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 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.

매스웍스가 4월 8일 ‘매트랩 엑스포 2025 코리아(MATLAB EXPO 2025 Korea)’를 코엑스 그랜드 볼룸 및 아셈볼룸에서 개최한다고 밝혔다. 매트랩 엑스포는 매스웍스 설루션 사용 고객과 기술 전문가들이 과학 및 엔지니어링 분야의 최신 트렌드와 성공 사례를 공유하는 연례 행사다. 이번 매트랩 엑스포의 기조연설에서는 한화로보틱스 정병찬 대표이사가 ‘로봇, 혁신으로 일상과 산업을 재창조하다’를 주제로, 매스웍스의 아비 네헤미아(Avi Nehemiah) 설계 자동화 소프트웨어 부문 총괄 디렉터가 ‘소프트웨어 정의 제품이 가져올 혁신’을 주제로 발표를 진행한다. 이어서, 알고리즘 개발 및 AI, 전동화, 모델 기반 설계, AI 응용 엔지니어링, 모빌리티, 무선 및 위성 등 6개 트랙의 36개의 기술 세션에 전문 연사가 참여해 매스웍스 제품군의 신기능과 고객 성공 사례를 발표한다. 기술 세션에는 삼성전자, 현대자동차, SK텔레콤, 한국전력연구원 등 국내 첨단 기술 기업이 참가해 각 산업군에서 적용 중인 매트랩(MATLAB) 및 시뮬링크(Simulink)의 활용 방안을 소개할 예정이다. 삼성전자의 한상민 수석은 ‘매트랩을 활용한 오픈 무선 장치(RU) 테스트 플랫폼 구축 방법’을 소개하며, 현대자동차의 우민수 글로벌 R&D 마스터와 SK텔레콤의 김장면 매니저는 각각 자동차 성능 예측 및 분석 시스템과 인공지능 기반 위성 통신 최적화 기술에 대해 발표한다.     한편, 이번 행사에는 벡터코리아, 이노엑스, 위드비어, 모라이, NI, 백호프, 알테라, 팝콘사, PTC 등 매스웍스의 파트너사가 참여해 기술 데모 부스를 운영할 예정이며, 세션에서 소개된 매스웍스 설루션의 신기능을 직접 체험할 수 있는 9개의 데모 부스도 운영된다. 데모가 진행되는 전시 공간에서는 다양한 산업군에 적용할 수 있는 모델 기반 설계(MBD)와 인더스트리 트렌드를 반영한 AI 관련 기술, 그리고 전동화와 무선에 관한 최신 기술이 중점적으로 선보이게 된다. 특히 올해는 국내 대학에서 이공계열 학생들을 가르치는 교수 및 강사를 대상으로 매트랩, 시뮬링크, 심스케이프(Simscape)를 활용한 시각화 및 상호작용 기반 엔지니어링 교육 세션이 마련된다. 이 세션에서는 학생들이 질량, 운동량, 에너지 보존과 같은 핵심 공학 원리를 넘어 전체 시스템을 이해하고 설계할 수 있는 시스템 레벨 역량을 키울 수 있도록 풍부한 시각화와 상호작용 경험을 제공하는 방법을 소개한다. 또한 매스웍스 설루션을 교육 현장에 도입해 학생들의 실무 역량을 성공적으로 향상시킨 사례도 함께 소개될 예정이다. 매스웍스코리아의 이종민 대표는 “매트랩 엑스포는 지난 수 년간 국내 공학 시스템 관련한 엔지니어, 과학자, 연구원, 교육자들이 기술 동향과 연구 성과를 나누고 교류하는 대표적인 행사로 자리매김했다”면서, “이번 행사에서 매스웍스가 엄선한 세계 유수 기업의 기술 전문가 발표와 다양한 체험형 데모를 통해 참가자들이 매트랩과 시뮬링크를 활용한 혁신적인 연구 방안을 발견하는 의미 있는 자리가 되길 바란다”고 말했다.

안전은 전기자동차(EV)에서 가장 중요한 관심사이다. EV에 일반적으로 사용되는 리튬 이온 배터리는 높은 에너지 밀도로 인해, 배터리 설계 시 상정된 작동 조건에서 벗어날 경우 고장이 날 위험이 있다. 배터리 관리 시스템(BMS)은 배터리 파괴로 이어지는 통제할 수 없는 발열 반응인 열폭주를 비롯한 부정적인 결과를 방지하는 데에 핵심 역할을 한다. BMS의 주요 기능으로는 전류, 전압 및 온도 모니터링, 과충전 및 과방전 방지, 셀 간 전하 밸런싱, 배터리의 충전 상태(SOC) 및 성능 상태(SoH) 추정, 배터리팩의 온도 제어 등이 있다. 이러한 기능은 전기자동차의 성능, 안전성, 배터리 수명, 사용자 경험에 영향을 미치므로 매우 중요하다. 예를 들어, BMS는 전압 한계를 넘는 과충전 및 과방전을 방지함으로써 배터리의 조기 노화를 방지하고, 차량이 수명 기간 동안 성능을 유지할 수 있도록 한다.    그림 1. EV에 일반적으로 사용되는 리튬 이온 배터리의 높은 에너지 밀도는 배터리 설계 시 상정된 동작 조건에서 벗어나는 경우 고장이 날 위험이 있다.   BMS 개발에서 시뮬레이션의 이점 엔지니어는 거동 모델을 사용해 데스크톱 컴퓨터에서 배터리 플랜트 모델, 환경 및 BMS 알고리즘을 시뮬레이션한다. 그리고 하드웨어 프로토타입을 제작하기 전에 데스크톱 시뮬레이션을 통해 새로운 설계 아이디어를 탐색하고 여러 시스템 아키텍처를 테스트한다. 데스크톱 시뮬레이션을 통해 엔지니어는 BMS 설계의 기능적 측면을 검증할 수 있다. 예를 들어, 다양한 밸런싱 구성을 탐색해 적합성과 구성 간의 균형을 평가할 수 있다. 시뮬레이션은 요구사항 테스트에도 중요하게 작용한다. 엔지니어는 절연 이상이 있는 상황에서 올바른 접촉기의 거동을 검증할 수 있고, 하드웨어 테스트를 대체하기 위해 시뮬레이션을 통해 결함이 발생한 동안 시스템의 거동을 평가한다.    그림 2. 엔지니어는 거동 모델을 사용해 데스크톱 컴퓨터에서 배터리 플랜트 모델, 환경 및 BMS 알고리즘을 시뮬레이션한다.   데스크톱 시뮬레이션을 사용해 설계가 검증되면, 엔지니어는 신속 프로토타이핑(RP)이나 HIL(Hardware-in-the-Loop) 테스트를 위해 자동으로 C 코드나 HDL 코드를 생성하고, 실시간으로 코드가 실행되는 BMS 알고리즘을 더욱 면밀히 검증할 수 있다. RP를 통해 BMS 알고리즘 모델에서 코드가 생성되며, 이는 프로덕션 마이크로컨트롤러의 기능을 수행하는 실시간 컴퓨터에 배포된다. 자동 코드 생성을 통해 모델에 적용된 알고리즘 변경 사항을 며칠이 아닌 몇 시간 안에 실시간 하드웨어에서 테스트할 수 있다. HIL 테스트의 경우 BMS 알고리즘 모델이 아닌 배터리 플랜트 모델에서 코드가 생성되어 배터리팩, 능동 및 수동 회로 소자, 부하, 충전기 및 기타 시스템 컴포넌트를 나타내는 가상의 실시간 환경이 제공된다. 이 가상 환경을 통해 엔지니어는 실제 하드웨어 프로토타입을 개발하기 전에 실시간으로 BMS 컨트롤러의 기능을 검증할 수 있다.  시뮬레이션을 통해 엔지니어는 설계부터 코드 생성까지의 시간을 획기적으로 단축하고, 향상된 속도와 효율로 다양한 기술을 빠르게 모델링할 수 있다. 알티그린 프로펄션 랩(Altigreen Propulsion Labs)의 엔지니어들은 칼만 필터링 및 전류 적산법 등의 SOC 추정을 위한 다양한 기술을 모델링하고 반복적으로 테스트하기 위해 시뮬레이션 기반 접근 방식을 사용했으며, 포괄적인 접근 방식을 설계했다.  알티그린의 제어 시스템 책임자인 프라타메시 파트키(Prathamesh Patki) 수석 엔지니어는 “임베디드 코더(Embedded Coder) 덕분에 개발 시간이 절반으로 단축되었다”면서, “그 어떤 것을 개념화하든, 실제 하드웨어에서 가장 짧은 시간 안에 그것을 실행할 수 있다”고 말했다.    BMS 개발에서 모델링 및 시뮬레이션 활용 사례 셀 특성화는 배터리 모델을 실험 데이터에 맞추는 과정이다. BMS 알고리즘은 배터리 모델을 사용해 SOC 추정을 위한 칼만 필터나 SOC에 따른 전력 제한, 과전압이나 저전압 조건을 피하기 위한 온도와 같은 제어 파라미터를 설정하기 때문에 정확한 셀 특성화가 필수이다. BMS 개발의 후반 단계에서는 엔지니어가 동일한 배터리 모델을 사용해 시스템 수준 폐순환(closed-loop) 데스크톱 및 실시간 시스템 시뮬레이션을 수행할 수 있다. 심스케이프 배터리(Simscape Battery)와 같은 툴은 등가 회로, 전기화학 및 차수 축소 모델링(ROM : Reduced Order Modeling)을 비롯한 배터리 모델링에 대해 신경망을 사용한 다양한 접근 방식을 제공한다.  충전 속도는 EV 설계 및 도입에 있어서 핵심 성과 지표이다. 고속 충전의 높은 전력 수준은 배터리 재료에 스트레스를 주고 수명을 단축시키기 때문에, 최대 충전 속도와 배터리에 가해지는 스트레스를 최소화하기 위해 고속 충전 중 전력 프로필을 최적화하는 것이 필수이다. 이는 시뮬레이션과 최적화를 통해 달성되며, 이로써 충전 시간이 최소화되고 스트레스 요인을 허용 범위 내로 유지할 수 있다.  양산용 코드 생성은 자동차 산업의 인증 표준을 준수하는 BMS 설계 워크플로를 보완한다. 예를 들어, LG화학(현 LG에너지솔루션)이 볼보 XC90 플러그인 하이브리드 자동차의 BMS를 개발했을 때 오토사(AUTOSAR)가 필수 표준이었다. LG화학은 BMS 알고리즘 및 거동을 설계 워크플로의 필수적인 부분으로 모델링하고 시뮬레이션하기로 결정했다. 각 소프트웨어 릴리스에서 발견된 소프트웨어 문제의 수는 약 22개에서 9개 미만으로 줄어 프로젝트 목표를 크게 웃돌았다. LG화학이 오토사를 사용하여 볼보를 위해 개발한 BMS는 ASIL C(Automotive Safety Integrity Level C)에 대한 ISO 26262 기능 안전 기반 인증을 취득했다.    맺음말 BMS 설계에서의 모델링과 시뮬레이션은 개발 주기를 단축하고, 비용을 절감하며, 더 안전하고 효율적인 EV를 실현할 수 있도록 지원한다. 엔지니어는 모든 가능한 동작 및 결함 조건에 대해 BMS 알고리즘을 실행함으로써, BMS 소프트웨어가 실제 시스템에서 해당 조건을 처리할 수 있다는 확신을 높이고 고비용 테스트의 필요성을 줄인다. 결국, 이러한 접근방식은 최종 제품이 업계 표준과 소비자 기대치를 뛰어넘도록 한다.    ■ 이웅재 매스웍스코리아의 이사이다. 홈페이지 | https://kr.mathworks.com     ■ 기사 내용은 PDF로도 제공됩니다.

캐드앤그래픽스 CNG TV 지식방송 지상 중계   지난 9월 5일 ‘수소연료전지를 포함한 전기 추진 시스템 개발’을 주제로 진행된 CNG TV에서는 매스웍스코리아 강효석 부장과 신행재 부장이 출연해 다중 스택 연료전지 및 배터리 추진 시스템, 에너지 관리 시스템 설계, 실시간 테스팅 및 프로토타이핑 등에 대해 소개했다. 자세한 내용은 다시보기를 통해 확인할 수 있다. ■ 박경수 기자   ▲ 매스웍스 강효석 부장, 신행재 부장   기후변화로 인해 전 세계적으로 이산화탄소 배출 규제가 시행되고 있다. 특히 운송 수단에서 발생되고 있는 이산화탄소 규제가 강화됨에 따라 배터리를 이용한 전기차량에 대한 개발 및 생산이 증가하고 있다.  하지만 무거운 중량과 장거리를 운행해야 하는 물류에서 사용되는 트럭이나 선박, 항공기에서는 배터리만으로는 운용하기에는 배터리 용량이 커지는 점과 효율이 떨어진다는 점 때문에 수소연료전지 차량에 대한 관심이 높아지고 있다. 수소연료전지는 높은 에너지 밀도로 화물 및 여객 운송 시스템(해상, 중장비, 철도, 오프로드, 항공 우주)에서 기존의 화석연료엔진에 대한 대안으로도 고려되고 있다.  매스웍스 강효석 부장은 “수소연료전지 차량은 탄소배출량이 없고 배터리 충전 없이 수소연료 주유를 통해서 주유시간이 빠르고 장거리 운행에 용이해 그린수소연료를 포함한 수소연료는 운송수단에 있어서 신뢰성 있는 기술로 주목받고 있다”고 설명했다.  실제로, 누베라(Nuvera)에서는 상용 디젤 엔진에서 발생하는 탄소배출량을 줄이기 위해 수소연료엔진을 개발했는데, 수소연료엔진에 대한 설계와 제어를 위해 매스웍스의 매트랩(MATLAB)과 시뮬링크(Simulink)를 활용했다고 한다.  강효석 부장은 “누베라는 모델 기반 설계를 이용하여 제어 알고리즘에 대한 거동을 시뮬레이션해 최적화할 수 있었고, 실시간 HIL(Hardware-in-the-Loop) 테스트를 통해 전체적인 성능 평가를 수행할 수 있었다”고 소개했다.  매스웍스는 시뮬링크를 이용해 모델 기반 설계를 가속화할 수 있다는 장점을 가지고 있다. 특히 모델 기반 설계를 활용하면 시뮬레이션 모델로부터 조기에 에러를 수정하여 개발 워크플로 앞단계에서 해결이 가능해 개발 시간과 비용을 절감할 수 있다. 또한 설계 단계에서 많은 테스트를 통해 설계에 대한 확신을 가질 수 있어서 ABB, 에어버스 등에서도 모델 기반 설계를 통해 개발 효율을 향상시키고 있다. 강효석 부장은 “수소연료전지 추진 시스템 개발을 위해 멀티 도메인 모델링 환경인 매스웍스의 심스케이프(Simscape)에서 손쉽게 설계를 할 수 있는데, 트레이드 오프 분석을 통해 배터리와 수소연료전지 구성에 대한 성능 평가를 수행할 수 있었다”고 말했다. 또한 “제어 로직과 코드 생성 검증까지 체계적인 검증을 수행해서 퀄리티가 좋은 워크플로임을 확인할 수 있었다”며, “모델을 재사용하여 손쉽게 실시간 테스팅 환경을 구축할 수 있었고, 실제 환경과 유사하게 구현해서 리스크 없이 테스트를 수행할 수 있었다”고 소개했다.        ■ 기사 내용은 PDF로도 제공됩니다.

매스웍스코리아가 매트랩 및 시뮬링크 제품군의 릴리스 2022b(이하 R2022b)를 발표했다. R2022b는 기업의 제품 혁신과 획기적 발전의 실현을 맡은 엔지니어와 연구원들을 위해 모델 기반 설계를 간소화 및 자동화하는 2개의 신제품과 한층 향상된 여러 기능을 선보인다. 전 세계 배터리 관리 시스템 시장은 2026년까지 134억 달러(한화 약 18조 원) 규모에 달할 것으로 예상된다. 블룸버그 뉴에너지 파이낸스(Bloomberg New Energy Finance)는 이러한 성장세가 EV(전기차) 시장의 성장에서 상당 부분 기인했을 수 있다는 의견을 전했다. 해당 기관의 최신 보고서에 따르면 2040년까지 전 세계 승용차 매출의 58%는 EV에서 발생할 것으로 보인다.    ▲ 이미지 출처 : 매스웍스 웹사이트 캡처   R2022b 릴리스에 포함된 심스케이프 배터리(Simscape Battery)는 이러한 유형의 배터리 시스템을 설계하는 기업을 위한 설계 툴과 파라미터화된 모델을 제공한다. 엔지니어와 연구원들은 심스케이프 배터리를 사용해서 디지털 트윈을 생성하고, 배터리 팩 아키텍처의 가상 테스트를 실행하고, 배터리 관리 시스템을 설계하며, 정상 및 결함 상태에서의 배터리 시스템 거동을 평가할 수 있다. 또한 이 툴은 원하는 팩 토폴로지와 일치하는 시뮬레이션 모델 생성을 자동화하고 냉각 플레이트 연결을 포함하여 전기 응답과 열 응답을 평가할 수 있다. 매스웍스 전기 시스템 모델링 부서의 그래햄 던전(Graham Dudgeon) 수석 제품 매니저는 “배터리 관리 시스템의 혁신이 사상 최고 수준에 도달한 시점에 심스케이프 배터리를 출시하게 되어 기쁘게 생각한다”면서, “이 신제품에는 모델 기반 설계를 간소화 및 자동화하도록 고안된 여러 설계 툴과 엔지니어가 다양한 배터리 팩 아키텍처를 대화형 방식으로 평가할 수 있는 ‘배터리 팩 모델 빌더(Battery Pack Model Builder)’도 포함하고 있다”고 소개했다.   ▲ 이미지 출처 : 매스웍스 웹사이트 캡처   또한, R2022b는 새로운 ‘의료 이미지 툴박스(Medical Imaging Toolbox)’도 제공한다. 이 툴박스는 딥러닝 신경망을 사용하는 진단 및 라디오믹스 알고리즘을 설계, 테스트 및 배포할 수 있는 의료 영상 응용 툴을 제공한다. 의료 연구원, 과학자, 엔지니어 및 기기 설계자들은 의료 영상에 대한 딥러닝 신경망 훈련을 위한 다중 볼륨 3차원 시각화, 다중 모달 정합, 분할, 자동 실측 데이터 레이블 지정에 의료 이미지 툴박스를 사용할 수 있다. 이외에도 R2022b에서는 많이 사용되는 매트랩 및 시뮬링크 툴에 대한 업데이트를 선보인다. 오토스타 블록세트(AUTOSAR Blockset)는 클라이언트-서버 ARA 방법을 사용하여 서비스 지향 응용 프로그램을 개발하고 임베디드 리눅스 플랫폼에 배포할 수 있다. 사용자는 이 툴을 통해 아키텍처 모델의 데이터형과 인터페이스를 정의할 수 있다. 퍼지 논리 툴박스(Fuzzy Logic Toolbox)는 업데이트된 퍼지 논리 디자이너 앱을 사용하여 FIS(퍼지 추론 시스템)를 대화형 방식으로 설계, 분석 및 시뮬레이션할 수 있다. 또한 엔지니어와 연구원들은 한층 향상된 툴박스로 명령줄 함수나 퍼지 논리 디자이너 앱을 사용하여 제2종 FIS를 설계할 수 있다. HDL 코더(HDL Coder)는 HLS(상위 수준 합성)를 위해 MATLAB에서 최적화된 SystemC 코드를 생성하고 프레임으로부터 샘플로의 변환을 통해 모델과 코드를 최적화할 수 있다. 모델 예측 제어 툴박스(Model Predictive Control Toolbox)는 비선형 모델 예측 제어기에 대해 신경망을 예측 모델로 사용할 수 있다. 또한 ISO 26262 및 MISRA C 표준을 충족하는 모델 예측 제어기를 설계할 수 있다. 시스템 식별 툴박스(System Identification Toolbox)는 신경 ODE(상미분 방정식)를 사용하여 딥러닝 기반 비선형 상태공간 모델을 생성할 수 있다. 또한 머신러닝 및 딥러닝 기법으로 비선형 ARX 및 Hammerstein-Wiener 모델의 비선형 동역학을 나타낼 수도 있다.

디지털 트랜스포메이션 기반 VPD 프로세스 구축 및 MBSE의 도전과 응용 (3)   다양한 산업 분야의 기술과 제품 개발에서 CAE(Computer Aided Engineering) 기술이 폭넓게 쓰이고 있다. 한편으로 각 기능 부품에 대해 개별적으로 CAE를 적용하는 것으로는 제품의 요구 성능을 충족하는 것이 어려우며, 전체 시스템의 성능 파악 및 품질 향상에 대한 해결책이 요구되고 있다. 캐드앤그래픽스 2021년 1월호의 특집기획에서 디지털 제품 개발 기술로서 VPD(가상 제품 개발)와 MBSE(모델 기반 시스템 엔지니어링)의 개념에 대해 소개했는데, 이번 호에서는 지난 2월호에 이어 VPD 및 MBSE를 어떻게 제품 개발에 적용할 수 있는지에 대해 살펴본다.   ■ 오재응 | LG전자 기술고문이며, 한양대학교 명예교수이다.   1. MILS와 HILS 환경구축 HIL(Hardware-in-the-Loop) 시뮬레이션은 실시간 시뮬레이션의 한 유형이다. HIL 시뮬레이션을 사용하여 컨트롤러 설계를 테스트한다. HIL 시뮬레이션은 컨트롤러가 실제 가상 자극에 실시간으로 어떻게 반응하는지 알아보는 것이다. HIL을 사용하여 물리적 시스템(플랜트) 모델이 유효한지 확인할 수도 있으며, 플랜트 모델의 가상 표현과 컨트롤러의 실제 버전으로 실시간 컴퓨터를 사용한다. <그림 1>은 일반적인 HIL 시뮬레이션 설정을 보여주고 있으며, 데스크톱 컴퓨터(개발 하드웨어)에는 컨트롤러 및 플랜트의 실시간 지원 모델이 포함되어 있다. 개발 하드웨어에는 플랜트에 대한 가상 입력을 제어하는 인터페이스도 포함되어 있다. 컨트롤러 하드웨어에는 컨트롤러 모델에서 생성된 컨트롤러 소프트웨어가 포함되어 있다. 실시간 프로세서(대상 하드웨어)에는 플랜트 모델에서 생성된 물리적 시스템에 대한 코드가 포함되어 있다.     그림 1. MBD 프로세스 진행에서의 HILS   MBD(Model-Based Design)를 수행할 때 HIL 시뮬레이션을 사용하여 컨트롤러의 설계를 테스트한다. <그림 2>는 HIL 시뮬레이션이 MBD 설계-실현 워크플로에 적합한 위치를 보여준다. 검증에는 실제 플랜트 하드웨어를 사용하여 실제 상황이나 환경 프록시(예 : 압력 챔버)에서 컨트롤러를 테스트하는 것이 포함되며, 물리적 시스템(플랜트)에 실제 하드웨어를 사용할 필요가 없다. 따라서 모델을 사용하여 플랜트를 표현할 수 있도록 함으로써 HIL 시뮬레이션은 비용과 실용성 측면에서 이점을 가지고 있다. HIL 테스트를 사용하는 동기는 HIL 시뮬레이션이 검증 테스트에 비해 비용을 절감하는 몇 가지 영역이 있다. HIL 시뮬레이션은 설계 변경과 관련하여 비용이 적게 드는 경향이 있다. MBD 워크 흐름도에서 검증보다 일찍 HIL 시뮬레이션을 수행할 수 있으므로 프로젝트 초기에 문제를 식별하고 재 설계할 수 있다. 문제를 조기에 발견하면 다음과 같은 이점이 있다. 첫 번째로는 팀이 변경을 승인할 가능성이 더 높고, 두 번째로 설계 변경의 구현 비용이 적게 든다. 스케줄링 측면에서 HIL 시뮬레이션은 자체적으로 실행되도록 설정할 수 있으므로 검증보다 비용이 적게 들고 실용적이다. HIL 시뮬레이션은 비정상적인 이벤트에 대한 컨트롤러의 응답을 테스트하기 위한 검증보다 더 실용적이다. HILS(Hardware-in-the-Loop System)는 다양한 과학 및 기술 분야에서 사용된다. 자동차 애플리케이션의 맥락에서 시스템 검증 및 검증을 위한 가상 차량을 제공한다. 엔진 관리 시스템의 성능 및 진단 기능을 평가하기 위한 차량 내 주행 테스트는 시간이 많이 걸리고 비용이 많이 들고 재현할 수 없는 경우가 많기 때문에, HIL 시뮬레이터를 사용하면 개발자가 품질 요구사항과 출시시간 제한을 준수하면서 새로운 하드웨어 및 소프트웨어 자동차 솔루션을 검증할 수 있다. 일반적인 HIL 시뮬레이터에서 전용 실시간 프로세서는 엔진 역학을 에뮬레이트하는 수학적 모델을 실행한다. 또한 I/O 장치를 사용하면 차량 센서와 액추에이터(일반적으로 높은 수준의 비선형성을 나타냄)를 연결할 수 있다. 테스트중인 ECU(Electronic Control Unit)는 시스템에 연결되고, 시뮬레이터에서 실행되는 일련의 차량 조작에 의해 자극된다. 이 시점에서 HIL 시뮬레이션은 테스트 단계에서 높은 수준의 반복성을 제공한다. 문헌에서 몇 가지 HIL 특정 애플리케이션이 보고되고 특정 목적에 따라 단순화된 HIL 시뮬레이터가 구축되었다. 예를 들어 새로운 ECU 소프트웨어 릴리스를 테스트할 때, 개방 루프에서 실험을 수행할 수 있으므로 여러 엔진 동적 모델이 더 이상 필요하지 않다. 이 전략은 제어된 입력에 의해 ECU 출력의 분석으로 제한된다. 이 경우 Micro HIL 시스템(MHIL)이 더 간단하고 경제적인 솔루션을 제공한다. 모델 처리의 복잡성이 감소하기 때문에 풀 사이즈 HIL 시스템은 신호 발생기, I/O 보드 및 ECU에 연결할 액추에이터(외부 부하)가 포함된 콘솔로 구성된다. 복잡한 프로세스 시스템 및 실시간 임베디드 시스템의 개발 및 테스트에 사용되는 기술은 ① 전기 인터페이스를 통해 루프에 실제 구성 요소를 시뮬레이터에 추가하여 순수 실시간 시뮬레이션과 다른 점은 실시간 환경의 동작을 재현, ② 이 구성 요소는 전자 제어 장치 또는 실제 엔진일 수 있음, ③ 다양한 종류의 HILS, 전자, 기계, 센서 및 액추에이터의 시뮬레이션을 실현할 수 있음, ④ MILS/HILS 환경 구축으로 제어 대상(플랜트) 모델 개발을 지원한다. 1D CAE의 제어 대상 모델의 개발도 필요하다. 1D CAE는 동적 수식 모델을 이용한 초기설계(개념 설계 등) 검토를 의미하며 보통의 CAE 해석은 다르다. MBD용 제어 대상 모델과 1D CAE용 제어 대상 모델은 동일한 모델이 되는 경우도 있지만, 목적의 차이에 따라 다른 모델이 되는 경우가 많다. MBD용 제어 대상 모델은 실제 기계와의 일치도(절대 값)가 우선되어 설계 파라미터가 모델에 남아있을 필요는 없지만, 1D CAE 용 제어 대상 모델은 설계 파라미터가 모델에 남아 있을 필요가 있고 실기에 대해 경향이 일치하도록 하는 절대 값으로서 일치도는 우선 되지 않았기 때문이다. MBD 용으로 모터 모델에서 특징적인 기술로 자기장 분석의 결과를 포함시켜  빠르고 정확한 모터 모델을 제공할 수 있다. 제어 대상 모델의 개발에는 시뮬링크(Simulink)뿐만 아니라 매스웍스(MathWorks)의 심스케이프(Simscape)와 모델리카(Modelica)계 도구(Amesim, SimulationX, MapleSim 등), VHDL-AMS 지원 도구(Simplorer 등)에 의해 처리될 수 있다.