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.

제조 AI와 소프트웨어 파워에 관심높아… AI 투자로 초격차 이끌 것   지난해 국내 제조 산업은 하드웨어 중심에서 소프트웨어 중심(SDx)으로의 급격한 체질 개선과 AI 도입이라는 거대한 파도와 마주했다. 지난해 4월 PTC코리아에 합류한 김도균 대표에게 PTC가 그리는 ‘인텔리전트 제품 라이프사이클’의 비전과 2026년 사업 전략에 대해 들어보았다. ■ 최경화 국장     클라우드 및 보안 전문가로서 제조 IT 기업인 PTC에 합류하게 된 배경과 지난해의 소회가 궁금하다. 지난해 4월 PTC코리아 대표로 부임했으니 곧 1년이 되어간다. PTC코리아 합류 이전에는 클라우드플레어, 아카마이 등에서 클라우드와 보안, AI 인프라 사업을 주로 이끌었다. 당시 에지 서버나 AI 추론 영역을 다루며 AI 시대에는 결국 제조 현장이 가장 크게 변할 것이라는 확신을 갖게 되었다. PTC는 제조 엔지니어링 분야의 전통 강자이면서도, 최근 제조 AI와 소프트웨어 역량 강화에 적극적인 기업이다. 지난해는 PTC코리아 조직을 재정비하고, 하드웨어 제조 중심이었던 국내 고객들에게 소프트웨어와 하드웨어의 융합 필요성을 설파하며 새로운 성장의 발판을 마련한 해였다.   지난해 PTC 비즈니스에서 가장 두드러진 변화나 성과는? 가장 큰 변화는 ALM(애플리케이션 수명주기 관리) 설루션인 코드비머(Codebeamer)의 약진이다. 과거 제조 시장이 하드웨어 설계에 집중했다면, 지난해에는 자동차 산업을 필두로 소프트웨어 정의 차량(SDV) 트렌드가 확산되면서 하드웨어와 소프트웨어를 통합 관리해야 하는 수요가 빠르게 확대됐다. 소프트웨어 요구사항 정의부터 코딩, 테스트, 배포까지 관리하는 ALM은 이제 선택이 아닌 필수가 되었다. 특히 대기업을 중심으로 복잡한 요구사항을 중복 없이 관리하고 개발 비용을 절감하기 위해 코드비머를 도입하는 사례가 크게 늘었다. 이를 통해 PTC는 제조 소프트웨어 영역에서의 혁신 파트너로 존재감을 확대했다.   PTC의 전통적인 주력 분야인 CAD와 PLM, 기타 관련 비즈니스는 어떤지? 매출 비중으로 보면 여전히 CAD(크레오)와 PLM(윈칠)이 가장 큰 축을 담당하며 견고하게 성장하고 있다. 특히 PLM은 단순히 설계 데이터를 저장하는 PDM(제품 데이터 관리) 수준을 넘어, 전사적 데이터 관리의 핵심으로 진화했다. 반면 IoT(사물인터넷) 사업은 전략적인 변화가 있었다. 최근 자산운용사 TPG에 IoT 사업 부문을 매각하고 파트너십 형태로 전환하는 절차를 밟고 있다. 이는 PTC가 IoT 사업을 포기하는 것이 아니라, 핵심 역량인 CAD, PLM, ALM, SLM(서비스 수명주기 관리) 등 4대 핵심 설루션에 투자를 집중하고, IoT는 전문 파트너사를 통해 더 고도화된 지원을 제공하기 위함이다. ‘선택과 집중’ 전략을 통해 핵심 설루션을 강화해 나간다는 계획이다.   클라우드 네이티브 CAD인 온쉐이프와 기존 주력 제품인 크레오의 포지셔닝은 어떻게 가져갈 계획인지? 두 제품의 역할은 명확히 구분된다. 크레오(Creo)는 자동차 엔진이나 복잡한 설비처럼 고도의 정밀함과 대용량 데이터 처리가 필요한 작업에 최적화되어 있다. 물론 크레오도 ‘크레오 플러스(Creo+)’라는 클라우드 버전을 통해 협업 기능을 강화하고 있다. 반면, 온쉐이프(Onshape)는 SaaS PLM이라고 할 수 있는 아레나(Arena)와 함께 100% 클라우드 네이티브(SaaS) 제품이다. 설치 없이 웹 브라우저에서 바로 구동되기 때문에, 스타트업이나 로봇 개발처럼 빠른 속도와 협업이 중요한 제품 개발 분야에서 각광받고 있다. 실제로 지난 CES 2026에서 로봇을 출품한 기업들이 온쉐이프로 설계를 했다고 해서 놀라기도 했다. 제조 현장에서 클라우드 SaaS 환경에 대한 거부감이 생각보다 많이 사라졌음을 체감하고 있다.   엔지니어링 분야에서도 AI 도입이 화두다. PTC의 AI 전략은 타사와 무엇이 다른가? 많은 기업이 AI를 표방하지만 단순히 챗봇 형태의 요약 기능에 그치는 경우가 많다. PTC가 추구하는 AI는 ‘실질적인 엔지니어링 AI’다. 예를 들어, PLM 내에서 AI가 수만 가지 부품을 분석해 중복 부품을 찾아내고, 대체 가능한 표준 부품을 제안해 원가를 절감해준다. 또한, AI 에이전트(agent) 기술을 통해 서로 다른 시스템 간에 데이터를 주고받으며 자율적으로 업무를 수행하는 단계까지 로드맵을 가지고 있다. 설계자가 자연어로 명령하면 최적의 형상을 모델링해주는 생성형 설계(generative design)나, ALM에서 요구사항의 오류를 AI가 자동으로 검증하는 기능 등은 이미 제품에 탑재되어 현장에서 쓰이고 있다.   최근 새롭게 인수한 회사 및 이 인수가 PTC 비즈니스에 가져오는 변화를 소개한다면? 가장 핵심적인 인수는 제품 및 소프트웨어 변형(variant) 관리 설루션 기업인 퓨어시스템즈(Pure-systems)다. 이 회사의 주력 설루션인 퓨어 베리언츠(Pure Variants)는 복잡한 제조 환경에서 필수적인 PLE(Product Line Engineering : 제품 라인 엔지니어링) 기능을 제공한다. 쉽게 설명하자면, 자동차나 가전제품을 만들 때 수만 가지의 파생 모델이 존재한다. 과거에는 모델마다 설계를 따로 관리했다면, 이제는 공통된 소프트웨어와 하드웨어 자산을 플랫폼화하고, 각기 다른 고객의 요구사항이나 옵션에 맞춰 변형된 부분만 효율적으로 관리해야 한다. 퓨어시스템즈 인수를 통해 PTC는 급성장하는 ALM 설루션 코드비머에 강력한 변형 관리 기능을 통합하게 되었다. 이를 통해 SDV 전환이 시급한 자동차 산업이나 규제가 까다로운 의료기기, 항공우주 분야에서 제품의 소프트웨어 구성부터 테스트, 검증까지 전 과정을 하나의 시스템으로 추적하고 관리할 수 있게 되었다. 이는 PTC가 단순히 설계 툴을 파는 회사가 아니라, 제조 소프트웨어의 복잡성을 해결해 주는 파트너로 차별화된 경쟁력을 확보하는데 기여할 것으로 기대하고 있다.   최근 엔비디아와의 파트너십 강화가 눈에 띈다. 어떤 시너지를 기대하는지? 엔비디아와의 협력은 옴니버스(Omniverse) 기술 통합이 핵심이다. PTC의 설계 데이터(CAD/PLM)를 별도의 변환 없이 실시간으로 시뮬레이션하고 시각화할 수 있는 환경을 구축했다. 이는 디지털 트윈을 넘어선 개념으로, 엔비디아 역시 자체 공장과 제품 설계에 PTC 설루션을 사용하고 있을 만큼 양사의 관계는 끈끈하다. 이 협력을 통해 고객들은 고성능 AI 인프라나 복잡한 제품을 설계할 때 향상된 속도와 정확성을 경험하게 될 것이다.   제조업계는 보안 이슈로 인해 클라우드 도입에 보수적인 것으로 알려져 있다. 최근의 분위기는 어떤지? 확실히 분위기가 달라졌다. 결국 AI는 ‘데이터 싸움’이다. 데이터를 한곳에 모으고 잘 저장해둬야 AI를 제대로 활용할 수 있는데, 이를 위한 가장 효율적인 기반이 바로 클라우드이기 때문이다. 과거에는 클라우드 전환을 꺼리던 대형 제조사들도 이제는 AI 도입을 전제로 클라우드 마이그레이션을 굉장히 활발하게 검토하고 있다. 물론 모든 시스템을 한 번에 클라우드로 옮길 수는 없다. 그래서 PTC는 고객 상황에 맞춰 하이브리드 접근을 제안하거나, 단계적인 클라우드 설루션을 제공하고 있다.   올해 PTC코리아가 주목하고 있는 시장이나 기술 이슈는 무엇인가? 올해는 방산과 의료기기 분야를 집중 공략할 계획이다. 글로벌 시장에서는 이미 록히드 마틴 같은 거대 방산 기업이 PTC 설루션을 표준으로 사용하고 있다. 최근 ‘K-방산’의 위상이 높아진 만큼, 국내 방산 기업들의 디지털 혁신을 적극 지원하고자 한다. 헬스케어 분야 역시 웨어러블 기기나 정밀 의료기기 설계 수요가 늘어나며 큰 기회가 되고 있다. 또한, 지역적으로는 부산, 경남 지역 등을 지원하기 위한 영남 지사 개소를 준비 중이다. 경남권의 거대 제조 벨트를 밀착 지원하기 위해 다시 영남권 거점을 마련하여 고객 접근성을 높일 예정이다.   올해 PTC코리아의 비즈니스 목표와 포부에 대해 소개한다면? 최근 5년간 매년 두 자릿수 성장을 이어왔는데, 올해도 높은 성장을 기대하고 있다. AI 기능이 탑재된 신제품에 대한 시장 반응 또한 긍정적으로, 지난 12월 진행한 행사에서도 예상을 뛰어넘는 고객들이 몰렸다. 2026년에는 이러한 성과를 바탕으로 클라우드 및 구독형 엔지니어링 소프트웨어 전환을 본격 가속화할 계획이다. 내부적으로는 영업, 기술, 마케팅 인력을 확충하고 파트너 생태계를 강화하여 고객들이 PTC의 기술을 더 쉽고 깊이 있게 활용할 수 있도록 지원할 것이다. 단순한 설루션 공급사를 넘어 대한민국 제조업의 지능형 혁신을 이끄는 동반자가 되겠다.     ■ '2025 국내 엔지니어링 소프트웨어 시장조사'에서 더 많은 내용이 제공됩니다.

‘인텔리전트 제품 라이프사이클’로 국내 제조 AX 혁신 선도   ▲ PTC코리아 김도균 대표 제조업의 디지털화가 ‘연결’과 ‘자동화’를 넘어 ‘지능화’와 ‘자율 제조’가 중심이 되는 AX(AI Transformation) 시대로 빠르게 진입하고 있다. 1993년 설립 이후 국내 제조 산업의 혁신을 이끌어온 PTC코리아(www.ptc.com)는 AX 시대를 맞아 단순한 엔지니어링 소프트웨어 공급자를 넘어 기업의 창조 역량을 극대화하는 전략적 파트너로 도약하고 있으며, 엔지니어링 기술의 새로운 패러다임을 제시하고 있다. PTC 혁신의 역사 40년, ‘Power To Create’의 비전을 실현하다 PTC는 2026년 기준 전 세계 35개국에서 3만 5천 이상의 고객사를 보유하고 7,200명 이상의 직원이 함께하는 글로벌 엔지니어링 소프트웨어 기업이다. 1985년 혁신적인 3D 설계 방식으로 시장에 등장한 이후, PTC는 끊임없는 기술 개발과 전략적 인수를 통해 CAD, PLM을 넘어 ALM, SLM에 이르는 통합 포트폴리오를 완성해 왔다. PTC의 핵심 목표는 ‘Power To Create’, 즉 고객과 직원 모두에게 더 나은 세상을 구상하고 이를 현실로 만들 수 있는 창조적 역량을 제공하는 것이다. PTC코리아 김도균 대표는 "PTC의 목적은 단순히 더 좋은 세상을 구상하는 데서 그치지 않고, 고객이 실질적인 비즈니스 성과를 창출할 수 있도록 혁신적인 디지털 기술을 제공하는 것"이라며 기업의 비전과 사회적 책임의 조화를 강조했다. ‘선택과 집중’으로 강화되는 전통 비즈니스와 핵심 솔루션 PTC의 성장을 지탱하는 가장 큰 축은 여전히 전통적인 주력 분야인 CAD와 PLM이다. 매출 비중 면에서 CAD(크레오)와 PLM(윈칠)은 여전히 견고한 성장세를 보이고 있으며, 특히 PLM은 단순히 설계 데이터를 저장하는 PDM(제품 데이터 관리) 수준을 넘어 전사적 데이터 관리의 핵심 플랫폼으로 진화했다. 최근 PTC는 미래 성장을 위해 과감한 전략적 변화를 단행했다. IoT(사물인터넷) 사업 부문을 자산운용사 TPG에 매각하고 파트너십 형태로 전환하는 절차를 밟고 있는 것이다. 이에 대해 김도균 대표는 "이는 IoT 사업을 포기하는 것이 아니라, 핵심 역량인 CAD, PLM, ALM, SLM(서비스 수명주기 관리) 등 4대 핵심 솔루션에 투자를 집중하기 위한 '선택과 집중' 전략"이라고 설명했다. 이를 통해 IoT는 전문 파트너사를 통해 더 고도화된 지원을 제공하는 한편, PTC는 자체 핵심 솔루션의 경쟁력을 극대화한다는 계획이다. 실질적인 ‘엔지니어링 AI’로 제조 초격차 구현 PTC가 정의하는 ‘지능형 제품 라이프사이클’은 설계-개발-제조-운영 전 과정에 AI를 적용한 체계로, 엔터프라이즈 전반의 제품 데이터를 연결하는 통합 엔지니어링 환경을 지향한다. 김 대표는 현재 많은 기업이 표방하는 AI가 챗봇 형태의 요약 기능에 그치는 점을 지적하며, PTC는 '실질적인 엔지니어링 AI'를 추구한다고 강조했다. 그는 "PLM 내에서 AI가 수만 가지 부품을 분석해 중복을 찾고 표준 부품을 제안하여 원가를 절감하거나, ALM에서 요구사항의 오류를 자동으로 검증하는 기능 등은 이미 제품에 탑재되어 현장에서 활용되고 있다"고 설명했다. 다만, 안전과 윤리가 중요한 제조 현장인 만큼 "AI의 역할을 결정권자가 아닌 '조언자'로 정의하고, 최종 판단은 인간이 내리는 인간 중심의 AI 활용 철학이 PTC 의 기술 근간에 자리 잡고 있다"고 덧붙였다. SDx(소프트웨어 정의 제품) 시대의 통합 플랫폼 전략 최근 자동차 산업을 중심으로 확산되는 소프트웨어 정의 차량(SDV) 트렌드는 PTC의 ALM 솔루션인 ‘코드비머(Codebeamer)’의 비약적인 성장을 이끌었다. 김 대표는 "하드웨어와 소프트웨어를 통합 관리해야 하는 수요가 폭증하면서 요구사항 정의부터 코딩, 테스트, 배포까지 관리하는 ALM은 이제 필수"라고 진단했다. 여기에 최근 인수한 ‘퓨어시스템즈(Pure-systems)’ 의 변형 관리 기능이 더해지면서 PTC의 경쟁력은 더욱 강화되었다. 퓨어시스템즈의 ‘퓨어 베리언츠(Pure Variants)’는 수만 가지 파생 모델이 존재하는 복잡한 제조 환경에서 제품 라인 엔지니어링(PLE) 기능을 제공한 다. 이를 통해 기업들은 공통된 소프트웨어와 하드웨어 자산을 플랫폼화하고, 고객의 다양한 옵션 요구에 맞춰 변형된 부분만 효율적으로 관리함으로써 개발 비용과 시간을 획기적으로 줄일 수 있게 되었다.   에이전틱 AI가 제시하는 새로운 길 PTC코리아는 오는 3월 코엑스에서 개최되는 ‘2026 스마트공장 EXPO’에 참가하여 대한민국 제조업의 미래를 바꿀 차세대 AI 기술을 대거 선보일 예정이다. 이번 전시에서 PTC는 특정 제품의 기능을 나열하기보다 ‘에이전틱 AI(Agentic AI)가 주도하는 지능형 제품개발: 데이터로 연결되는 엔지니어링의 새로운 패러다임’이라는 주제로 혁신적인 메시지를 전달하는 데 집중한다. 김도균 대표는 이번 전시의 핵심에 대해 “PTC는 에이전틱 AI를 중심으로 설계, 생산, 운영 전 과정의 제품 데이터를 지능적으로 연결하여 새로운 제품개발 패러다임을 제시할 것”이라고 밝혔다. 특히 이번 행사에서는 ‘지능형 제품 라이프사이클(Intelligent Product Lifecycle)’과 ‘에이전틱-생성형 AI(Agentic-Generative AI)’의 결합을 통해 데이터 중심의 협업과 업무 자동화, 그리고 고도화된 의사결정을 어떻게 실질적으로 구현하는지 확인할 수 있다. 이는 시뮬레이션 및 클라우드와 통합된 데이터-커넥티드 엔지니어링 환경을 제공함으로써 기업들이 AI 기반의 제품개발 혁신과 디지털 제조 생태계를 가속화할 수 있는 이정표가 될 전망이다. 클라우드 기반의 AX 가속화와 2026년 미래 청사진 AI 전환의 성공은 데이터의 효율적 집약에 달려 있으며, PTC는 이를 위한 최적의 환경으로 클라우드 전환을 가속화하고 있다. 김 대표는 "과거 클라우드에 보수적이었던 제조사들도 AI 도입을 위해 클라우드 마이그레이션을 활발히 검토하고 있다"고 전했다. PTC는 100% SaaS 기반인 ‘온쉐이프(Onshape)’와 ‘아레나(Arena)’를 통해 스타트업부터 글로벌 기업까지 유연한 협업 환경을 제공하며, 엔비디아(NVIDIA)와의 파트너십을 통해 실시간 시뮬레이션과 시각화가 가능한 디지털 트윈 환경을 구축해 나가고 있다. 2026년, PTC코리아는 이러한 기술력을 바탕으로 K-방산과 항공우주, 정밀 의료기기 등 고부가가치 산업군으로 사업을 확장할 계획이다. 특히 부산·경남 지역 제조 벨트를 밀착 지원하기 위해 영남권 지사 개소를 준비하는 등 현장 중심의 고객 서비스를 강화하고 있다. 김 대표는 "단순한 솔루션 공급사를 넘어 대한민국 제조업의 지능형 혁신을 이끄는 동반자가 되겠다"는 포부와 함께, 국내 제조 현장에 필요한 AI 및 엔지니어링 인재 양성에도 지속적으로 기여하겠다는 의지를 밝혔다.   ▲ PTC코리아 직원들     ■ 캐드앤그래픽스 최경화 국장 kwchoi@cadgraphics.co.kr      

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.

PTC는 BMW 그룹이 차세대 디지털 엔지니어링의 핵심 기반으로 자사의 애플리케이션 수명주기 관리(ALM) 설루션인 코드비머(Codebeamer)를 도입했다고 밝혔다. BMW 그룹은 이번 도입을 통해 수백 개의 시스템에 흩어져 있던 기존 요구사항 관리 환경을 코드비머 기반의 단일 통합 데이터 모델로 전환한다. 코드비머는 현재 BMW 그룹 전사 차원의 요구사항 관리 표준 설루션으로 쓰이고 있다. 이 설루션은 단일 공유 데이터 모델을 바탕으로 기계와 전기, 소프트웨어 등 모든 영역에 걸쳐 일관된 프로세스와 강화된 추적성을 제공한다. 이러한 통합 환경은 메카트로닉스 기반의 통합 개발을 가능하게 하고 협력사와의 협업 효율성을 높인다. 또한 BMW 그룹이 추진하는 인공지능(AI) 기반 엔지니어링 워크플로 도입을 위한 확장 기반을 마련하는 역할도 한다. PTC는 코드비머를 포함한 자사 포트폴리오를 통해 인텔리전트 제품 수명주기 비전을 실현하고 있다. 이를 통해 제조 기업이 엔지니어링 단계에서 제품 데이터 기반을 구축하고 AI 기반의 디지털 전환을 가속화하도록 돕는다. PTC는 제품 데이터를 폭넓게 활용하면 기업의 품질 향상과 출시 기간 단축, 복잡성 관리와 규제 대응 역량 강화에 도움이 된다고 설명한다.     PTC의 로버트 다다 최고수익책임자는 “BMW는 디지털 엔지니어링 분야에서 리더십을 보여주고 있다”면서, “코드비머로 요구사항 관리를 중앙화함으로써 통합 메카트로닉스와 AI 주도 엔지니어링을 위한 견고한 데이터 기반을 구축하고 미래 자동차 혁신을 효과적으로 지원하게 됐다”고 말했다. PTC 코리아의 김도균 대표는 “BMW 그룹의 이번 결정은 국내 자동차 업계에도 시사하는 바가 크다”면서, “디지털 엔지니어링 환경을 구현하려는 국내 자동차 업계의 움직임에 맞춰 코드비머 도입을 적극적으로 추진하고 PTC 설루션 포트폴리오를 통해 고객의 혁신을 지원하겠다”고 덧붙였다.

산업을 위한 AI와 버추얼 트윈 기술 (1)   국제적으로 환경 규제가 강화됨에 따라 조선산업에서는 설계 초기 단계부터 탄소 배출을 정량적으로 관리하는 체계가 필수로 자리잡고 있다. 다쏘시스템은 카티아 매직(CATIA Magic)과 다이몰라(Dymola)를 통해 모델 기반 시스템 엔지니어링(MBSE)과 다물리 시뮬레이션을 결합한 ‘프론트 로딩’ 환경을 제공한다. 이를 통해 선박의 복잡한 시스템을 통합적으로 검증하고 최적의 설계 대안을 도출함으로써, 저탄소 친환경 선박 개발의 리스크를 줄이고 기술 경쟁력을 강화할 수 있다.   ■ 신정일 다쏘시스템코리아 조선해양 Technical Executive 홈페이지 | www.3ds.com/ko   전 세계 교역 물량의 약 90%를 담당하는 해운 산업은 전 지구적 온실가스 배출의 약 3%를 차지하고 있으며, 기후 위기 대응의 핵심 산업으로 빠르게 부상하고 있다. 국제해사기구(IMO)는 2050년까지 해운 산업의 온실가스 순배출 제로(net-zero)를 목표로 설정하고, 기존선 에너지효율지수(EEXI : Energy Efficiency Existing Ship Index)와 탄소집약도지표(CII : Carbon Intensity Indicator) 등 규제를 본격적으로 시행하고 있다. 이러한 규제 환경은 선박의 성능을 단순히 ‘만족’시키는 수준을 넘어, 설계 초기 단계에서부터 탄소 배출을 정량적으로 예측, 관리, 검증할 수 있는 체계를 요구하고 있다. 이러한 변화로 인해 기존의 2D 도면 중심 설계와 부문별로 단절된 해석, 사후 검증 위주의 접근 방식만으로는 더 이상 효과적인 대응이 어렵다는 인식이 확산되고 있다. 이에 따라 최근 조선산업에서는 모델 기반 시스템 엔지니어링(Model-Based Systems Engineering : MBSE)과 시스템 단위 시뮬레이션을 중심으로 한 디지털 전환이 핵심적인 대응 방안으로 부상하고 있다.   조선산업에서 MBSE가 필수인 이유 선박은 본질적으로 추진, 전력, 연료, 안전, 제어, 열, 규제 요구사항이 복합적으로 얽힌 통합 시스템(system of systems)이다. 그러나 전통적인 설계 방식에서는 이러한 요소들이 개별 부서, 개별 해석 도구, 개별 문서로 관리되어 왔으며, 시스템 차원의 상호 영향은 설계 후반부나 시운전 단계에서야 드러나는 경우가 많았다. MBSE는 이러한 한계를 극복하기 위한 접근 방식이다. 선박을 하나의 통합 시스템으로 정의하고 요구사항–기능–구성요소–성능 간의 관계를 모델로 명확히 연결함으로써, 설계 변경이 전체 시스템에 미치는 영향을 사전에 검증할 수 있도록 한다. 이는 단순한 설계 효율화가 아니라, 규제 대응 리스크와 기술 불확실성을 구조적으로 줄이는 방법이다. 특히 저탄소 친환경 선박에서는 연료 소비, 이산화탄소 배출, 에너지 흐름, 운항 조건이 서로 긴밀히 연결되어 있기 때문에, 시스템 차원의 모델링과 시뮬레이션 없이는 설계 단계에서 신뢰성 있는 판단을 내리기 어렵다.   친환경 시스템 설계를 위한 성능 검증 다쏘시스템의 카티아 매직(CATIA Magic)은 이러한 복잡성을 관리하기 위해 MBSE를 단순한 개념이 아니라 설계–검증–의사결정이 유기적으로 작동하는 실질적인 실행체계로 구현한다. 요구사항 관리와 시스템 아키텍처를 중심으로 선박 전체의 구조와 기능을 정의하고, 그 결과를 물리 성능 시뮬레이션과 직접 연결함으로써 설계 초기 단계의 판단이 실제 성능 검증으로 즉시 이어지는 ‘프론트 로딩(front loading)’ 환경을 제공한다. 이 과정에서 다이몰라(Dymola)는 MBSE에서 정의된 시스템 아키텍처를 물리적으로 검증하는 핵심 가교 역할을 수행한다. 카티아 매직에서 정의된 요구사항과 검증 시나리오는 다이몰라의 시스템 모델로 전달되며, 다이몰라는 추진, 전력, 연료공급, 열관리 및 제어시스템 등 선박의 복합한 거동을 다물리(multi-physics) 기반으로 시뮬레이션하여 정량적인 성능 결과를 도출한다. 이러한 결과는 다시 시스템 아키텍처로 피드백되어 설계 대안 간 트레이드오프 분석과 전체 시스템 최적화에 활용된다. 특히 다이몰라는 오픈소스로 무료 사용이 가능한 표준 모델링 언어인 모델리카(Modelica)를 채택하고 있어, 조선소가 자사의 설계 철학과 운용 조건을 반영한 컴포넌트를 직접 구현할 수 있는 높은 유연성을 제공한다. 이를 통해 특정 벤더의 정형화된 라이브러리에 종속되지 않고, 기업 고유의 도메인 지식과 설계 노하우를 모델로 축적하고 활용할 수 있으며, 지식재산권 보호 측면에서도 경쟁력을 확보할 수 있다. 이러한 특성은 복잡성과 다양성이 높은 조선산업의 설계 및 생산 환경에서 성능을 검증, 최적화하는 데 적합하다.   그림 1   즉, MBSE가 ‘무엇(what)을 만족해야 하는가’를 정의한다면, 다이몰라는 ‘그 요구사항이 실제 물리 법칙 하에서 가능한가(how)’를 입증하는 역할을 담당한다. 이러한 시스템 아키텍처–성능 시뮬레이션 간 폐순환(closed-loop) 구조를 통해 설계 변경이 발생하더라도 그 영향이 신속하게 시뮬레이션 모델에 반영되며, 엔지니어는 그 결과를 바탕으로 데이터에 근거한 최적의 설계 대안을 도출할 수 있다. 이러한 초기 단계에서의 검증은 선박의 생산 및 시운전 단계에서의 시행착오를 획기적으로 줄이고, 한국 조선업의 기술적 리더십을 공고히 하는 핵심 경쟁력이 될 것이다.   카티아 매직과 다이몰라를 활용한 저탄소 친환경 성능 검증 사례 카티아 매직과 다이몰라는 이미 글로벌 조선산업에서 저탄소 성능을 설계 초기부터 검증하는 데 활용되고 있다. 대표적인 사례로는 전력 시스템 성능 검증, 그리고 IMO CII 규제 검증이 있다. 첫 번째 예로, 유럽의 한 조선소에서 선박 운항 중 전력 부하 해석을 통해 케이블, 변압기, 발전기 등 주요 전력 구성 요소의 적정 용량을 산정하고, 제어기를 포함한 전력 시스템의 전력 소모를 최소화하여 친환경 운항을 도모한 사례이다. <그림 2>와 같이 부하 흐름(load flow) 해석과 과도(transient) 시뮬레이션을 통해 주요 전력 구성 요소의 용량과 전력 계통의 거동을 설계 초기 단계에서 검증함으로써, 전압 강하 및 과부하 발생 여부를 사전에 평가할 수 있다.     ■ 기사 상세 내용은 PDF로 제공됩니다.

가상 제품 개발을 위한 MBSE 및 SysML의이해와 핵심 전략 (5)   이번 호에서는 모델 기반 시스템 엔지니어링(MBSE)의 핵심 언어인 SysML의 정의와 역할을 설명한다. SysML은 기존 문서 중심 방식의 한계를 극복하기 위해 복잡한 시스템을 시각화하고 설계 일관성을 유지하며, 모델리카(Modelica)와의 연동을 통해 수치 해석 및 검증 능력까지 제공한다. 결과적으로 SysML은 요구사항 정의부터 물리적 검증까지 전체 과정을 유기적으로 통합하여 가상 제품 개발의 생산성을 높이는 데에 기여한다.   ■ 오재응 한양대학교 명예교수, 시뮬레이션 랩 CTO   SysML이란 SysML(Systems Modeling Language)은 시스템을 대상으로 한 그래픽 모델링 언어로, UML(Unified Modeling Language)을 기반으로 확장하여 개발된 것이다. SysML은 OMG(Object Management Group), INCOSE(International Council on Systems Engineering), 그리고 ISO STEP AP233(시스템 엔지니어링 데이터 교환 표준)의 요구사항을 반영한 엔지니어링 RFP(Request for Proposal)에 따라 만들어졌으며, UML 2.0의 하위 집합을 기반으로 하되, 시스템 모델링에 특화된 확장 기능을 포함하고 있다. 즉, UML의 한 프로파일(profile)이면서도 시스템 중심 기능이 강화된 언어이다. SysML은 하드웨어, 소프트웨어, 데이터, 입력/출력, 절차 및 설비 등 복합적인 요소를 포함하는 시스템을 요구, 분석, 설계, 검증, 검증 및 검토(V&V) 등 전 과정에 걸쳐 모델링할 수 있도록 지원한다. 이를 통해 복잡한 시스템을 시각적으로 표현하고, 다양한 구성요소 간의 관계를 추적할 수 있다. 또한, SysML은 XML 기반 메타데이터 교환(XMI)을 통해 다른 모델 및 데이터 시스템과의 연동을 지원하며, 국제 표준인 AP233의 진화 과정과도 연계되어 있다. 이러한 상호운용성과 표준성은 SysML이 시스템 모델 중심 개발(model-driven SE)을 위한 핵심 언어로 자리매김하게 된 중요한 배경이다. 결론적으로, SysML은 전통적인 문서 중심 시스템 개발 방식에서 벗어나, 시각적 모델 중심으로 시스템을 통합적으로 정의하고 분석하며 검증할 수 있도록 해주는 핵심 도구라 할 수 있다. 이는 특히 모델 기반 시스템 엔지니어링(Model-Based Systems Engineering : MBSE)을 실현하기 위한 기반 언어로 널리 사용된다.   왜 SysML 모델링 언어와 MBSE가 연계되는가 지금까지 기본 시스템 엔지니어링의 시스템 설계 활동에 대해 설명해 왔지만 이들의 활동의 주요 목적은 MBSE에서도 마찬가지이다. 그러나 지금까지의 시스템 엔지니어링은 두 가지 ‘불편’이 있었다. 하나는 자연 언어 그 자체의 기술력으로 인한 불편이다. 예를 들어, 자연 언어로 시스템 엔지니어링 영역에서 널리 사용되는 계층 구조와 병렬 동작을 동시에 설명하는 것은 어렵다. 또한, 입력한 정보의 조감과 여러 원인과 결과를 가진 인과 관계를 설명하기도 어렵다. SysML은 시스템 엔지니어링을 위해 개발된 준 형식적 도식 언어이며 이러한 불편을 해소하기 쉽다. 또 다른 불편은 설명 내용의 일관성 유지라는 문제이다. 자연 언어로 작성된 문서 간에 걸친 정보의 완전성 및 일관성을 유지하는 것은 어렵고 문서에 설명된 정보가 변경될 때 시스템의 수명주기에 미치는 영향을 예측하기가 어렵다. 이들에 대해서도 모델링 툴을 병용하면서 SysML을 사용하면 이러한 불편을 없앨 수 있다. 한편 ‘개발 현장용’ 모델 언어의 의미와 메타 모델로서 추적성을 완비해야 한다. 아직 설계서로부터의 자동 코드 생성은 주류가 아니고, 사람의 손으로 프로그래밍에 의존하는 실태를 감안하면 다양한 능력의 사람이 이해하고 사용할 수 있는 설계 모델 언어여야 한다. 즉, 엄밀하지만 그것을 읽어내는데 수학적인 기능이 필수인 형식 언어나 SysML을 자유롭게 구사해 표현한 모델에서는 많은 리뷰어가 이해하는 데 고생하고, 종합적으로는 생산성을 떨어뜨릴 수 있다. 따라서 모델 간 추적성 정의만 엄격하게 한 모델 표현(언어)을 정의했다. 또한 설계 프로세스로 알려진 크게 복잡하고 세밀한 개발 단계를 결정하는 것만으로 그치지 않고 상품 디자인에 집중할 수 있도록, 모델 레벨에서 설계 순서 및 모델 간의 추적성을 나타내고 있다. SysML은 구조, 동작, 속성 및 요구 사항 측면에서 복잡한 시스템 설명을 캡처하기 위한 표준화된 범용 그래픽 모델링 언어이다. 모델리카(Modelica)는 미분 대수 방정식의 관점에서 복잡한 시스템의 연속 및 이산 시간 역학을 분석하기 위한 표준화된 범용 시스템 모델링 언어이다. SysML 모델의 설명력과 모델리카 모델의 분석 및 계산 능력을 통합하면 SysML 또는 모델리카가 개별적으로 제공하는 것보다 훨씬 더 뛰어난 기능을 제공할 수 있다. 모호함 없이 SysML과 모델리카 모델 간에 모델링 정보를 효율적이고 자동으로 전송하기 위한 구현을 지원하는 두 모델링 언어 간의 표준화된 양방향 변환이 개발되고 있다. 이러한 양방향 변환 접근 방식에 대한 개요 외에도, 이번 호에서는 변환 원리를 명확히 하고 이 두 언어 간의 통합으로 인해 발생하는 중요한 시너지 효과를 설명하는 간단한 예를 제공한다. SysML은 기본 의미론을 갖춘 잘 정의된 그래픽 구성을 사용하여 시스템 모델을 생성하고 관리하는 데 사용할 수 있는 범용 시스템 모델링 언어이다.(Object Management Group, 2008) SysML은 UML 2(Object Management Group, 2009)의 하위 집합을 재사용하고 새로운 모델링 요소와 두 가지 새로운 다이어그램 유형을 추가하여 이를 확장한다. 이러한 SysML 다이어그램은 <그림 1>에 나와있다.   그림 1. SysML 다이어그램 개요 및 UML 다이어그램과의 관계   요구 사항 다이어그램 및 매개변수 다이어그램과 결합된 일련의 동작 및 구조 다이어그램은 시스템의 통합 보기를 제공한다. 그러나 SysML은 단순한 다이어그램 세트 그 이상을 나타낸다. 다이어그램의 기본에는 모든 모델링 구성을 공식적으로 나타내는 추상 구문 모델 저장소가 있다. 그만큼 위에 표시된 대로 SysML의 시스템 동작은 활동 다이어그램, 상태 머신 다이어그램 및/또는 시퀀스 다이어그램과 관련 의미론의 조합을 통해 캡처된다.     ■ 기사 상세 내용은 PDF로 제공됩니다.

다쏘시스템은 https://www.3ds.com/ko 3D익스피리언스(3DEXPERIENCE) 플랫폼 상에서 산업이 혁신과 운영을 창출하고, 테스트하며, 검증하는 방식을 혁신적으로 변화시키기 위해 설계된 새로운 AI 기반 전문가 범주인 ‘버추얼 동반자(Virtual Companions)’를 공개했다. 이 새로운 업무 방식은 인간과 AI가 가장 복잡한 산업 과제에 대해 안전하고 지능적으로, 그리고 대규모로 협업할 수 있도록 지원하는 데에 초점을 맞추고 있다. 버추얼 동반자는 대규모 언어 모델(LLM)을 넘어, 산업 월드 모델(Industry World Models), AI, 그리고 물리 법칙과 재료 과학에 의해 검증된 다중 스케일(multi-scale) 및 다분야(multi-discipline) 모델링 및 시뮬레이션을 결합함으로써, 과학적 기반과 수십 년간 축적된 산업 수준의 지식을 토대로 구축됐다. 버추얼 동반자는 사용자 의도를 이해하고 추론하며, 제품 및 서비스의 구상부터 사용, 재생에 이르는 전체 라이프사이클 전반에서 행동을 오케스트레이션한다. 정확성, 추적 가능성, 신뢰성을 보장하며, 물리적으로 존재하기 전에 행동과 결과를 시뮬레이션한다.      다쏘시스템은 산업 비즈니스 과제에 대해 상호보완적인 접근 방식을 제공하는 세 가지의 버추얼 동반자를 공개했다. ▲’아우라(Aura)’는 요구사항, 프로젝트, 변경사항 전반에 걸쳐 지식과 맥락을 오케스트레이션하여 팀이 복잡성을 관리하고 정렬을 유지할 수 있도록 지원한다. ▲’레오(Leo)’는 설계부터 생산에 이르는 다양한 엔지니어링 분야 전반에서 복잡한 엔지니어링 과제를 해결한다. ▲’마리(Marie)’는 소재, 화학, 제형, 치료 분야에 대한 심층 과학 전문성을 기반으로 복잡한 현상을 탐구하고, 첨단 질문을 도출하며, 혁신적 가설을 탐색한다. 3D익스피리언스 에이전틱 플랫폼(3DEXPERIENCE Agentic Platform)은 수천 개의 버추얼 동반자와 인간 간 비동기적 협업을 조율하면서, 데이터 주권 요구사항을 준수하도록 확장 가능하게 설계됐다. 버추얼 동반자는 다양한 산업 분야에서 다쏘시스템의 모든 브랜드와 함께 활용할 수 있다. 아우라는 이미 3D익스피리언스 플랫폼에서 제공되고 있으며, 레오와 마리는 2026년 3D익스피리언스 플랫폼을 통해 제공될 예정이다. 3D익스피리언스 월드 2026(3DEXPERIENCE World 2026)에서 버추얼 동반자를 처음 공개한 다쏘시스템의 파스칼 달로즈 CEO는 “생성형 경제에서 산업은 지식과 노하우를 생산하며, 이는 새로운 객체를 만들어내는 진정한 가치의 원천이다. 이제 인간과 버추얼 동반자 간 새로운 팀워크를 통해 보이지 않는 것을 가시화하고, 물리적으로 존재하기 전에 불가능을 가능하게 만들어 지식을 실제 업무에 적용할 시점이 왔다. 이를 통해 혁신 주기를 가속화하는 동시에 가장 중요한 자산을 보호할 수 있다”고 말했다.

가상 제품 개발을 위한 MBSE 및 SysML의이해와 핵심 전략 (4)   이번 호에서는 모델 기반 아키텍처(model-based architecture)를 통해 시스템을 이해하고 해석하는 과정의 중요성에 대해 살펴보고자 한다.   ■ 오재응 한양대학교 명예교수, 시뮬레이션 랩 CTO   그림 1.모델 기반 아키텍처를 통해 시스템을 이해 및 해석하는 과정   시스템 엔지니어링에서는 요구사항을 충족시키기 위해 시스템 전체의 최적 가치를 도출할 수 있도록, 시스템의 개발이 이루어지기 이전 단계에서 신중한 선택과 분석이 요구된다.(그림 1) 이러한 작업은 시스템 엔지니어의 핵심 역할 중 하나로, 이를 통해 성능, 비용, 신뢰성 등 다양한 설계 목표를 동시에 만족시키는 최적의 시스템 구성을 도출할 수 있다. 하지만 복잡한 시스템에서는 구성 요소 간의 상호작용이 매우 복잡하고, 다양한 요소가 시스템 전체의 성능에 미치는 영향을 정확히 이해하는 것은 매우 어렵다. 이를 해결하기 위해 분석 중심의 아키텍처 모델링이 필요하다. 분석 중심 아키텍처 모델은 기존의 직관적이고 고정된 설계 접근법과 달리, 시스템 요구사항의 충족 여부를 판단할 수 있는 다양한 시나리오와 조건을 모델링하고, 이에 따른 시스템 특성의 변화를 예측할 수 있도록 한다. 이를 통해 명확히 정의되지 않았던 시스템 특성에 대한 분석을 가능하게 하며, 설계 초기 단계부터 전체 시스템의 성능 목표 달성 가능성을 평가할 수 있게 된다. 또한, 이러한 모델 기반 접근법은 요구사항과 시스템 구조 간의 연계성을 강화하고, 설계 및 운영 단계에서 다양한 대안을 분석하여 최적의 시스템 구성을 선택할 수 있도록 지원한다. 이는 특히 설계 변경이 빈번한 복잡한 시스템 개발에서 비용과 시간을 절감하고, 품질을 확보하는 데 큰 도움이 된다. <그림 1>에는 실제 아키텍처 모델링 도구의 화면이 예시로 제시되어 있으며, 이를 통해 전체 시스템 구조, 시뮬레이션 조건, 분석 결과 등을 시각적으로 확인할 수 있음을 보여준다. 이와 같은 설명은 발표나 보고서에서 모델 기반 시스템 엔지니어링(MBSE)과 아키텍처 기반 분석의 필요성과 실질적인 이점을 전달할 때 효과적으로 활용할 수 있다.   MBSE 도구 기능 기반 확장   그림 2. 요구사항과 모델, 해석 간의 데이터 연동 기능   <그림 2>는 MBSE 도구 기능의 확장에서 특히 요구사항과 모델, 해석 간의 데이터 연동 기능이 강화되고 있는 추세를 설명하고 있다. MBSE의 도구 환경은 단순히 그래픽 모델링 수준을 넘어 요구사항과 모델, 해석 데이터 간의 통합을 목표로 점점 확장되고 있다. 특히 데이터 흐름과 분석 정보가 시스템 모델(SysML)과 유기적으로 연계됨에 따라, 다양한 분석 도구와의 연동이 가능해지고 있다. 예를 들어, 모델센터(ModelCenter)와 같은 상용 통합 해석 플랫폼은 SysML 모델을 MBSE PAK과 같은 패키지를 통해 해석 모델과 연결할 수 있도록 지원하며, 시스템 요구사항에서 해석까지 연계된 설계 평가를 가능하게 한다. 또한, 랩소디(Rhapsody) 또는 카티아 매직(CATIA Magic) 등의 MBSE 모델링 도구에서는 파라메트릭 다이어그램이나 해석 모델 내에서 매개변수(parameters) 기반 연산을 수행할 수 있으며, 이를 통해 요구사항에 대한 성능 확인과 설계 조건 충족 여부를 모델 기반으로 해석할 수 있다. <그림 2>는 시스템 모델(SysML)이 요구사항, 구조, 행동, 파라미터, 그리고 해석 도구와 어떻게 연결되는지를 보여주고 있다. 특히 해석 결과를 다시 요구사항 검증으로 피드백시키는 폐순환(closed-loop) 구조가 강조되고 있다. 이를 통해 시스템 설계자는 더 빠르고 신뢰성 높은 의사결정을 내릴 수 있다. 예를 들어보면, 최근 건조기 제품의 개발에서는 MBSE의 적용이 점차 확대되고 있으며, 단순한 그래픽 모델링을 넘어 요구사항과 모델, 해석 간 데이터 통합을 핵심으로 삼고 있다. 특히, 다양한 동작 시나리오(예 : 쾌속건조, 절전건조 등)에 따라 요구사항이 달라지는 건조기 시스템 특성상, 모델 간 유기적 연결과 해석 연동이 매우 중요하다. 건조기 설계에서는 SysML 기반의 시스템 모델을 통해 다음과 같은 다양한 요소를 모델링하고 해석에 연결한다. 요구사항 모델은 ‘건조 시간 60분 이내’, ‘소비 전력 700Wh 이하’, ‘잔여 수분율 5% 이하’ 등의 고객 요구사항을 정의한다. 구조 모델은 드럼, 히터, 송풍기, 제습센서 등의 구성요소와 상호 작용을 정의한다. 행위 모델은 센서 신호에 따른 히터 제어, 팬 속도 제어 등의 시퀀스를 모델링한다. 파라메트릭 모델은 ‘드럼 회전 속도’, ‘히터 출력’, ‘공기 유량’ 등의 매개변수를 통해 성능 예측과 해석이 가능하도록 한다. 이러한 모델은 모델센터 등의 해석 플랫폼과 연동되어, 실제 건조기의 에너지 소비량, 건조 시간, 습도 변화 등을 해석할 수 있다. 특히 SysML의 파라메트릭 다이어그램을 통해 해석 파라미터를 모델에 연결하고, 최적의 설계 조건을 도출하는 것이 가능하다. 예를 들어, 카티아 매직 안에서 SysML 파라메트릭 다이어그램을 기반으로 히터 출력과 팬 속도를 조절하여 건조 시간과 에너지 소비를 최소화하는 최적화 해석을 수행할 수 있으며, 이 결과는 요구사항 만족 여부를 자동으로 검증하는 구조로 구성된다. 결과적으로 MBSE는 건조기 개발 전반에서 모델, 해석, 요구사항 간의 통합 기반 의사결정 구조를 제공함으로써, 제품 개발 기간 단축, 성능 검증 강화, 설계 변경 대응 유연성 향상에 기여할 수 있다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

PTC가 소프트웨어 중심의 제품 개발 환경을 혁신하기 위해 자사의 애플리케이션 수명주기 관리(ALM) 포트폴리오의 신규 버전인 코드비머(Codebeamer) 3.2, 코드비머 AI 1.0, 퓨어 베리언츠(Pure Variants) 7.2를 공식 발표했다. 이번 업데이트는 자동차, 의료기기, 항공우주 및 방위 등 규제가 엄격한 산업군에서 제품 복잡성과 규제 요구사항을 효율적으로 관리할 수 있도록 설계되었다.   이미지 제공 :  PTC 디지털 스레드 통합으로 제품 데이터 기반 강화 새롭게 출시된 코드비머 3.2와 퓨어 베리언츠 7.2는 하드웨어와 소프트웨어 개발 전반의 추적성과 변경 관리, 가시성을 개선하는 데 중점을 두었다. 주요 기능으로는 PTC의 제품 수명주기 관리(PLM) 솔루션인 윈칠(Windchill) 및 기타 엔터프라이즈 시스템과의 디지털 스레드 통합이 꼽힌다. 이를 통해 팀 간의 협업 효율을 높이고 수동 작업을 줄여 제품 출시 기간을 단축할 수 있다. 또한, 스트림 베이스라인 기능을 도입하여 특정 시점의 프로젝트 상태를 스냅샷으로 캡처함으로써 복잡한 포트폴리오 내에서 변경 관리를 간소화했다. 사용자 인터페이스가 업그레이드된 리뷰 허브는 대량 승인 및 거절 기능을 지원하며 차이점을 시각적으로 강조해 검토 과정의 오류를 최소화한다. 피처 기반의 제품 라인 엔지니어링(PLE) 자동화 기능은 플랫폼과 변체 간의 동시 개발을 지원하여 제품 라인 전반의 재사용성을 최적화한다. 엔지니어링 표준 기반의 코드비머 AI 1.0 도입 PTC가 이번에 처음 선보이는 코드비머 AI 1.0은 엔지니어링 및 테스트 표준을 기반으로 한 관리형 AI 지원 기능을 제공한다. 시스템 공학 국제협의회(INCOSE) 및 국제 소프트웨어 테스트 자격위원회(ISTQB)의 지침을 준수하는 두 가지 AI 어시스턴트가 핵심이다. 요구사항 어시스턴트는 요구사항 작성 시 품질 문제를 자동으로 감지하여 모호함을 제거하고 표준에 부합하는 명확한 요구사항을 빠르게 생성하도록 돕는다. 테스트 케이스 어시스턴트는 요구사항에서 테스트 케이스를 직접 생성 및 최적화하여 검증 활동의 정확성과 일관성을 높인다. 이를 통해 엔지니어는 반복적인 수동 작업에서 벗어나 더 가치 있는 의사결정에 집중할 수 있다. 지능형 제품 수명주기 비전의 구체화 PTC는 코드비머와 퓨어 베리언츠를 포함한 이번 릴리스가 회사의 지능형 제품 수명주기 비전을 뒷받침한다고 강조했다. 엔지니어링 부문에서 강력한 데이터 기반을 구축하고 이를 전사적으로 확장하여 AI 기반의 전환을 가속화하겠다는 전략이다. PTC 엔리케 크라즈말닉 ALM 부문 총괄 책임자는 제품이 점차 소프트웨어 중심으로 변화함에 따라 모든 변경 사항과 결정이 수명주기 전반에 걸쳐 연결되어야 한다며, 이번 신규 솔루션들이 고객의 현대적인 소프트웨어 개발 노력을 지원하고 AI를 책임감 있게 적용하는 데 기여할 것이라고 밝혔다.