[핫윈도] RBDO, 데이터 시대에 무결점 설계를 향해
‘뽑기 운’은 이제 그만! 리콜 비용의 늪
대당 500~2000 달러의 리콜 비용
그림 1. 뽑기 운(제미나이로 생성한 이미지)
자동차를 구매할 때 ‘뽑기 운’이라는 말을 들어 보았는지? 이는 곧 제품의 불확실성을 의미하며, 설계 단계에서 예측하지 못한 잠재적인 결함은 막대한 리콜 비용으로 돌아온다. 2020년 이후 현재까지 평균 자동차 리콜 비용은 대당 500~2000 달러 정도 든다고 한다. 2025년 F사는 1.5L 연료 분사기 균열로 70만대에 대해 대당 800달러 규모로 총 5억 7000만 달러(한화 약 7600억원)의 리콜을 진행했다. 2023년 한 해 동안 미국 3대 자동차 기업이 리콜 보증 비용으로 지출한 금액은 총 100억 달러이다. 리콜은 이제 일회성 이벤트가 아니라 기업의 재무 건전성과 브랜드 가치를 지속적으로 위협하는 상시적인 리스크로 대두되었다.
측정해야 관리하고, 관리해야 개선한다
지각하는 이유? – 나는 행운의 사나이
그림 2. 지각하는 이유(제미나이로 생성한 이미지)
즐겨 듣는 경제 라디오 프로그램의 한 진행자는 뛰어난 통찰력과 비유의 고수로 어려운 경제 이슈를 쉽게 설명하는 데 일가견이 있었다. 하지만 이분에게도 단점이란 것이 있으니 바로 지각이었다. 생방송으로 진행되는 라디오 방송에서 숨을 헐떡이며 오프닝 멘트를 읽거나, 다른 대체 진행자가 긴장하며 오프닝 멘트를 읽는 등 담당 피디나 작가가 곤란에 처하는 일이 가끔 발생했다. 본인에게 들은 지각하는 이유는 시간을 굉장히 효율적으로 사용해서 1분 1초를 허투루 쓰지 않아, 출근 시간에 발생할 수 있는 모든 상황을 최단 시간에 맞춰두고 계산을 한다는 것이다. 그러다 보니 간혹 중간에 발생할 수 있는 예외 상황이 그를 지각으로 이끄는 것이다.
이러한 예외 상황을 공학적인 용어로는 불확실성(uncertainty)이라고 한다. 온도나 습도와 같은 환경 요인, 고무와 같이 온도나 시간에 영향을 받는 재료 물성 값, 제작 공법에 따라 비틀림, 굽힘, 수축, 팽창 현상으로 발생한 제작 공차 등은 설계자가 도저히 미리 예상할 수 없는 불확실성이다.
불확실성을 고려한 설계 1 – FOS
그림 3. 불확실성을 고려한 설계 – FOS(제미나이로 생성한 이미지)
FOS(Factor of SAFety : 안전계수)는 구조물이 최대 하중을 견딜 수 있는 기준으로, 경험에 기반해 강성을 필요 이상으로 높이는 방식이다. 안전을 중시하는 선박, 발전, 토목 구조 등에서는 이러한 안전계수의 개념을 많이 활용하고 있다. 안전계수가 중요한 지표이며 앞으로도 그러한 역할을 해낼 테지만, 그저 ‘경험에 따라 이 정도 했을 때 괜찮았어’가 지금까지 이어져오고 있는 것이다. 당연한 얘기지만, 안전계수가 올라갈수록 비용은 증가하여 제품의 가격 경쟁력은 떨어진다. 안전계수가 유용한 기법이긴 하나 데이터로 좀 더 정교하게 필요한 만큼만 안전한 설계를 찾기 위한 다른 대안은 없을까?
불확실성을 고려한 설계 2 – 다구치 강건설계
그림 4. 불확실성을 고려한 설계 – 다구치 강건설계
6시그마 디자인(DFSS : Design for Six Sigma)이 유행이던 시절이 있었다. 1920년대 이후 전파된 다구치 강건설계는 품질 향상을 위해 S/N 비(Signal to Noise Ratio)를 활용하여 노이즈(불확실성)에 둔감한 설계를 탐색하는 기법으로 다구치 박사가 개발하였다. 목적함수의 강건성 확보에는 유용하나, 현재의 설계가 얼마나 강건한지 객관적인 지표로 정량화하여 제시하진 않는다. 다구치 강건설계를 통해 나온 설루션이 6시그마(100만 개 중 3~4개의 불량)를 만족하는지 확신할 수 있을까?
불확실성을 고려한 설계 3 – 신뢰성 기반 최적설계
신뢰성 기반 최적설계(RBDO : Reliability-Based Design Optimization)는 최적설계와 신뢰성 해석이 결합된 형태이다. 신뢰성 해석(reliability analysis)은 시스템 입력(노이즈 인자)의 불확실성으로 인해 출력의 불확실성, 특히 신뢰성을 예측하는 기법이다. 신뢰성이란 성능지수가 요구조건을 만족할 확률을 의미하며, 반대 개념은 불량률이다.
그림 5. DO와 RBDO
불확실성을 고려하지 않는 전통적인 최적설계를 RBDO와 구분하기 위해 결정론적 최적설계(DO : Deterministic Optimization)이라고 부른다. <그림 5>는 개념적으로 DO와 RBDO의 차이를 보여준다. 방 구석에 구슬을 굴리면 구슬이 벽에 붙은 상태로 멈추는데, 구슬의 중심이 설계변수 값이고 구슬이 접한 벽을 구속조건 경계라고 볼 수 있다. DO는 구슬이 거의 점과 같아 구슬의 중심이 벽에 거의 붙은 상태이나, RBDO는 구슬의 크기가 커서 구슬의 중심이 벽과는 여유를 두고 떨어져 있게 된다. 벽에 닿는 것이 위험하다면 DO보다 RBDO가 더 안전한 상태가 되는 것이다. RBDO는 구슬의 크기를 감이나 경험이 아닌 데이터로 결정하자는 개념이다.
데이터로 불확실성을 극복하자
예측 모델 기반의 RBDO 프레임워크, AIRBOOM
RBDO는 무엇이고 왜 필요할까? RBDO는 목적함수를 좀 양보하더라도 안전한 설루션을 탐색하는 것이 목표이다. 신뢰성이라는 개념을 최적설계에 접목하여 안전한 설계를 정량적으로 확보할 수 있는 길을 열었다. 하지만 현업에 적용하기 위해서 두 가지 큰 걸림돌이 있는데, 하나는 시스템의 불확실성을 정의할 만큼 충분한 데이터가 부족하다는 것이고, 또 하나는 RBDO 수행에 필요한 시뮬레이션 데이터가 너무 많이 필요하다는 것이다.
앞서 언급한 바와 같이 AX(인공지능 전환) 시대로 접어들면서 소프트웨어와 하드웨어 기술의 성장으로 시뮬레이션은 가속화되고 있고, 데이터의 가치가 올라감에 따라 불확실성을 정의할만한 데이터도 늘어나면서 서서히 RBDO의 시대가 도래하고 있다.
그림 6. AIRBOOM의 개념도(제미나이로 생성한 이미지)
실용적인 RBDO 프로세스를 좀 더 쉽게 사용할 수 있는 AIRBOOM (AI-powered Reliability-Based Optimization Operating Manager) 모듈을 소개한다. AIRBOOM은 피도텍에서 개발한 RBDO 대중화를 위한 모듈로, 다음과 같은 네 가지 특징을 갖는다.
자율 학습된 예측 모델 기반의 RBDO 프로세스
AIRBOOM에서는 최소한의 데이터로 정교한 메타모델을 구축하는 가성비 높은 방식을 찾는 피도텍의 자율 메타모델링(Autonomous Metamodeling) 모듈을 활용한다. 이 모듈은 조금씩 데이터를 추가하면서 메타모델을 학습하기 때문에, 성능지수의 비선형성을 표현할 만큼의 데이터만을 필요로 한다. 또한 피도텍의 예측 모델링 AI인 BruceMentor의 도움을 받아, 확보된 데이터에 가장 적합한 메타모델의 기법을 채택한다. 이러한 기법으로 예측 모델은 자율적인 학습으로 정교하게 진화한다.
신뢰성 해석 정보를 활용한 멀티 스테이지 최적화
RBDO 설루션을 탐색할 때 빈번하게 발생하는 문제는, 구속조건의 만족 범위가 너무 좁아 설루션이 목표 신뢰성을 만족하지 못하는 경우이다. 마치 코끼리를 냉장고에 넣는 것과 같다. AIRBOOM에서는 목표 신뢰성을 만족할 수 없는 상태라면 차선책을 제시한다. AIRBOOM에서는 RBDO 과정을 내부적으로 몇 개의 스테이지(stage)로 나누어 처리하는데, 각 스테이지에서 신뢰성 해석 결과의 이력에 따라 최적설계 문제를 조정하면서 최선의 설루션을 탐색한다.
멀티 피델리티 개념의 효율 개선
엔지니어는 즉각적인 반응을 원한다. 아무리 메타모델을 사용하더라도 설계변수나 성능지수의 개수가 많아지면 계산 시간은 기하급수적으로 커지기 때문에, 근본적으로 RBDO에서 필요로 하는 전체 데이터 개수를 줄여야 한다. AIRBOOM은 설루션과는 다소 거리가 있으나 설루션에 도달했을 경우를 파악하여, 효율성과 정확성의 관점에서 적절한 알고리즘을 멀티 피델리티(multifidelity) 개념처럼 채택할 수 있다.
인사이트 제공
엔지니어는 보수적이라서 달랑 설루션만 제공해 주는 툴은 신뢰하지 않는데, 그 이유는 크게 두 가지가 있다. 첫째, 제공된 설루션의 근거를 신뢰한다. 엔지니어들이 생성형 AI가 제공하는 근거 없는 수치는 환각(hallucination) 때문에 믿지 않는 것과 같은 이치다. 둘째, 하나의 설루션이 아닌 선택 가능한 다양한 후보군을 함께 원한다. 설루션을 기본으로 다양한 변종(variation)을 만들 수 있는 힌트를 주어야 한다.
AIRBOOM은 데이터 스토리텔링(data storytelling) 방식의 보고서를 제공한다. 데이터 스토리텔링이란 데이터로 상대방을 설득하기 위해 고안된 의사 전달 수단으로, 데이터의 가치를 극대화하기 위해 메시지가 포함된 시각화(visuals) 정보와 이를 논리적으로 설명하는 내러티브(narratives)의 조합으로 구성된다. 그리고 인사이트를 담은 보고서(RBDO 결과의 직관적인 요약, 설루션의 도출 근거, 더 안전한 설계를 위한 정보 등)를 제공할 수 있다.
RBOD 프로세스 사례
자동차 현가 장치 사례로 AIRBOOM을 활용한 RBDO 프로세스를 설명한다. 타이어나 부시(bush)같은 고무 재료의 산포로 핸들링 관련 성능지수가 갖는 산포를 예측하고, 성능지수의 신뢰성을 높일 수 있도록 부시 강성을 최적화는 문제이다.(‘재료 물성의 불확실성을 고려한 현가장치 시스템의 신뢰성 기반 최적설계(한국자동차공학회 2025 추계 학술대회)’ 참고)
목적함수는 핸들링 특성 중 Yaw Rate Overshoot를 최소화하는 것이고, 구속조건은 핸들링 특성에 해당되는 성능지수 7개를 선정하였다. 설계변수는 18개 부시 강성이고, 랜덤 파라미터는 설계변수인 부시 강성 전체와 타이어 파라미터 4개 파라미터를 선정하였다.
그림 7. 초기 설계에서의 RA 결과 요약 보고서
<그림 7>은 RBDO를 수행하기 전의 RA 결과 요약을 보여 준다. ‘산포’ 열에서 성능지수의 산포와 확률 정보를 보여주고, 차별화된 요소로 ‘Key 파라미터’ 열에서 성능지수 산포의 주요 원인이 어떤 랜덤 파라미터인지 파악할 수 있다. 첫 번째 행의 FRT_LateralForceSteer의 산포에는 FRT_Abush_Y가 가장 중요한 역할을 담당한 것으로 분석되었다. 마지막 열은 현재 설계의 신뢰성 결과를 보여주며, RBDO 수행 전 FRT_LateralForceSteer의 신뢰성은 요구 조건(0.3)보다 작을 확률이 80.0%에 불과했다.
그림 8. RBDO 결과 요약
<그림 8>은 RBDO 결과를 보여준다. 목적함수의 경우 INIT(초기값) 대비해서 DO(불확실성을 고려하지 않은 최적설계)가 67%로 가장 많이 개선되었고, RBDO는 구속조건의 요구 조건 만족 확률을 높이기 위해 26% 개선되는데 그쳤다. 파이 차트에서는 구속조건의 개선 여부를 확인할 수 있고, 불만족한 구속조건과 목적함수 간에 상충 관계가 존재할 수 있음이 예상된다. 설계변수의 경우, 대부분의 설계변수는 DO와 RBDO에서 유사하나 일부 설계변수(LCA outer X, Toe link X)가 DO에서는 설계변수의 하한값 경계로 변경된 반면 RBDO에서는 INIT에서 별다른 변화를 보이지 않았다.
그림 9. 신뢰성 개선 이유
<그림 9>는 6번 구속조건의 신뢰성 개선 이유를 설명한다. 신뢰성이 67%에서 91%로 개선된 이유는 산포의 평균이 약 0.057(평균값이 0.678 > 0.621로 감소) 이동하였기 때문이고, 가장 기여한 설계변수는 RR_Trailing_arm_Y이다.
이 사례로 RBDO 인사이트를 좀더 쉽게 이해할 수 있다. 성능지수 신뢰성을 개선하는 부시 강성의 변경 방향을 알 수 있었고, 불확실성 고려 여부에 따른 최적해 차이를 파악할 수 있었다. RBDO에서 목표 신뢰성을 만족시키기 위해 어떤 설계변수가 기여하였는지 및 추가 개선 가이드와 그에 따른 부작용을 예측할 수 있었다.
RBDO는 단순히 ‘최적’의 설계를 찾는 것을 넘어, 불확실한 현실에서도 ‘무결점’에 가까운 안전하고 신뢰할 수 있는 설계를 데이터 기반으로 가능하게 하는 미래 설계의 핵심 기술이다.
■ 이 글은 2025년 11월 7일 진행된 ‘CAE 컨퍼런스 2025’에서 발표된 내용을 정리한 것이다.
■ 최병열
피도텍에서 AI 기반 Data-driven Design SW 개발 총괄을 맡고 있다. 한양대에서 공학박사 학위를 받았고, 20여 년간 100여건의 최적 설계 프로젝트를 주도하며 컨설팅 경험을 쌓았다.
■ 기사 내용은 PDF로도 제공됩니다.
작성일 : 2026-01-06
