디지털 트윈이란?

디지털 트윈은 단순한 3D 모델이 아니며, 실시간 데이터 피드를 통해 실제 부품, 자산, 시스템 또는 프로세스에 연결됩니다.

디지털 트위닝(Digital Twinning)은 제품 제조 방식을 바꿀 잠재력이 있는 몇 가지 새로운 기술 중 하나입니다. 하지만 디지털 트윈이 가져다주는 기회에 너무 몰두하기 전에 디지털 트윈이 정확히 무엇일지 생각해 볼 필요가 있습니다.

기본적으로 디지털 트윈 개념은 제품, 기계, 심지어 더 광범위한 설치물을 가상 모델로 전환할 수 있다는 생각을 중심으로 전개됩니다. 데이터 통합을 통해 개발되든 3D 스캐닝과 같은 기술을 사용하여 캡처되든 이러한 트윈은 단순한 디지털 복제본이 아니라는 점에 유의해야 합니다. 실제로 디지털 트윈은 부착된 일련의 센서를 통해 실제 사물과 데이터를 교환합니다. 생산 중 물체의 상태에서부터 기계의 에너지 출력에 이르기까지 다양한 정보를 포함할 수 있는 이러한 데이터 스트림은 제조업체에게 큰 이점이 되고 있습니다.

시스템 또는 프로세스의 디지털 트윈을 통해 성능의 모든 측면을 모니터링하고 최적화를 위한 기회를 파악할 수 있습니다. 이 데이터를 기계 유지 및 예방적 유지보수 등의 영역에서 활용하여 장애를 사전에 방지하고 가동 중단 시간을 줄일 수 있습니다. 디지털 트윈은 또한 제조업체가 공장 현장에 적용하기 전에 소규모 시뮬레이션을 통해 작업 흐름 개선 사항을 테스트할 수 있는 유용한 수단을 제공합니다.

보조 전원 장치(APU) 디지털 트윈. 이미지 출처: University of Twente

여러 개의 움직이는 부품으로 구성된 자산이 조립되고 나면 어떻게 작동하는지 평가하려 한다고 가정해 보겠습니다. 디지털 트윈 시뮬레이션을 사용하면 제품 R&D에서 볼 수 있는 많은 시행착오를 우회하는 방식으로 이 제품의 구성 요소가 어떻게 상호 작용하는지 면밀히 검토하고 잠재적인 설계 개선 사항을 파악할 수 있습니다.

더 큰 규모에서는 도시 계획에 대해서도 동일한 접근 방식을 취할 수 있습니다. 건축가는 이제 건설 데이터를 건설 지속 가능성과 시민의 삶의 질을 개선하도록 설계된 실험적인 도시 경관이 실제로 건설되었을 때 예상대로 기능하는지 분석하는 데 확실한 근거로 사용할 수 있습니다.

오늘날 우리가 알고 있는 개념은 2002년 University of Michigan의 Michael Grieves가 처음 공개했지만, 디지털 트윈은 8년 후 NASA의 John Vickers가 이 용어를 만들어내기 전까지 그렇게 명칭이 붙여지지 않았습니다. 그 이후로 이 기술은 제조 분야의 틈새시장에서 전 세계 최고의 산업 기술 트렌드 중 하나로 자리 잡았습니다. 특히 AI, AR, 3D 프린팅과 같은 다른 기술들과 함께 완벽하게 통합된 일련의 기술, 즉 '사물 인터넷'의 일부로서 그 잠재력은 계속해서 제조업체들의 상상력을 사로잡고 있습니다.

그렇다면 이 모든 것은 현실 세계에서 어떻게 작동할까요? 이 글의 나머지 부분에서는 3D 스캐닝이 이 프로세스를 최적화하는 데 어떻게 도움이 되는지, 그리고 그 생성된 디지털 모델이 산업 전반에 걸쳐 적용될 수 있는 분야가 어디인지 파악하기 전에 디지털 트윈이 어떻게 생성되는지 자세히 살펴보겠습니다.

한마디로 이것이 디지털 트위닝입니다. 그런데 3D 스캐닝은 정확히 어디에 적합할까요? 이 기술은 흔히 '현실 캡처'라고 하는 디지털화 프로세스의 일부로서 이러한 트윈의 배후 모델을 생성하는 가장 좋은 방법 중 하나입니다.

현실 캡처를 전혀 하지 않고도 디지털 트윈 시뮬레이션을 수행하는 데 필요한 데이터를 수집하는 계산 모델을 개발할 수는 있지만, 이는 몇 달이 걸리는 작업 흐름입니다. 3D 스캐닝은 이러한 통찰력에 훨씬 빠르게 액세스할 수 있는 수단을 제공합니다. 이는 즉각적인 분석을 위해 또는 완전히 통합된 디지털 트윈을 생성하기 위한 기반으로 활용하기 위해 부품부터 프로세스 체인까지 모든 것을 있는 그대로 디지털화함으로써 달성할 수 있습니다.

운영 및 감각 데이터를 실시간으로 관리하는 데 사용되는 디지털 트윈

물론 다른 현실 캡처 기술도 있습니다. 예를 들어, 사진 측량을 사용하면 일상적으로 사용하는 스마트폰과 같은 장치에서 여러 각도에서 촬영한 물체의 사진을 오버레이하여 디지털 트윈을 생성할 수 있습니다. 하지만 이 기술은 그다지 정확하지 않고, 사용하는 데 많은 시간이 걸릴 수 있으며, 실시간 피드백을 제공하지 않는 경향이 있어 스캔 데이터가 누락될 가능성이 높습니다.

또한 3D 스캐닝은 선형 측정을 제공하지만 사진측량은 왜곡에 더 취약합니다. 이는 이 기술이 카메라 해상도부터 모션 블러에 이르기까지 모든 것의 영향을 받을 수 있는 이미지 품질에 크게 의존하기 때문입니다. 나중에 살펴보겠지만, 정확도는 사용 가능한 디지털 트윈을 생성하기 위한 필수적인 전제 조건이며, 이러한 불일치는 트윈 도구로서 사진 측량의 신뢰성을 떨어뜨리는 요소입니다.

이와는 대조적으로 라이다 레이저 스캐닝은 측량 분야에서 대형 구조물을 모델링하는 데 널리 사용되는 매우 정확한 수단으로 계속 입증되고 있습니다. 휴대용 3D 스캐너는 매우 다양한 용도로 사용할 수 있으며, 일부 스캐너에는 이동 중에 캡처한 데이터를 확인할 수 있는 디스플레이가 탑재되어 있습니다. 이러한 장치는 매우 효과적이어서 생성된 스캔을 CAD 또는 BIM 모델의 기초로 사용하여 궁극적으로 디지털 트윈을 생성할 수 있습니다.

전반적으로 3D 스캐닝의 발전은 제조 통찰력을 얻고 디지털 트윈 제작 프로세스를 가속하는 데 있어 더욱 매력적인 수단으로 자리 잡고 있습니다. 하지만 이 기술을 처음 사용하는 경우 첫 번째 장치를 구매할 때 고려해야 할 주요 차별화 요소는 무엇일까요? 이러한 요소 중 몇 가지를 자세히 살펴보겠습니다.

Artec Ray II

공장 내부나 부동산 등 넓은 영역을 디지털 트위닝하여 원격으로 볼 수 있도록 할 계획이라면 범위를 고려해야 합니다. 삼각대 장착형 Artec Ray II를 활용하면 10m 거리에서 1.9mm의 3D 포인트 정확도로 최대 130m 떨어진 표면을 빠르게 캡처할 수 있습니다. 이러한 기능과 내장형 디스플레이를 갖춘 이 스캐너는 스캔과 공장 공간의 실제 크기 사이의 편차를 최소화하고 생성된 디지털 트윈이 목적에 적합한지 확인하는 데 이상적입니다.

시설을 실제로 세밀하게 재현하기 위해서는 휴대용 장치로 복잡한 부품을 스캔하고 이 데이터를 Artec Ray II로 캡처한 데이터와 결합해야 할 수도 있습니다. 이는 Artec Studio 내에서 가능합니다. 이 플랫폼은 새로 캡처했든 사전 처리했든 포인트 클라우드 데이터를 정렬하고 공동 전역 정합을 실행하는 프로세스를 간소화하여 매우 높은 수준의 해상도와 정확도로 3D 모델을 만듭니다.

Artec 3D의 초고속 장거리 Ray II 3D 스캐너

산업에 구애받지 않는 이 프로세스는 작업장에서 기계로 가득 찬 창고에 이르기까지 모든 것을 디지털화하는 것을 의미할 수 있지만, 그 이점은 같습니다. 생산 성능을 실시간으로 추적하면 병목 현상이 설계 결함으로 인해 발생하든, 나중에 제조 결함으로 인해 발생하든 잠재적인 병목 현상을 최대한 빨리 파악하고 해결할 수 있습니다.

역동적인 듀오: Ray II + Leo

프로세스보다는 자산을 트위닝하려는 경우에는 속도와 기동성이 더 중요한 차별화 요소가 될 수 있습니다. 무선 AI 기반 Artec Leo는 이 두 가지를 모두 충족시켜 사용자는 HD 모드에서 초당 최대 3,500만 포인트의 속도로 데이터를 캡처하는 동시에 5.5인치 디스플레이를 통해 이동 중에도 진행 상황을 모니터링할 수 있습니다.

Leo는 속도로 인해 해상도가 저하되지 않으며, HD 모드를 사용하면 중소형 물체의 깨끗한 고해상도 스캔을 그 어느 때보다 쉽게 캡처할 수 있습니다. 이러한 모든 기능을 통해 이 장치는 제품 복잡성을 복제하는 디지털 트윈을 완벽하게 생성할 수 있습니다.

파이프 네트워크의 세밀한 디지털 트윈을 생성하기 위해 결합된 Artec Leo와 Ray II

자산이 특히 작은 경우 Artec Micro를 사용하여 자산을 디지털화하는 것도 고려해 볼 만합니다. 이 장치는 최대 10미크론의 정확도로 물체를 캡처할 수 있기 때문에 편차가 적은 나사나 하위 어셈블리 부품과 같은 구성 요소 모델을 개발하는 데 사용할 수 있으며, 이는 다음에 설명하겠지만 이러한 모델이 디지털 트윈의 신뢰할 수 있는 기반이 되는 데 필수적인 요소입니다.

치수 공차

디지털 트윈이 생산 성능을 측정하는 효과적인 도구가 되려면 먼저 정확한 데이터를 기반으로 해야 합니다. 이는 측정이 잘못되면 작업 흐름 분석 결과가 왜곡되기 때문입니다. 다행히도 현재 사용 가능한 디지털 트윈 모델을 생성하는 데 필요한 정확도 임계값에 도달할 수 있는 3D 스캐너가 여러 개 있습니다.

중소 규모의 디지털 트윈을 개발하려는 경우 구조광 3D 스캐닝이 작업에 완벽할 수 있습니다. 산업용 패스너나 밸브와 같은 복잡한 부품을 캡처할 때 치수 공차 수준, 즉 설계된 대로 작동하면서 허용할 수 있는 편차의 정도에 따라 그 유효성이 달라질 수 있습니다.

이러한 기술은 작고 복잡한 물체의 정확한 모델뿐만 아니라 실제 크기에서 0.05mm만 벗어나는 큰 물체의 단면도 생성할 수 있는 Artec Space Spider와 같은 휴대용 계측 등급 3D 스캐너를 통해 확실히 달성할 수 있습니다.

데이터 처리

간과하기 쉬운 디지털 트위닝의 또 다른 중요한 측면은 데이터 처리입니다. 스캔을 마친 후에는 생성된 데이터를 이해하고 다른 플랫폼으로 내보낼 수 있는 속도와 용이성이 작업 흐름의 효율성에 매우 중요합니다. 실제로 이는 중요한 이미지 데이터를 유지하면서 산업 분석 과정에서 일반적으로 사용되는 프로그램과 호환되는 형식으로 파일을 전송할 수 있다는 것을 의미합니다.

디지털 트윈을 생성하기 위해 3D 스캐닝을 채택할 때 해당 플랫폼의 사용 편의성도 고려해야 합니다. 이러한 영역에서 Artec Studio가 진정으로 진가를 발휘합니다. 이 소프트웨어는 캡처한 데이터를 완전히 재현된 가상 영역 또는 제품 복제본으로 처리하고 이를 STEP 및 IGES와 같은 형식으로 내보낼 수 있을 뿐만 아니라 그렇게 하는 프로세스를 간소화합니다.

클릭 한 번으로 유기적 형상을 CAD 모델로 변환하는 Artec Studio의 Autosurface 기능

몇 가지 간단한 질문만으로 Artec Studio의 Autopilot은 주어진 데이터 세트를 처리하는 데 적합한 알고리즘을 선택할 수 있습니다. 이를 통해 새로운 스캐닝 사용자가 빠르게 기술을 익히고 Scan-to-mesh 작업 흐름을 자동화할 수 있습니다. 반대로, 이는 최대 5억 개의 다각형 데이터 세트를 처리할 수 있어 거의 모든 물체나 영역의 스캔을 처리할 수 있으므로 플랫폼의 설정을 변경하려는 사용자는 그렇게 할 수 있습니다.

디지털 트윈은 단순히 실제 자산, 시스템 또는 프로세스처럼 보이기만 하는 것이 아니라 실제처럼 작동해야 합니다. 이를 위해서는 트윈은 진품의 성능을 실시간으로 모니터링하고 분석할 수 있도록 진품에 연결되어야 합니다.

제품의 성능이 중요한 영역에 센서 또는 액추에이터를 부착하여 구축된 이러한 연결을 통해 제품, 트윈, 제조 실행 시스템(MES) 간에 데이터를 주고받을 수 있습니다. 이러한 지속적인 정보 흐름을 통해 제조업체는 프로세스 개선 사항을 파악하고 시스템 작동 방식을 모니터링할 수 있으므로 매우 유용합니다.

제품이 일괄 제조에 들어가기 전에 사용자는 이 데이터 스트림을 효율적으로 사용하여 제품이 생산 중에 어떻게 행동하고 최종 사용 시나리오에서 어떻게 수행할지 평가할 수도 있습니다. 이렇게 하면 디지털 트윈 사용자는 프로토타입을 물리적으로 만들지 않고도 설계를 반복해서 할 수 있으므로 재료 절약과 제품 출시 기간 단축 측면에서 이점이 있습니다.

디지털 트윈은 이론적으로는 이렇게 작동하지만 실제로는 어떻게 개발되고 효율적으로 사용될까요? 제조업체가 3D 모델을 디지털 트윈으로 전환하고 각 작업 흐름을 최적화하는 데 계속해서 도움을 주는 주요 플랫폼 몇 가지를 살펴보겠습니다.

Oracle IoT 자산 모니터링 클라우드 서비스

유명한 소프트웨어 개발업체인 Oracle의 디지털 트윈 전용 자산 모니터링 클라우드 서비스를 통해 사용자는 자산의 활용도, 위치 및 전반적인 상태를 면밀히 모니터링할 수 있습니다. 플랫폼 사용을 시작하려면 디지털 트윈을 구축할 수 있는 데이터 세트 또는 3D 모델만 있으면 됩니다. 이는 JSON 메타데이터의 형태일 수도 있고, OBJ와 같이 널리 사용되는 모델링 파일일 수도 있으며, Autocad나 Sketchup과 같이 널리 사용되는 프로그램을 통해 생성된 파일일 수도 있습니다.

Oracle 사용자는 모델을 업로드한 후 소프트웨어를 활용하여 검사, 방향 조정, 원하는 경우 Explode(분해) 기능을 사용하여 자산을 더 작은 부분으로 분할할 수 있습니다. 그런 다음 버튼 클릭 한 번으로 노드를 이러한 하위 에셋에 연결할 수 있지만, 성능에 대한 실시간 데이터를 수집하려면 실제 물체의 관련 영역에 센서를 배치해야 합니다.

Oracle은 이 프로그램을 통해 사용자가 Virtual Twins(가상 트윈) 및 Predictive Twins(예측 트윈)를 포함한 다양한 종류의 모델을 만들거나 Twin Projection(트윈 프로젝션)에 참여할 수 있다고 말합니다. Virtual Twins는 기본적으로 시맨틱 주도 데이터 모델을 사용하여 관찰된 속성 값과 원하는 속성 값이 서로 어떻게 일치하는지 비교합니다. 이는 지게차와 같은 공장 차량에서 사용하면 브레이크 마모, 타이어 마모 또는 암(arm) 길이를 모니터링하여 이러한 부품이 목적에 맞는 상태를 유지하도록 하는 데 유용하게 사용할 수 있습니다.

반면, Oracle Predictive Twins는 공장 현장의 변화하는 조건에 지속적으로 적응하는 머신러닝으로 개발된 분석 및 통계 모델에 의존합니다. 이는 예측 트윈이 실시간 데이터를 사용하여 자산, 시스템 또는 프로세스의 성능을 예의주시하고 궁극적으로 추세, 문제, 솔루션은 물론 향후 유지보수 요구 사항을 파악하는 데 도움을 줄 수 있음을 의미합니다. Twin Projection을 통해 기업은 이러한 결과를 바탕으로 개선 작업 흐름을 구축하거나 도입하거나 추가 분석이 필요한 경우 다른 Oracle 프로그램으로 내보낼 수 있습니다.

Amazon AWS IoT TwinMaker

처음에는 Amazon을 산업 제조와 연관시키지 않을 수도 있지만, 이 회사의 AWS 자회사는 클라우드 서비스 분야에서 확고한 입지를 다지고 있는 기업입니다. AWS는 IoT TwinMaker 플랫폼을 통해 사용자가 기존 3D 모델을 실제 데이터와 결합하여 산업 장비에서 전체 생산 라인에 이르는 모든 것의 디지털 트윈을 생성할 수 있다고 주장합니다.

AWS의 3D 모델 가져오기 가이드에 따르면, 이제 3D 스캐닝 플랫폼에서 일반적으로 내보내는 OBJ와 같은 파일을 TwinMaker와 호환되는 GLTF로 쉽게 변환할 수 있습니다. 이렇게 하면 프로그램의 로딩 시간을 개선하고 화면의 트윈 표현 또는 장면에서 모델이 업데이트되는 방식을 간소화하는 등 다른 방식으로도 이점이 있다고 합니다.

AWS IoT TwinMaker에서 프로세스 디지털 트윈의 예시. 이미지 출처: Amazon, AWS

사용자는 디지털 트윈을 준비하고 실제 대응물에 연결한 후 AWS의 탑재된 분석 도구를 효율적으로 사용하여 프로덕션 작업 흐름을 전체적으로 파악하거나 파트너의 분석 도구를 사용할 수 있습니다. 여기에는 Siemens 및 Ansys와 같은 유명 산업용 소프트웨어 개발업체가 포함됩니다. 자체 디지털 트윈 빌더를 판매하는 Ansys는 사용자가 자산, 시스템 및 프로세스 업그레이드의 전체 가상 프로토타입을 위험하게 바로 실행하지 않고도 테스트할 수 있는 각별히 유용한 소프트웨어 도구 모음을 제공합니다.

Autodesk Digital Twin

3D 소프트웨어 분야의 또 다른 주요 업체인 Autodesk도 디지털 트윈 소프트웨어를 제공하지만, 주로 건설 부문에 주력하고 있습니다. 빌딩 정보 모델링(BIM) 호환 프로그램 개발업체로서 쌓아온 노하우를 바탕으로 구축된 Autodesk 디지털 트윈을 통해 사용자는 설계, 운영 및 건설 데이터를 풀링할 수 있습니다. 이를 통해 새로운 인프라를 구축하는 방법과 더 넓은 범위에서 인프라를 지역에 가장 잘 통합할 수 있는 방법에 대해 더 나은 정보에 입각한 의사 결정을 내릴 수 있습니다.

이는 위험을 측정하고 완화하거나 투자 지출을 최적화하여 투자수익률(ROI)을 개선하고 시설 유지보수가 최대한 효율적으로 수행되도록 하는 등의 형태로 이루어질 수 있습니다. 또한 이 플랫폼과 Autodesk의 다른 프로그램이 통합되면 파일 상호 호환성이 향상되고 디지털 트위닝을 가속화할 수 있는 기회가 열립니다.

Autodesk Tandem의 자기 유량계 디지털 트윈. 이미지 출처: Autodesk

마지막으로, 건설 데이터를 지속적으로 축적하고 분석하면 데이터가 많을수록 더 나은 정보를 얻을 수 있기 때문에 사용자가 투자 결정을 개선하고 계획 요구 사항을 예측하며 실패를 예측하는 데 도움이 될 수 있습니다. 틀림없이 시중에 나와 있는 다른 프로그램을 사용하는 사람들도 마찬가지겠지만, 특히 과다 지출이 발생하기 쉬운 건축 프로젝트의 특성상 이러한 이점이 훨씬 더 분명해집니다.

위의 절에서 디지털 트윈이 직면한 응용 분야별 과제를 몇 가지 다루었지만, 전반적으로 관련된 과제도 고려해 보는 것이 좋습니다. 디지털 트윈을 적용하는 데 있어 가장 큰 걸림돌은 부정확도로, 모델과 물체 간의 편차가 크면 생성된 데이터와 분석이 왜곡되기 때문입니다.

Space Spider와 같은 정밀도 지향 스캐너를 사용하는 것이 계측 등급의 정확도로 물체를 캡처하여 트윈의 성공 가능성을 높일 수 있는 최선의 방법입니다. 구조광 및 레이저 3D 스캐닝은 디지털 트윈을 채택하는 데 있어 또 다른 주요 장벽인 비용을 극복하는 데도 도움이 됩니다. 다른 디지털 트위닝 인프라와 함께 기존 이미징 기술에 투자하는 데는 100만 달러 이상의 비용이 들 수 있습니다.

복잡한 금속 부품의 디지털 트윈을 생성하는 Artec Space Spider

반면에 가볍고 접근성이 뛰어난 Artec Eva와 획기적인 Artec Leo와 같은 휴대용 스캐너는 그 가격대보다 훨씬 저렴하며 사용자가 필요에 맞게 기능을 업그레이드할 수 있는 기회를 제공합니다.

다음으로 데이터 표준화가 부족합니다. 물론 디지털 트윈을 구축하려면 상당한 양의 데이터가 필요하지만, 이 모든 데이터에 쉽게 접근할 수 있는 것은 아니며 데이터는 다양한 형식으로 제공될 수 있습니다. 마찬가지로 트윈은 적용되는 위치와 데이터 수집 지점 사이에 있는 단계 수와 같은 요인에 따라 그 효율성의 수준이 달라집니다.

이러한 요소로 인해 디지털 트윈의 이점을 정확하게 평가하는 것이 까다로울 수 있습니다. 그러나 Artec Studio와 같은 플랫폼을 사용하면 최소한 모델 데이터 처리를 자동화하여 데이터 캡처를 간소화하고 가속화한 후 널리 사용되는 형식으로 모델을 내보낼 수 있습니다.