• 회원가입
  • |
  • 로그인
  • |
  • 장바구니
  • News
    뉴스 신제품 신간 Culture & Life
  • 강좌/특집
    특집 강좌 자료창고 갤러리
  • 리뷰
    리뷰
  • 매거진
    목차 및 부록보기 잡지 세션별 성격 뉴스레터 정기구독안내 정기구독하기 단행본 및 기타 구입
  • 행사/이벤트
    행사 전체보기 캐드앤그래픽스 행사
  • CNG TV
    방송리스트 방송 다시보기 공지사항
  • 커뮤니티
    업체홍보 공지사항 설문조사 자유게시판 Q&A게시판 구인구직/학원소식
  • 디렉토리
    디렉토리 전체보기 소프트웨어 공급업체 하드웨어 공급업체 기계관련 서비스 건축관련 업체 및 서비스 교육기관/학원 관련DB 추천 사이트
  • 회사소개
    회사소개 회사연혁 출판사업부 광고안내 제휴 및 협력제안 회사조직 및 연락처 오시는길
  • 고객지원센터
    고객지원 Q&A 이메일 문의 기사제보 및 기고 개인정보 취급방침 기타 결제 업체등록결제
  • 쇼핑몰
통합검색 "시뮬레이션"에 대한 통합 검색 내용이 4,391개 있습니다
원하시는 검색 결과가 잘 나타나지 않을 때는 홈페이지의 해당 게시판 하단의 검색을 이용하시거나 구글 사이트 맞춤 검색 을 이용해 보시기 바랍니다.
CNG TV 방송 내용은 검색 속도 관계로 캐드앤그래픽스 전체 검색에서는 지원되지 않으므로 해당 게시판에서 직접 검색하시기 바랍니다
매스웍스-기초과학연구원, 슈퍼컴퓨팅 기반 기초과학 연구 지원 강화
매스웍스는 기초과학연구원(IBS)과 국내 기초과학 연구를 위한 고성능 컴퓨팅 접근성 확대를 목표로 호스팅 계약을 체결했다고 전했다. 이번 협력은 국내 매트랩(MATLAB) 사용자들이 기초과학연구원의 공유 슈퍼컴퓨팅 인프라를 통해 대규모 워크플로를 실행할 수 있도록 지원하기 위해 마련했다. 매스웍스는 이를 통해 정부출연연구기관과 연구중심 대학의 연구자들이 다양한 기초과학 분야에서 대규모 매트랩 워크로드를 효율적으로 수행할 수 있을 것으로 기대하고 있다. 이번 계약에 따라 연구자들은 기초과학연구원의 고성능 컴퓨팅(HPC) 시스템인 올라프(Olaf)와 알레프(Aleph)에서 매트랩 패러렐 서버(MATLAB Parallel Server)를 활용할 수 있다. 이 시스템을 이용하면 고성능 연산 및 연산 집약적 시뮬레이션이 가능하다. 또한 매트랩의 병렬 컴퓨팅 기능을 활용해 대규모 데이터 분석, 모델링, 알고리즘 개발 등 복잡한 연구 워크플로를 수학, 물리학, 화학, 생명과학 등 여러 분야에 걸쳐 수행할 수 있다. 양 기관은 이번 협력을 통해 한국 기초과학 분야의 대규모 연산 및 시뮬레이션 연구를 가속화할 수 있을 것으로 보고 있다.     기초과학연구원의 김경훈 리서치설루션센터장은 “매스웍스와 협력해 연구자들이 매트랩을 대규모 환경에서 더 손쉽게 활용할 수 있는 기반을 마련했다”면서, “이번 협력이 현대 기초과학 연구에 필수적인 연산 중심 연구 워크플로를 한층 강화하는 데 기여할 것으로 기대한다”고 말했다. 매스웍스코리아의 김광식 영업 매니저는 “이번 협약은 공유 HPC 환경을 통해 첨단 연산 도구의 접근성을 높이고 기초과학 분야를 지원하려는 매스웍스의 의지를 보여준다”면서, “연구자들이 이미 신뢰해온 도구를 기반으로 필요한 규모의 컴퓨팅 환경을 활용해 연구의 한계를 확장해 나갈 수 있을 것으로 기대한다”고 밝혔다.
작성일 : 2026-05-07
시높시스, 데이터센터의 피지컬 AI 혁신 위한 시뮬레이션 기술 소개
앤시스를 인수한 시높시스는 지난 3월 미국 새너제이에서 열린 ‘엔비디아 GTC 2026’에서 아날로그 디바이스(ADI)와 협력해 데이터센터 케이블 관리용 산업 로봇의 피지컬 AI 시뮬레이션 기술을 공개했다. 이번 기술은 로봇의 학습과 성능 검증을 목표로 한다. AI 수요가 폭발하며 전 세계 데이터센터 건설이 급격히 늘어나는 가운데 수만 개의 케이블을 관리하는 로봇이 차세대 과제로 떠오르고 있다. 하이퍼스케일 데이터센터는 방대한 연산과 저장 수요를 처리하는 수천 대의 서버를 갖춘 시설로, 수만 평방피트의 공간과 수 킬로미터에 이르는 연결 케이블로 구성된다. 이러한 규모에서는 작은 비효율도 큰 손실로 이어진다. 이에 따라 산업용 로봇이 도입되고 있지만, 케이블은 다루기 까다로운 대상으로 꼽힌다. 인간에게는 당연한 이더넷 케이블 연결 동작도 로봇을 학습시키는 과정에서는 매우 복잡한 작업이 된다. 앤시스의 키쇼르 라마스와미 애플리케이션 엔지니어링 디렉터는 “로봇에게 당연한 것이란 없다. 어떤 포트에 꽂아야 하는지, 케이블을 얼마나 단단히 쥐고 커넥터를 얼마나 세게 눌러야 부러지지 않고 연결되는지 등을 모두 고려해야 한다”고 설명했다. 데이터센터의 급증은 시뮬레이션 기반의 빠른 해결책을 요구한다. 현실 세계에서 로봇을 직접 학습시키거나 물리적 시제품을 여러 번 제작할 시간적 여유가 부족하기 때문이다. 로봇은 성능 평가를 위한 표준 벤치마크를 기반으로 합성 데이터를 통해 학습해야 한다. 이러한 방식은 고품질 제품을 적기에 시장에 출시하는 데 기여한다.     ADI는 앤시스 메카니컬(Ansys Mechanical) 유한요소해석 소프트웨어를 활용해 케이블과 커넥터 모델의 물리적 정밀도를 높이고 있다. 이는 엔비디아 아이작 심(NVIDIA Isaac Sim) 환경에서 로봇 정책의 학습과 검증에 사용된다. 아이작 심은 물리 기반 가상 환경에서 AI 로보틱스 설루션을 시뮬레이션하고 테스트하는 오픈소스 프레임워크다. 앤시스 메카니컬은 고정밀 물리 해석을 제공해 가상과 현실의 격차를 줄인다. 연결 동작에 필요한 각도 제한과 파단력, 탄성 등 물리 엔진 파라미터를 산출하며 이는 오픈USD 애셋으로 패키징되어 ADI의 아이작 심 환경에 통합된다. 구조 시뮬레이션 외에도 앤시스 AV엑셀러레이트 센서(Ansys AVxcelerate Sensors)를 이용해 3D 인식 시스템의 정확도와 성능을 높일 수 있다. 한편, ADI는 고정밀 디지털 트윈을 제공하여 고객이 엔비디아 아이작 랩(NVIDIA Isaac Lab)에서 AI 설루션 개발을 즉시 시작할 수 있도록 지원한다. 아이작 랩은 모방 학습과 강화 학습을 지원하는 통합 로봇 학습 프레임워크다. 가와사키 중공업을 포함한 초기 도입 기업들은 ADI의 플랫폼을 통해 로봇 성능 시뮬레이션과 합성 데이터 생성을 진행하며 혁신을 가속하고 있다. ADI는 시뮬레이션 결과를 바탕으로 자사의 로보틱스 설루션을 발전시킬 계획이다. 습득한 지식은 산업 전반의 발전을 위해 벤치마크로 공유한다. ADI의 폴 골딩 에지 AI 부문 부사장은 “시높시스의 다중물리 시뮬레이션은 현실적인 로봇 테스트 벤치를 구현하는 핵심 요소다. 엔비디아와 함께 산업용 정밀 작업에 적용할 수 있는 디지털 트윈을 만들어가고 있다”고 밝혔다.
작성일 : 2026-05-07
데이터 온톨로지 기반 3D 모델의 지능화
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.
작성일 : 2026-05-06
모델 기반 시스템 엔지니어링의 모델링 도구
가상 제품 개발을 위한 MBSE 및 SysML의  이해와 핵심 전략 (7)   최근의 MBSE(모델 기반 시스템 엔지니어링) 환경은 개별 도구를 연계하던 전통적 방식에서 벗어나, 요구사항부터 시뮬레이션, 형상 관리까지 전 과정을 하나의 플랫폼에서 관리하는 ‘디지털 스레드’ 기반의 통합 환경으로 진화하고 있다. 이번 호에서는 모델링 도구인 ‘랩소디(Rhapsody)’와 ‘카메오 시스템 모델러(Cameo Systems Modeler)’의 특징을 살펴보고, 효율적인 설계 환경 구축 전략을 짚어본다.   ■ 오재응 한양대학교 명예교수, 시뮬레이션 랩 CTO   모델링 도구 여기에서는 모델링 도구로서 랩소디(Rhapsody)의 특징과 기능을 간단하게 소개하고 있으며, 특히 시스템 아키텍처 설계와 모델 일관성 유지에 있어 랩소디가 어떤 역할을 수행하는지를 설명한다. IBM의 랩소디는 UML 및 SysML 기반의 시스템 모델링 도구로, 아키텍처 모델을 통해 시스템 설계 정보를 저장할 수 있는 동적인 데이터베이스 구조를 제공한다. 사용자가 정의한 각 모델 객체(예 : 블록, 컴포넌트 등)는 한 번 정의되면 그것이 표현되는 모든 다이어그램 상에서 동일한 특성과 속성을 유지한다. 이를 통해 전체 모델의 일관성과 추적성이 자연스럽게 보장된다. 또한 랩소디는 요구사항과 직접 연계된 설계 모델을 지원함으로써, 요구사항-설계 간의 정합성 확보를 용이하게 한다. 이를 통해 설계 변경이 요구사항과의 연동 하에 즉시 반영될 수 있어, 시스템 개발 전 과정에서 신뢰성 있는 모델 기반 설계를 실현할 수 있다. 결과적으로, 랩소디는 다양한 UML/SysML 도구 중 하나로, 특히 복잡한 시스템의 모델링, 시뮬레이션, 코드 생성까지 연결 가능한 통합 모델링 환경을 제공한다.   랩소디 보기   그림 1. 랩소디 도구의 대표적인 사용자 인터페이스 구성 요소   <그림 1>은 랩소디 도구 환경을 보여주며, 시스템 모델링 또는 소프트웨어 모델링을 수행할 때 사용되는 대표적인 사용자 인터페이스 구성 요소를 설명하고 있다. 랩소디 보기는 사용자가 랩소디에서 모델을 어떻게 시각적으로 확인하고 조작하는지를 이해하는 데 중점을 둔다. 전체 인터페이스 구성은 랩소디가 모델 기반 시스템 및 소프트웨어 설계를 위한 도구로, 브라우저 영역과 그리기 영역 등의 주요 영역으로 구성되어 있다. <그림 1>의 화면 왼쪽에는 브라우저 영역(Browser View)이 위치해 있다. 이 영역은 프로젝트 내에 정의된 모든 요소를 계층적 트리 구조로 정리하여 보여주며, 클래스, 패키지, 상태도, 시퀀스 다이어그램 등 다양한 모델링 요소를 탐색하고 선택할 수 있다. 사용자는 이 영역에서 모델 구조를 확인하고, 필요한 항목을 선택하여 편집 창으로 열 수 있다. 주로 사용하는 항목은 모델 구성요소(예 : 클래스, 컴포넌트, 상태 등)이다. 설계 계층 구조는 각 요소의 속성 및 동작이 연결되어 있다. <그림 1>의 화면 오른쪽에는 그리기 창(Drawing Window)이 위치하며, 사용자가 실제로 다이어그램을 작성하고 편집하는 작업 공간이다. 이 영역은 선택된 모델 요소의 시각적 표현을 위한 공간으로, 예를 들어 상태 다이어그램, 블록 다이어그램, 시퀀스 다이어그램 등을 작성하고 구성 요소 간의 연결 관계를 설정할 수 있다. 사용자의 활동 예는 상태 전이 정의, 신호 흐름 연결, 동작 논리 시각화, 모델 요소 간 연결 구성이 있다. 랩소디는 모델 탐색과 시각적 설계를 동시에 지원하기 위해 좌측 브라우저 영역과 오른쪽 그리기 창을 중심으로 UI(사용자 인터페이스)를 구성하고 있으며, 이를 통해 사용자는 설계 구조와 논리를 직관적으로 접근하고 조작할 수 있다. 이와 같은 인터페이스는 SysML, UML, 자동차 및 항공 우주 분야의 MBD 등 다양한 모델링 작업을 효율적으로 수행할 수 있도록 지원한다.   랩소디 vs. 카메오 시스템 모델러 비교 IBM 랩소디와 카메오 시스템 모델러(Cameo Systems Modeler)는 모두 SysML 기반의 시스템 모델링 도구로 널리 사용되고 있다. 그러나 이 두 도구는 설계 접근 방식, 사용자 인터페이스, 시뮬레이션 및 협업 방식에서 차별점이 존재한다. 도구의 철학과 접근 방식 : 랩소디는 임베디드 시스템 및 소프트웨어 개발에 특화된 도구로, 주로 상태 기반(state-based) 모델링과 코드 생성(code generation) 기능이 강력하다. UML 기반의 객체지향 소프트웨어 개발, 상태 머신 구현 등에 많이 활용되며, 특히 자동차, 항공, 방위 산업 등에서 많이 사용된다. 반면에 카메오 시스템 모델러(MagicDraw 기반)는 시스템 아키텍처 및 요구사항 중심 설계에 중점을 둔 MBSE 도구이다. RFLP(Requirement, Functional, Logical, Physical) 구조와 트레이스 기능이 강력하며, PLM·SPDM 시스템과의 통합이 잘 되어 있어 디지털 스레드 구축에 적합하다. 대부분의 대기업 MBSE 전환 프로젝트에서 선택되고 있다. 사용자 인터페이스 및 작업 구조 : 랩소디는 전통적인 IDE 스타일의 인터페이스(<그림 1>처럼 왼쪽 탐색기 + 오른쪽 다이어그램 편집기)를 가지고 있으며, 실시간 코드 시뮬레이션 및 상태 전이 구현에 용이하다. 카메오 시스템 모델러는 모델 요소 중심 탐색 트리, 다중 다이어그램 탭, 자동 연결 도우미, 속성 창 기반 작업이 잘 정비되어 있으며, 직관적인 GUI로 인해 다양한 다이어그램 작성이 빠르고 정확하게 이루어진다. 사용자 친화성이 높은 편이다. 시뮬레이션 및 해석 기능 : 랩소디에는 UML/SysML 상태 머신을 기반으로 한 Statechart Simulation이 내장되어 있어, 논리적 동작 검증이나 이벤트 시퀀스 분석에 유리하다. C/C++ 코드 생성 및 디버깅 기능도 내장되어 있어, 소프트웨어 통합 단계까지 연결하기 좋다. 카메오 시스템 모델러는 카메오 시뮬레이션 툴킷(Cameo Simulation Toolkit :CST)을 통해 SysML 모델의 시뮬레이션이 가능하며, 파라메트릭 다이어그램(Parametric Diagram) + 수식 기반 계산 + 외부 FMU 연동을 지원한다. 특히 시뮬링크(Simulink), 모델리카(Modelica) 등과의 코시뮬레이션(co-simulation) 및 FMI 기반 연동이 강력하다. 협업 및 형상 관리 연동 : 랩소디는 RTC, ClearCase, GIT 등과 연계가 가능하지만, 협업 기능이 독립적으로 강력하지는 않다. 기업 내부 커스터마이징이 필요한 경우가 많다. 카메오 시스템 모델러는 팀워크 클라우드(Teamwork Cloud : TWC)라는 중앙 저장소 기반 협업 서버를 통해 모델 단위 버전 관리, 권한 제어, 변경 추적, 분기 관리(branching) 기능을 지원하며, 팀 단위 협업 및 모델 기반 리뷰에 적합하다. PLM, SPDM 및 외부 툴 연동 : 랩소디는 외부 연동이 상대적으로 제한적이며, 별도 게이트웨이 또는 커스터마이징이 필요하다. 카메오 시스템 모델러는 3D익스피리언스(다쏘시스템), 윈칠(PTC), 팀센터(지멘스) 등의 PLM 시스템과 연계가 용이하며, MBSE–PLM–SPDM 간의 디지털 연계(traceability)가 수월하게 이루어진다. 정리하면 랩소디는 코드 생성, 상태 머신 중심이고 카메오 시스템 모델러는 요구사항–기능–물리 구조 연계 중심이다. 사용 분야는 랩소디가 임베디드 소프트웨어, 제어 시스템에 사용되며 카메오 시스템 모델러는 시스템 아키텍처, MBSE를 총괄하는데 사용된다. 시뮬레이션에는 랩소디가 상태 기반 시뮬레이션에 사용되며, 카메오 시스템 모델러는 파라메트릭, 시퀀스, 코시뮬레이션이 가능하다. 협업 관점에서 랩소디는 RTC/파일 기반으로 이용되며, 카메오 시스템 모델러는 팀워크 클라우드 기반 모델 협업에 활용된다. 외부 툴과 연동은 랩소디는 제한적이며 커스터마이징이 필요하다. 반면에 카메오 시스템 모델러는 FMI, PLM, 시뮬링크 등과 강력하게 연동된다.    ■ 자세한 기사 내용은 PDF로 제공됩니다.
작성일 : 2026-05-06
심센터 HEEDS 2604 업데이트
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.
작성일 : 2026-05-06
[케이스 스터디] 3D 애셋 데이터를 위한 SSOT 구축
데이터 사일로 해소부터 거버넌스 수립까지, 전사 협업의 효율 혁신   본격적인 3D 협업을 위한 첫 단추는 흩어진 데이터를 효율적으로 통합하는 팀 환경을 구축하는 것이다. 이번 호에서는 공통 라이브러리에 모든 3D 데이터 소스를 연결하고, 엔지니어링부터 운영 단계까지 모든 팀이 3D 애셋에 안전하게 접근하면서 데이터 임포트 시 정보 손실을 최소화하는 방법을 소개한다. 목표는 새로운 툴을 배포하는 것 자체가 아니라, 부가 가치를 창출하지 않는 작업에 소요되는 시간을 줄이고 액세스 권한 및 규정 준수 정책을 적용할 때 발생하는 불필요한 관리 복잡성을 없애는 것이다. ■ 자료 제공 : 유니티 코리아     대부분의 산업 팀은 방대한 3D 애셋 데이터를 보유하고 있지만, 이러한 데이터는 여러 사일로에 분산되어 서로 다른 조직이 소유하고 있어 재사용하기가 어렵다. 이와 관련해 데이터가 서로 다른 곳에 있으면 사람들은 서로 다른 사실을 기반으로 결정을 내리게 되기 때문에 문제가 발생한다. 예를 들어, 교육 담당자는 엔지니어링 팀에서 이전에 라인 레이아웃을 업데이트했다는 사실을 모르고 신입 직원에게 VR 시뮬레이션을 그대로 제공할 수 있다. 결국 교육 담당자는 교육을 중단하고 최신 데이터를 반영하여 업데이트하거나, 신뢰할 수 없는 콘텐츠로 교육을 계속 진행할 수밖에 없다. 둘 다 시간과 신뢰성 면에서 비용이 발생하게 된다. 해결책은 모든 3D 애셋을 위한 단일 저장소를 구축하여 계층 구조와 메타데이터를 온전히 유지하면서, 필요한 사람에게만 승인된 모델에 대한 액세스 권한을 부여하는 것이다. 모두가 동일한 라이브러리에서 애셋을 가져오면 버전 불일치가 해결되고 재작업의 필요성이 없어지며, 누가 무엇을 변경했는지에 대한 가시성도 확보할 수 있다.   단절의 원인 : 분산된 데이터와 중복 작업 산업 데이터는 어디에나 존재하지만, 서로 연결되어 있는 경우는 별로 없다. 유니티의 산업 부문 수석 부사장 겸 제너럴 매니저인 사라 래시는 “디자이너나 건축가는 CAD나 BIM(건설 정보 모델링)에 액세스할 수 있지만, 엔지니어는 해당 소프트웨어를 사용하지 않는 경우가 있어 결국 팀이 모델을 처음부터 다시 만드는 상황이 발생한다”고 전했다. 이런 사일로(silo) 현상은 운영 또는 기술적 격차로 인해 발생하는 경우가 많다. 예를 들어 엔지니어링 팀은 CAD 파일을 PLM(제품 수명주기 관리) 시스템에 저장할 수 있는 반면, 다른 팀은 사본을 별도의 드라이브나 앱으로 익스포트하므로 결국 동일한 애셋의 여러 버전이 존재하게 된다. 래시 수석 부사장은 “가장 흔한 문제는 동일한 모델의 두 가지 다른 버전으로 작업하는 것이다. 이러면 사실상 재작업을 할 수밖에 없게 된다”고 말했다. 어쩔 수 없이 여러 플랫폼, 툴, 포맷을 사용해야 하는 경우도 많지만, 이는 애셋을 추적하고 공유하는 작업을 어렵게 만든다. 그 결과 생산성이 저하되고 올바른 애셋을 찾는 데 몇 시간씩 허비하게 되며, 어떤 것이 정확한 버전인지 쉽게 알 수 없기 때문에 이미 존재하는 애셋을 다시 만드는 일까지 발생한다. 유니티 산업 고객 성공 부문의 시니어 디렉터인 헤닝 린은 “중복의 위험이 높으면 재작업이 필요한 경우가 많아진다. 애셋이 서로 일치하지 않고 팀이 동일한 소스 파일로 작업하지 않기 때문”이라고 설명했다. 이러한 불일치는 교육이나 납품 같은 후속 단계에서 드러나며, 이는 재작업, 일정 지연, 일관성 없는 경험으로 이어져 애셋 관리의 복잡성을 키운다. 그러나 그로 인한 대가는 기술적인 영역에 그치지 않는다. 이는 부서 간 신뢰뿐만 아니라 브랜드와 고객 간의 신뢰까지 약화시킬 수 있다. 결국 교육 담당자는 신규 직원을 위한 온보딩이 길어지고 일관성이 없어지더라도, 오래 되거나 검증되지 않은 모델로 세션을 시작하는 것을 피하고 싶어 한다. 다른 팀은 생산성을 유지하기 위해 ‘섀도(shadow)’ 라이브러리를 구축하게 되고, IT 팀은 통제되지 않는 환경을 보호하고 관리하느라 분주해진다. 이처럼 공통된 기반이 없으면 모든 신규 프로젝트를 처음부터 다시 시작해야 한다.   연결 대상 : 중요한 데이터를 보존하는 중앙화된 저장소 구축 3D 애셋 라이브러리는 여러 툴과 플랫폼에 걸쳐 있을 가능성이 높기 때문에, 기존에 보유한 모델을 활용하려면 먼저 유니티 애셋 매니저(Unity Asset Manager)와 같이 중앙화된 저장소로 모든 데이터를 임포트해야 한다. 이렇게 하면 이미 보유하고 있는 애셋을 다시 만들 필요가 없다. 린 시니어 디렉터는 “유니티를 활용하면 관련된 모든 데이터를 선호하는 방식으로 높은 품질을 유지하며 임포트할 수 있다. 사실상 업계에서 유니티가 지원하지 못하는 파일 포맷은 거의 없다”면서, “데이터를 통합된 포맷으로 변환하고, 필요에 따라 보강하며 모든 변경 사항을 추적하면 애셋의 전체 라이프사이클 동안 관리가 훨씬 쉬워진다”고 전했다.     데이터를 통합하기 전에, 무엇을 왜 연결하는지를 먼저 이해해야 한다. 대부분의 산업용 3D 파이프라인은 구조와 우선순위가 서로 다른 네 가지 주요 데이터 소스에서 데이터를 가져온다. CAD 모델은 보통 PLM 시스템에 저장되며 부품, 어셈블리, 기계적 프로퍼티에 대한 기본 기준이 되는 데이터 소스이다. BIM 모델은 건물 및 인프라 데이터를 포함하고, 풍부한 공간 및 규정 준수 관련 메타데이터를 갖추고 있으며, 보통 BIM 소프트웨어나 AEC   (건축, 엔지니어링 및 건설) 저장소에 저장된다. 디지털 콘텐츠 제작 툴에서 생성된 메시는 마케팅, 교육, 사용자 경험 등의 영역에서 사용되는 시각화 애셋을 포함하며, 기술적 디테일보다는 시각적 정확도에 최적화된 경우가 많다. XR(확장현실) 및 VR(가상현실) 애플리케이션에서 흔히 사용되는 포인트 클라우드(점군)와 스캔 데이터는 레이저 스캐닝이나 사진 측량 등을 통해 캡처된 데이터를 포함한다. 각 소스는 동일한 실물 애셋(제품, 어셈블리 라인, 전체 시설)을 서로 다른 관점에서 표현한다. 여기에는 기능, 공간, 형상이 포함되며, XR용 포인트 클라우드의 경우 실제로 구축된 물리적 상태가 이에 해당한다. 애셋 라이브러리 규모에 따라 우선순위를 정해야 하므로 팀에서 가장 많이 재사용하는 모델부터 시작하는 것이 좋다. 출처와 관계 없이 공통으로 필요한 사항은 임포트 과정에서 컨텍스트를 유지하는 것이다. 중요한 메타데이터가 손실되면 결국 재작업을 진행해야 하기 때문이다. 임포트 전에는 절대 손실되어서는 안 되는 메타데이터 필드를 식별한다. 린 시니어 디렉터는 “항상 식별자뿐만 아니라 높이, 무게와 같은 기술적 속성을 유지하고, 모든 애셋에 이름과 버전을 지정하여 추적과 사용이 용이하도록 해야 한다”고 덧붙였다. 일부 필드는 항상 온전하게 유지되어야 한다. 부품 번호, 버전 코드 또는 고유 ID와 같은 식별자를 사용하면 애셋의 진위 여부를 확인하기 위해 원본 소스로 추적하는 작업이 더 쉬워진다. 병합된 메시가 아닌 계층 구조 및 그룹 메타데이터는 부품이 어떻게 결합되는지, 시설이 어떻게 구성되는지를 보여 주며, 엔지니어가 필요에 따라 부품을 분리하거나 교체할 수 있도록 돕는다. 밀도나 인장 강도와 같은 머티리얼 및 단위 정보, 이름이나 공급업체와 같은 설명 정보를 활용하면 애셋이 올바른 형상과 동작을 유지하도록 할 수 있다. 이러한 세부 정보를 보존하면 모델을 다양한 애플리케이션 전반에서 유용하게 사용할 수 있지만, 그렇지 않으면 목적과 단절된 단순 참고용 이미지에 불과하게 된다. 린 시니어 디렉터는 “항상 식별자뿐만 아니라 높이, 무게와 같은 기술적 속성을 유지하고, 모든 애셋에 이름과 버전을 지정하여 추적과 사용이 용이하게 만들어야 한다”고 조언했다.     애셋 임포트를 위한 처리 애셋은 임포트 전과 임포트 과정에서 적절한 가공을 거쳐야 하며, 저장소의 상태를 양호하게 유지하기 위해 피해야 할 몇 가지 일반적인 함정이 있다. 이는 3D 데이터 세트가 극도로 복잡해질 수 있는 대규모 제조나 건설 분야에서 특히 중요하다. 예를 들어, 공장 전체의 디지털 트윈이나 자동차의 전체 모델은 수만 개, 혹은 수십만 개의 부품으로 구성될 수 있다. 이 경우 가장 강력한 소프트웨어와 하드웨어에도 부담이 가해질 수 있기 때문에 마이크로칩, 커넥터, 기계 부품과 같은 더 작은 논리적 그룹으로 분해하면 임포트 작업을 효율적으로 관리할 수 있다. 유니티의 애셋 트랜스포머 툴킷(Asset Transformer Toolkit)과 같이 3D 데이터를 준비하는 소프트웨어는 널리 사용되는 다양한 CAD 및 BIM 포맷을 지원하고, 구조와 메타데이터를 보존하며, 필요에 따라 임포트 과정에서 모델을 자동으로 단순화하고 표준화함으로써 이러한 과제를 해결하도록 설계되었다. 예를 들어, 직원 교육을 위한 XR 시뮬레이션과 같은 실시간 활용 사례에서는 원본 CAD 파일에 포함된 모든 볼트나 리벳이 필요하지 않다. 여기서 중요한 것은 작업을 수행하는 데 충분한 현실감의 수준이다. 린 시니어 디렉터는 “최종 활용 지점에 따라 폴리곤 수를 소폭에서 최대 90%까지 줄일 수 있다”고 밝혔다.   ▲ 유니티 애셋 트랜스포머 플러그인   목표는 성능과 사용성을 최적화하기 위해 모델을 최대한 가볍게 유지하는 것이다. 교육 및 시뮬레이션 활용 사례에서는 매끄러운 프레임 속도를 유지하면서 최대한 높은 시각적 정확도를 달성하는 것이 목표이다. 헤드셋의 새로고침 속도와 일치하는 안정적인 프레임 속도를 목표로 해야 하며, 그보다 낮을 경우 사용자에게 불편함을 줄 수 있다. 3D 협업 및 디자인 리뷰에서는 일반적으로 엔지니어가 체결 요소나 인터페이스 등을 검토할 수 있도록 높은 기능적 디테일을 요구한다. 높은 폴리곤 수에 대한 부담을 더 원활하게 관리할 수 있도록, 가까운 거리에서만 렌더링되는 하위 어셈블리에 디테일 수준(LOD)을 사용하는 것이 좋다. 임베디드 시스템 및 산업 제어 장치와 같은 인간–기계 인터페이스는 그래픽 처리 성능이 제한적인 경우가 많으므로, 최대한 낮은 복잡도를 목표로 하고 미리 베이크된 조명과 단순한 셰이더를 사용하는 것이 좋다. 고객 경험 애플리케이션은 타깃 기기의 다양성이 매우 크기 때문에 최적화가 어려울 수 있다. 시각적 정확도와 로딩 시간 사이의 균형을 목표로 하고, 중간급 사양의 모바일 기기와 주요 웹 브라우저에서 검증해야 한다. 일반적인 원칙으로는, 지원 계획이 있는 기기 중에서 가장 성능이 낮은 기기를 기준으로 단순화된 모델부터 테스트하는 것이 좋다. 그 후 성능이 허용하는 범위 내에서만 디테일을 추가하여 배포 후 모델이 과도하게 커져 수정해야 하는 상황을 피해야 한다. 예를 들어 임포트 단계에서 LOD를 생성하면 모든 애셋이 확장 가능한 디테일을 갖추게 되어, 향후 더 다양한 기기와 활용 사례에 유연하게 대응할 수 있다. 다만, 보편적으로 정해진 올바른 폴리곤 수는 없다. 중요한 것은 타깃 기기에서 프레임 속도와 로딩 시간 목표를 안정적으로 달성하는 방법이다. 린 시니어 디렉터는 “같은 애셋이라도 폴리곤 수는 수백만 개에서 수십만 개까지 줄어들 수 있다. 중요한 것은 모든 메타데이터가 연결된 동일한 소스 파일을 계속 사용하고 있다는 것”라고 전했다.   ▲ 제공 : HERE HMI   활용성 갖추기 : 거버넌스, 접근성 및 버전 관리 구축 애셋을 임포트하고 적절한 크기로 조정하고 나면, 다음 단계는 필요한 모든 역할에서 애셋에 안전하게 액세스하고 애셋을 쉽게 찾을 수 있도록 만드는 것이다. 이때 목표는 팀이 애셋을 어디서 찾아야 하는지 명확히 알면서도 관련 없는 애셋으로 인해 부담을 느끼지 않도록 하는 단일 라이브러리를 선별하는 것이다. 이를 위해서는 업무 속도를 저해하지 않으면서도 모든 업데이트가 프로젝트 전반에 반영되도록 완전한 감사 추적을 유지할 수 있는 권한 기반의 액세스 모델이 필요하다.   RBAC(역할 기반 액세스 제어) 린 시니어 디렉터는 “보통은 애셋의 임포트와 생성을 감독하는 관리자가 있고, 그 아래에 작업자와 검토자 역할이 있으면 충분하다”면서, 액세스 권한을 단순하게 유지할 것을 권장했다. 예를 들면 관리자는 구조와 표준을 정의하고, 사용자와 리텐션을 관리하며, 버전을 승인하거나 아카이브 처리할 수 있다. 이 사용자 그룹은 가능한 한 작게 유지하는 것이 좋다.     그 다음 계층에는 디자이너, 작업자, 편집자가 있을 수 있다. 이들은 새로운 애셋을 임포트하고 메타데이터를 편집하며 업데이트를 게시할 수 있으며, 필요 시 관리자 승인을 받아 작업을 수행할 수 있다. 이들이 라이브러리를 일상적으로 유지 관리하게 된다. 마지막으로 소비자 역할이 있는 직원은 승인된 애셋을 검색, 미리 보기 및 다운로드할 수 있지만, 수정하거나 게시할 수는 없다. 역할 기반 액세스 제어는 보안 측면에서도 매우 중요하다. 많은 산업용 3D 애셋 라이브러리에는 매우 민감한 정보가 포함되어 있으며, 그 중 일부는 규제 대상이 되기도 한다. 예를 들어 정부, 항공우주 또는 방위 분야의 수출 통제 설계 데이터는 엄격한 ‘알아야 할 필요성(need-to-know)’ 원칙, 완전한 감사 용이성, 엄격히 통제된 환경에서의 배포를 요구하는 연방 규정을 준수해야 한다. 린 시니어 디렉터는 규제가 엄격한 산업에서 운영하는 경우 가상 프라이빗 클라우드 배포를 사용할 것을 권장했다. 산업 분야와 관계 없이 반드시 지켜야 하는 내용은 다음과 같다. 항상 최소 권한의 원칙을 기본으로 하는 RBAC를 사용한다. 사용하는 플랫폼에서 전송 중인 데이터와 저장된 데이터를 모두 암호화한다. 버전별로 포괄적인 감사 로그와 승인 상태를 유지한다. 민감한 작업을 위해 프로젝트를 분리하고, 필요할 경우 데이터 상주 옵션을 적용한다.   ▲ 유니티 애셋 매니저 웹 인터페이스   버전 관리 및 감사 용이성 거버넌스는 보안과 규정 준수만을 의미하는 것이 아니라, 액세스와 활용을 용이하게 하기 위한 애셋 관리 표준화도 포함한다. 실제로 대부분의 거버넌스 문제는 모두가 모든 것을 바꿀 수 있거나, 누구도 아무것도 바꿀 수 없는 두 가지 극단적인 상황 중 하나에서 발생한다. 예를 들어, 교육 담당자가 엔지니어링 팀이 막 승인한 모델을 덮어쓸 수도 있다. 이는 반드시 부주의 때문이라기보다는, 대부분 명확한 버전 관리 체계의 부재로 인해 발생한다. 린 시니어 디렉터는 “동일한 애셋의 여러 브랜치 버전이 존재하는 경우가 많다. 이 모든 것을 일관적이고 표준화된 방식으로 관리해야 한다”고 조언했다. 여기서 버전 관리가 중요한 역할을 한다. 목표는 변경 사항이 명확하고, 되돌릴 수 있으며, 확실한 의도를 가지고 이루어지도록 하는 것이다. 결국 활용 가능한 애셋 라이브러리는 정기적으로 변경될 수밖에 없다. 공장의 디지털 트윈은 매주 레이아웃이 조금씩 조정될 수 있고, 교육 프로그램은 차세대 XR 헤드셋 출시를 앞두고 새로운 모델로 업데이트될 수 있다. 선형적인 버전 이력(v1.0, v1.1 등)과 애셋 상태(초안, 검토 중, 승인됨, 폐기됨 등)를 적용하여, 라이브러리를 계속해서 변화하는 SSOT(Single Source of Truth)로 관리해야 한다. 많은 산업 환경에서 엔지니어링 팀은 공식 설계를 위한 원본 CAD 파일을 유지 관리한다. 그러나 시각화 또는 교육 팀은 일반적으로 특정 목적에 맞게 최적화된 동일한 모델의 실시간 버전을 사용한다. 이러한 애셋은 병합이 아니라 연결되어야 하며, 그렇지 않으면 시각화용 모델이 어떤 CAD 버전에서 파생되었는지 알 수가 없다. 예를 들면 엔지니어링 팀이 도면을 업데이트하더라도 몇 달 전에 제작된 교육용 모델에는 이전 버전이 그대로 반영되어 있을 수 있으며, 이 사실을 아무도 모를 수 있다. 이는 감사 용이성을 훼손하고 잘못된 설정으로 학습하는 등의 오류로 이어질 수 있다는 점에서 문제가 된다. 모델 변형(variant)의 경우, 단순히 새로운 이름으로 복사본을 만드는 대신 해당 범위와 목적에 따라 태그를 지정하는 것이 좋다. 예를 들어 자동차 제조업체는 지리적 지역, 운전석 위치 폼 팩터 기준으로 태그를 지정할 수 있다. 이렇게 하면 기본 부품이 변경될 때 어떤 변형을 업데이트해야 하는지 정확히 알 수 있다. 마찬가지로 교육에 사용되는 단순화된 모델과 같은 특정 기본 모델의 파생 모델이 있다면, 이를 파생 모델로 표시하되 원본 소스와 해당 CAD 수정 버전에 대한 참조를 유지해야 한다. 이렇게 하면 교육 담당자가 XR/VR 시뮬레이션에 사용되는 단순화된 메시를 엔지니어링 팀의 공식 원본과 혼동하지 않게 된다. 물론 이처럼 세분화된 수준의 버전 관리도 사용성을 높이는 데 매우 중요하지만, 대규모로 구현하기는 매우 어렵기 때문에 자동화가 필수이다. 최신 3D 애셋 매니저(3D Asset Manager)는 일반적으로 대량 작업을 수행하기 위한 커맨드 라인 인터페이스(CLI)뿐만 아니라 새로 임포트 또는 업데이트된 애셋에 대한 메타데이터, 미리보기 및 태그를 생성하는 이벤트 기반 자동화 기능을 포함한다.   ▲ 애셋 매니저 팩토리   적절한 애셋 매니저를 통해 수행할 수 있는 운영 변경 사항의 간단한 체크리스트는 다음과 같다. 관리자, 작업자, 소비자로 구성된 3 역할 모델을 도입한다. 추가 승인이 필요한 프로젝트에는 승인 역할을 추가한다. 애셋 ID, 수정 번호, 원본 소스, 소유자 및 승인 상태와 같은 필수 메타데이터 필드를 매핑하고, 대부분의 사용자에게 기본적으로 승인된 뷰를 설정한다. 배리언트 및 파생 모델에 명확한 레이블을 지정하고 가능한 경우 업데이트를 자동화하여, CAD 수정 버전을 해당 실시간 대응 항목과 연결한다.   시작하기 : 30일 체크리스트 애셋을 임포트, 최적화 및 관리하고 나면 마지막 단계는 새로운 시스템을 일상 업무에 적용하는 것이다. 그런 다음 교육, 제품 개발, 고객 경험 또는 그 밖의 목적으로 실제 비즈니스 성과를 창출하는 몰입형 경험을 만들어 통합 3D 애셋 라이브러리의 가치를 빠르게 입증할 수 있다. 30일 이내에 수행할 수 있는 작업을 간단히 요약하면 다음과 같다. 데이터 소스와 해당 소유자를 목록화한다. 파일럿으로 진행할 대표 모델 한두 개를 선정한다. 보존할 메타데이터 필드를 결정한다. 임포트 과정을 테스트하여 게시 사이클을 최적화한다. 액세스 제어 및 감사 추적을 설정한다.     ■ 기사 내용은 PDF로도 제공됩니다.
작성일 : 2026-05-06
[인터뷰] 시뮬링크로 배터리 BMS 신뢰성 확보 및 로직 검증 자동화 구현
LG에너지솔루션 최호득 책임     ‘매트랩 엑스포 2026 코리아’에서 LG에너지솔루션의 최호득 책임은 MIL(model-inthe-loop) 환경에서 배터리 SOX 로직을 매트랩과 시뮬링크 도구를 활용하여 테스트 스위트를 구성하고, 이를 동적으로 검증하는 프로젝트를 소개했다.   – LG에너지솔루션 및 현재 맡은 업무에 대해 LG에너지솔루션은 자동차, IT 및 로봇, ESS(에너지 저장 시스템) 등에 필요한 배터리 셀, 배터리 팩, BMS(배터리 관리 시스템)를 제공하는 회사이다. 이 가운데 주로 자동차 배터리에 탑재되는 BMS의 기능 검증 및 검증 자동화 업무를 수행하고 있다. 최근에는 BMS 없이 가상 ECU를 검증하는 SIL(software-in-the-loop) 환경 구축이나, 개발된 특정 소프트웨어를 활용해서 모델 내에서 검증하는 MIL 검증을 진행하고 있다.   – 시뮬링크를 적용한 업무는 어떤 것이며, 시뮬링크를 적용하게 된 배경은 무엇인지 이번에 적용한 업무는 매트랩 툴박스(MATLAB Toolbox) 내에 있는 시뮬링크 테스트(Simulink Test)를 기존 테스트 환경에 반영하는 것이다. 시뮬링크 테스트는 시뮬링크 모델을 테스트 하네스(test harness)로 만들어 테스트 스위트를 구성하고 검증하는 방식이다. 개발팀은 주로 특정 모듈을 검증하지만, 검증팀은 대규모 개발 모델과 검증 모델을 통합하여 보다 정확한 검증을 위해 트랜지션(transition)을 사용할 수 있다. 또한, 기존에 사용하던 엑셀 기반의 시나리오 테스트 케이스를 매트릭스 구조로 읽어와 테스트 어세스먼트(test assessment) 블록에 이관하여 검증할 수 있어 검증 효율성을 높일 수 있다는 점에서 시뮬링크 테스트를 활용하게 되었다.   – 현재 시뮬링크를 어떻게 활용하고 있는지 현재 시뮬링크는 두 가지 측면에서 활용하고 있다. 첫 번째는 구성한 테스트 스위트를 활용하여 수동으로 검증할 때이다. 자동화 환경을 구성하기 전에 정의한 변수와 실행이 올바르게 이루어지는지 확인하고, 자동화 검증 결과에 이상이 있을 때 특정 포인트를 직접 눈으로 보면서 로직을 확인한다. 두 번째는 테스트 자동화를 위해 시뮬링크 모델을 래핑한 후, 엑셀에 설계된 테스트 시나리오를 기반으로 개발팀이 배포한 소프트웨어의 기능을 검증하는 목적으로 사용하고 있다.   – 시뮬링크 활용을 통해 얻은 효과에 대해 시뮬링크를 활용함으로써 얻은 효과로는 세 가지가 있다. 첫째는 직관성이다. 시뮬링크는 모델로 구성되어 시간적 순서에 따라 인과관계에 근거하여 동작한다. 이 때문에 구성된 로직이 시간의 순서에 맞추어 동작하는지, 주변 로직에서 영향을 받지 않는지 등의 디버깅이 용이하다. 두 번째는 모델 배포의 용이성이다. 특정 모델을 분리하여 동료에게 배포하기가 쉽다. 배포된 모델은 유닛 테스트 및 동료 검토(예 : Failure 시뮬레이션)가 용이하다. 코드가 아닌 모델로 구성되어 있기 때문에 로직을 보다 쉽게 이해할 수 있다. 마지막은 변수 제어이다. 시뮬링크를 사용하여 시뮬레이션을 진행할 때 시뮬레이션 중 변수 제어가 되지 않는 문제가 있었지만, 이번에 적용한 시뮬링크 테스트를 활용하면 특정 포인트에서 원하는 값을 제어하며 모델을 운영할 수 있다.   – 향후 시뮬링크의 활용 계획에 대해 향후에는 시뮬링크를 현재 수준으로 계속 활용하면서, 매트랩의 통계 함수와 연동하여 검증된 결과에 대한 통계 분석 등 후처리 시뮬레이션(post simulation)을 더욱 적극적으로 활용할 계획이다. 또한, 내장된 툴박스의 기능을 보다 많이 파악하여 현재까지 인지하지 못한 유용한 기능을 활용함으로써, 검증 품질을 높이고자 한다.   – 시뮬레이션 활용 확대를 위해 현업에서 어떤 부분을 고려해야 할지 자동차 및 ESS 프로젝트를 진행하면서 다양한 형태의 데이터 파일을 현장에서 받게 된다. 이러한 데이터를 쉽게 가져와 개발된 모델과 연동하여 사용하는 방법에 대한 고민이 필요하다. 또한, 기존 데이터를 의미 있는 범위 내에서 왜곡하여 시뮬레이션함으로써 로직의 강건성을 검증하는 방법에 대한 고민도 필요하다. 매트랩과 시뮬링크의 시뮬레이션 결과는 동적인 형태로 출력되는데, 이러한 패턴을 검증할 수 있는 기술 개발 역량 강화가 필요할 것 같다.   같이 보기 : [포커스] 매스웍스, MBD와 AI 결합으로 제조 혁신 가속화… “설계 복잡성 줄이고 신뢰성 높인다”
작성일 : 2026-05-06
[포커스] ‘제조 AX’로 일하는 방식을 바꾸다… 피지컬 AI·데이터 통합으로 지능형 생태계 구축
SIMTOS 2026 기간 중 캐드앤그래픽스 주관으로 4월 16일~17일 진행된 ‘피지컬 AI&디지털 트윈 컨퍼런스’와 ‘뿌리산업&소부장 컨퍼런스’에서는 디지털 트윈과 피지컬 AI(physical AI)를 중심으로 제조산업의 디지털 전환과 자율 제조의 비전을 공유했다. 이번 행사는 AI(인공지능) 기술을 융합하여 현장의 숙련된 노하우를 데이터화하며, 스스로 판단하고 실행하는 지능형 생산 체계를 향한 근본적인 체질 개선 방안을 집중적으로 논의했다. 또한 제조산업의 AX(인공지능 전환) 실행 전략과 소부장(소재·부품·장비) 산업의 생존을 위한 R&D 정책 방향이 제시되었다. ■ 정수진 편집장     한국공작기계산업협회의 김현무 선임본부장은 개회사를 통해 오늘날 제조업이 마주한 거대한 변화의 물결을 짚었다. “최근 제조업계는 디지털 트윈과 피지컬 AI를 중심으로 그 어느 때보다 빠르게 디지털 전환을 맞이하고 있다. 현실의 생산 환경을 가상 공간에 정밀하게 구현하고 AI가 스스로 판단해 최적화하는 자율 제조 시스템은 이제 선택이 아닌 필수가 되었다”라고 전한 김현무 선임본부장은 “공작기계는 여전히 제조의 심장이다. 아무리 첨단 기술이 고도화되고 AI가 제조 분야의 의사결정을 주도하더라도, 이를 실제 현실에서 제품으로 구현해 내는 물리적인 바탕은 결국 공작기계”라고 역설했다. 또한, “앞으로 우리 제조업의 경쟁력은 이러한 디지털 기술과 공작 기술이 얼마나 높은 수준으로 융합되는지에 따라 판가름 날 것”이라고 전망했다.   ▲ 한국공작기계산업협회 김현무 선임본부장   피지컬 AI·디지털 트윈으로 실현하는 자율 제조의 미래 4월 16일에는 ‘피지컬 AI&디지털 트윈 컨퍼런스’가 진행됐다. 다섯 편의 발표에서는 단순한 자동화를 넘어 로봇이 인간의 숙련도를 학습하고 스스로 최적의 의사결정을 내리는 피지컬 AI와 이를 뒷받침하는 디지털 트윈 기술의 융합 사례가 다뤄졌다. 로봇, 자동차, 조선 등 각 분야의 전문가들은 파편화된 데이터를 통합하고 일하는 방식 자체를 혁신해야만 진정한 자율 제조 생태계를 구축할 수 있다고 입을 모았다.   ▲ 한국로봇산업진흥원 전진우 수석연구원   한국로봇산업진흥원 제조로봇본부의 전진우 수석연구원은 ‘피지컬 AI의 부상, 제조 강국의 길’을 주제로 한 발표에서, 피지컬 AI가 주도할 제조 산업의 미래를 조명했다. 그는 인공지능이 내린 똑똑한 판단을 실제 물리적인 행동으로 연결하는 것이 피지컬 AI의 핵심이라고 강조했다. “세상의 모든 제조 환경과 인프라가 인간을 기준으로 설계되어 있기 때문에, 사람의 형태를 한 휴머노이드 로봇이 가장 경제적이고 효율적인 실행 도구가 될 수밖에 없다”는 것이 전진우 수석연구원의 분석이다. 한편으로 그는 “제조 AX(인공지능 전환)는 로봇을 도입하는 것으로 그치지 않는다”면서, 눈앞에 보이는 로봇 하드웨어의 도입에만 집착해서는 안 된다는 충고도 전했다. 진정한 제조 혁신을 위해서는 일하는 방식 자체를 근본적으로 바꿔야 한다는 것이다. 구체적으로는 현장 장인들의 숙련된 솜씨와 암묵적인 노하우를 다중 감각 데이터로 변환하고 기록하여 로봇의 뇌를 구축하는 작업이 반드시 선행되어야 한다. 전진우 수석연구원은 “다가올 피지컬 AI 시대의 진정한 승부처는 단단한 기계 장비가 아니라, 로봇을 똑똑하게 움직이게 할 양질의 현장 데이터를 어떻게 수집하고 자산화할 것인지 치열하게 고민하는 데 달려 있다”고 조언했다.   ▲ 현대자동차·기아 이현우 팀장   현대자동차·기아의 이현우 팀장은 ‘피지컬 AI와 디지털 트윈을 통한 자율제조혁신’을 주제로 AI 기반 자율 제조를 향한 혁신의 여정을 소개했다. 그는 자율 제조 공장이라는 자동차 제조 산업의 새로운 변화와 함께, 피지컬 AI 및 디지털 트윈을 융합한 자율 제조 혁신이라는 비전을 소개했다.   ▲ HD한국조선해양 이태진 전무   HD한국조선해양의 이태진 전무는 ‘조선 미래를 위한 차세대 설계/생산 통합 플랫폼과 피지컬 AI’를 주제로 발표를 진행했다. 인력난과 복잡해진 선박 건조 환경을 극복할 해법으로 미래형 조선소의 청사진을 제시한 이태진 전무는 “디지털 매뉴팩처링, 디지털 트윈, 피지컬 AI의 세 가지 키워드가 삼위일체되는 것이 지능형 자율운영 조선소의 핵심”이라고 강조했다. 가상 공간의 시뮬레이션 결과가 실제 현장에서 피지컬 AI의 행동으로 이어지고, 디지털 트윈이 두 세계를 빈틈없이 연결해야 진정한 자율 제조가 완성된다는 것이다. 이를 위한 우선 과제로는 파편화된 데이터의 통합이 꼽힌다. 이질적인 시스템의 언어를 온톨로지(ontology) 기술로 하나로 묶어내 단일한 진실의 원천(single source of truth)을 만들어야만 AI가 상황을 정확히 인지하고 올바른 의사결정을 내릴 수 있다는 것이 이태진 전무의 설명이다. 그는 “거대한 야드 위 수많은 로봇과 설비가 충돌 없이 조화롭게 일하는 완벽한 오케스트레이션(orchestration)을 구현하는 것이 대한민국 조선업의 압도적 경쟁력을 지켜낼 열쇠가 될 것”이라고 전했다.   ▲ 한국산업기술기획평가원 김성호 본부장   한국산업기술기획평가원(KEIT)의 김성호 본부장은 ‘제조 AX(M.AX) 얼라이언스 구성·성과 및 운영방향’에 대해 소개하면서, 대한민국 제조업의 강점을 결집하고 지능화된 산업 생태계를 구축하겠다는 비전을 제시했다. 1300개가 넘는 기관이 참여하는 M.AX 얼라이언스(맥스 얼라이언스)는 자동차, 로봇, 조선, 반도체 등 핵심 분야별로 특화된 AI 모델과 하드웨어 기술력을 확보하는 데 주력하고 있다. 김성호 본부장은 데이터 수집부터 기술 개발, 제품 실증에 이르는 전 주기의 로드맵을 설명했다. 특히 2026년에는 약 1조 1000억 원 규모의 예산이 투입되어 ‘AI 팩토리 선도 프로젝트’와 단기 상용화 사업인 ‘AI 스프린트’ 등이 가속화될 전망이다. 또한 민간 투자를 유도하기 위한 국민성장펀드 협력 체계와 GPU 등 필수 인프라 지원책을 병행하여 기업들이 글로벌 시장에서 경쟁력을 갖출 수 있는 토양을 마련한다. 김성호 본부장은 “궁극적으로 맥스 얼라이언스는 개별 기업의 성공을 넘어 제조 AX 세계 최강국으로 도약하기 위한 핵심 거점 역할을 수행할 것”이라고 밝혔다.   ▲ KAIST 장영재 교수   KAIST의 장영재 교수는 ‘제조 피지컬 AI & 제조 자동화’를 주제로 한 발표에서, 다수의 이기종 로봇이 조화롭게 협업하는 무인 공장 통합 운영 시스템인 ‘카이로스’를 소개하면서 제조 피지컬 AI의 실질적인 적용 방안을 제시했다. 과거에는 개별 장비나 로봇 자체의 지능 고도화에만 집중했지만, 실제 생산 현장에서는 수많은 기계가 서로 얽히며 예상치 못한 충돌과 병목 현상이 발생할 수밖에 없다. 장영재 교수는 “이를 근본적으로 해결하기 위해 탄생한 카이로스는 공장 전체의 맥락을 조망하며, 인공지능이 스스로 상황을 판단하고 작업을 지시하는 거대한 ‘공장 운영체제’ 역할을 수행한다”고 설명했다. 또한, 장영재 교수는 “첨단 기술의 도입이 단순한 보여주기식에 그쳐서는 안 된다”면서, “결국 진정한 제조 혁신은 파편화된 AI 기술의 나열이 아니라 공장 전체의 운영 흐름을 통합적으로 통제하는 데서 시작한다”고 전했다. 또한, 스마트폰 앱을 내려받듯이 소프트웨어 업데이트만으로 기계의 성능이 끊임없이 진화하는 소프트웨어 중심의 아키텍처로 탈바꿈하는 근본적인 체질 개선을 거쳐야 제조 혁신이 완성될 수 있다고 덧붙였다.   ■ 같이 보기 : [포커스] 글로벌 공급망 위기 돌파구, 소부장 및 뿌리산업의 AX 전략     ■ 기사 내용은 PDF로도 제공됩니다.
작성일 : 2026-05-06
클라우드 기반 개방형 협업도구, 트림블 커넥트(Trimble Connect)
주요 스마트 건설 DX 솔루션 소개   클라우드 기반 개방형 협업도구, 트림블 커넥트(Trimble Connect) 개발 트림블, www.tekla.com/kr 자료 제공 트림블코리아, 070-4940-4600, www.tekla.com/kr   트림블 커넥트(Trimble Connect)는 건설 산업의 설계, 제작, 시공 전 과정을 연결하는 클라우드 기반의 공통 데이터 환경(CDE)이자 개방형 협업 플랫폼이다. 기획부터 건축을 넘어 자산의 전체 수명 주기 전반에 걸쳐 모든 이해관계자에게 혁신적이고 연결된 솔루션 생태계를 제공하며, 올바른 데이터를 적시에 적절한 사람에게 연결해 프로젝트의 효율성과 생산성을 극대화한다. 1. 주요 특징 (1) 단일 협업 플랫폼 프로젝트별 클라우드 공간에 3D 모델, 2D 도면, 일반 문서, 이미지 등 다양한 포맷의 파일을 업로드·다운로드하고, 자체 2D/3D 뷰어로 즉시 열람·검토·공유할 수 있다. 트림블 커넥트를 중심으로 스케치업(SketchUp), 테클라(Tekla), 프로젝트사이트(ProjectSight) 등 트림블 솔루션과 다양한 서드파티 애플리케이션이 연동돼, 설계-시공-유지관리 데이터가 하나의 플랫폼에서 이어진다. (2) 건설 현장 중심 워크플로우 지원 설계사, 시공사, 사전제작공장(프리캐스트/프리팹), 전문 시공사, 유지보수 조직 등 각 참여자의 역할에 맞는 모델 검토, 모델 조정, 사전 시공, 교육, 설치 가이드, 시공 검증, 유지보수 뷰 등을 지원한다. 현장에서 1:1 스케일로 BIM 모델을 실제 공간에 매핑하는 가상 건설(AR/MR) 워크플로우를 통해 설치 순서(4D)와 간섭 이슈를 직관적으로 파악하고, 사전 조립·설치 검증을 수행할 수 있다. (3) 3Cs 개념 구현 트림블이 제시하는 트림블 빌딩 솔루션의 3Cs(Constructible, Connected, Content-Enabled) 개념에 따라, 실제 시공 가능한 수준의 모델(Constructible)과 현장-사무실 간 연결(Connected), 풍부한 BIM 콘텐츠(Content-Enabled)를 통합 지원한다. 또한 시공 BIM과 현장 디지털 전환을 위한 실질적인 워크플로우를 제공한다. 2. 주요 기능 (1) 모델과 도면 관리 다양한 포맷의 BIM/2D 데이터를 프로젝트·폴더 구조로 관리하며, 웹·데스크톱·모바일·MR 환경에서 고성능 3D 뷰어로 시각화·검토할 수 있다. 사전 정의된 뷰포인트(Viewpoint)와 모델 시퀀싱, 간섭 체크, 시공 검증 뷰를 제공해 복잡한 구조물도 직관적으로 점검한다. (2) 협업과 작업 관리 모델 상에서 문제를 태그하고 사진·메모를 첨부해 실시간 공유하며, 담당자·마감일을 설정해 작업(Task) 단위로 추적한다. 설계 의도 전달, 이해관계자 협의·승인, 마크업·코멘트·히스토리 관리로 변경 내역을 투명하게 기록한다. (3) 가상 건설과 원격 지원 1:1 실규모 홀로그램을 통해 설치 위치·순서를 시뮬레이션하고, 프리캐스트·모듈러 등 조립식 부품의 적합성을 사전에 검증한다. 비숙련 작업자 교육용 조립·설치 방법 가이드, 현장 원격 지원 기능을 통해 작업 품질과 안전성을 향상시킨다. 3. 도입 효과 (1) 재작업 감소 모든 참여자가 단일 소스의 최신 모델·도면·문서를 사용해 구버전 도면 사용, 간섭 미검출, 설계 변경 누락으로 인한 재시공을 크게 줄인다. 설계 검토, 시공 전 시뮬레이션, 사전 제작 부품 적합성 검증으로 공사 착공 전 리스크를 선제적으로 제거한다. (2) 생산성 개선 모델 시퀀싱과 4D 시각화로 공정 계획과 현장 실행을 연계해 공정 지연과 대기 시간을 줄이고, 장비·인력 활용을 최적화한다. GNSS/AR 기반 위치 검증과 설치 QA/QC로 오차와 재시공률을 낮춰 자재·인건비 낭비를 최소화한다. (3) 원활한 협업과 의사결정 설계사-시공사-전문 시공사-발주처-유지관리 간 동일 모델·이슈 정보를 공유해 소통 비용을 줄이고, 의사결정 속도와 품질을 높인다. 준공 모델과 IoT 3D 뷰, 이슈·검증 이력을 유지관리 단계까지 활용해 설비 관리·리뉴얼 계획 등에서 데이터 기반 의사결정을 가능하게 한다. 4. 주요 고객 현대엔지니어링, Strabag, Skanska, Granite Construction, Ramboll, Hensel Phelps, Yates Construction, Turner Construction Company, Arup, WSP, DPR Construction 등 전 세계에서 수천 개의 기업이 트림블 커넥트를 사용해 프로젝트 수행 능력을 강화하고 있다.  상세 내용은 <스마트 건설 DX 가이드>에서 확인할 수 있습니다. 상세 내용 보러가기    
작성일 : 2026-05-03
[탐방] 세이프틱스, 로봇과 사람이 공존하는 현장을 향한 도전
로봇과 사람이 같은 공간에서 함께 일하는 제조 현장은 더 이상 미래의 이야기가 아니다. 협동로봇과 자율로봇이 공정 곳곳에 투입되면서 생산성은 비약적으로 높아졌지만, 동시에 ‘안전’이라는 근본적인 과제가 다시금 부각되고 있다. 이러한 변화의 한가운데서 로봇이 스스로 안전하게 판단하고 움직이도록 만드는 ‘안전 지능(Safety Intelligence)’ 기술로 주목받는 기업이 있다. ▲ 세이프틱스 신헌섭 대표 로봇 안전 지능 기술 전문기업 세이프틱스 2020년 설립된 세이프틱스(Safetics)는 로봇이 사람과 같은 공간에서 안전하게 작동하도록 하는 ‘로봇 안전 지능’ 기술을 개발하는 스타트업이다. 많은 기업이 협동로봇을 도입하며 펜스 없이 자유롭게 움직이는 작업 환경을 기대하지만, 현실의 제조 현장에서는 법적·제도적 안전 기준으로 인해 여전히 물리적 펜스 설치가 요구된다. 이에 대해 신헌섭 대표는 “협동로봇이 도입됐다고 해서 곧바로 펜스 없는 작업이 가능한 것은 아니다. 실제 현장에서는 안전 규제가 가장 큰 진입 장벽으로 작용하고 있다”라고 설명한다. 세이프틱스는 이러한 제도적·기술적 장벽을 근본적으로 해결하고자 출발했다. 단순히 로봇을 멈추거나 격리하는 방식이 아니라, 로봇이 스스로 위험을 인지하고 안전한 동작을 선택하도록 만드는 것이 이 기업의 지향점이다. 이 같은 기술은 제조 현장뿐 아니라 카페, 급식실 등 로봇이 사람과 밀접하게 접촉하는 다양한 공간으로 적용 범위를 넓혀가고 있다. 안전과 생산성을 동시에 잡는 최적 설계 솔루션 ‘SafetyDesigner’ 세이프틱스가 시장에 주력으로 선보이는 솔루션은 협동로봇의 PFL(Power and Force Limiting) 모드를 실질적으로 구현하는 웹 기반 안전 설계 솔루션 ‘SafetyDesigner’다. SafetyDesigner는 안전성과 생산성 사이의 상충 관계를 기술적으로 해소하는 데 초점을 맞추고 있다. 충돌 안전 시뮬레이션 기능: 별도의 물리적 실험 없이도 가상 시뮬레이션을 통해 로봇과 사람이 충돌할 경우 발생하는 힘과 압력을 정밀하게 계산할 수 있다. 이를 통해 실제 현장에서 발생할 수 있는 위험을 사전에 분석하고 설계 단계에서부터 대응이 가능하다. 최대 안전 속도 추천 기능: 시뮬레이션으로 도출된 힘과 압력 값을 기반으로 ISO 안전 표준을 충족하면서도 공정 효율을 최대한 유지할 수 있는 최적의 로봇 속도를 제안한다. 이는 ‘안전을 위해 속도를 낮출 수밖에 없다’는 기존 인식을 뒤집는 핵심 기능이다. 지능형 위험성 평가 기능: 설문 기반의 위험성 평가 방식을 통해 안전 전문 지식이 없는 현장 담당자도 로봇 작업 환경에 대한 정보를 입력하면, 관련 표준과 법규에 대응하는 위험성 평가 보고서를 자동으로 생성할 수 있다. 안전 설계와 규제 대응을 동시에 간소화할 수 있다는 점에서 현장의 신뢰가 높다.   AX 시대의 로봇 자율성을 뒷받침하는 안전 지능 기술 제조 AX(AI Transformation) 시대의 핵심은 로봇의 ‘비정형 유연성’이다. AI 로봇은 실시간으로 경로와 속도를 바꾸며 작업을 수행하지만, 이러한 자율성은 기존의 고정된 안전 설계 방식으로는 충분히 담보하기 어렵다. 세이프틱스의 경쟁력은 다양한 로봇 모션을 수만 번의 가상 시뮬레이션으로 분석해, 표준에 부합하는 안전 속도를 정량적으로 제시하는 데 있다. 더 나아가 세이프틱스는 SafetyDesigner로 분석된 데이터를 로봇과 실시간으로 연동해 자율적인 안전 판단과 제어를 수행하는 ‘SafetyGiver’ 솔루션으로 기술을 고도화하고 있다. 두산로보틱스, 뉴로메카 등 주요 로봇 제조사와의 협업을 통해 구축 중인 이 기술은, AX 시대 제조 현장에서 로봇 자율성을 안전하게 통제하고 증명하는 핵심 인프라로 자리매김할 것으로 기대된다. 휴머노이드 시대를 여는 ‘로봇 안전 지능’ 세이프틱스는 공장을 넘어 일상으로 확장될 휴머노이드 로봇 시대를 준비하고 있다. 휴머노이드는 사람과 같은 공간에서 빠르고 복잡한 동작을 수행하기 때문에, 기존의 펜스나 단순 정지 방식으로는 안전을 보장하기 어렵다. 이에 세이프틱스는 사람이 경험을 통해 안전 감각을 익히듯, 로봇이 스스로 위험을 판단하고 최적의 행동을 선택하는 ‘안전 지능’을 모든 형태의 로봇에 보급하는 것을 목표로 한다. 신 대표는 “앞으로의 로봇 안전은 ‘멈추는 기술’이 아니라, ‘판단하는 기술’이 되어야 한다”고 강조한다. 세이프틱스는 이 같은 정의를 바탕으로 사람과 로봇이 가장 안전하게 공존하는 미래를 구현하고 있다. 펜스 없는 생산성 혁신과 글로벌 시장 진출 가속화 세이프틱스는 로봇 도입 과정에서 안전 규제 대응에 어려움을 겪는 기업들에게 SafetyDesigner를 활용한 현실적인 해법을 제시하고 있다. 펜스나 잦은 정지 없이도 법적 기준을 충족하며 생산성을 극대화할 수 있다는 점이 시장에서 입증되고 있다. 또한 안전 비전문가도 쉽게 활용할 수 있는 위험성 평가 솔루션을 통해 국내 제조 현장의 안전 인프라 수준을 한 단계 끌어올리고 있다. 최근 파트너십을 체결한 대만 넥스코봇을 비롯해 글로벌 기업들과의 접점을 확대하며 세계 시장 진출을 본격화하고 있다. 지능형 로봇 시대를 위한 안전 패러다임 전환 제조 AX와 산업 AI 시장이 지속적으로 성장하기 위해서는 로봇 안전을 사후 보완이 아닌 초기 설계의 핵심 요소로 인식하는 패러다임 전환이 필요하다. 특히 휴머노이드와 같이 사람과 밀착해 작동하는 로봇일수록, ‘피지컬 AI’ 기반의 안전 기술은 시장 확대의 필수 조건이 될 것이다. 세이프틱스는 안전을 공정의 제약이 아닌 성능 극대화의 도구로 활용함으로써, 공간 효율 개선과 멈춤 없는 공정을 동시에 실현하고 있다. 사람과 로봇의 경계 없는 협업, 세이프틱스가 여는 새로운 길 로봇 안전의 패러다임은 이제 펜스로 격리하던 시대를 넘어, 로봇 스스로 위험을 판단하고 안전하게 행동하는 ‘지능의 시대’로 진화하고 있다. 세이프틱스는 지구상의 모든 로봇이 사람과 경계 없이 협업하는 세상을 지향한다. 펜스라는 물리적 장벽이 사라진 자리에서 안전한 공존이 뿌리내릴 수 있도록, 세이프틱스는 전 세계 로봇 산업의 혁신 파트너로서 역할을 이어갈 계획이다.  
작성일 : 2026-04-29