성이 자연스럽게 보장된다. 또한 랩소디는 요구사항과 직접 연계된 설계 모델을 지원함으로써, 요구사항-설계 간의 정합성 확보를 용이하게 한다. 이를 통해 설계 변경이 요구사항과의 연동 하에 즉시 반영될 수 있어, 시스템 개발 전 과정에서 신뢰성 있는 모델 기반 설계를 실현할 수 있다. 결과적으로, 랩소디는 다양한 UML/SysML 도구 중 하나로, 특히 복잡한 시스템의 모델링, 시뮬레이션, 코드 생성까지 연결 가능한 통합 모델링 환경을 제공한다.   랩소디 보기   그림 1. 랩소디 도구의 대표적인 사용자 인터페이스 구성 요소   <그림 1>은 랩소디 도구 환경을 보여주며, 시스템 모델링 또는 소프트웨어 모델링을 수행할 때 사용되는 대표적인 사용자 인터페이스 구성 요소를 설명하고 있다. 랩소디 보기는 사용자가 랩소디에서 모델을 어떻게 시각적으로 확인하고 조작하는지를 이해하는 데 중점을 둔다. 전체 인터페이스 구성은 랩소디가 모델 기반 시스템 및 소프트웨어 설계를 위한 도구로, 브라우저 영역과 그리기 영역 등의 주요 영역으로 구성되어 있다. <그림 1>의 화면 왼쪽에는 브라우저 영역(Browser View)이 위치해 있다. 이 영역은 프로젝트 내에 정의된 모든 요소를 계층적 트리 구조로 정리하여 보여주며, 클래스, 패키지, 상태도, 시퀀스 다이어그램 등 다양한 모델링 요소를 탐색하고 선택할 수 있다. 사용자는 이 영역에서 모델 구조를 확인하고, 필요한 항목을 선택하여 편집 창으로 열 수 있다. 주로 사용하는 항목은 모델 구성요소(예 : 클래스, 컴포넌트, 상태 등)이다. 설계 계층 구조는 각 요소의 속성 및 동작이 연결되어 있다. <그림 1>의 화면 오른쪽에는 그리기 창(Drawing Window)이 위치하며, 사용자가 실제로 다이어그램을 작성하고 편집하는 작업 공간이다. 이 영역은 선택된 모델 요소의 시각적 표현을 위한 공간으로, 예를 들어 상태 다이어그램, 블록 다이어그램, 시퀀스 다이어그램 등을 작성하고 구성 요소 간의 연결 관계를 설정할 수 있다. 사용자의 활동 예는 상태 전이 정의, 신호 흐름 연결, 동작 논리 시각화, 모델 요소 간 연결 구성이 있다. 랩소디는 모델 탐색과 시각적 설계를 동시에 지원하기 위해 좌측 브라우저 영역과 오른쪽 그리기 창을 중심으로 UI(사용자 인터페이스)를 구성하고 있으며, 이를 통해 사용자는 설계 구조와 논리를 직관적으로 접근하고 조작할 수 있다. 이와 같은 인터페이스는 SysML, UML, 자동차 및 항공 우주 분야의 MBD 등 다양한 모델링 작업을 효율적으로 수행할 수 있도록 지원한다.   랩소디 vs. 카메오 시스템 모델러 비교 IBM 랩소디와 카메오 시스템 모델러(Cameo Systems Modeler)는 모두 SysML 기반의 시스템 모델링 도구로 널리 사용되고 있다. 그러나 이 두 도구는 설계 접근 방식, 사용자 인터페이스, 시뮬레이션 및 협업 방식에서 차별점이 존재한다. 도구의 철학과 접근 방식 : 랩소디는 임베디드 시스템 및 소프트웨어 개발에 특화된 도구로, 주로 상태 기반(state-based) 모델링과 코드 생성(code generation) 기능이 강력하다. UML 기반의 객체지향 소프트웨어 개발, 상태 머신 구현 등에 많이 활용되며, 특히 자동차, 항공, 방위 산업 등에서 많이 사용된다. 반면에 카메오 시스템 모델러(MagicDraw 기반)는 시스템 아키텍처 및 요구사항 중심 설계에 중점을 둔 MBSE 도구이다. RFLP(Requirement, Functional, Logical, Physical) 구조와 트레이스 기능이 강력하며, PLM·SPDM 시스템과의 통합이 잘 되어 있어 디지털 스레드 구축에 적합하다. 대부분의 대기업 MBSE 전환 프로젝트에서 선택되고 있다. 사용자 인터페이스 및 작업 구조 : 랩소디는 전통적인 IDE 스타일의 인터페이스(<그림 1>처럼 왼쪽 탐색기 + 오른쪽 다이어그램 편집기)를 가지고 있으며, 실시간 코드 시뮬레이션 및 상태 전이 구현에 용이하다. 카메오 시스템 모델러는 모델 요소 중심 탐색 트리, 다중 다이어그램 탭, 자동 연결 도우미, 속성 창 기반 작업이 잘 정비되어 있으며, 직관적인 GUI로 인해 다양한 다이어그램 작성이 빠르고 정확하게 이루어진다. 사용자 친화성이 높은 편이다. 시뮬레이션 및 해석 기능 : 랩소디에는 UML/SysML 상태 머신을 기반으로 한 Statechart Simulation이 내장되어 있어, 논리적 동작 검증이나 이벤트 시퀀스 분석에 유리하다. C/C++ 코드 생성 및 디버깅 기능도 내장되어 있어, 소프트웨어 통합 단계까지 연결하기 좋다. 카메오 시스템 모델러는 카메오 시뮬레이션 툴킷(Cameo Simulation Toolkit :CST)을 통해 SysML 모델의 시뮬레이션이 가능하며, 파라메트릭 다이어그램(Parametric Diagram) + 수식 기반 계산 + 외부 FMU 연동을 지원한다. 특히 시뮬링크(Simulink), 모델리카(Modelica) 등과의 코시뮬레이션(co-simulation) 및 FMI 기반 연동이 강력하다. 협업 및 형상 관리 연동 : 랩소디는 RTC, ClearCase, GIT 등과 연계가 가능하지만, 협업 기능이 독립적으로 강력하지는 않다. 기업 내부 커스터마이징이 필요한 경우가 많다. 카메오 시스템 모델러는 팀워크 클라우드(Teamwork Cloud : TWC)라는 중앙 저장소 기반 협업 서버를 통해 모델 단위 버전 관리, 권한 제어, 변경 추적, 분기 관리(branching) 기능을 지원하며, 팀 단위 협업 및 모델 기반 리뷰에 적합하다. PLM, SPDM 및 외부 툴 연동 : 랩소디는 외부 연동이 상대적으로 제한적이며, 별도 게이트웨이 또는 커스터마이징이 필요하다. 카메오 시스템 모델러는 3D익스피리언스(다쏘시스템), 윈칠(PTC), 팀센터(지멘스) 등의 PLM 시스템과 연계가 용이하며, MBSE–PLM–SPDM 간의 디지털 연계(traceability)가 수월하게 이루어진다. 정리하면 랩소디는 코드 생성, 상태 머신 중심이고 카메오 시스템 모델러는 요구사항–기능–물리 구조 연계 중심이다. 사용 분야는 랩소디가 임베디드 소프트웨어, 제어 시스템에 사용되며 카메오 시스템 모델러는 시스템 아키텍처, MBSE를 총괄하는데 사용된다. 시뮬레이션에는 랩소디가 상태 기반 시뮬레이션에 사용되며, 카메오 시스템 모델러는 파라메트릭, 시퀀스, 코시뮬레이션이 가능하다. 협업 관점에서 랩소디는 RTC/파일 기반으로 이용되며, 카메오 시스템 모델러는 팀워크 클라우드 기반 모델 협업에 활용된다. 외부 툴과 연동은 랩소디는 제한적이며 커스터마이징이 필요하다. 반면에 카메오 시스템 모델러는 FMI, PLM, 시뮬링크 등과 강력하게 연동된다.    ■ 자세한 기사 내용은 PDF로 제공됩니다.

LG에너지솔루션 최호득 책임     ‘매트랩 엑스포 2026 코리아’에서 LG에너지솔루션의 최호득 책임은 MIL(model-inthe-loop) 환경에서 배터리 SOX 로직을 매트랩과 시뮬링크 도구를 활용하여 테스트 스위트를 구성하고, 이를 동적으로 검증하는 프로젝트를 소개했다.   – LG에너지솔루션 및 현재 맡은 업무에 대해 LG에너지솔루션은 자동차, IT 및 로봇, ESS(에너지 저장 시스템) 등에 필요한 배터리 셀, 배터리 팩, BMS(배터리 관리 시스템)를 제공하는 회사이다. 이 가운데 주로 자동차 배터리에 탑재되는 BMS의 기능 검증 및 검증 자동화 업무를 수행하고 있다. 최근에는 BMS 없이 가상 ECU를 검증하는 SIL(software-in-the-loop) 환경 구축이나, 개발된 특정 소프트웨어를 활용해서 모델 내에서 검증하는 MIL 검증을 진행하고 있다.   – 시뮬링크를 적용한 업무는 어떤 것이며, 시뮬링크를 적용하게 된 배경은 무엇인지 이번에 적용한 업무는 매트랩 툴박스(MATLAB Toolbox) 내에 있는 시뮬링크 테스트(Simulink Test)를 기존 테스트 환경에 반영하는 것이다. 시뮬링크 테스트는 시뮬링크 모델을 테스트 하네스(test harness)로 만들어 테스트 스위트를 구성하고 검증하는 방식이다. 개발팀은 주로 특정 모듈을 검증하지만, 검증팀은 대규모 개발 모델과 검증 모델을 통합하여 보다 정확한 검증을 위해 트랜지션(transition)을 사용할 수 있다. 또한, 기존에 사용하던 엑셀 기반의 시나리오 테스트 케이스를 매트릭스 구조로 읽어와 테스트 어세스먼트(test assessment) 블록에 이관하여 검증할 수 있어 검증 효율성을 높일 수 있다는 점에서 시뮬링크 테스트를 활용하게 되었다.   – 현재 시뮬링크를 어떻게 활용하고 있는지 현재 시뮬링크는 두 가지 측면에서 활용하고 있다. 첫 번째는 구성한 테스트 스위트를 활용하여 수동으로 검증할 때이다. 자동화 환경을 구성하기 전에 정의한 변수와 실행이 올바르게 이루어지는지 확인하고, 자동화 검증 결과에 이상이 있을 때 특정 포인트를 직접 눈으로 보면서 로직을 확인한다. 두 번째는 테스트 자동화를 위해 시뮬링크 모델을 래핑한 후, 엑셀에 설계된 테스트 시나리오를 기반으로 개발팀이 배포한 소프트웨어의 기능을 검증하는 목적으로 사용하고 있다.   – 시뮬링크 활용을 통해 얻은 효과에 대해 시뮬링크를 활용함으로써 얻은 효과로는 세 가지가 있다. 첫째는 직관성이다. 시뮬링크는 모델로 구성되어 시간적 순서에 따라 인과관계에 근거하여 동작한다. 이 때문에 구성된 로직이 시간의 순서에 맞추어 동작하는지, 주변 로직에서 영향을 받지 않는지 등의 디버깅이 용이하다. 두 번째는 모델 배포의 용이성이다. 특정 모델을 분리하여 동료에게 배포하기가 쉽다. 배포된 모델은 유닛 테스트 및 동료 검토(예 : Failure 시뮬레이션)가 용이하다. 코드가 아닌 모델로 구성되어 있기 때문에 로직을 보다 쉽게 이해할 수 있다. 마지막은 변수 제어이다. 시뮬링크를 사용하여 시뮬레이션을 진행할 때 시뮬레이션 중 변수 제어가 되지 않는 문제가 있었지만, 이번에 적용한 시뮬링크 테스트를 활용하면 특정 포인트에서 원하는 값을 제어하며 모델을 운영할 수 있다.   – 향후 시뮬링크의 활용 계획에 대해 향후에는 시뮬링크를 현재 수준으로 계속 활용하면서, 매트랩의 통계 함수와 연동하여 검증된 결과에 대한 통계 분석 등 후처리 시뮬레이션(post simulation)을 더욱 적극적으로 활용할 계획이다. 또한, 내장된 툴박스의 기능을 보다 많이 파악하여 현재까지 인지하지 못한 유용한 기능을 활용함으로써, 검증 품질을 높이고자 한다.   – 시뮬레이션 활용 확대를 위해 현업에서 어떤 부분을 고려해야 할지 자동차 및 ESS 프로젝트를 진행하면서 다양한 형태의 데이터 파일을 현장에서 받게 된다. 이러한 데이터를 쉽게 가져와 개발된 모델과 연동하여 사용하는 방법에 대한 고민이 필요하다. 또한, 기존 데이터를 의미 있는 범위 내에서 왜곡하여 시뮬레이션함으로써 로직의 강건성을 검증하는 방법에 대한 고민도 필요하다. 매트랩과 시뮬링크의 시뮬레이션 결과는 동적인 형태로 출력되는데, 이러한 패턴을 검증할 수 있는 기술 개발 역량 강화가 필요할 것 같다.   같이 보기 : [포커스] 매스웍스, MBD와 AI 결합으로 제조 혁신 가속화… “설계 복잡성 줄이고 신뢰성 높인다”

매스웍스는 4월 7일 개최한 ‘매트랩 엑스포 2026 코리아’ 행사를 통해 엔지니어링과 과학적 혁신을 가속화하기 위한 비전을 제시하면서, ‘임베디드 인텔리전스’를 통한 설계 방식의 변화를 강조했다. 특히 AI(인공지능)는 코드 작성과 문제 해결 루프를 직접 제어함으로써 개발 복잡성을 해결하고 시장 출시 기간을 줄이는 기술로 자리매김하고 있다. 매스웍스는 모델 기반 설계(MBD)와 AI의 결합을 통해 더욱 신속하고 정교한 설계 환경을 구축한다는 전략을 내세웠다. ■ 정수진 편집장   매스웍스는 지난 1984년 설립 이래 MBD(model-based design) 방법론을 자동차와 항공 등 안전이 필수인 산업 분야를 중심으로 적용해 왔다. MBD는 제품 개발의 복잡도가 높아지는 흐름에 맞춰 다양한 물리 영역과 다중 도메인 시스템을 복합적으로 시뮬레이션하고 상호 영향을 검증하는 환경을 제공한다. 매스웍스는 작은 오류가 치명적인 결과로 이어질 수 있는 엔지니어링 현장에서 MBD 방법론이 강력한 검증 및 확인 워크플로를 거쳐 시스템의 안정성을 보장한다고 설명한다. 매스웍스는 이런 MBD의 기반 위에서 최근 산업계의 화두인 AI 기술을 안전하게 융합한다는 접근법을 내세웠다. 완전히 새로운 AI 플랫폼을 구축하는 것이 아니라, 수십 년간 현장에서 검증된 자사의 MBD 플랫폼 내에 인공지능 기능을 자연스럽게 내재화하겠다는 것이다.   ▲ 매스웍스는 생성형 AI가 제품 개발 루프를 가속화할 수 있다고 설명한다.   생성형 AI가 이끄는 설계 패러다임의 변화 매스웍스의 사미르 M. 프라부(Sameer M. Prabhu) 인더스트리 부문 이사는 AI가 엔지니어링 설계의 전 영역에 걸쳐 이미 실질적인 변화를 만들어내고 있다고 강조했다. 엔지니어링 설계의 핵심은 끊임없이 반복되는 ‘문제 해결 루프’에 있다. 과거에는 엔지니어가 직접 설계 공간을 탐색하며 해답을 찾았다면, 인공지능은 엔지니어가 정의한 목표와 제약 조건 안에서 스스로 방대한 설계 공간을 탐색하며 최적의 설루션을 빠르게 도출해낼 수 있다는 것이다. 이러한 변화를 보여주는 기술이 바로 AI 기반의 차수 축소 모델(reduced order model : ROM)이다. 프라부 이사는 자동차 부품의 설계 파라미터 최적화에 물리 기반 시뮬레이션을 활용한 사례를 소개했다. “기존 방식으로는 수천 번의 시뮬레이션을 반복하는 연산에 16일의 시간이 필요했다. 하지만 실험 데이터를 바탕으로 딥러닝 기반의 인공지능 차수 축소 모델을 학습시켜 최적화 루프에 적용한 결과, 단 5분 만에 작업을 끝낼 수 있었다”는 것이 프라부 이사의 설명이다. 무겁고 복잡한 해석 모델을 가벼운 인공지능 모델로 대체하여 설계 속도를 크게 높일 수 있었다는 것이다. 또한, 빠르게 발전하고 있는 생성형 AI(generative AI)는 반복되는 검증 작업이나 코드 생성을 빠르게 자동화하여, 엔지니어가 더 높은 수준의 추상화 및 목표 지향적 설계에 집중할 수 있도록 돕는다. 프라부 이사는 “미래 엔지니어의 핵심 역량은 목표 지향적 사고와 설계 루프 자체를 설계하는 능력이 될 것”이라고 전망했다.   ▲ 매스웍스 사미르 M. 프라부 이사   MBD 환경에서 AI의 생산성 높인다 MBD를 구현하는 매스웍스의 핵심 플랫폼인 시뮬링크(Simulink)는 전통적으로 AI 알고리즘을 정교한 룩업 테이블의 발전된 형태로 통합해 활용해 왔다. 엔지니어는 매트랩(MATLAB) 등에서 훈련한 AI 모델과 특징 추출 코드를 시뮬링크로 가져와 프로세서 탑재 제어 모듈용 C 코드를 자동 생성해 하드웨어에 곧바로 배포할 수 있다. 매스웍스는 최근 이 환경에 생성형 AI의 생산성을 결합한 시뮬링크 코파일럿(Simulink Copilot)을 도입하여 플랫폼을 한 단계 더 진화시켰다. 시뮬링크 코파일럿은 MBD 환경에 생성형 AI의 생산성을 결합했다. 대화형 챗 인터페이스를 통해 복잡한 시뮬링크 모델의 동작 원리를 자연어로 사용자에게 설명해 준다. 또한 특정 제어 시스템이나 상태 머신 모델을 개선하기 위한 구체적인 아이디어를 제안할 수 있다. 코파일럿은 단순히 조언을 건네는 데 그치지 않고, 해당 작업에 바로 적용할 수 있는 최적의 도구와 관련 기술 문서까지 함께 추천하며 설계 과정의 어려움을 해결하도록 돕는다. 프라부 이사는 “우리의 비전은 생성형 AI와 MBD 모델 기반 설계를 사용해서 이런 챗 인터페이스와 함께 생성형 AI의 생산성 향상을 제공하고, 사용자가 결과를 빠르게 얻을 수 있도록 하는 것”이라면서, 시뮬링크 코파일럿의 새로운 기능이 엔지니어의 작업 속도와 전반적인 효율을 높여 줄 열쇠라고 강조했다.   ▲ 매스웍스코리아 박주일 사장   제조업 경쟁력 강화를 위한 전략과 미래 비전 매스웍스는 크게 두 가지의 AI 전략을 소개했다. 첫째는 물리적 하드웨어를 대체하거나 보완하기 위해 AI 모델을 최종 시스템의 구성 요소로 직접 내장하는 방식이다. 둘째는 AI가 스스로 방대한 설계 공간을 탐색하며 문제 해결 루프 자체를 주도하도록 만드는 방식이다. 또한, 매스웍스는 매트랩 코파일럿과 시뮬링크 코파일럿 등 생성형 AI를 자사의 기존 플랫폼에 내재화하여 일상적인 코딩과 검증 업무의 자동화까지 지원할 계획이라고 밝혔다. 다만 안전이 최우선인 엔지니어링 산업의 특성상, AI의 환각 현상이나 비결정적 특성은 치명적인 위험을 일으킬 수 있다. 이에 대해 박주일 사장은 “기존에 있는 플랫폼에 AI가 들어가기 때문에 워크플로간 충돌이나 정합성 이슈가 상대적으로 적다는 것이 매스웍스의 유니크한 강점”이라고 설명하면서, “수십 년간 업계 표준으로 자리 잡은 MBD 플랫폼과 강력한 검증 및 확인 워크플로를 통해 AI 결과물의 신뢰성을 통제할 수 있을 것”이라고 전했다. 한국 시장에서 매스웍스가 그리는 청사진은 한국 제조업의 근원적인 경쟁력을 한 단계 끌어올리는 데 집중되어 있다. 기하급수적으로 증가하는 제품 개발의 복잡도와 출시 기간 단축이라는 압박 속에서, 매스웍스는 국내의 엔지니어링 커뮤니티를 기술적으로 뒷받침하는 조력자 역할을 하겠다는 계획이다. 나아가 기업에 대한 지원뿐 아니라 학계와의 협력을 통해 미래 공학 인력을 양성하는 일에도 투자할 것이라고 밝혔다. 박주일 사장은 “자동차 산업에서 촉발된 소프트웨어 정의 제품(software-defined product)의 흐름이 우주항공, 조선, 에너지 등 모든 산업으로 확장되는 변화가 일어나고 있다. 매스웍스코리아는 새로운 산업 영역의 기술적 간극을 메우고 디지털 전환을 선도하는 핵심 파트너로 자리매김하고자 한다”고 전했다.   ■ 같이 보기 : [인터뷰] 시뮬링크로 배터리 BMS 신뢰성 확보 및 로직 검증 자동화 구현     ■ 기사 내용은 PDF로도 제공됩니다.

매스웍스는 매트랩(MATLAB)과 시뮬링크(Simulink) 제품군의 릴리스 2026a를 발표하고 임베디드 시스템 개발을 위한 새로운 AI 기능을 공개했다. 이번 릴리스는 엔지니어링 팀이 설계의 정확성을 유지하면서 생산성을 높일 수 있도록 돕는 코파일럿 기능을 강화한 것이 특징이다. R2026a는 모델 기반 설계(MBD)를 지원하는 시뮬링크 코파일럿(Simulink Copilot)과 임베디드 소프트웨어 코드 분석을 개선하는 폴리스페이스 코파일럿(Polyspace Copilot)을 새롭게 도입했다. 이를 통해 요구사항부터 설계와 코드에 이르는 전 과정을 추적 가능하게 관리하고, 동일한 결과를 재현할 수 있는 개발 프로세스를 구축할 수 있다. 엔지니어는 더 이른 단계에서 문제를 수정하고 개발부터 검증, 실제 운영 단계까지 효율적으로 진행하는 것이 가능하다. 매스웍스는 두 가지 방식으로 엔지니어링 분야의 AI 기술을 고도화하고 있다. 먼저 매트랩, 시뮬링크, 폴리스페이스 등 엔지니어가 이미 활용 중인 환경에 코파일럿을 직접 통합했다. 또한 매트랩 MCP 코어 서버(MATLAB MCP Core Server)와 매트랩 에이전틱 툴킷(MATLAB Agentic Toolkit)을 통해 매트랩과 시뮬링크 기능을 에이전틱 워크플로에 통합하고 있다. 이러한 접근을 통해 설계 팀은 설계를 더 빠르게 이해하고 소프트웨어 문제를 조기에 해결하며 일관된 워크플로를 적용할 수 있다.     시뮬링크 코파일럿은 사용자의 모델과 팀이 정의한 프로세스, 매스웍스 공식 문서를 기반으로 맞춤형 가이드를 제공한다. 모델에 대한 설명을 생성하고, 동작에 관한 질문에 답하며, 모델 내 관련 블록과 서브시스템을 찾는 작업을 지원한다. 문제를 특정해 해결 방안을 제시하고 다음 단계를 안내함으로써 설계 작업을 신속하게 진행하도록 돕는다. 폴리스페이스 제품군에는 폴리스페이스 코파일럿과 폴리스페이스 애즈 유 코드(Polyspace as You Code)가 추가됐다. 폴리스페이스 코파일럿은 분석 결과를 기반으로 엔지니어가 정적 분석 결과를 해석하고 문제를 파악하도록 돕는다. 폴리스페이스 애즈 유 코드는 코드 작성 과정에서 C 및 C++ 코딩 규칙을 점검하고 AI가 생성한 코드를 포함한 결함과 취약점을 식별한다. 이외에도 통합 구성 관리를 위한 데스크톱 애플리케이션과 폴리스페이스 버그 파인더 확장 기능, 런타임 오류 분석을 위한 폴리스페이스 테스트 기능 등이 포함됐다. 이번 R2026a에는 교육자와 개발자를 위한 다양한 신제품과 업데이트도 포함됐다. 교육자가 매트랩과 시뮬링크를 활용해 교육과정과 실습을 개발할 수 있는 매트랩 코스 디자이너와 독립형 기능 목업 유닛을 생성하는 시뮬링크 FMU 빌더가 새롭게 출시됐다. 매트랩은 설치 없이도 시각화가 포함된 대화형 웹페이지를 구축해 공유할 수 있는 기능을 제공하며 파이썬 환경 관리 및 데이터 교환 기능이 개선됐다. 시뮬링크는 작업 중심 컨텍스트 메뉴로 효율을 높였으며 모델 내에서 C 및 C++ 코드를 직접 시뮬레이션할 수 있다. 이 밖에도 무선 통신 네트워크 분석을 위한 와이어리스 네트워크 툴박스, 매트랩 코파일럿으로 테스트를 생성하는 매트랩 테스트, 지리공간 분석을 강화한 매핑 툴박스, 디지털 필터 설계가 가능한 시그널 프로세싱 툴박스 등이 업데이트됐다. 매스웍스의 아비나시 네헤미아 설계 자동화 부문 제품 관리 및 마케팅 총괄은 “엔지니어링 설계와 소프트웨어 검증에서는 엄격성, 추적성, 신뢰성의 희생을 담보로 생산성 향상이 이뤄져서는 안 된다”면서, “매스웍스는 팀이 속도를 높이면서도 복잡한 시스템 개발에 요구되는 규율과 신뢰를 유지할 수 있도록 돕는 근거 기반 AI 툴 제공에 전념하고 있다”고 밝혔다.

다이슨(Dyson)은 최적의 물청소 솔루션을 개발하기 위해 새로운 접근 방식이 필요하다는 연구 결과를 도출했다. 그 결과물이 바로 수세기의 역사를 지닌 가정용 청소 도구인 대걸레를 재해석한 청소기 ‘다이슨 워시G1(Dyson WashG1)’이다. 다이슨 엔지니어들은 이 제품을 개발하기 위해 항공우주 산업 등 복잡한 시스템 설계에 쓰이는 엔지니어링 방법론을 일상 제품에 적용했다. 기존 제품의 개선 버전을 개발할 때는 효과적이었던 다이슨의 문서 기반 워크플로가 완전히 새로운 제품군을 만드는 데는 적합하지 않았기 때문이다. 이에 다이슨의 첨단 제어 시스템 수석 엔지니어인 로맹 기셰르(Romain Guicherd)는 팀을 설득해 모델 기반 설계(model-based design : MBD)를 도입했다. 모델 기반 설계란 시스템 레벨 시뮬레이션 모델을 활용해 시스템 개발 방식을 개선하는 방법론이다. 이를 통해 개발 워크플로를 가속화하고, 테스트를 위한 보다 강건한 코드를 구현할 수 있었다.   모델 기반 설계로 바꾼 제품 개발 방식 다이슨은 진공청소기 등 기존 제품 라인업의 신제품을 개발할 때, 팀 간 요구사항의 전달에서 서면으로 된 문서 기반 방식을 사용해 왔다. 이러한 방식은 이전의 설계 및 임베디드 소프트웨어를 참고하고 반복 개선할 수 있어, 이미 안정화된 기존 제품군 개발에 적합한 방식이다. 그러나 완전히 새로운 제품군을 개발하는 과정에서는 이러한 문서 전달 방식이 오히려 혼선을 초래할 수 있었다. 문서로 작성된 설계 사양은 엔지니어마다 요구사항을 다르게 해석할 가능성이 있기 때문이다. 새로운 제품군 개발은 팀 간 오해를 줄이고 보다 원활한 협업을 가능하게 하는 새로운 개발 방식을 모색하게 하는 계기가 됐다.    ▲ 다이슨 워시G1은 습식 오염과 건식 이물질을 모두 제거한다.   다이슨은 모델 기반 설계가 새로운 기능과 설계 방향을 탐색하는 데 적합한 개발 방식이라고 봤다. 개발 초기에는 다양한 개념과 방향을 동시에 검토해야 했는데, 시뮬링크(Simulink) 기반의 모델 기반 설계를 도입한 덕분에 팀은 기존 문서 기반 프로세스 대비 두 배 빠르게 새로운 아이디어를 구현할 수 있었다. 워시G1의 핵심 세척 방식은 촘촘한 마이크로파이버 천으로 감싼 역방향 회전 롤러를 탑재한 세척 헤드를 중심으로 구성된다. 습식 오염과 건식 이물질을 분리하기 위해 보조 롤러가 고체 이물질을 트레이에 모으고, 트레이 바닥의 메시 필터를 통해 액체가 오수 탱크로 흘러내려가는 구조다. 기셰르의 팀은 이 모든 기능을 구현하고 다양한 상황에 대응하기 위해, 상호작용하는 시스템 구성요소의 시뮬레이션을 용이하게 하고 설계부터 코드 생성, 소프트웨어 테스트까지 전 과정을 아우르는 툴이 필요했다. 팀은 세척 롤러 제어 장치 개발을 위해 심스케이프 일렉트리컬(Simscape Electrical)로 폼 롤러 모터와 모터 드라이브를 모델링했다. 또한 스테이트플로(Stateflow)를 활용해 청소기에 탑재된 두 개의 펌프, 즉 깨끗한 물로 롤러에 수분을 공급하는 펌프와 오수를 배출하는 펌프의 스케줄링과 제어 로직을 설계했다. 제품의 자동 세척 메커니즘 구현에도 스테이트플로가 활용됐다. 워시G1의 세척 성능을 구현하기 위해서는 단계별로 선택 가능한 수분 공급 수준과 각 단계의 세밀한 민감도 조정이 모두 뒷받침돼야 했다. 다양한 설정 값과 세척 부하 변화에 대응하려면 정밀한 전압 제어가 필수였다. 팀은 시뮬링크 모델로 매개변수를 조정하고 다양한 값을 반복 테스트하며 모터 전압 제어 로직을 빠르게 최적화했다. 실제 프로토타입을 제작하지 않고도 시뮬레이션만으로 설계 변경의 영향을 사전에 파악할 수 있었다는 점도 개발 효율을 높이는 데 크게 기여했다.   ▲ 심스케이프로 모델링된 다이슨의 롤러 기술   다이슨은 요구사항 툴박스(Requirements Toolbox)를 활용해 요구사항을 시뮬링크 모델에 연결함으로써 각 요구사항이 제품 기능으로 어떻게 구현되는지 확인할 수 있었다. 요구사항 툴박스(Requirements Toolbox)를 사용하기 전에는 하드웨어 테스트 단계에 이르러서야 요구사항의 오류를 발견할 수 있었다. 하지만 요구사항을 모델에 연결한 이후로는 각 요구사항의 구현 방식과 요구사항 간 상호 관계를 사전에 명확히 파악할 수 있게 됐다.   시스템 시뮬레이션이 설계에 가져온 변화 시뮬링크와 심스케이프를 활용한 모델 기반 설계는 보다 체계적인 개발 접근 방식을 가능하게 했고, 다이슨이 프로토타입을 제작하고 테스트하기에 앞서 다양한 유형의 인더루프(in-the-loop) 테스트를 수행할 수 있도록 하였다. 모델 기반 설계 덕분에 엔지니어는 멀티도메인 모델링을 수행하고 타 팀과 긴밀하게 협업할 수 있었다. 일례로 기셰르의 팀은 배터리 셀 및 배터리 관리 시스템 팀의 데이터를 활용해 정밀한 4셀 배터리팩 모델을 구축했다. 또한 전자팀과 협력해 심스케이프 일렉트리컬로 전력전자 하드웨어의 동작을 모델링하고 시뮬레이션했다. 시뮬링크를 통한 시스템 레벨 시뮬레이션은 더 많은 설계 옵션을 검토하고 트레이드오프를 비교할 수 있는 환경을 만들어줬다. 그 결과 팀은 프로젝트의 설계 단계에 더 많은 시간을 투자할 수 있었고, 설계 오류와 통합 문제를 수정하기 훨씬 쉽고 비용도 적게 드는 초기 단계에서 발견할 수 있었다.   소프트웨어 아키텍처와 임베디드 코드 개발 이후 프로젝트에서 팀은 소프트웨어 아키텍처 개발을 위해 시스템 컴포저(System Composer)를 추가로 도입했다. 시스템 컴포저를 통해 제품팀과 소프트웨어팀은 소프트웨어 인터페이스와 스케줄링을 함께 개발하고 다양한 시나리오를 모델링할 수 있었다. 또한 대규모 모델을 논리적 단위로 구조화해 병합 충돌 없이 원활한 팀 간 협업이 가능해졌다. 시뮬링크 모델은 제품 동작을 시각적으로 표현함으로써 개발 전 과정에 걸쳐 팀원 간의 협업을 촉진했다. 제어 시스템 모델에서는 C 코드가 생성됐다. 팀은 모델을 수정하고 일부 구간에 주석을 달거나 새로운 블록을 추가하는 방식으로 소프트웨어 엔지니어에게 청소기의 새로운 동작을 보여줬다. RCP(Rapid Control Prototyping)를 활용하면 코드를 빠르게 생성하고, 다음 날 바로 실험실에서 제품의 동작을 확인할 수 있었다. 팀은 직접 코딩 대신 임베디드 코더(Embedded Coder)로 시뮬링크 모델에서 C 코드를 자동 생성했고, 소프트웨어팀은 이를 NXP 마이크로컨트롤러의 메인 코드에 통합했다. 임베디드 코더 도입 이후 소프트웨어 릴리스 주기는 기존 약 10주에서 9일로 단축됐다. 초기에는 실험실 환경에서의 동작 구현에 집중하였기 때문에 모델과 코드 생성을 핵심으로 삼았지만, 곧 모델과 코드, 테스트, 커버리지가 함께 어우러질 때 제품 완성도가 한층 높아진다는 사실을 확인했다.   테스트 효율을 높인 모델 기반 개발 팀은 이전 제품 개발 때보다 설계 개선에 더 많은 시간을 쏟았다. 시뮬링크를 통해 시뮬레이션 중 발생한 오류를 신속하게 수정할 수 있었고, 그 효과는 테스트 단계에서 그대로 나타났다. 이 테스트 단계는 과거보다 훨씬 단순하고 빨라졌으며, 팀의 개발 시간과 노력을 절감하는 데 기여했다. 모델에서 정상 작동하도록 설계한 것은 실제 제품에 적용해도 동일하게 구현됐고, 이는 무결점 제품 출시로 이어졌다. 워시G1의 모델 기반 설계와 코드 자동 생성이 성공을 거두면서, 초기에 회의적이었던 소프트웨어팀의 시각도 달라졌다. 자동 생성 코드가 내부 표준 준수와 실행 효율성을 담보할 수 있을지 우려하던 소프트웨어팀은 이제 코드에 대한 확신을 갖게 됐다. 현재 소프트웨어팀은 하드웨어팀과 협력해 자동 생성 코드의 API를 함께 정의하고 있으며, 모델 기반 설계에 시뮬링크를 활용하면서 유연성과 개발 속도 모두를 향상시켰다. 이제는 소프트웨어팀이 먼저 나서서 동일한 프로세스를 다른 제품에도 적용해 달라고 요청할 만큼, 프로젝트 복잡도가 높아질수록 모델 기반 설계의 가치는 더욱 분명해지고 있다. 다이슨 팀은 향후 워시G1 후속 모델 개발 시 기존 모델의 구성 요소를 재사용할 수 있다. 또한 이번 모델 기반 설계 방법론의 성공 사례는 사내 다른 부서에서도 주목받고 있다. 헤어 케어 제품과 다른 플로어 케어 제품군에도 이를 적용하는 방안이 검토되고 있어, 다이슨 내 추가 혁신 가능성을 넓히고 있다.   ■ 이웅재 | 매스웍스코리아 이사     ■ 기사 내용은 PDF로도 제공됩니다.

#매스웍스코리아 #Mathworks #매트랩 #시뮬링크  

매스웍스가 오는 4월 7일 서울 코엑스에서 ‘매트랩 엑스포 2026 코리아’를 개최한다. 올해로 22회를 맞이한 이번 행사는 매트랩(MATLAB) 및 시뮬링크(Simulink) 사용자들이 최신 기술 트렌드를 확인하고 실제 생산 환경의 활용 사례를 공유하는 기술 콘퍼런스다. 이번 행사는 엔지니어와 연구자 등 기술 리더를 위해 워크플로 개선과 설계 품질 향상을 위한 실용적인 인사이트를 제공한다. 5개 기술 트랙과 30개 이상의 세션으로 구성했으며, 인공지능(AI), 무선, 항공우주 기술을 다루는 마스터 클래스 세션을 통해 참석자의 전문성 향상을 지원한다.     기조연설은 매스웍스의 사미르 M. 프라부(Sameer M. Prabhu) 인더스트리 부문 이사가 맡는다. 프라부 이사는 ‘임베디드 인텔리전스 : 엔지니어링 설계에서 AI의 미래’를 주제로 발표한다. 그는 AI가 모델링, 시뮬레이션, 검증, 배포 등 엔지니어링 전반의 워크플로를 어떻게 변화시키는지 집중 조명할 예정이다. 또한 최신 매트랩과 시뮬링크의 기능을 소개하며, 개발 생산성을 높이는 AI 기반 엔지니어링 워크플로를 라이브 데모로 시연한다. 국내 주요 기업의 프로젝트 경험도 소개된다. 삼성전자, 현대자동차, LG에너지솔루션, HL만도 등은 전동화, 자율주행, 배터리 시스템, 차량 소프트웨어 개발 분야에서 매트랩과 시뮬링크를 활용해 복잡한 과제를 해결한 사례를 발표한다. 한국전자통신연구원(ETRI) 이문식 본부장은 고객 기조연설을 통해 6G 위성 통신 기술 트렌드와 차세대 무선 시스템 전망을 제시한다. 기술 파트너사들과의 협력 체계도 눈여겨볼 대목이다. 퀄컴, 벡터코리아, 이노엑스, PTC, NI, 벡호프, UL솔루션즈 등은 ▲AI 기반 개발 워크플로 ▲배터리 및 전동화 시스템용 예측 모델링 ▲자율주행 분산 시뮬레이션 ▲디지털 트윈 기반 무선 네트워크 검증 등의 주제로 전시 공간에서 통합 설루션을 선보인다. 행사에서는 산학 협력의 성과도 공유한다. 서울대학교와 한양대학교 등 8개 주요 대학의 학술 포스터 세션이 열리며, 한양대 RACE 팀이 제작한 포뮬러 스튜던트(Formula Student) 전기 경주차도 현장에 전시된다. 매스웍스코리아의 박주일 사장은 “이번 행사는 AI가 현대 엔지니어링의 핵심으로 자리 잡는 흐름 속에서 엔지니어를 지원하기 위한 매스웍스의 노력을 보여주는 자리”라면서, “AI 기반 엔지니어링과 모델 기반 설계가 조직의 혁신 속도를 높이고 기술적 과제를 해결하는 데 기여하는 과정을 확인할 수 있을 것”이라고 밝혔다.

매스웍스는 국내 대학생들의 인공지능(AI) 실무 역량 강화를 지원하는 ‘제5회 매트랩(MATLAB) 대학생 AI 경진대회’ 시상식을 개최했다. 이번 대회는 국내 대학생의 실용적인 AI 역량 강화에 중점을 두었다. 수상팀은 드론 추적, 로봇 제어, 이상 탐지 등 산업과 실생활의 다양한 문제 해결을 목표로 한 프로젝트를 출품하면서 최신 AI 기술의 실질적 응용 가능성을 보여주었다. 2021년부터 개최되어 5회째를 맞이한 ‘매트랩 대학생 AI 경진대회’는 대학생들이 매트랩(MATLAB)과 시뮬링크(Simulink)를 활용해 창의적이고 실용적인 AI 설루션을 구현할 수 있도록 지원해왔다. 올해 대회 참가자들은 강화학습, 합성곱 신경망(CNN), 장단기 메모리(LSTM), 어텐션(Attention) 메커니즘 등 다양한 AI 기술을 접목해 사회적, 산업적 문제 해결 프로젝트를 선보였다. 프로젝트로는 강화학습 기반 제어기 설계, 생체 신호 기반 드론 제어, 산업용 이상 탐지, 배터리 성능 예측 등 실질적 응용 사례가 출품되었다. 또한 딥러닝 모델링 및 학습 과정에 활용되는 대표적 툴인 딥러닝 툴박스(Deep Learning Toolbox)뿐만 아니라 병렬 컴퓨팅 툴박스(Parallel Computing Toolbox), 심스케이프 멀티바디(Simscape Multibody), 시뮬링크 3D 애니메이션(Simulink 3D Animation) 등 고급 툴까지 활용되었다. 참가자들은 데이터 전처리부터 모델링, 배포까지 AI 워크플로 전반을 구현해 매스웍스가 강조하는 엔지니어드 시스템(Engineered Systems)의 비전을 보여주었으며, 실제 하드웨어 연동, 실시간 데이터 처리, 시뮬레이션, GUI 개발 등을 통해 높은 완성도와 응용력을 입증했다.     국립부경대학교 에어펜스(AirFence) 팀은 레이더와 카메라 데이터를 결합해 드론 추적의 정확도를 높이는 AI 시스템을 개발해 1등을 차지했다. 이 팀은 데이터 증강, 네트워크 아키텍처 개선, 시계열 분석에 어텐션 매커니즘을 적용하는 등 다양한 시도를 통해 기술적 혁신성과 실용성을 동시에 입증했다. 심사위원단은 매트랩 기반의 전처리부터 하드웨어 구현까지 전 과정을 아우른 점을 높이 평가했다. 2등은 한양대학교 옥수수인턴즈 팀이 차지했다. 이들은 근전도(EMG) 신호 기반의 드론 제어 시스템을 개발해 소방 현장에서 활용 가능한 직관적 제어 방안을 제시했다. 시뮬링크와 앱 디자이너(App Designer)를 활용한 사용자 친화적 인터페이스와 실시간 제어 기능으로 인정받았다. 3등은 아주대학교 fhfr(for human for robot) 팀에게 돌아갔다. 이 팀은 3D 시뮬레이션 환경을 갖춘 강화학습 기반 로봇 제어 시스템을 앱디자이너를 사용하여 구현했다. 로봇이 실시간으로 장애물을 회피하고 경로를 최적화하는 시스템을 선보였으며, 특히 매트랩을 사이버보틱스(Cyberbotics) 등 제3자의 설루션과 연동하여 시스템 통합 역량을 입증한 점에서 호평을 받았다. 매스웍스코리아의 김경록 교육 기관 세일즈 매니저는 “학생들이 매트랩과 시뮬링크를 비롯한 다양한 매스웍스 툴을 활용해 사회적 가치를 창출하고, 글로벌 경쟁력을 확보할 수 있는 전문성을 강화한 점이 의미 있었다”면서, “이번 대회의 참가자들은 일상생활의 안전, 편의, 건강을 개선하는 실질적 AI 설루션부터 제조, 모빌리티, 에너지 분야에 적용 가능한 첨단 기술까지 폭넓게 제시했다”고 전했다.

개발 및 공급 : 펑션베이 주요 특징 : 지속적인 솔버 개발을 통해 접촉 기능 및 Joint, Force 기능 향상, MFBD 후처리와 제어 코시뮬레이션 안정성 개선, 다양한 산업군 맞춤 툴킷의 기능 개선 등 사용 환경(OS) : 64비트 윈도우 10/11    2025년 11월, 리커다인 2026(RecurDyn 2026)이 새롭게 출시되었다. 지속적인 솔버 개선을 통해 이번 버전에서도 다양한 솔버 관련 기능이 강화되었다. 접촉 성능과 Joint, Force의 기능 향상이 이루어졌으며, 유연체를 포함한 동역학 모델의 후처리가 강화되었다. 또한, 다양한 산업군 별 툴킷의 지속적인 개발을 통해 이번에도 다양한 기능 개선이 이루어졌다. 이러한 개선 사항을 좀 더 자세히 소개하면 다음과 같다.   솔버 접촉(Contact) 리커다인의 강력한 접촉 요소인 지오 콘택트(Geo Contact)의 다양한 성능이 향상되어, 더욱 정밀한 접촉 해석이 가능해졌다. Contact Stiffness 타입이 추가되어 다양한 방법으로 접촉 특성을 정의할 수 있게 되었다.   그림 1. Stiffness 타입 추가 : per Area, Pressure Spline   또한, 접촉 해석의 정밀도를 더욱 향상시켰다. 특히, 더 작은 크기의 접촉 패치(patch)를 사용할 수 있도록 하여 접촉면을 세밀하게 정의할 수 있게 되었으며, 이를 통해 해석의 정확도를 높일 수 있게 되었다. 또한, 구(sphere) 형상에 대한 접촉 정의 시 다중 접촉점 옵션이 새롭게 추가되어, 다양한 조건에서 보다 정밀한 접촉 및 마찰 해석이 가능해졌다. 리커다인 2026에서는 리커다인 프로페셔널(RecurDyn Professional)의 모든 접촉 개체에 대해 사용자가 정의한 조건에 따라 활성화 혹은 비활성화할 수 있는 옵션이 추가되었다. 이를 통해 추가적인 모델링 수고 없이, 해석 중에도 조건에 따라 편리하게 접촉을 활성화 또는 비활성화할 수 있게 되었다.   그림 2. 접촉의 조건부 활성화 지원   조인트(Joint) 및 포스(Force) 리커다인의 부력 기능인 Buoyancy Force에 SMP(symmetric multiprocessing)를 적용하여, 해석 모델에 따라 65% 이상의 해석 속도 개선이 이루어졌다.   그림 3. SMP를 이용하여 부력의 계산 속도 향상   또한, 조인트 마찰력에 수직방향의 PreForce를 적용할 수 있어, 억지 끼움 상태에서의 마찰력을 효과적으로 모사할 수 있게 되었다. Screw Joint의 마찰력 계산 알고리즘도 개선되어 나사산 방향의 마찰력을 더욱 정확하게 계산할 수 있다.   MFBD(Multi Flexible Body Dynamics) 후처리 기능 해석 결과를 확인하는 후처리에서 컨투어(contour) 기능이 개선되었다. 특정 노드의 결과 값 변화를 그래프로 확인할 수 있게 되어, 여러 노드에 대한 결과 값 변화를 시각적으로 한 눈에 분석할 수 있다.   그림 4. 여러 노드에 대한 결과값 변화를 시각적으로 분석   외부 메시에 대한 품질 체크 메시(mesh)에 대한 품질 체크(quality check) 기능이 유연체의 편집 모드에서 사용할 수 있게 확장되었다. 이를 통해 외부 소프트웨어에서 생성하여 가져온 메시 데이터에 대해서도 품질 체크를 수행할 수 있게 되었다.   제어(Control) 시뮬링크 코시뮬레이션 리커다인의 General CoSim 기능을 이용하여 시뮬링크(Simulink)와 코시뮬레이션(co-simulation)을 수행할 때, 리커다인의 클라이언트 블록의 파라미터가 자동으로 세팅되도록 개선되었다. 이를 통해 코시뮬레이션 설정 과정에서 사용자 오류를 줄이고, 해석 안정성을 높일 수 있다.   툴킷(Toolkit) DriveTrain 기어 전용 모델러를 제공하는 GearKS는 이론 기반의 기어 전용 접촉을 통해 정확한 트랜스미션 에러(transmission error)를 예측할 수 있다. 이번 리커다인 2026에서는 접촉 계산 시 Damping Exponent를 사용할 수 있게 개선되어, 보다 상세한 접촉 모델링이 가능해졌다.   Durability 하나의 모델에 대해 서로 다른 해석 조건을 가진 각각의 해석 결과를 결합하여 피로 해석을 수행할 수 있도록 기능이 개선되었다. 각각의 해석에서 계산된 Stress/Strain Recovery 결과를 Stress/Strain 히스토리 파일로 저장하고, 이를 결합하여 피로 해석을 수행할 수 있다.   Gear 유연체 웹(web)을 포함하는 기어를 생성할 때 Patch Constraint를 활용할 수 있는 기능이 새롭게 추가되었다. 사용자는 FDR 대신 Patch Constraint를 이용하여 유연체 웹을 포함하는 기어를 쉽게 생성할 수 있다. 특히, Patch Constraint를 활용해 생성한 웹 기어는 적절한 파라미터 설정을 통해 기존 FDR 방식 대비 최대 2배 빠른 계산 속도를 제공한다.   그림 5. Patch Constraint를 이용한 웹기어 생성   Tire 리뉴얼 리커다인 2026의 Tire 툴킷이 대대적으로 리뉴얼되어 타이어 해석 환경이 한층 향상되었다. 이번 업데이트를 통해 최신 MF-TIRE-2406 라이브러리를 지원하며, GTire Group으로 통합되어 단일 환경에서 다양한 타이어 모델(예 : Fiala Tire)을 설정할 수 있다. 새로운 GTire Group은 ISO-Axis 기반 좌표계를 적용해 국제 표준에 맞는 타이어 자세 정의를 지원하며, 접촉점/휠 센터 기준의 Force Display 선택이 가능해졌다. 또한, 이와 함께 해석 결과에 접촉점 및 접촉력 데이터가 추가되었으며, 다양한 노면 모델 지원으로 실제 주행 조건을 보다 정밀하게 반영할 수 있게 되었다.   그림 6. ISO-Axis 기반 좌표계를 활용한 타이어 생성     ■ 기사 내용은 PDF로도 제공됩니다.