공장의 AI 프로젝트에서 자주 보는 장면이 있습니다. 모델은 설비 고장 확률이 높다고 알려 주고, 수요가 늘 것이라고 예측하며, 특정 공정이 병목이라고 표시합니다. 대시보드는 화려하지만 현장의 생산계획과 작업 순서는 그대로입니다. 몇 달 뒤 담당자는 “예측은 맞았는데 성과가 무엇인지 모르겠다”고 말합니다.
문제는 모델 정확도가 아니라 예측 이후의 의사결정과 실행이 빠져 있다는 데 있습니다. 고장 가능성이 70%라는 값만으로는 언제 정비할지, 어떤 주문을 앞당길지, 대체 설비로 무엇을 옮길지 정할 수 없습니다. 생산량, 납기, 품질, 에너지, 인력, 정비비 사이의 제약과 우선순위를 함께 계산해야 합니다.
디지털 트윈은 이 간극을 메울 수 있는 운영 구조입니다. 실제 설비와 공정의 현재 상태를 디지털 모델에 동기화하고, 여러 미래를 가상으로 시험한 다음, 안전한 행동을 선택해 현장에 적용하고, 결과를 다시 모델에 반영합니다. 핵심은 3D 화면이 아니라 관측–이해–예측–최적화–실행–검증이 이어지는 폐루프입니다.
디지털 트윈은 대시보드나 3D 모델과 무엇이 다른가
디지털 트윈이라는 이름이 넓게 쓰이면서 서로 다른 시스템이 같은 용어로 불립니다. 구분을 위해 네 단계로 생각해 볼 수 있습니다.
| 단계 | 주요 기능 | 한계 |
|---|---|---|
| 시각화 | 설비 상태와 KPI를 화면에 표시 | 현재 상황을 보여 주지만 원인과 행동은 결정하지 않음 |
| 디지털 모델 | 자산·공정·관계와 규칙을 표현 | 현장 데이터와 지속적으로 동기화되지 않을 수 있음 |
| 시뮬레이션 | 가정한 조건에서 결과를 계산 | 실제 현재 상태와 차이가 크면 결과가 무의미 |
| 운영 디지털 트윈 | 실시간 상태 동기화, 예측, 의사결정, 결과 검증 | 데이터·모델·제어의 신뢰성을 함께 관리해야 함 |
AWS는 디지털 트윈을 물리·디지털 시스템의 구조, 상태와 행동을 동적으로 반영하는 살아 있는 디지털 표현으로 설명합니다. Azure Digital Twins도 장비 하나의 값이 아니라 건물·공장·에너지망처럼 전체 환경의 엔티티와 관계를 트윈 그래프로 모델링합니다. 즉 센서값을 3D 객체 위에 올리는 것은 출발점일 뿐입니다.
첫 번째 기반은 AI가 아니라 공통 운영 모델이다
폐루프를 만들려면 먼저 시스템마다 다른 이름과 식별자를 연결해야 합니다. PLC에서는 LINE2_M03, MES에서는 Equipment-184, 정비시스템에서는 다른 자산번호로 부르는 설비가 같은 대상임을 알아야 합니다. 설비, 공정, 제품, 작업지시, 센서, 작업자, 위치의 관계를 공통 모델로 정의해야 합니다.
좋은 트윈 모델에는 현재값만 들어 있지 않습니다.
- 정적 속성: 설비 형식, 용량, 위치, 제조사, 설치일
- 동적 상태: 가동 모드, 온도, 진동, 작업 중인 주문
- 관계: 어느 라인에 속하고 어떤 공정과 자원을 공유하는지
- 능력과 제약: 처리 가능한 제품, 속도 범위, 전환시간, 안전 한계
- 이력과 계보: 상태가 언제 어떤 원천에서 갱신됐는지
공통 모델이 없으면 AI 결과는 설비 ID 하나에 붙은 점수로 끝납니다. 관계 모델이 있으면 해당 설비를 정지할 때 영향을 받는 주문, 대체 가능한 장비, 필요한 작업자와 자재를 함께 찾을 수 있습니다.
센서값은 곧 현실이 아니다
현장 데이터에는 지연, 누락, 중복, 보정 오류와 시간 불일치가 존재합니다. 네트워크가 끊겼다가 과거 데이터가 한꺼번에 도착할 수도 있고, PLC와 MES의 시계가 다를 수도 있습니다. 온도 센서 하나의 튀는 값이 실제 과열인지 센서 결함인지 바로 알 수 없습니다.
그래서 디지털 트윈은 원시 이벤트를 받자마자 현재 상태로 덮어쓰지 않아야 합니다. 이벤트 발생 시각과 수집 시각을 분리하고, 허용 가능한 지연 범위를 적용하며, 설비 상태 전이 규칙과 주변 센서를 이용해 상태를 추정합니다. 각 값에는 품질 플래그와 신선도, 출처를 함께 저장합니다.
예를 들어 생산 설비가 RUNNING인데 전력 사용량이 0이고 카운터도 증가하지 않는다면 어느 신호를 믿어야 하는지 정책이 필요합니다. 신뢰도가 낮은 상태에서는 자동 제어를 막고 현장 확인으로 보내야 합니다.
폐루프는 여덟 개의 역할로 나뉜다
운영 가능한 산업 AI는 다음 역할을 명확히 분리하면 설계와 검증이 쉬워집니다.
- 관측: 센서, PLC, 카메라, MES, ERP, 품질·정비 데이터를 수집합니다.
- 동기화: 시간과 식별자를 맞추고 중복·누락을 처리합니다.
- 상태 추정: 관측값으로 현재 자산과 공정 상태를 계산합니다.
- 예측: 고장, 품질, 수요, 처리시간과 병목을 확률로 전망합니다.
- 최적화: 목표와 제약 아래에서 실행 가능한 후보를 만듭니다.
- 시뮬레이션: 후보를 트윈에서 시험해 부작용과 민감도를 비교합니다.
- 실행: 안전 규칙과 승인 수준에 따라 MES·WMS·제어계층에 반영합니다.
- 검증: 실제 결과와 예상 결과를 비교해 모델과 정책을 갱신합니다.
이 역할을 하나의 거대한 모델에 넣을 필요는 없습니다. 시계열 모델은 고장을 예측하고, 수리 모델이나 메타휴리스틱은 스케줄을 최적화하며, 물리 시뮬레이터는 에너지와 충돌을 검증하고, 결정적 규칙 엔진은 안전 한계를 강제할 수 있습니다. 문제에 맞는 기술의 조합이 중요합니다.
예측과 최적화는 서로 다른 질문에 답한다
예측 모델은 “무슨 일이 일어날 가능성이 높은가?”에 답합니다. 최적화는 “그 상황에서 무엇을 해야 하는가?”를 찾습니다. 두 단계를 섞으면 모델이 높은 위험도를 반환했지만 누구도 행동을 결정하지 못하는 상황이 생깁니다.
설비 A가 48시간 안에 고장 날 확률이 높다고 가정해 보겠습니다. 실행안은 여러 개입니다.
- 지금 설비를 멈추고 예방 정비를 수행
- 현재 주문만 끝낸 뒤 야간에 정비
- 중요 주문을 설비 B로 이동하고 속도를 낮춰 운전
- 예비 부품과 기술자를 먼저 확보한 뒤 계획 정지
최적 선택은 고장 확률뿐 아니라 납기 지연 비용, 정비비, 작업자 스킬, 부품 재고, 설비 B의 부하, 품질 위험을 함께 봐야 합니다. 목적함수와 제약을 명시해야 하는 이유입니다.
목적함수에는 현장의 우선순위가 들어간다
“효율을 최적화하라”는 문장만으로는 실행안을 만들 수 없습니다. 생산량을 늘리면 에너지와 고장 위험이 커질 수 있고, 납기를 맞추려다 전환 횟수와 불량이 늘 수 있습니다. 무엇을 얼마나 중요하게 볼지 수치화해야 합니다.
대표적인 목적은 다음과 같습니다.
- 총 지연시간과 납기 위반 비용 최소화
- 설비 가동률과 생산량 최대화
- 에너지 피크와 탄소 배출 최소화
- 공정 전환, 이동, 재작업 비용 최소화
- 고장·품질 위험과 작업자 부담 최소화
동시에 안전, 설비 능력, 선후관계, 인력 자격, 교대시간, 버퍼 용량, 정비창과 같은 하드 제약을 둡니다. 비용이 조금 줄어든다는 이유로 안전 한계를 넘는 해가 선택되어서는 안 됩니다. 목표 가중치는 현업이 이해하고 합의할 수 있어야 하며, 버전과 승인자를 기록해야 합니다.
하나의 답보다 여러 시나리오가 유용하다
현장은 불확실합니다. 주문이 추가되고 처리시간이 달라지며 작업자가 결근할 수 있습니다. 한 개의 최적해만 제시하면 입력이 조금 바뀌었을 때 계획이 무너집니다. 디지털 트윈에서는 여러 후보를 병렬로 시뮬레이션하고 민감도를 비교할 수 있습니다.
예를 들어 수요가 기준 대비 ±20% 변하는 경우, 설비 A가 중단되는 경우, 작업자 한 명이 빠지는 경우를 각각 시험합니다. 평균 성과가 가장 좋은 계획과 최악의 상황에서도 납기를 지키는 계획은 다를 수 있습니다. 현업에는 단일 점수보다 다음 정보를 함께 보여 주는 편이 좋습니다.
- 기준 계획 대비 예상 개선 폭
- 입력 변화에 따른 성과 범위와 신뢰구간
- 각 후보가 위반할 가능성이 있는 제약
- 계획을 선택하게 만든 핵심 가정
- 실행 후 되돌릴 수 있는 시점과 비용
모델 검증과 불확실성은 실행 권한을 결정한다
디지털 트윈이 현실과 다르면 정교한 최적화도 잘못된 답을 냅니다. NIST의 디지털 트윈 연구는 Verification, Validation and Uncertainty Quantification, 즉 VVUQ를 신뢰성의 핵심으로 강조합니다.
- Verification: 모델과 소프트웨어가 설계한 수식과 규칙을 올바르게 구현했는가?
- Validation: 모델이 실제 시스템의 목적에 맞는 행동을 충분히 재현하는가?
- Uncertainty Quantification: 입력과 모델의 불확실성이 결과에 얼마나 영향을 주는가?
모든 트윈이 같은 정확도를 가질 필요는 없습니다. 에너지 대시보드의 시간대별 예측과 로봇 충돌 회피는 요구 신뢰도가 다릅니다. 사용 목적별로 허용 오차와 검증 주기를 정하고, 그 범위를 벗어나면 자동 실행 권한을 낮춰야 합니다.
자동화 수준은 한 번에 높이지 않는다
디지털 트윈이 만든 추천을 바로 PLC 명령으로 보내는 것은 위험합니다. 자동화는 영향과 신뢰도에 따라 단계적으로 높이는 것이 좋습니다.
| 수준 | 시스템 역할 | 적합한 상황 |
|---|---|---|
| 관찰 | 현재 상태와 이상을 표시 | 데이터 품질과 모델을 검증하는 초기 단계 |
| 권고 | 실행 후보와 근거를 제시 | 현장 전문가가 최종 결정해야 하는 업무 |
| 승인 후 실행 | 승인된 계획을 MES·WMS 등에 반영 | 결과가 중요하지만 되돌릴 수 있는 업무 |
| 제약 내 자동 | 정해진 범위에서 자동 조정 | 빈번하고 영향이 제한된 제어 |
| 폐루프 자율 | 관측과 재계획을 지속 수행 | 충분히 검증되고 안전 장치가 독립된 영역 |
자동 실행에는 변화량 제한, 승인된 제어 범위, 실행 전 최신 상태 재확인, 멱등성 키, 타임아웃, 롤백 또는 안전 정지 절차가 필요합니다. 안전 PLC와 인터록 같은 독립적인 보호 장치를 AI가 우회해서는 안 됩니다.
IT와 OT 사이에는 명확한 제어 경계가 필요하다
ERP와 클라우드 AI가 사용하는 시간 규모는 분·시간인 경우가 많지만, 제어 시스템은 밀리초 단위로 움직입니다. 모든 판단을 클라우드 왕복으로 처리하려 해서는 안 됩니다. 빠른 안전 제어는 PLC와 엣지에서 유지하고, 디지털 트윈은 상위 수준의 목표·스케줄·설정값 범위를 제안하는 식으로 책임을 나눕니다.
명령 경로와 관측 경로도 구분합니다. 데이터를 읽는 커넥터가 자동으로 쓰기 권한까지 가져서는 안 됩니다. 실행 명령은 인증된 주체, 승인된 계획 버전, 대상 자산, 유효시간과 함께 서명하고 감사 로그를 남깁니다. 네트워크 분리, 최소 권한, 장치 신원, 명령 재전송 방지, 비상 차단을 설계해야 합니다.
디지털 스레드가 없으면 트윈은 빠르게 낡는다
현장 설비는 교체되고 공정 순서와 레이아웃은 바뀝니다. CAD, BOM, PLC 프로그램, MES 라우팅, 정비 기준 중 하나만 변경돼도 트윈과 현실이 어긋날 수 있습니다. 설계부터 운영·정비까지 모델의 변경 관계를 추적하는 디지털 스레드가 필요합니다.
각 트윈과 분석 결과에는 다음 버전을 연결합니다.
- 자산·공정 모델과 관계 그래프 버전
- 센서 보정과 데이터 전처리 버전
- AI 모델, 학습 데이터, 특징 정의 버전
- 시뮬레이터와 물리 파라미터 버전
- 최적화 목적함수·제약·솔버 버전
- 실행 정책과 승인 규칙 버전
그래야 과거에 왜 특정 계획이 선택됐는지 재현하고, 변경 후 성능이 나빠졌을 때 원인을 찾을 수 있습니다.
3D는 필요할 때만 사용한다
디지털 트윈이라고 해서 모든 프로젝트에 고해상도 3D 공장이 필요한 것은 아닙니다. 작업자 동선, 설비 배치, 로봇 충돌, 열과 공기 흐름처럼 공간이 핵심 변수라면 3D와 물리 시뮬레이션이 큰 가치를 냅니다. 반면 생산 스케줄과 재고 최적화는 자산 그래프, 시계열 상태와 이산사건 시뮬레이션만으로도 충분할 수 있습니다.
사용 사례가 요구하는 충실도보다 모델을 더 정교하게 만들면 구축비와 유지보수 부담만 커집니다. 의사결정에 영향을 주는 변수부터 모델링하고, 오차가 성과에 큰 영향을 줄 때만 상세도를 높이는 것이 좋습니다.
성과는 모델 정확도보다 의사결정 개선으로 측정한다
고장 예측 AUC나 수요 예측 오차만으로 사업 성과를 설명하기 어렵습니다. 폐루프의 목적은 더 좋은 행동을 더 빨리 선택하는 것입니다. 다음 지표를 함께 봐야 합니다.
- 예상치 못한 정지시간과 계획 정비 전환율
- 납기 준수율, 생산량, 재공품과 병목 대기시간
- 단위 생산당 에너지와 피크 사용량
- 불량·재작업률과 품질 편차
- 권고 채택률과 현장 수정 사유
- 예측 대비 실제 개선 폭과 계획 안정성
- 상태 동기화 지연, 데이터 품질, 트윈 오차
- 자동 실행 취소·롤백·안전 차단 건수
권고를 채택하지 않은 이유도 중요한 학습 데이터입니다. 현장 작업자가 알고 있지만 모델에는 없는 제약이 반복된다면 트윈 모델을 보완해야 합니다. 이를 단순한 사용자 거부로 처리하면 시스템은 같은 실수를 반복합니다.
작게 시작하되 폐루프는 처음부터 그린다
- 고장, 스케줄, 에너지처럼 경제적 가치가 분명한 의사결정 하나를 선택합니다.
- 실제 결정 주체와 현재 판단 절차, 필요한 시간을 기록합니다.
- 관련 자산·공정·제약의 최소 공통 모델을 만듭니다.
- 데이터의 시간, 식별자, 품질과 계보를 정리합니다.
- 현재 상태를 재현하는 기준 모델을 검증합니다.
- AI 예측을 행동 후보와 연결하는 최적화 문제를 정의합니다.
- 후보를 여러 조건에서 시뮬레이션하고 불확실성을 표시합니다.
- 초기에는 권고만 제공하고 현장 결정과 차이를 수집합니다.
- 검증된 저위험 구간부터 승인 후 실행과 제한 자동화를 도입합니다.
- 실제 결과를 예상과 비교하며 모델·제약·정책을 지속 갱신합니다.
중요한 것은 작은 PoC라도 최종 실행과 결과 측정까지의 연결을 설계하는 것입니다. 예측 대시보드만 만들고 멈추면 데이터는 쌓이지만 운영 방식은 바뀌지 않습니다.
디지털 트윈의 가치는 더 사실적인 화면이 아니다
디지털 트윈의 진짜 가치는 현실을 예쁘게 복제하는 데 있지 않습니다. 현장의 상태와 제약을 공유 가능한 모델로 만들고, 실제 설비를 멈추지 않은 채 여러 행동을 시험하며, 가장 안전하고 효과적인 선택을 실행할 수 있게 하는 데 있습니다.
AI는 미래를 예측하고, 최적화는 행동을 비교하며, 시뮬레이션은 결과를 미리 검증합니다. 현장은 실행 결과를 돌려주고 트윈은 현실과의 차이를 학습합니다. 이 연결이 반복될 때 모델은 보고서가 아니라 운영 시스템이 됩니다.
결국 산업 AI 프로젝트가 답해야 할 질문은 “얼마나 정확히 예측했는가?”를 넘어섭니다. 그 예측으로 어떤 결정을 바꿨고, 실제 결과가 얼마나 좋아졌으며, 다음 결정은 어떻게 더 신뢰할 수 있게 됐는가? 이 질문을 닫힌 고리로 관리하는 것이 디지털 트윈 기반 폐루프 운영입니다.
