산업을 위한 AI와 버추얼 트윈 기술 (3)   이번 호에서는 AX 시대를 맞아 제조 기업이 축적한 방대한 도메인 지식과 3D 설계 데이터를 AI가 이해하고 실무에 즉시 활용할 수 있는 ‘자산’으로 전환하는 방안을 제시한다. 그리고, 다쏘시스템의 시맨틱 3D(Semantic 3D) 기술과 데이터 온톨로지(data ontology)를 활용해 중복 설계를 방지하고, 파편화된 정보를 비즈니스 맥락과 연결된 지식 개체로 지능화하는 기술적 원리를 살펴본다. ■ 이종혁 다쏘시스템코리아의 인더스트리 프로세스 컨설턴트로, 3DEXPERIENCE(구 NETVIBES) 테크 세일즈를 맡고 있다. 홈페이지 | www.3ds.com/ko   AX 시대, 제조 데이터의 새로운 정의 글로벌 제조 산업은 바야흐로 ‘디지털 전환(digital transformation)’의 단계를 넘어 ‘인공지능 전환(AI transformation : AX)’의 시대로 진입하고 있다. 생성형 AI와 대규모 언어 모델(LLM)이 비즈니스 프로세스 전반을 혁신하고 있는 현재, 엔지니어링 도메인에서의 핵심 과제는 명확하다. “어떻게 우리 기업이 지난 수십 년간 축적해 온 방대한 도메인 지식과 엔지니어링 노하우를 AI가 이해하고 실무에 즉시 활용할 수 있는 형태의 자산으로 바꿀 것인가?”이다. 대부분의 제조 기업은 수만, 수십만 장의 2D 도면과 3D 모델을 보유하고 있다. 그러나 역설적으로 엔지니어는 필요한 부품을 찾는 데 수많은 시간을 허비하거나, 이미 존재하는 설계를 중복으로 수행하는 ‘디지털 피로(digital fatigue)’에 시달리고 있다. 데이터가 존재함에도 불구하고 그 데이터가 가진 ‘의미(semantics)’와 ‘관계(relationship)’가 구조화되어 있지 않기 때문이다. 이러한 데이터의 파편화는 단순히 설계 효율을 떨어뜨리는 것에 그치지 않는다. 이는 부품 가짓수의 기하급수적 증가로 이어져 구매 단가 상승, 재고 관리 비용 증가, 그리고 급변하는 글로벌 공급망 리스크에 대한 대응력 약화라는 전사적 위기를 초래한다. 이번 호에서는 3D 모델링의 진화가 형상의 정밀함을 구현하는 단계를 넘어, 비즈니스 맥락과 지능이 결합된 ‘시맨틱 3D (semantic 3D)’로 나아가야 함을 제언한다. 다쏘시스템의 원파트(OnePart), 서플리멘탈 커넥터(Supplemental Connector), 그리고 데이터 사이언스 익스피리언스(Data Science Experiences : DSE)를 필두로 한 하이브리드 지능형 플랫폼이 어떻게 데이터 온톨로지를 통해 설계 자산을 지능화하고, 기업의 공급망 회복탄력성(resilience)을 극대화하는지 상세히 고찰해보고자 한다.   그림 1. The Transition to ‘Semantic 3D’ in the AX Era   하이브리드 아키텍처 : 데이터 주권과 클라우드 지능의 공존 국내 제조 기업이 클라우드 기반 AI 설루션 도입을 주저하는 가장 큰 이유는 ‘데이터 보안’과 ‘데이터 주권(data sovereignty)’에 대한 우려다. 핵심 설계 자산인 3D CAD 데이터는 기업의 기밀 중의 기밀로 간주되며, 이것이 외부 서버로 나가는 것에 대한 거부감은 기술적인 문제를 넘어 기업 생존의 문제로 인식된다. 하지만 클라우드가 제공하는 강력한 분산 연산 능력과 실시간 업데이트되는 AI 분석 엔진을 포기하는 것은 기술 경쟁력 측면에서 매우 위험한 선택이다. 이러한 딜레마를 해결하는 핵심 아키텍처가 바로 서플리멘탈 커넥터를 활용한 하이브리드 모델이다. 이 모델의 핵심은 데이터의 물리적 위치를 ‘통제된 온프레미스’와 ‘고성능 클라우드’로 이원화하는 데 있다. 이 아키텍처의 중심에는 ‘에지 에이전트(Edge Agent)’라는 전용 미들웨어가 존재한다. 에지 에이전트는 기업 내부의 로컬 파일 서버, CSV 기반의 레거시 데이터베이스, 그리고 솔리드웍스 PDM 프로페셔널(SOLIDWORKS PDM Professional)과 같은 엔터프라이즈 시스템과 직접 연동된다. 여기서 중요한 기술적 포인트는 에지 에이전트가 원본 CAD 파일(source file)을 클라우드로 전송하는 것이 아니라는 점이다. 대신, 설계에 포함된 메타데이터와 형상의 특징을 수치화한 ‘3D 서명(signature)’, 그리고 시각적 확인을 위한 가벼운 썸네일(thumbnail)과 CGR 데이터만을 추출하여 클라우드의 ‘시맨틱 그래프 인덱스(Semantic Graph Index : SGI)’로 전송한다. 이러한 하이브리드 접근법은 두 가지 결정적인 이점을 제공한다. 첫째, 데이터 주권은 기업이 완벽하게 통제한다. 원본 설계 데이터는 사내 보안망 내부에 머무르기 때문에 유출 우려가 없다. 둘째, 클라우드는 오직 ‘지능형 인덱스’와 ‘분석 엔진’의 역할만을 수행한다. 클라우드의 Data Science Experience(DSE)는 이 SGI에 축적된 정보를 바탕으로 전사적인 부품 사용 현황을 360도 뷰로 관찰하고, AI 기반의 의사결정 지원 기능을 제공한다. 이는 특히 카티아 V5(CATIA V5)와 같은 온프레미스 기반의 강력한 설계 환경을 유지하면서도, 최신 클라우드 기술의 혜택을 즉시 누릴 수 있는 현실적이고 안전한 가교 역할을 한다.   그림 2. Hybrid Architecture and Edge Agent   원파트와 AI 형상 지능 : 중복 설계의 늪에서 벗어나는 방법 엔지니어링 현장에서 가장 흔히 발생하는 보이지 않는 낭비는 이미 사내에 존재하는 부품을 찾지 못해 다시 설계하는 ‘중복 설계’다. 다쏘시스템의 연구 결과에 따르면, 시장 표준 부품(예 : 단순 브래킷이나 고정용 볼트 등) 하나를 불필요하게 신규 생성할 때 발생하는 전사적 비용은 부품당 약 1만 1000유로(한화 약 1600만 원)에 이른다. 이 비용에는 설계자의 시간뿐만 아니라 부품을 위한 테스트 및 시뮬레이션 비용, 금형 제작 등 제조 공정 셋업 비용, 신규 구매처 등록 및 관리 비용, 그리고 물류 및 창고 재고 유지 비용이 누적된 결과다. 원파트는 이러한 문제를 해결하기 위해 AI 기반의 ‘형상 유사도 검색(AI-Powered Component Signature)’ 기능을 제공한다. 이는 전통적인 키워드 기반 검색의 한계를 뛰어넘는다. AI는 3D 모델을 기하학적 특징(shape), 단면 형상(section), 구멍 배치 패턴(hole pattern), 그리고 외곽선(silhouette)이라는 네 가지 핵심 기준을 바탕으로 분석하여 부품별로 고유한 ‘디지털 지문’을 생성한다. 설계자가 새로운 프로젝트를 시작할 때, 백지 상태에서 모델링을 시작하는 대신 간단한 형상 아이디어를 스케치하여 업로드하면 AI가 수초 내에 사내 라이브러리 및 외부 공급업체 카탈로그에서 가장 유사한 부품을 찾아 제안한다. 또한 지능형 클러스터링(clustering) 엔진은 방대한 부품 데이터베이스를 기하학적 유사성에 따라 자동으로 군집화한다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

심센터 HEEDS 더 깊게 살펴 보기 (5)   심센터 HEEDS(Simcenter HEEDS) 2604 릴리스는 설계 파라미터와 시뮬레이션 워크플로를 유기적으로 연결하여 최적의 설계안을 자동으로 도출하는 역할을 더욱 공고히 하기 위해 계산 리소스의 효율적 관리, AI를 활용한 워크플로 가속화, 그리고 다목적 트레이드오프 스터디의 실시간 가시성 확보라는 세 가지 핵심 방향으로 혁신적인 기능을 담았다.이번 릴리스를 통해 복잡성 모델링(model the complexity), 가능성 탐색(explore the possibilities), 속도 향상(go faster), 통합 유지(stay integrated)라는 네 가지 기둥 아래 엔지니어링 시뮬레이션의 새로운 기준을 제시한다.   ■ 연재순서 제1회 심센터 HEEDS 커넥트와 MBSE 방법론 제2회 심센터 X MDO의 새로운 HEEDS 제3회 심센터 HEEDS SHERPA의 최적 검색 원리 제4회 최적 검색 가속화를 위한 AI 프레딕터 제5회 심센터 HEEDS 2604 업데이트 제6회 모두를 위한 제너럴 포털과 맞춤 설정 제7회 특별한 워크플로 구성 및 자동화 제8회 다양한 매개변수를 위한 태깅 모드 제9회 복잡한 설정을 한번에, 오토메이션 스크립트 제10회 파이썬 스케줄러와 HEEDS 연동 제11회 심센터 HEEDS 2610 업데이트 제12회 데이터 분석을 위한 HEEDSPy API   ■ 이종학 지멘스 디지털 인더스트리 소프트웨어에서 심센터 HEEDS를 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 링크드인 | www.linkedin.com/in/jonghaklee-odumokgol   전산 자원 관리의 재구상 : 새로운 리소스 카탈로그 기존 방식의 한계 엔지니어링 최적화 스터디는 단 한 번의 시뮬레이션으로 끝나는 작업이 아니다. 수십 번에서 수천 번의 반복 해석을 수행해야 하며, 이를 위해서는 로컬 워크스테이션, 사내 HPC 클러스터, 클라우드 컴퓨팅 플랫폼 등 다양한 전산 자원을 조합하여 활용해야 한다. 기존의 HEEDS(히즈)는 이러한 원격 실행 환경을 프로젝트별로 설정해야 했기 때문에, 팀 내의 여러 엔지니어가 동일한 클러스터를 사용하더라도 각자 동일한 설정 과정을 반복해야 하는 비효율이 존재했다. 특히 HPC 클러스터의 경로, 인증 정보, 작업 스케줄러 파라미터를 매번 수동으로 입력해야 하는 번거로움은 첫 번째 설계 최적화를 시작하기도 전에 엔지니어의 시간을 낭비하게 만들었다.   리소스 카탈로그의 등장 심센터 HEEDS 2604는 원격 실행 기능을 새로운 ‘리소스 카탈로그(Resource Catalog)’로 전면 개편하여 이 문제를 근본적으로 해결했다. 리소스 카탈로그는 전산 자원 정보를 프로젝트에 종속된 설정이 아닌, 전사적으로 공유 가능한 독립적 자산으로 관리하는 방식이다. 이제 로컬 머신, 원격 클러스터, 리스케일(Rescale)과 같은 HPC 클라우드 플랫폼, 또는 작업 스케줄러를 사용하는지의 여부와 관계 없이 프로젝트 전체에서 리소스 구성을 더 쉽게 설정하고 재사용할 수 있다.   그림 1. 리소스 카탈로그 설정 환경   그림 2. 작업 수행을 위해 미리 설정된 리소스 선택   주요 기능 및 이점 원클릭 리소스 생성 : 사용자가 리소스 유형을 선택하면, 해당 유형에 적합한 모든 설정 항목이 기본값으로 미리 채워진 상태로 나타난다. 처음 사용하는 엔지니어도 복잡한 설정 파라미터를 일일이 파악할 필요 없이 빠르게 시작할 수 있다. 관리형 카탈로그(Managed Catalogs) : 조직의 IT 관리자 또는 HEEDS 전문가가 심센터 HEEDS 커넥트(Simcenter HEEDS Connect)를 통해 표준 리소스 프로필을 미리 구성하면, 팀의 다른 구성원이 이를 즉시 다운로드하여 사용하거나 로컬 카탈로그로 복사하여 필요에 맞게 조정할 수 있다. 이는 조직 전체가 동일한 리소스 표준을 따르도록 하는 ‘단일 정보 소스(single source of truth)’ 역할을 수행하여 설정 오류와 불일치를 원천적으로 방지한다. 다중 제출 항목(Multiple Submission Items) : 하나의 물리적 서버에서도 PBS, LSF, SLURM, MSHPC, 또는 다이렉트 서브미션(Direct submission) 등 다양한 방식의 작업 스케줄러를 위한 복수의 제출 항목을 생성할 수 있다. 예를 들어, 빠른 소규모 해석을 위한 인터랙티브 대기열과 대규모 최적화를 위한 배치 대기열을 동일한 클러스터에서 각각 별도의 리소스 프로필로 관리할 수 있다. 리소스 구성 확인 기능 : 복잡한 네트워크 환경에서 원격 리소스가 실제로 접근 가능한지, 또는 올바르게 설정되었는지 확인하는 것은 종종 어려운 문제였다. 새로운 ‘Run test now’ 기능을 통해 사용자는 설정 완료 즉시 리소스의 접근 가능성과 동작 상태를 확인할 수 있다. 테스트 결과는 Not tested(미실행), Passed(성공), Error(오류)의 세 가지 상태로 직관적으로 표시되어 문제 발생 시 신속한 보정이 가능하다. 지속적 구성 : 매핑된 로컬 및 원격 드라이브 설정이 모든 프로젝트에 걸쳐 유지되므로, 프로젝트를 새로 만들 때마다 리소스를 재구성할 필요가 없다. 한 번 설정한 리소스 카탈로그는 이후 모든 프로젝트에서 즉시 재사용 가능하다.   비최적화 스터디를 위한 효율적 데이터 및 리소스 운용 디스크 공간의 숨겨진 병목 실험계획법(Design of Experiments : DOE), 강건성(robustness) 분석, 신뢰성(reliability) 분석, 또는 단순히 특정 설계 후보를 일괄 평가하는 ‘Evaluation Only’ 스터디는 최적화 알고리즘이 동반되지 않는 빠른 유형의 설계 탐색이다. 이러한 스터디는 개별 해석이 비교적 짧게 완료되기 때문에, HEEDS는 실행 스택을 가득 채워 최대한 많은 병렬 해석을 동시에 구동하려 한다.   그림 3. 프로세스의 병렬 해석 진행 상황 예시   그런데 여기서 예상치 못한 문제가 발생한다. 해석이 매우 빠르게 완료되기 때문에 각 해석의 임시 작업 디렉토리와 결과 파일이 시스템에 쌓이는 속도도 매우 빠르다. 짧은 시간 안에 수백 개의 해석 폴더가 생성되어 디스크 공간을 순식간에 소진할 수 있으며, 이는 특히 로컬 워크스테이션이나 디스크 할당량이 제한된 HPC 환경에서 심각한 장애 요인이 될 수 있다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

IBM은 기업이 새로운 세대의 사이버 위협에 대응할 수 있도록 돕는 신규 사이버 보안 조치를 발표했다. 공격자들은 공격 준비부터 실행에 이르는 전 과정에서 첨단 AI(인공지능) 모델을 활용해 공격 속도와 효율을 높이고 있다. 이러한 변화는 고도화된 공격을 수행하는 데 필요한 시간과 비용, 전문성을 낮추며 기업을 상시적인 비즈니스 중단 위험에 노출시키고 있다. 공격이 기계적 속도로 자동 실행되는 환경에서 단절된 보안 도구와 수작업 절차에 의존한 기존 보안 체계는 점차 효과를 잃고 있다. 에이전트형 공격에 대응하기 위해서는 대규모 환경 전반에서 자율적이고 유기적으로 작동하는 새로운 보안 체계가 필요하다. 기업들은 복잡하고 방대한 IT 환경을 운영하고 있으며 이러한 구조는 체계적으로 관리하기 어렵다. 이는 첨단 AI 모델이 취약점을 빠르게 식별하고 이를 공격 경로로 전환하는 데 유리한 조건을 제공한다. 이러한 문제에 대응하기 위해 IBM 컨설팅은 에이전트 기반 위협에 대한 기업의 대비 수준을 평가할 수 있는 새로운 사이버 보안 평가 서비스를 제공한다. 이 평가는 IBM과 기술 파트너들이 공동으로 수행하며 고객이 전사 환경 전반에 걸쳐 필요한 지원을 받을 수 있도록 설계됐다. 이 평가는 보안 공백과 정책상의 취약점, AI 환경에서 발생할 수 있는 특화된 노출 요소, 잠재적인 공격 경로에 대한 가시성을 제공한다. 즉각적인 소프트웨어 수정이 어려운 경우에는 임시 보호 조치를 포함한 우선순위 기반 대응 방안도 함께 제시한다. 또한 자동화 수준과 보안 구조의 정합성을 개선해 공격 탐지와 대응 속도를 높일 수 있는 영역을 도출함으로써 보다 실질적인 보안 강화 방향을 제시한다.     기업이 AI가 생성하는 공격의 속도와 정교함에 직접 대응해야 하는 상황을 반영해 IBM은 다중 에이전트 기반 보안 서비스인 ‘IBM 오토노머스 시큐리티(IBM Autonomous Security)’를 공개했다. 이 서비스는 기계적 속도로 의사결정과 대응, 정보 분석을 수행할 수 있도록 설계됐다. 이 서비스는 협력적으로 작동하는 AI 에이전트를 활용해 소프트웨어 노출 요소와 실행 환경을 분석하고 공격 경로를 식별하며 보안 기본 상태를 개선한다. 또한 조직 전반의 보안 도구에 걸쳐 정책을 일관되게 적용하고 이상 징후를 탐지해 최소한의 인적 개입만으로 위협을 차단하도록 설계됐다. 이러한 분석 결과는 거버넌스와 위험 관리 시스템으로 직접 연계돼 최신 보안 및 규정 준수 상태를 유지할 수 있도록 지원하며 이를 통해 노출 기간을 줄이고 고속 공격에 대한 대응 속도를 높인다. IBM 오토노머스 시큐리티는 보안 범위를 신원 관리와 위험 관리, 거버넌스 영역까지 확장하고 정보기술과 운영기술, 비즈니스 프로세스 전반의 AI 시스템과 연계함으로써 탐지에서 복구에 이르는 전 과정을 가속한다. 이를 통해 규정 준수 성과를 강화하고 운영상의 마찰을 줄이며 전반적인 보안 회복탄력성을 높일 수 있도록 돕는다. 에이전트형 위협 환경에서는 개별 보안 도구의 성능보다 보안 체계 전반이 얼마나 빠르고 일관되게 대응할 수 있는지가 방어 성과를 좌우한다. IBM은 보안 회복탄력성이 기계적 속도에 맞춰 진화해야 하는 전환점에서 기업들이 효과적으로 대비할 수 있도록 지속적으로 지원할 계획이다. IBM 컨설팅의 마크 휴즈 사이버 보안 서비스 대표는 “첨단 AI 모델은 빠르게 움직이고 전사적인 영향력을 가지며 점점 더 자율적으로 진화하는 새로운 유형의 기업 위협을 만들어내고 있다”면서, “이에 대응하기 위해서는 개별 도구가 아닌 시스템 차원의 방어가 필요하며 AI 기반 공격에는 AI 기반 방어가 요구된다. 이것이 바로 IBM이 제시하는 접근 방식”이라고 말했다.

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.

심센터 HEEDS 더 깊게 살펴 보기 (4)   이번 호에서는 심센터 HEEDS(Simcenter HEEDS)의 핵심 최적화 엔진인 SHERPA의 성능을 비약적으로 가속화시키는 AI 시뮬레이션 프레딕터(AI Simulation Predictor) 기술에 대해 자세히 살펴본다. 지난 호에서 다룬 SHERPA의 지능형 탐색 방식에 AI의 예측 통찰력을 결합하여, 어떻게 해석 시간의 병목을 해결하고 검색 효율을 극대화하는지 조명할 예정이다. 이를 통해 고비용 해석 모델에서도 실질적인 리드타임을 단축하고 더 우수한 설계안을 도출해 내는 원리를 알아보고자 한다.   ■ 연재순서 제1회 심센터 HEEDS 커넥트와 MBSE 방법론 제2회 심센터 X MDO의 새로운 HEEDS 제3회 심센터 HEEDS SHERPA의 최적 검색 원리 제4회 최적 검색 가속화를 위한 AI 프레딕터 제5회 심센터 HEEDS 2604 업데이트 제6회 모두를 위한 제너럴 포털과 맞춤 설정 제7회 특별한 워크플로 구성 및 자동화 제8회 다양한 매개변수를 위한 태깅 모드 제9회 복잡한 설정을 한번에, 오토메이션 스크립트 제10회 파이썬 스케줄러와 HEEDS 연동 제11회 심센터 HEEDS 2610 업데이트 제12회 데이터 분석을 위한 HEEDSPy API   ■ 이종학 지멘스 디지털 인더스트리 소프트웨어에서 심센터 HEEDS를 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 링크드인 | www.linkedin.com/in/jonghaklee-odumokgol   최적화의 병목, 해석 시간과 비용의 문제 고충실도(High-Fidelity) 해석의 딜레마 현대 엔지니어링 설계의 정점은 전산유체역학(CFD)이나 비선형 구조해석과 같은 고성능 계산 과정을 필수로 한다. 이러한 고충실도 해석은 제품 성능을 가상 공간에서 정밀하게 모사할 수 있게 해 주지만, 치명적인 약점이 있다. 복잡한 모델의 경우 1회 해석에 수 시간에서 수 일이 소요되기도 하며, 수백 번의 반복 계산이 필요한 최적화 과정에서 이는 극복하기 어려운 시간적 병목(bottleneck)이 된다.   MDAO 과정에서 직면하는 실제 문제들 연재의 배경이 되는 다분야 설계 분석 및 최적화(MDAO : Multidisciplinary Design Analysis and Optimization) 환경에서는 다음과 같은 네 가지 핵심 문제에 직면한다. 시뮬레이션 시간 & 계산 비용 : 장기간의 CAE 실행은 컴퓨터 자원의 점유와 라이선스 비용 부담을 가중시킨다. 신뢰성 : 시간 제약으로 인해 충분한 설계안을 검토하지 못하면 결과의 신뢰성이 떨어진다. 지식의 재사용 : 이전 프로젝트의 방대한 시뮬레이션 데이터를 현재 최적화에 제대로 자산화하지 못하는 한계가 있다. 시프트 레프트(shift left) : 제품 개발 초기 단계에서 오류를 발견하지 못하면 이후 단계에서 대규모 수정 비용이 발생한다.   기존 대안 : 전통적 최적화 프로세스와 근사 모델의 한계 해석 시간을 줄이기 위해 전통적인 설계 공간 탐색(design space exploration) 과정에서는 반응표면법(RSM)이나 크리깅(kriging)과 같은 근사 모델(surrogate model)이 널리 사용되어 왔다. 하지만 이러한 전통적인 방식은 프로세스 측면에서의 번거로움과 기술적 모델 구축 측면에서의 한계를 동시에 안고 있다.   그림 1   첫째, 전문가 중심의 복잡한 다단계 프로세스로 인한 고충(pain points)이 크다. 목적 정의부터 모델 단순화, 알고리즘 선택 및 튜닝, 탐색 수행, 결과 해석으로 이어지는 과정은 매우 정교한 전문 지식을 요구하며 다음과 같은 문제를 일으킨다. 모델 단순화의 오류 가능성 : 변수 선별이나 응답면 모델을 수동으로 생성하는 과정은 오류가 개입되기 매우 쉽다.(too error-prone) 알고리즘 선택 및 튜닝의 고비용 구조 : 적절한 검색 알고리즘을 결정하기 위해 수많은 반복 시도가 필요하며, 파플레이션 크기나 변이율 등 세부 매개변수 설정에 고도의 전문성이 요구되어 시간과 비용이 많이 든다.(too costly & too difficult) 제한적인 혁신 : 이러한 난이도 탓에 최적화 기술이 일부 전문가에 의해 매우 한정적인 문제에만 적용되어, 결과적으로 설계 혁신의 폭이 좁아지는 결과를 초래한다. 둘째, 기술적으로 구축된 근사 모델 자체가 가진 결정적인 한계가 존재한다. 초기 데이터 확보의 높은 비용 : 신뢰할 수 있는 모델을 구축하기 위해서는 설계 공간 전체에 걸쳐 상당수의 초기 샘플 해석이 선행되어야 하며, 고성능 CAE 환경에서는 이 초기 샘플링 과정 자체가 막대한 병목이 된다. 정적 구조의 경직성 : 한 번 구축된 모델은 최적화가 진행되는 동안 설계 공간의 특성 변화나 새로운 유망 영역의 발견을 실시간으로 반영하여 스스로 업데이트되지 않는다. 전역적 경향성과 국부적 정밀도의 딜레마 : 전체적인 경향성은 파악하지만 최적해 주변의 미세한 비선형적 거동을 포착하는 데 한계가 있어, 최종 설계안이 실제 해석 결과와 괴리를 보이는 경우가 빈번하다.   그림 2   반면, 심센터 HEEDS는 이러한 복잡한 중간 단계를 ‘Automated Search’ 하나로 통합하여 엔지니어가 본연의 설계 업무인 목적 정의와 결과 분석에만 집중할 수 있는 환경을 제공한다. 이번 호에서 다룰 AI 프레딕터(AI Predictor)는 이 혁신적인 자동 탐색 과정을 한 단계 더 가속하여 기술적 한계를 극복하고 진정한 설계 디스커버리(discovery)를 실현하는 핵심 기술이다.   기술 혁신 : Boosting SHERPA의 정의와 전략적 가치 AI 시뮬레이션 프레딕터란 무엇인가? 심센터 HEEDS의 AI 시뮬레이션 프레딕터는 최적화 검색 과정을 가속시키는 퍼포먼스 부스터(Performance Booster)이다. 단순히 정해진 데이터를 학습하는 것을 넘어, SHERPA 검색 프레임워크 상단에서 작동하는 AI 오버레이(AI Overlay) 기술을 통해 실시간으로 데이터를 학습(on-the-fly)하여 해석이 필요한 위치(DOE)를 지능적으로 선별한다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

데이터와 AI로 연결된 스마트 제조의 미래… 파트너 생태계로 혁신 가치 극대화   전 세계 제조 산업은 급변하는 환경에서 복잡한 과제를 안고 있다. 이에 대해 아비바는 데이터 통합과 글로벌 파트너 생태계를 기반으로 한 ‘집단 대응’을 핵심 전략으로 제시한다. 아비바의 스티브 르완(Steve Lewarne) 채널 프로그램 총괄 부사장과 에릭 첸(Eric Chen) APAC 파트너 비즈니스 총괄 부사장은 공장과 공급망을 관통하는 데이터를 하나로 모으고 AI(인공지능) 기술을 결합해 의사결정의 질을 높이는 스마트 제조 전략을 소개했다. 또한, 개방형의 파트너 생태계를 통해 국내 제조산업의 디지털 전환(DX)을 뒷받침하겠다고 전했다. ■ 정수진 편집장   ▲ 아비바 스티브 르완 부사장(왼쪽)과 에릭 첸 부사장(오른쪽)   스마트 제조를 위해 아비바가 제시하는 핵심 기술 스택은 무엇인지? 아비바 기술의 핵심은 개방적이고 중립적인 커넥트(CONNECT) 플랫폼이다. 이 플랫폼은 다양한 데이터와 시스템을 하나로 통합하는 기반 역할을 수행한다. 플랫폼 내부에는 플랜트 설계 및 설비 구축 정보를 저장하는 엔지니어링 데이터베이스와, 현장의 에지 환경 데이터를 실시간 스트리밍하는 아비바 파이 시스템(AVEVA PI System)이 연계되어 있다. 공장 운영 단계에서는 HMI SCADA(스카다) 시스템과 공정 성능을 최적화하는 디지털 트윈 설루션이 활용된다. 설계부터 운영, 최적화에 이르는 전 과정의 워크플로에는 생성형 AI와 에이전틱 AI가 내재화된다. 이를 통해 사용자는 새로운 방식으로 공장 운영에 대한 통찰력을 얻고, 문제의 신속한 해결은 물론 예측 분석과 프로세스 시뮬레이션 등의 지원을 받을 수 있다.   아비바가 플랫폼 기술을 통해 추구하는 혁신 가치는 어떤 것인지? 협업을 바탕으로 가치 사슬 전반의 효율을 극대화하는 것이 핵심이다. 복잡한 과제에 대응하기 위해 공장 내부 데이터뿐만 아니라 공급망 정보를 한곳에 모아 집단적으로 대응하는 것이 중요하다. 이를 통해 특정 설비에 문제가 발생했을 때 외부 협력사와 데이터를 즉각적이고 안전하게 공유해 문제를 신속히 해결하도록 지원할 수 있다. 운영 기술과 전사적 IT 데이터의 통합을 통한 의사결정 역량 강화도 중요한 가치다. 파트너 기술을 연계해 재무, 인사, 시장 정보 등 폭넓은 맥락을 생산 데이터와 통합하며 시스템 복잡성을 추상화해 사용자가 직관적인 인사이트를 얻도록 돕는다. 특히 워크플로에 내재된 AI 기술은 신규 인력이 가치를 창출하는 시간을 줄이고 은퇴하는 숙련자의 지식을 시스템에 자산화하여 인력 부족 및 고령화 문제에 대응하게 해준다. 운영 측면에서는 프로세스와 장비 운영을 최적화해 에너지 사용량과 폐기물을 줄이고 환경적 영향을 최소화해 규제 준수를 돕는다. 마지막으로 ‘진화적 접근(evolutionary approach)’을 통해 고객이 기존 시스템을 전면 교체하지 않고도 혁신을 이룰 수 있는 유연성을 제공하며, 특정 벤더에 종속되지 않는 생태계를 조성하고 있다.   아비바의 기술 스택에 적용된 AI에 대해 소개한다면? 아비바의 AI 기술은 단순한 단일 애플리케이션 형태가 아니라 설계부터 최적화까지 전체 프로세스와 워크플로 전반에 깊숙이 녹아 있다. 아비바는 상황과 목적에 맞춘 다중 모드 AI를 지원하며 생성형 AI나 에이전틱 AI 등 적합한 방식을 제공한다. 현장에서는 생성형 AI 어시스턴트를 통해 의사결정권자나 운영자가 자동화 시스템과 대화하듯 소통하며 정보를 파악할 수 있다. AI는 맥락에 맞춰 공정 데이터를 알기 쉽게 제공해, 사용자가 새로운 방식으로 운영 인사이트를 얻고 문제의 근본 원인을 빠르게 해결하도록 돕는다. 또한, 에이전틱 AI는 공장 상황을 지속적으로 모니터링하다가 편차가 발생하면 사전에 알림을 제공하며, 프로세스 시뮬레이션이나 설비 예지보전 등에도 쓰인다.   아비바의 글로벌 파트너 생태계 및 파트너 전략에 대해서 소개한다면? 아비바는 전 세계 5000개 이상의 글로벌 파트너와 협력하고 있다. 파트너 유형은 세 가지로 구분된다. ▲현지 시장에서 설루션을 판매하고 기술 지원을 제공하는 세일즈 및 서포트 파트너 ▲애플리케이션 개발 및 시스템 통합(SI)을 제공하는 SI 파트너 ▲기술을 자사 설루션에 내재화해 판매하는 OEM 및 MSP 파트너 등이다. 아비바가 파트너 중심 성장 전략을 강화하는 이유는 산업계의 복잡성에 대응하기 위해서다. 플랫폼을 현장에 최적화하기 위해서는 특정 산업 분야의 전문성과 현지 실행 역량을 갖춘 파트너의 역할이 필수이다. 아비바 혼자 모든 역량을 제공할 수 없기 때문에, 개방적인 커넥트 플랫폼을 통해 파트너들이 맞춤형 앱을 구축하게 함으로써 고객의 선택권을 넓힌다. 결과적으로, 파트너 생태계와의 협력은 고객의 디지털 전환(DX) 여정을 단축시키는 강력한 원동력이 된다.   한국 시장에서 아비바의 파트너 전략은 어떻게 전개할 계획인지? 과거 한국 시장은 미국이나 유럽 등 선진 시장의 성공 사례를 수입하여 도입하는 입장이었지만, 한국 파트너들의 역량이 크게 높아져 현재는 훌륭한 성공 사례를 다수 구축하는 단계로 발전했다. 대표적인 성과로, 국내 대형 반도체 고객사가 아비바의 포트폴리오를 활용해 리버스 엔지니어링으로 디지털 모델을 구축하고 성공적인 전환을 이룬 사례가 있다. 한국 내 파트너 생태계를 더욱 탄탄히 다지기 위해 아비바는 다각적인 전략을 추진 중이다. 파트너가 맞춤형 설루션을 더 잘 제공하도록 기술 교육, 공동 피오씨(개념 증명), 기술 인증 등 지원 서비스를 제공한다. 한국에서 검증된 성공 사례를 아시아태평양 지역으로 전파하고, 해외 사례를 한국에 소개하며 상호 시너지를 내고자 한다.   향후 한국의 제조 시장에 대한 전망과 비즈니스 계획에 대해 소개한다면? 아비바는 한국의 스마트 제조 시장이 급성장하는 전환점을 맞이했다고 보며 제조업 분야에서 큰 폭의 성장이 일어날 것으로 전망한다. 이에 따라 반도체, 자동차, 전기차(EV) 배터리 산업을 중점 공략 산업으로 정하고 파트너십과 설루션 적용을 집중 확대하고 있다. 한국 반도체 시장은 자본 투자가 활발하고 여전히 엄청난 잠재력을 가진 시장이라고 본다. 연간 약 8%의 성장이 예측될 만큼 최우선 순위 공략 대상이다. 자동차와 EV 배터리 분야 역시 대규모 투자가 집중되고 있어 강력한 성장세가 기대되는 핵심 분야다. 아비바는 이러한 주요 산업의 까다로운 요구사항을 충족할 수 있는 검증된 맞춤형 설루션을 보유하고 있다. 실제로 한국과 대만의 대형 반도체 기업과 한·일 양국의 대형 자동차·EV 배터리 기업들이 설계부터 운영까지 전 과정에 아비바 설루션을 도입해 성공적으로 디지털 전환을 추진 중이다.     ■ 기사 내용은 PDF로도 제공됩니다.

캐드앤그래픽스 지식방송 CNG TV 지상 중계   CNG TV는 지난 3월 11일 ‘Virtual Engineering 기반 스마트 건설 장비 개발 프로세스’를 주제로 케이던스 디자인 시스템즈의 전문가들이 참여하여 스마트 건설 장비 개발을 위한 최신 트렌드와 이를 뒷받침하는 통합 엔지니어링 설루션을 심도 있게 다루었다. 자세한 내용은 다시보기를 통해 확인할 수 있다. ■ 박경수 기자   ▲ 케이던스 디자인 시스템즈 정승원 팀장, 김진식 팀장, 이재욱 매니저, 임태균 팀장   건설 장비 산업의 변화와 도전 과제 이번 웨비나의 사회를 맡은 정승원 팀장은 최근 MSC 소프트웨어와 케이던스 디자인 시스템즈의 합병을 언급하며, 반도체(electronic)와 기계(mechanical) 시스템 설계의 통합 시너지를 강조했다. 최근 건설 장비 산업은 전동화(electrification)와 자율주행, 그리고 디지털 전환이라는 거대한 변화의 물결 속에 있다. 설계 단계부터 가상 환경을 활용하여 시행착오를 줄이고 성능을 극대화하는 ‘가상 엔지니어링(virtual engineering)’은 이제 선택이 아닌 핵심 경쟁력이다. 특히 반도체 설계(EDA)와 기계 시스템 해석(CAE) 기술의 통합은 모든 제품이 전자제품화되는 현 상황에서 복합 시스템의 최적화를 가능하게 한다. 정승원 팀장은 “반도체로 대표되는 전자 설계와 기계 시스템 설계의 통합 시너지를 통해, 전기·전자와 기계 시스템을 아우르는 완성도 높은 설루션을 제공할 수 있게 되었다. 건설 장비가 AI와 전동화가 결합된 복합 시스템으로 진화함에 따라, 신뢰성 있는 데이터를 확보하고 가상 개발 기술을 적용하는 것이 무엇보다 중요하다”고 강조했다.   ▲ ‘건설 장비 산업 트렌드 및 도전과제’에 대해 발표한 정승원 팀장   다물체 동역학 기반의 장비 성능 및 안정성 검증 건설 장비는 험지 작업이 많아 하중 변화가 극심하며 전복 등 안전사고 위험이 상존한다. 이를 극복하기 위해 ‘아담스(Adams)’를 활용한 다물체 동역학(MBD) 해석이 중추적인 역할을 수행한다. 가상 환경에서 장비의 작업 시나리오를 구현하고 각 부품에 걸리는 동적 하중을 정확히 산출함으로써, 실제 환경에서 테스트하기 위험하거나 비용이 많이 드는 극한 상황을 사전에 검증할 수 있다. 이러한 데이터는 구조 해석과 피로 해석의 신뢰도를 결정짓는 기초가 되며, 장비의 안정성과 신뢰성을 확보하는 데 기여한다.   ▲ ‘건설기계 및 중장비 분야에서의 다물체 동역학 사례’를 주제로 발표한 김진식 팀장   김진식 팀장은 “가상 시뮬레이션을 통해 실제 환경에서 테스트하기 위험하거나 비용이 많이 드는 극한 상황을 사전에 검증하여 안전하고 신뢰성 높은 장비를 개발할 수 있다. 아담스 리얼타임 기술을 활용하면 가상 모델을 하드웨어와 직접 연동하여 제어 로직 검증 및 고장 진단까지 물리적 시제품 없이 완벽하게 수행할 수 있다”고 말했다.   전동화 구동계의 효율과 내구성 최적화 이재욱 매니저는 전동화 건설 장비의 핵심인 구동계 설계 설루션 ‘로맥스(Romax)’를 소개했다. 엔진 소음이 사라지면서 기어와 베어링에서 발생하는 고주파 소음(NVH)이 새로운 문제로 떠오름에 따라, 시스템 전체의 거동을 고려하면서도 개별 부품의 미세한 마찰까지 예측할 수 있는 하이브리드 모델링 방식이 강조된다. 이를 통해 에너지 손실을 최소화하고 장비 수명을 연장할 수 있다. 특히 개념 설계 단계부터 상세 설계까지 하나의 설루션으로 제공되어 개발 기간 단축과 비용 절감을 동시에 실현한다. 이재욱 매니저는 “기어와 베어링의 미세한 정렬 불량까지 정밀하게 시뮬레이션하여 에너지 손실을 최소화하고 장비의 수명을 획기적으로 늘리는 것이 구동계 설계의 핵심이다. 로맥스의 하이브리드 모델링은 전체 시스템의 거동을 신속하고 정확하게 예측하여 구성 요소 간의 상호작용을 명확히 이해하게 돕는다”고 전했다.   ▲ ‘로맥스 소프트웨어 설루션’을 주제로 소개한 이재욱 매니저   배터리 수명과 안전을 위한 열 관리 설루션 마지막 세션에서는 전동화 장비의 동력원인 배터리의 효율과 안전을 위해 ‘크래들 CFD(Cradle CFD)’를 활용한 열 관리 전략이 필수라는 설명이 이어졌다. 배터리는 온도에 매우 민감하여 가혹한 건설 현장에서 큰 힘을 쓸 때 발생하는 열 부하를 제어하는 것이 성공의 열쇠다. 고도화된 CFD 기술은 복잡한 장비 내부의 격자 생성 시간을 획기적으로 단축하며, 열 이동 경로를 직관적으로 파악하여 최적의 냉각 성능을 확보한다. 이는 최근 이슈가 되는 배터리 열 폭주 현상을 예측하고 방지하는 데 결정적인 역할을 한다. 임태균 팀장은 “건설 장비는 가혹한 환경에서 큰 힘을 써야 하기에 배터리 열 부하가 매우 크며, 고도화된 CFD 기술로 최적의 냉각 성능을 확보하는 것이 전동화 성공의 열쇠다. 열 관리에 있어 열 이동 경로를 직관적으로 파악하는 것은 병목 현상을 해결하고 시스템의 안정성을 확보하는 가장 기본적인 기능이다”라고 이야기했다.   ▲ ‘고신뢰성 확보를 위한 열 관리’를 주제로 발표한 임태균 팀장   통합 설루션이 이끄는 스마트 건설의 미래 이번 웨비나는 전동화와 AI라는 거대한 흐름 속에서 건설 장비 개발이 더 이상 기계 설계에만 머무를 수 없음을 명확히 보여주었다. 설계 초기 단계부터 시스템 전체를 아우르는 통합 시뮬레이션 환경을 구축하는 것은 시행착오를 줄이고 성능을 극대화하는 핵심 경쟁력이다. 각 분야 전문가들이 강조한 ‘심리스(seamless) 워크플로’는 제품의 품질 향상은 물론, 숙련된 기술자의 노하우를 디지털 자산화하여 미래 기술로 계승하는 데 결정적인 역할을 할 것으로 기대된다.     ■ 기사 내용은 PDF로도 제공됩니다.

오라클이 기업의 업무 방식을 재정의하는 퓨전 에이전틱 애플리케이션(Fusion Agentic Applications)을 발표했다. 이 애플리케이션은 성과 지향적이며 추론에 기반해 선제적으로 작동하는 AI 에이전트 팀이 서로 협업하는 새로운 엔터프라이즈 소프트웨어 제품군이다. 오라클 퓨전 클라우드 애플리케이션에 내장된 이 서비스는 기업 내부의 데이터와 워크플로, 승인 체계 등에 안전하게 접근해 비즈니스 프로세스 안에서 직접 의사결정을 내리고 실행한다. 기존의 AI 어시스턴트와 달리 트랜잭션 시스템에서 기본으로 제공되어 기업 규모의 실시간 작업이 가능하다는 점을 특징으로 내세운다. 오라클은 퓨전 에이전틱 애플리케이션이 단순한 기록 시스템을 넘어 설정된 비즈니스 목표를 달성하기 위해 직접 판단하고 행동하는 단계로 발전했다고 설명했다. 오라클의 스티브 미란다 부사장은 “기존의 업무 방식은 프로세스 관리에 너무 많은 시간이 소모되어 오늘날의 비즈니스 속도에 부합하지 않는다”면서,  “이번 애플리케이션은 기업이 더 빠르게 성과를 창출하고 전략적 활동에 집중하도록 도울 것”이라고 밝혔다.     이 애플리케이션은 구체적인 역할과 전문성을 가진 AI 에이전트 그룹으로 구성된다. 에이전트들은 목표 달성을 위해 어떤 업무를 언제 수행해야 하는지 스스로 판단하며 기존 보안 프레임워크 내에서 자율적으로 움직인다. 사람은 결과가 크게 달라질 수 있는 예외 사항이나 중요한 의사결정 단계에만 관여하게 된다. 이를 통해 기업은 업무 진행 과정에서 사용자가 상황을 반복해서 설명할 필요 없이 지속적인 맥락을 유지하며 업무를 추진할 수 있다. 현재 오라클은 재무, 인사(HR), 공급망, 고객 경험 분야에서 활용 가능한 22개의 신규 에이전틱 애플리케이션을 제공하고 있다. 워크포스 오퍼레이션즈(Workforce Operations) 에이전틱 애플리케이션은 인사 관리자가 데이터 수집 시간을 줄이고 급여 관련 문제를 예방하도록 돕는다. 공급망 분야에서는 디자인 투 소스 워크스페이스(Design-to-Source Workspace) 에이전틱 애플리케이션을 통해 제품 비용과 규제 준수 위험을 낮출 수 있다. 영업 팀을 위한 크로스셀 프로그램 워크스페이스(Cross-Sell Program Workspace) 에이전틱 애플리케이션은 성장 기회를 선제적으로 파악해 고객 유치 비용을 절감하며, 재무 팀용 콜렉터스 워크스페이스(Collectors Workspace) 에이전틱 애플리케이션은 대금 회수를 가속화해 현금 흐름을 개선한다. 이러한 서비스는 오라클 클라우드 인프라스트럭처(OCI)에서 거대 언어 모델(LLM)을 기반으로 구동된다. 오라클은 기업이 직접 AI 자동화 시스템을 구축할 수 있도록 오라클 AI 에이전트 스튜디오(Oracle AI Agent Studio)도 함께 지원한다. 기업은 에이전틱 애플리케이션 빌더(Agentic Applications Builder)를 활용해 복잡한 개발 과정 없이도 오라클이나 파트너사의 에이전트를 연결해 사용할 수 있다. 오라클은 가시성과 투자 대비 효과 측정, 안전 제어 기능을 통해 에이전트가 대규모 환경에서도 안전하게 가치를 창출할 수 있다고 덧붙였다.

  15　THEME. 지속 가능한 성장을 위한 플랜트·조선 산업의 디지털/AI 전환 글로벌 플랜트·조선 프로젝트의 새로운 경쟁력을 위한 실행 중심 DX 전략 플랜트 DX/AX를 통한 산업 혁신 : 지속 가능하면서 효율적인 추진 전략 DX·AI 시대의 플랜트 토목 설계 자동화 디지털 건설 블록을 통한 EPC 산업의 AI/ML 기반 디지털 전환 전략 AI 스마트 선박 및 스마트 해운의 사이버 안전 대응 전략 플랜트·조선 산업을 위한 대용량 3D 시각화 설루션 적용 사례 AI 기반 엔지니어링을 위한 CAD 데이터 품질 인프라 구축   INFOWORLD   Focus 40　SIMTOS 2026, “AI 자율제조로 나아가는 글로벌 제조 혁신을 한 눈에” 42　로크웰 오토메이션의 자율 제조 비전… “산업 전주기에 AI 내재화”   People&Company 44　아비바 스티브 르완 부사장, 에릭 첸 부사장　AI로 연결된 스마트 제조의 미래… 파트너 생태계로 혁신 가치 극대화   Case Study 46　 언리얼 엔진으로 새롭게 정의한 ‘케이팝 데몬 헌터스’　프리비즈와 레이아웃 혁신해 애니메이션 공정 효율 향상 50　2025년을 빛낸 유니티 고객 성공 사례　실시간 3D 기술로 산업 전반의 디지털 혁신 주도   New Products 53　통합 워크플로 및 생성형 AI 기능으로 엔지니어링 혁신 가속　앤시스 2026 R1 56　투사현실로 현장 레이아웃을 구현하는 스마트 건설 설루션　XR Projector Gen3   Column 59　트렌드에서 얻은 것 No. 29 / 류용효　나의 바이브 코딩 도전기 62　디지털 지식전문가 조형식의 지식마당 / 조형식　디지털 전환을 넘어 AI 전환으로 : 기업의 존재 방식을 재정의하는 시대   On Air 64　캐드앤그래픽스 CNG TV 지식방송 지상중계　가상 엔지니어링 기반 스마트 건설 장비 개발 프로세스 66　캐드앤그래픽스 CNG TV 지식방송 지상중계　 AI 시대, 인간의 전략적 진화… ‘슈퍼휴먼’으로 거듭나는 법 67　캐드앤그래픽스 CNG TV 지식방송 지상중계　피지컬 AI가 이끄는 제조 패러다임의 변화 : 대한민국 제조업의 미래   68　New Books   Directory 107　국내 주요 CAD/CAM/CAE/PDM 소프트웨어 공급업체 디렉토리   CADPIA   AEC 69　BIM 칼럼니스트 강태욱의 이슈 & 토크 / 강태욱　월드랩과 오토데스크의 협업, 그리고 공간 AI 모델 패러다임 전환 72　새로워진 캐디안 2026 살펴보기 (5) / 최영석　스마트 옵셋 외 76　데스크톱/모바일/클라우드를 지원하는 아레스 캐드 2026 (13) / 최하얀　분산 근무 시대의 새로운 CAD 라이선스 전략   Analysis 79　심센터 HEEDS 더 깊게 살펴 보기 (4) / 이종학　최적 검색 가속화를 위한 AI 프레딕터 84　제품 개발 혁신을 돕는 크레오 파라메트릭 12.0 (9) / 김주현　크레오 플로 어낼리시스를 통한 유동해석 90　앤시스 워크벤치를 활용한 해석 성공 사례 / 박장순　웨이브가이드의 열 & 열 변형 해석 96　산업을 위한 AI와 버추얼 트윈 기술 (2) / 고석원　차량 공력 성능 예측 고도화를 위한 CFD 전략 99　성공적인 유동 해석을 위한 케이던스의 CFD 기술 / 나인플러스IT　선박 운영 비용을 줄이는 파력 추진 시스템의 개발 102　가상 제품 개발을 위한 MBSE 및 SysML의 이해와 핵심 전략 (6) / 오재응　SysML의 블록 정의 및 사용     2026-4-aifrom 캐드앤그래픽스     캐드앤그래픽스 당월호 책자 구입하기   캐드앤그래픽스 당월호 PDF 구입하기