1. 서론
이번 호에서는 스마트 팩토리의 핵심 디지털 트윈에 대한 소개를 하고자 한다.
디지털 트윈의 기본 개념부터 설계과정의 디지털 트윈에 의한 대기업과 중소기업의 상생에 대해 전반적인 내용을 담았다.
2. 디지털 트윈의 개념
디지털 트윈 기술의 개념은 미 항공우주국 NASA가 우주에서 일어날 수 있는 상황을 지상에서 반영하고 대처하기 위해 초기단계 우주 캡슐의 실물 모형을 완전한 디지털 시뮬레이션으로 반영하고자 시도된 바 있다. 특히 2017년 이후로 IT컨설팅 전문 업체 가트너가 디지털 트윈을 전략적 기술 트렌드 전망에서 톱 10 기술의 하나로 선정하면서 본격화 되어오고 있다. 가트너는 향후 3~5년 이내에 수십 억 개의 사물이 물리적인 객체 또는 시스템의 동적 소프트웨어 모델인 디지털 트윈으로 표현될 것으로 예측 한 바 있다.
디지털트윈은 첨단 ICT기술을 기반으로 하여 현실의 다양한 물리적인 사물과 프로세스를 가상에 구현하여 현실상황의 최적화를 목적으로 시뮬레이션을 시도하는 방식으로 발전하고 있다.
스마트팩토리에서는 생산현장의 특성들을 반영하는 디지털모델링에서부터 시작하여 가상모델링과 생산현장이 센싱 데이터로 연계되어 모니터링 및 제어가 가능한 상황에서 빅데이터와 인공지능 및 시뮬레이션으로 생산전공정을 분석하고 예측, 제어할 수 있다.
먼저 기업이 제품을 생산하기 전에 설계 데이터를 이용하여 가상공간에서 시운전환경을 구현하고 목표생산량에 도달할 수 있는지, 불량은 얼마나 발생할지와 효율적인 장비와 공정 배치방식 그리고 생산 소요시간과 생산량까지 예측할 수 있다. 목표치를 달성하는데 문제가 무엇인지, 인력은 어떤 식으로 배치하는 것이 가장 효과적인지 등도 미리 파악할 수 있다.
디지털트윈은 스마트팩토리 뿐만 아니라 빌딩이나 도시 등 거대한 실체를 시뮬레이션으로 재현하고 최적화 통제하고자 시도하며 계속 넓은 범위로 확장되어 나가고 있다.
스마트팩토리의 디지털트윈은 생산현장의 지속적 변화상황을 실시간 데이터로 반영하여 1:1로 매칭한 쌍둥이를 물리적 로직과 함께 가상공간에서 동적 모델링하며 IoT를 기반으로 모니터링하고 제어한다. 이과정까지는 사이버물리시스템과 동일하다고 할 수 있다.
둘 사이의 큰 차이점은 디지털트윈은 한걸음 더 나아가 실시간 연동데이터와 주변의 환경데이터들 그리고 모든 관련된 지식과 정보 및 데이터들을 동원하여 가상공간에서 현장에서의 생산시스템의 가동상황이 향후에 어떻게 전개 될 것인지에 대해 지속적으로 컴퓨터 시뮬레이션에 의해 예측하고 이를 현장에 적용하는 것이다. 따라서 컴퓨터 시뮬레이션기술이 중요하다.
예를 들면 자동차를 가상공간에 3D로 구성하고 여기에 자동차의 특성들을 입력한다. 그리고 자동차가 실제공간에서 주행하는 것처럼 가상공간에서도 움직임을 구현한다. 여기에 실시간으로 센싱되는 데이터들을 받아가며 차량의 지속운행을 구현한다. 그리고 더 나아가 가상 공간에서 도로조건과 교통상황을 계속 변화시키면서 운행되는 것을 시뮬레이션하면서 센서가 부착된 부위들의 변화가 어떻게 일어 날 것인지를 예측한다. 장시간 운행 상황을 지속적으로 시뮬레이션하면 시간의 흐름에 따라 차량의 노후화 정도를 예측 할 수 있으며 이를 자동차 제조생산에 효과적으로 이용할 수 있는데 이것이 바로 디지털트윈이다.
디지털트윈이 처음 도입된 것은 항공분야에서이다. 보잉은 항공기를 설계하는데 디지털 트윈을 이용해 신형 비행기가 어떠한 결함이 발생할 수 있는지와, 제품의 고장 가능성과 시기 등을 예측하는 시스템을 도입하고 있다. 항공기 사고의 주된 원인중의 하나는 기체 결함뿐만 아니라 비행 중에 발생하는 예측불허의 다양한 변수들이 복합적으로 작용하기 때문이다. 만약 이런 복잡한 요인들을 실제와 똑같은 환경에서 실시간으로 시뮬레이션하고 통제할 수 있다면 항공기 사고를 현격히 줄일 수 있을 것이다. 보잉은 디지털 트윈을 사용함으로써 부품 품질 40%를 개선할 수 있었고 향후 모든 엔지니어링·개발시스템을 디지털화할 계획을 갖고 있다.
디지털트윈 응용을 위한 대표적인 사례가 2014년에 시작된 싱가폴의 스마트씨티 구현을 위한 ‘버츄얼 싱가폴 프로젝트’이다. 도시통합 3D 운영플랫폼을 기반으로 싱가포르 전 국토를 디지털트윈으로 구현하고 도시의 전기, 교통 등 필수인프라와 기상정보, 인구통계, 시설물 등 건물 내부까지 데이터화하여 모니터링하고 시뮬레이션함으로 도시의 전반적인 활동 및 가동상황을 예측하여 도시 계획 및 운영을 효율화하는 것이다. 도시의 모든 움직임을 포착하고 도시에서 일어나는 모든 일을 CCTV와 각종 센서들을 이용하여 실시간 추적한다. 모든 건물이 3차원 모델링되고 스마트미터링을 통해 건물의 실시간 에너지사용량 데이터를 모니터링하고 빅데이터와 인공지능으로 분석한다.
건물옥상이 흡수하는 태양일사량 분석으로 태양광의 발전량도 정확하게 시뮬레이션할 뿐만 아니라 건물시공 전에 3D 에너지사용량 예측 시뮬레이션에 의해 에너지 사용량을 예측할 수 있고 건물이 건설됨에 따른 도시의 환경변화도 사전에 검토하여 도시를 설계함으로써 에너지자립형 쾌적한 스마트시티를 구현하고 있다.
스마트공장의 디지털트윈은 생산현장의 설계, 공정, 장비, 로봇, 생산품 등 공장 전체의 토탈시스템을 전 주기에 걸쳐서 컴퓨터 가상공간에서 그대로 모델링하여 복제, 추상화 한 것을 의미한다. 정지상태에서의 복제가 아니라 실시간 가동중인 동적특성들까지 그대로 반영하고 더 나아가 변동상황을 예측하여 컴퓨터상에서 구현하고 IoT를 기반으로 액추에이터를 제어 하여 최적화시스템을 유지한다.
디지털트윈은 시뮬레이션을 근간으로 운영되는데 가동중에 센싱되는 데이터를 기반으로 동적상황들이 시뮬레이션되고 또한 가동에 따른 모든 열적, 역학적, 금속적, 기계적, 화학적, 물리적인 변동요인들까지 시뮬레이션함으로 각공정과 장비, 제품의 상태가 싸이클에 따라 어떻게 변하고 작동하는지를 예측할 수 있다.
과거에는 컴퓨터 시뮬레이션이 특정공정에서의 거동을 예측하기 위해 주로 사용되어 왔으나 이제는 생산공정 전체를 토탈시스템으로 연계하여 실시간 물리적환경에서 발생하는 데이터들과 연동하여 계산하고 예측한다.
생산현장에서 발생하는 메타 데이터와 환경 데이터들이 3D 시뮬레이션, 사물인터넷, 5G, 빅데이터, 에지 & 클라우드 컴퓨팅, 증강&가상현실, 스마트센서, 인공지능 등 여러 첨단기술들과 결합되면서 단순 시뮬레이션에서 실제 현실 세계와 가까운 가상 디지털 세계를 구축할 수 있게 되었다.
따라서 디지털트윈기술은 어느 단계에서 평형상태가 깨져서 불량이 발생하거나 생산성이 저하하거나 또는 장비가 고장날 수 있는지, 갑자기 돌발상황이 발생할 수 있는지 등을 과학적으로 유추하고 예측하여 이를 기반으로 현장을 검증하고 예방하는 고도의 가상모델이라고 할 수 있다.
디지털트윈은 특히 다품종을 생산하거나 유연생산이 필요한 기업이 품종이 바뀔 때마다 신속하게 공정을 최적화하여 적용할 수 있는 효과가 뛰어나기 때문에 가장 영향력이 크다고 볼 수 있다.
또한 생산된 부품이 완성품의 부속으로 조립되어 실제환경에서 작동될 때 내재된 센서들에 의해 센싱된 데이터들이 클라우드서버로 전송되어 완성품과 부품의 가동상황을 진단하고 향후의 변동상황을 예측할 수 있다. 이를 바탕으로 적기에 부품을 교체하거나 사고를 사전에 방지할 수 있도록 A/S를 할 수 있고 부품의 성능개선을 위한 개발에도 적용될 수 있다.
예를 들어 생산된 자동차 브레이크 디스크가 자동차에 장착되어 운행될 때 디스크에 온도센서와 마모량/변형량 측정센서등을 부착하고 차량 내 컴퓨터와 클라우드서버와 연결하여 실시간 디스크의 상태변화를 측정하여 데이터를 저장할 수 있다. 디스크의 상태가 조만간 임계치에 달한 것으로 판단되면 사용자에게 통지하여 조기에 교체하도록 한다. 여기서 얻은 데이터는 실험실에서는 얻을 수 없는 아주 귀중한 데이터이다. 이러한 데이터와 사용자 의견 등이 축적되면 내마모성과 내열성과 인성 등이 개선된 소재로 개선 또는 개발하기 위한 기초가 된다.
제품생산 공정부터 사용현장에서의 운용 및 A/S와 이를 기반으로 하는 신제품 개발에 이르기까지 전주기에 걸쳐 완벽한 생산시스템을 구현할 수 있는 것이다.
디지털 트윈은 방대한 실시간 데이터의 흐름을 바탕으로 하여 설계, 개발, 제조, 품질관리, 성능평가, 적재, 판매, 유지보수 등의 단계에서 최적화, 성능관리, 고장진단, 예지정비 등의 응용 목적으로 다양하게 적용될 수 있다.
전주기에 걸쳐서 흐르는 이같은 데이터의 흐름을 디지털쓰레드 (Digital Thread, 표 1)라고 하며 CPS와 디지털트윈에서 없어서는 안될 근간이 된다.
표 1. 디지털쓰레드 (Digital Thread)
4차산업 혁명시대에 컴퓨터 연산속도와 저장용량의 극대화와 5G정보통신 그리고 인공지능과 빅데이터, 스마트센서, 시뮬레이션기술의 발달이 데이터의 범람과 맞아 떨어져 초연결을 기본으로 하는 디지털트윈에 의해 완전자동화와 지능형 스마트팩토리의 완성을 가능케 한다.
관심 대상에 따라 부품, 제품, 시스템, 공정, 공장 또는 공급망 전체를 범위로 구축되어 활용될 수 있으며 4차 산업혁명의 전개에 따라 제조, 전력, 의료, 항공, 자동차, 스마트 도시등 산업 전반에 걸쳐 점차로 확산되고 있다.
표 2에 디지털트윈과 사이버물리시스템의 특징을 비교하였다.
표 2. 디지털트윈과 사이버물리시스템의 비교
많은 전문가들이 10년 내 소비자 기기, 산업 기계, 전기 그리드, 석유·가스 인프라, 스마트팩토리를 위한 디지털 트윈이 대중화 될 것으로 예측한다. 가트너는 2017년부터 2019년까지 10대 전략기술로 디지털 트윈을 연속 선정했고 맥킨지도 디지털 트윈이 2025년까지 3조9000억 달러 (약 4539조원) 규모의 경제적 가치를 창출할 것이라고 전망하고 있다.
2.1. 설계과정의 디지털 트윈에 의한 대기업과 중소기업의 상생
우리나라에서 제품생산 설계기술은 1970년대 이전에 드래프트 상에서 도면을 그리던 수준에서 지금은 토탈엔지니어링 개념으로 변화되었다. 과학과 공학기술이 총동원되어 신뢰성 높은 제품을 생산하기 위한 제품 및 공정노하우를 설계하고 시행착오를 최소화하며 실제 제품으로 장착되었을 때 요구조건을 만족할 수 있는 종합적인 생산기술을 설계해야만 하는 시대가 되었다. 이러한 설계기술은 생산기술의 두뇌라고 할 수 있고 설계기술을 보유하는 기업만이 경쟁에서 우위를 점할 수가 있다.
독일이나 일본의 중소기업들이 세계적인 강소기업이 많은 것은 이러한 설계기술들을 보유하고 있기 때문이며 독자적이고 세계적인 프로세스를 보유한 많은 중소기업들을 볼 수가 있고 많은 기술들이 중소기업에서부터 출발하고 있다.
반면 우리나라는 대부분의 중소기업이 대기업에 종속되어있고 대기업의 요구에 맞춰 생산중심으로 치중하다보니 독자기술의 확보가 어렵고 고부가가치 보다는 노동집약적인 제품들에 치중되어 있는 경향이 강하다.
과거의 금형에서 제품을 찍어내거나 부어내기만 하면 되는 시절에서 지금은 가성비 좋은 제품을 신속하게 생산하기 위한 토탈 노하우를 필요로 하는 시대이다. 이를 위해 지속적인 경험의 축적도 필요하고 체계적인 데이터와 각종 공학적인 지식도 필요하다.
토탈엔지니어링 설계기술을 획득하기 위해서는 가상공간에서의 컴퓨터 시뮬레이션기술이 무엇보다 중요하다. 고도의 시뮬레이션으로 생산공정을 가상으로 구성하여 열, 물리, 금속, 화학, 수학적인 모든 지식을 동원하여 해석함으로 실제 생산에 들어가기 전에 그 결과를 미리 시연해 보고 분석하여 판단함으로 실제로 발생 할 수 있는 문제점들을 최소화하고 최적화된 과학적 생산시스템을 구축할 수 있다.
디지털트윈은 이러한 설계공정에 강력한 능력을 발휘할 수 있다. 디지털트윈에서는 통상적인 시뮬레이션보다 수준높은 시뮬레이션을 할 수 있는데 이는 IoT와 연동되는 시스템의 강점이다. 실시간 발생하는 데이터들을 시뮬레이션과 연동시킴으로 생산현장에 특화된 보다 정확한 시뮬레이션을 할 수 있다.
현장에서 반복 진행되는 생산프로세스에 따라 여러 제품에 대해 광범위한 특정패턴의 열물성치 데이터베이스들을 IoT센싱에 의해 구축할 수 있다. 예를 들면 금속용탕이 주입될 때 금형계면에서 용융금속과 금형계면 사이에 열저항이 발생하는데 이를 열전달 계수값 (Heat Transfer Coefficient)으로 표현하며 이는 용탕의 온도와 시간, 주조재질, 도형두께, 금형의 위치등에 따라 달라진다. 시뮬레이션을 수행할 때 열전달계수는 매우 중요한 물성치이며 조업중 금형내부에서 생성되는 IoT센싱 데이터들이 누적될수록 매우 정확한 열전달 계수값을 구할수있고 열전도도나 비열, 입구와 출구, 냉각수온 등의 열물성치 값을 데이터베이스로 구축할 수 있다.
또한 수많은 설계시뮬레이션 결과들이 축적될수록 새로운 설계 시 초기방안 설정 및 시행착오를 최소화하는데 큰 도움이 될 수 있다. 만일 설계방안이 생산공정에 적용된 결과 문제점이 발생했다면 이를 수정 보완하는 시뮬레이션을 하여 공정조건을 수정해야 할 것이다. 그러나 이러한 과정을 반복하는 가운데 빅데이터와 인공지능이 연동되어 학습됨으로 보다 완벽한 설계시스템이 디지털트윈 내에 구축될 수 있다.
설계의 종류는 초기 원시형상의 설계로부터 시작하여 최종 동적성능평가 설계에 이르기까지 4가지 단계로 구분되며 이를 그림 4에 나타내었다.
2.1.1. 제품설계
제품에 요구되는 형상과 재질, 물리적 성질과 기계적 성질등 요구되는 성능과 상세사양 및 제조공정의 종류 (예로써 주조, 단조, 프레스용접, 금형가공 등)를 결정하는 과정이다. 통상은 완성품업체에서 결정하는 단계이다.
2.1.2. 생산방안설계
1차로 제품설계를 통해 전달받은 사양을 주조면 주조, 단조면 단조, 프레스용접이면 용접에 맞게 디자인을 변경해야한다. 그리고 나서 현장장비와 제품 및 공정의 특성에 대응하여 불량을 제어하고 공정조건을 최적화하기 위한 지식기반의 설계과정으로 데이터기반의 공정관리 설계기술과 단조공정해석, 열처리공정해석, 용접비드해석, 열응력해석, 유동해석, 응고해석, 금형해석 등 다양한 컴퓨터 시뮬레이션 과정이 중요하다. 앞에서 말한 것처럼 디지털트윈 내에서 IoT센싱과 연동되고 빅데이터와 인공지능을 활용함으로 보다 완전한 품질과 최고의 생산성을 기대할 수 있다.
디지털트윈에서 지속적 생산공정에서 일어날 수 있는 변동상황에 대해 시뮬레이션으로 예측하지만 초기 생산방안 설계에서는 이와 다른 측면에서 시뮬레이션을 수행해야한다. 초기생산 방안설계는 무결함의 제품을 최적으로 생산할 수 있는 방안을 설계하는 것이 목적이다. 이때 인공지능기술을 응용함으로 초기방안 설계기술에 획기적인 능력을 발휘 할 수 있다. 통상 시뮬레이션을 하기 전에 설계에 관한 기본적인 지식과 경험적 노하우를 토대로 1차 대략설계방안을 세우고 이 설계방안이 현장에서 문제없이 적용될 수 있는지를 시뮬레이션으로 확인하는 과정을 거치게 된다. 이 1차적 시뮬레이션이 만족스러운 결과를 얻게 되면 바로 현장에 적용하게 된다. 그러나 대부분의 경우 수정을 해야 하는 문제가 발생하게 되고 다시 2차 시뮬레이션을 수행해야한다. 시행착오과정은 설계자의 숙련도에 따라 빠르게 끝날 수도 있고 오랜 시간이 걸릴 수도 있다. 대부분 만족스러운 결과를 얻기 위해서는 조건을 변경시켜가면서 여러 번의 반복적인 시행착오적인 해석을 수행하게 된다.
이때 디지털트윈의 인공지능 강화학습기술이 강력한 힘을 발휘하게 된다. (뒤의 스마트팩토리의 알파고형 플랫폼에서 자세히 언급하고자 한다.)
최적화방안까지 도달하기 위해서는 조건변경에 대한 수많은 경로 즉 경우의 수가 존재하게 되고 이를 설계자의 경험과 지식에 의존하기에는 특히 제품의 복잡성이 증가할수록 한계가 있다. 이때 알파고와 같이 인공지능을 강화학습으로 훈련시키면 최적의 시뮬레이션 경로를 거쳐서 적합한 설계방안을 빠르게 제공해 줄 수 있을 것이다.
생산방안설계에는 초기설계방안 뿐만 아니라 반복공정에서 일어날 수 있는 환경 및 조건의 변화까지 고려하여야만 보다 정확한 설계를 할 수 있다. 지금까지는 사실상 생산과정에서 각종 상황이 어떻게 변할지 미리 예측 할 수 없기 때문에 넓은 범위를 고려한 시뮬레이션이 불가능하였고 따라서 생산과정 중에 발생하는 문제들로 설계를 변경하는 일이 비일비재하였다. 그러나 디지털트윈은 물리적 현장과 가상공간이 쌍둥이 형태로 존재하며 실제 가동상황이 가상공간에서 구현되므로 방안설계 시 현장에서의 연속적 생산 공정들을 고려하여 공정시스템 전체의 특성을 이해하고 이를 초기설계 시뮬레이션에 반영함으로 보다 최적의 생산이 가능하도록 설계할 수 있다.
2.1.3. 공정최적화 설계
생산에 들어가기 에 앞서 공장 전체의 장비 및 공정라인과 시설들의 레이아웃을 제품의 종류, 생산량, 납기 등을 고려하여 합리적으로 배치하기 위한 모델링 시뮬레이션 설계과정이다.
공정상의 제품 및 재료의 흐름을 정확히 예측, 파악하고 작업의 효율성, 물류의 원활한 흐름, 생산속도, 안전, 에너지, 환경, 소음 등의 요인들을 고려해서 설계해야한다.
제조업은 각종 자재, 부자재의 적시공급과 공장내 원활한 플로우가 생산성에 중요한 영향을 미치므로 순조로운 플로우의 설계가 중요하다. 생산현장에서 가동 중 원자재 교체시간에 따른 설비의 순간정지를 최소화 해야 하고 물류의 병목화가 일어나지 않아야 하며 만일 이를 개선했을 때 또 다른 병목화가 발견되지 않게 해야 한다. 시뮬레이션은 순간정지 최소화나 병목화 해소방안에 중점을 두어야한다.
제품의 이동, 자재의 재고와 수급 현황을 제어하고 전체 생산 프로세스를 관리할 수 있는 통합 물류 최적화가 이루어져야한다.
앞에서의 생산방안설계에서와 마찬가지로 인공지능 강화학습 알고리즘을 활용함으로 최적화 설계에 효율적으로 응용될 수 있다. 즉 디지털트윈 가상공간에서 공정, 설비, 레이아웃들의 가상의 조건들을 변경시키면서 병목화가 일어나지 않고 생산성이 가장 높은 상황들에 대해 보상값을 주는 방식으로 강화학습을 시켜 인공지능이 스스로 최적의 레이아웃의 해답을 제공해주도록 하는 것이다.
디지털트윈은 특히 다품종소량생산의 유연생산시스템에 매우 강력한 효용성을 갖고 있다.
유연생산시스템에서는 레이아웃의 잦은 변경에 따른 합리적 레이아웃 설계 및 운영이 중요하고 디지털트윈은 제품의 종류가 바뀌어서 생산방식을 변경해야 할 때마다 시뮬레이션하여 최적의 레이아웃과 생산방식을 제공해 줄 수 있다. 이를 위해서 현장에서 설비시스템을 연결성과 확장성이 용이하도록 배치하고 이를 고려해 시뮬레이션을 해야한다. 유연생산시스템에서는 직선식 레이아웃과 집단형 레이아웃을 결합시킨 레이아웃이 바람직하며 양산부품의 생산에서는 직선식 레이아웃을 적용하여 작업순서에 따라 전용기계를 직선적으로 배치하고 다품종 소량생산의 경우에는 집단형 장비배치의 레이아웃을 사용하여 운용의 효율화를 꾀해야한다.
그림 1. 전주기 설계과정.
2.1.4. 완성품 성능설계
제품설계와 생산방안설계를 거쳐서 시제품으로 제작된 부품들은 완성품 시험단계에서 조립되어 성능과 안전성 등을 시험 평가하고 이 과정에서 문제점들을 보완하여 양산단계에 들어가게 된다.
완성품 시험단계에는 많은 비용과 시간이 소요되는데 이를 가상공간에서 시뮬레이션에 의해 모듈별 기능과 동작시험, 시스템 성능시험, 연동 시험 등을 하여 평가함으로 비용과 시간을 대폭 절감할 수 있다. 완성품 성능평가시험은 통상 한번에 끝나는 것이 아니고 개발초기에 수많은 오류를 갖고 있을 가능성이 높으므로 1차, 2차, 3차 등 계속적인 실증평가를 하는 가운데 알파버전, 베타버전까지 진행하게 되고 마지막으로 양산단계에 이르게 된다.
그러므로 수많은 오류를 바로잡는 과정에서 시행착오적인 성능평가시험을 반복하게 되고 이를 가상에서 수행함으로 보다 용이하게 시험을 진행 할 수 있다.
통상 완성품 성능평가는 제품설계와 생산방안설계과정을 거쳐 현장에서 제작된 시작품을 가공 조립하여 완성품으로 시행하게 된다. 이 과정에서는 시작품을 제작하는데 금형비와 생산비용등과 시간이 많이 소요하게 된다.
디지털트윈 플랫폼에서는 생산방안설계 시뮬레이션에서 설계된 제품을 실제 시작품 제작과정을 거치지 않고 바로 가상에서 완성품 성능설계 단계로 넘어가 부품들을 가상에서 조립하고 성능평가시험을 하게되며 시행착오과정에서 수정, 변경도 손쉽게 할 수 있으므로 빠르게 반복시험이 진행될 수 있고 비용도 절감할 수 있다.
완성품의 연속동작에 의한 성능설계 시뮬레이션을 통해 기능상 문제가 발견되어 수정을 하게되면 제품설계과정으로 넘어가 재질이나 디자인 등을 수정하고 이는 다시 생산방안설계과정으로 넘어가 공정에 맞게 재설계되며 이는 다시 완성품성능설계 과정으로 넘어가 성능평가시험을 하게 된다.
이러한 과정들을 거쳐 최종적인 제품의 사양이 결정되면 비로서 현장에서 양산과정에 들어가게 된다.
그런데 여기서 한 가지 주목할 것은 완성품 성능설계과정은 완성품 조립회사가 수행 할 영역이고 생산업체의 영역이 아니라는 점이다. 그러나 가상에서 이 과정을 원활히 수행하기 위해서는 대기업과 중소기업이 가상공간에서 긴밀히 협력을 하는것이 바람직하다. 과거에는 중소기업이 부품생산에 해당하는 생산방안설계와 공정최적화 설계과정만을 전담하고 제품 개발면에서는 완성품업체와 완전히 분리되어 있었다.
그러나 완성품의 개발능력을 강화하기 위해서는 대기업과 중소기업의 협력이 필수적이고 개발의 일정부분을 중소기업이 담당하는 것이 바람직 할 것이며 이는 또한 중소기업이 독자적인 기술능력을 키워나가는 것으로써 대기업에도 유리한 것이 될 것이다.
디지털트윈은 이러한 면에서 가상공간에서 완성품업체와 부품공급업체가 용이하게 협업할 수 있는 기회를 제공해 줄 수 있다.
물론 이 과정에서 제품설계와 완성품 성능평가부분은 완성품 업체가 담당하고 생산방안설계와 공정최적화설계영역은 중소기업이 담당하여 인터넷으로 연계 통합된 디지털트윈 설계플랫폼을 구축할 수 있고 대기업은 이 플랫폼의 상위계층에 있고 다수의 중소기업들이 독자영역들을 가지면서 더불어 대기업과 중소기업들이 상호연계가 된다면 완성품을 개발, 양산하는데 하나의 힘으로 모아 나갈 수 있으므로 통합된 능력을 발휘할 수 있게 될 것이다.
또한 앞에서도 몇 번 언급한 생산된 부품이 완성품의 부속으로 조립되어 실제 환경에서 작동될 때 내재된 센서들에 의해 센싱된 데이터들을 기반으로 부품의 성능개선을 위한 개발의 필요성이 대두되었을 경우 부품을 공급하는 중소기업과 협력하여 디지털트윈상의 제품설계 수정 → 생산방안 설계 →제품생산 → 완성품 성능설계과정을 거쳐 신속하게 부품의 성능개선을 달성 할 수 있을 것이다.
2.2. 생산공정에서의 디지털트윈
앞의 사이버물리시스템에서 사례로 설명한 자동차 알루미늄 휠 (Wheel)을 주조하는 업체를 대상으로 디지털트윈에 대해 설명을 해본다.
금형주조의 반복주조가 진행됨에 따라 특정 후육부위의 금형온도가 기준치 이상으로 상승하고 있는 상황이 클라우드 서버의 가상공간으로 실시간 전송된 센싱데이터로 체크되었다면 즉시 설계단계에서 적용되었던 금형주조 시뮬레이션 소프트웨어를 가동시킨다. 센싱된 금형 각 부위의 센싱온도 데이터들을 초기값으로 하여 시뮬레이션하여 앞으로 금형온도 분포가 어떻게 변화될지 과학적으로 예측 할 수 있다.
이는 금형온도 센싱만으로는 완전히 예측하기 어렵고 반드시 시뮬레이션을 해야만 하는 문제이다.
시뮬레이션 예측방법으로는 데이터 기반의 통계적기법과 수치해석적인 방법이 있겠으나 복합적인 생산시스템을 예측하는 것은 오직 수치해석적인 방법만으로 가능하다. 통상은 시뮬레이션하는데 긴 시간이 요구되어 현장에서 즉각적인 예측을 하기에는 부적합 할 수 있으나 저해상도의 모델로 대상 시스템의 전반적인 성능과 효과를 빠르게 개략분석하고, 필요시 특정 관심부분에 대해 고해상도 모델로 상세분석을 수행하는 방법도 있다.
지금까지 수십년동안 수치해석적 시뮬레이션기술은 끊임없이 발전하여 왔으며 각종 물리적, 열적, 금속적, 화학적 또는 복합적인 해석기술들이 상용화되고 계산시간도 연산속도의 눈부신 발전과 더불어 획기적으로 개선되고 있으므로 이를 디지털 트윈에 응용하는 것도 가능하다.
시뮬레이션 결과 지금과 같은 주조조건에서 일정시간이 경과하면 금형이 점점 과열되어 위험수준을 넘어서 금형이 손상되고 여러 가지 유형의 불량과 문제점들이 발생할 것임이 예측되었다면 이를 대처하기 위해 후육부위 금형을 어떻게 냉각시켜야 할지 즉 냉각매의 선택과 냉각속도, 냉각주기 등을 센싱 데이터와 각종 지식베이스와 연동된 빅데이터와 인공지능으로 신속하게 결정할 수 있다. 그리고 이를 금형시스템에 전송하여 냉각조건들을 조정한다. 계속해서 냉각에 따른 실제 금형온도의 변화상태를 센싱으로 관찰하면서 지속적으로 미세조정을 할 수 있다.
금형을 개폐하는 싸이클타임은 생산성을 결정하는 중요한 요인인데 만일 시간이 짧으면 응고가 덜 진행된 채 금형을 개방하여 불량의 원인이 되고 시간이 길어지면 금형수명 단축과 생산성 저하가 일어날 수 있다. 적정 싸이클타임은 주물의 형상 및 응고시간과 금형의 냉각조건을 비롯한 여러 가지 요인들이 복합적인 영향을 미치므로 설정하기가 대단히 어려운데 이를 반복 주조싸이클에 대한 컴퓨터 시뮬레이션으로 최적화 할 수가 있다.
그림 2. 시간에 따른 금형의 과열 예
그리고 이 조건으로 현장생산을 진행하며 실시간 금형온도를 센싱하고 주조품의 시험분석결과들과 연동 분석하여 적정성 여부를 확증한다.
계속해서 미세조정을 해나가며 시행착오과정을 인공지능이 학습하며 설계시뮬레이션과 연계시킨다.
X-ray 등 불량검사과정에 AI 이미지 분석으로 불량을 정밀하게 찾아낼 수 있고 자동화 할 수 있다. 불량과 건전제품에 대한 충분한 이미지데이터를 학습시켜서 건전성 여부를 자동으로 분별 할 수 있다.
AI로 구분해낸 불량결과들과 제조 공정에서 얻어지는 다양한 데이터들을 연동시켜서 AI나 빅데이터, 시뮬레이션 등을 활용하여 분석함으로 불량 원인이나 공정 자체의 미세한 오류까지 찾아내 품질과 생산성을 비약적으로 향상시킬 수 있다. 특히 마이크로, 나노 단위까지 인지하는 높은 수준의 정밀도가 AI 기술의 강력한 장점이라 할 수 있다.
제품별 적정 열처리 사양이 가상공간에서 시뮬레이션되고 열처리로로 전송되어 가동되며 실시간 로의 온도분포 (configuration)와 피열처리물의 열처리과정이 센싱되어 가상공간으로 전송되어 최적화 관리함으로 적정열처리에 의한 균일한 재료물성을 갖게한다. 이들 데이터를 기반으로 인공지능이 지속적으로 학습된다.
디지털트윈은 금형이나 주조기, 열처리로 등의 반복작업을 시뮬레이션하여 향후에 일어날 변화를 예측하여 제어하기도 하고 물류의 연속적인 흐름에 과부하가 걸리거나 장비가동 중단 또는 재료공급 중단과 장비 고장등 공장운영 전체과정을 시뮬레이션하여 예측하고 대책을 세우기도 해야 한다. 적재창고에 적재되는 제품의 실시간 상황을 체크하여 계속되는 입출고 상황에서 최적화된 적재관리방법을 시뮬레이션하여 적용하는 것도 중요하다.
실시간 생산되는 제품이나 공정의 센싱데이터나 시험분석데이터를 근거로 문제점을 발견하고 해결하는 역할을 담당하며 시간이 지나고 반복될수록 데이터가 쌓이고 학습이 되어 성능이 향상된다.
모든 공정을 거쳐가는 과정에서 중요한 데이터들이 RFID Tag이나 바코드, QR코드 등으로 생산이력이 기록되고 관리되어 구매부터 폐기되는 과정까지 전주기로 활용되며 ERP, MES 등의 중요한 데이터로 활용된다.
알루미늄 휠이 완성품에 조립되었을 때 요구조건에 만족되는가를 확인하기 위해 실제 가동시험을 해야 하는데 이를 실제 환경에서 하지 않고 가상시뮬레이션으로 시험하여 부품의 성능을 검증함으로 개발기간을 대폭 단축하고 이결과는 다시 설계와 양산공정에 반영됨으로 생산과 최종사용단계까지 하나로 통합되어 운영될 수 있다. 휠의 경우 내구성이 보증이 되어야하고 만일 디자인이나 기계적 성질, 재질특성 또는 구조상의 문제점 등이 없는지 안정성 보장을 위해 실차 테스트를 해야 하는데 디지털트윈에서 수만 km 이상 주행시험을 할 수 있다면 품질보증에 효과적인 방법이 될 수 있다.
실제로 자동차 제조업체에서 에어백 또는 스티어링 시스템의 설계를 테스트하기 위해 자동차 프로토타입의 디지털 트윈을 만들고 있다. 이를 통해 프로토타입 차량의 충돌 테스트 필요성을 줄일 수 있고 디지털 트윈을 사용해 서비스 수명을 시뮬레이션 할 수 있다.
3. 결론
본 원고를 통해 디지털 트윈을 이해하는데 조금이나마 도움이 되었길 바라며, 다음 호에서는 디지털트윈과 증강현실 그리고 국내/외 스마트팩토리 사례를 분석하여 소개하고자 한다.