논문 링크:
Digital Twins: A Survey on Enabling Technologies, Challenges, Trends and Future Prospects
Digital Twin (DT) is an emerging technology surrounded by many promises, and potentials to reshape the future of industries and society overall. A DT is a system-of-systems which goes far beyond the traditional computer-based simulations and analysis. It i
ieeexplore.ieee.org
출처: S. Mihai et al., "Digital Twins: A Survey on Enabling Technologies, Challenges, Trends and Future Prospects," in IEEE Communications Surveys & Tutorials, vol. 24, no. 4, pp. 2255-2291, Fourthquarter 2022.
Introduction
디지털 트윈(Digital Twin) 개념은 2002년 Michael Grieves가 미시간대학교에서 발표한 “Conceptual Ideal for Product Lifecycle Management” 프레젠테이션에서 처음 제안되었다. 이 개념은 세 가지 구성 요소로 이루어져있다.
- 실제 공간 the real space,
- 가상 공간 the virtual space,
- 연결 링크 the link serving as a communication medium between the two spaces.
디지털 트윈은 Industry 4.0의 중심축으로서 다양한 산업에 적용되며, 여러 첨단 기술의 결합을 통해 그 가능성이 확장된다. 아래 그림의 뿌리에 있는 기술들에 기반해 가지에 있는 산업 분야에 디지털 트윈은 영향을 미친다.
Definitions of The Digital Twin
디지털 트윈에 대한 여러 기존 정의들에 대한 비교·평가
- 첫 번째 정의: 가장 오래되고 널리 알려졌지만 DT가 무엇을 포함하는지에 대한 구체적 이해를 제공하지 못한다.
- 두 번째 정의: 물리 객체와 디지털 객체라는 두 요소를 명확히 구분하나 이는 DT를 단순히 지능형 디지털 모델로만 규정한다. 양방향 상호작용, 데이터 흐름, 요구사항, 제약사항 등이 거의 언급되지 않는다.
- 세 번째 정의: 양방향 데이터 흐름을 고려하지 않으며 물리 → 디지털로만 데이터가 흐르는 디지털 섀도우 개념에 더 가깝다. 즉 이는 DT의 본질을 잘못 설명한다.
- 네 번째 정의: DT를 구성하는 요소들을 설명하지만, DT가 실제로 무엇을 할 수 있는지에 대한 언급이 없다.
- 다섯 번째 정의: DT가 제공하는 서비스에 초점을 맞추나 이러한 서비스를 가능하게 하는 구조적 요소나 기술적 기반을 설명하지 않는다. 즉, “DT가 무엇인지”보다 “DT가 무엇을 해주는지”에만 집중한 정의이다.
논문에선 디지털 트윈의 본질적 특징 네 가지를 self‑X라고 부르며, 디지털 트윈이 스스로 판단하고 조정하며 상태를 이해하는 능력을 나타낸다.
- Self‑adapting: 물리적 자산의 환경 변화나 상태 변화에 자동으로 반응해 운영 성능을 최적화하는 방향으로 적응한다.
- Self‑regulating: 적응 과정에서 물리적 자산의 안전 한계나 제약 조건을 넘지 않도록 스스로 조절한다.
- Self‑monitoring: 센서 데이터와 IoT 기반 연결을 통해 물리적 자산의 상태, 환경, 동작을 지속적으로 감시한다.
- Self‑diagnosing: 현재 및 과거 데이터를 분석해 고장 가능성, 성능 저하 원인, 이상 상태를 스스로 파악한다.
Market Potentials and Trends
학계에서는 DT를 Industry 4.0의 핵심 기술로 평가하며 매우 적극적으로 연구하고 있다. 그러나 기업들은 ROI(투자 대비 효과)를 명확히 계산하기 어렵다는 이유로 도입을 망설이는 경향이 있다. 이는 DT가 직접적인 매출을 만드는 기술이 아니라 비용 절감·운영 최적화를 목표로 하기 때문이다. IBM과 같은 선도 기업들의 실제 성과는 긍정적이며 제조·스마트 빌딩 분야에서 개발 비용 30% 절감, 배포 시간 40% 단축 등의 성과가 보고되었다. 현재는 DT 도입률은 5% 수준으로 낮지만 DT가 Industry 4.0으로 가는 핵심 경로라는 점에는 높은 합의가 있다.
Digital Twin: Enabling Technologies
- Machine Learning (ML): DT의 “두뇌” 역할을 하는 핵심 기술이며 물리 시스템에서 수집된 데이터를 분석해 상태 추론, 예측, 최적화를 수행한다. 제조·로보틱스·토목·전력 시스템 등 다양한 분야에서 적용가능하나 대규모 데이터가 필요하며 “블랙박스”문제가 존재한다. 이러한 상황에서 물리 기반 모델과 데이터 기반 모델을 결합하는 하이브리드 접근이 증가하고 있다.
- Cloud, Fog, Edge Computing: DT는 실시간 동기화와 고성능 연산이 필요하기 때문에 분산 컴퓨팅이 필요하다. 이들은 각각 대규모 연산, 현장 가까이에서 빠른 응답 처리, 클라우드와 엣지 사이에서의 중간 계층 역할을 맡는다. 의료 DT에서 환자·병원 간 데이터 공유와 같은 예시가 있으며 실시간성, 안정성, 확장성을 이를 통해 확보할 수 있다.
- Internet of Things (IoT / IIoT): DT의 감각 기관 역할을 하는 기술이며 센서, RFID, 스마트 디바이스 등을 통해 물리 시스템의 데이터를 실시간으로 수집한다. 제조 설비의 상태 모니터링, 스마트 시티의 교통·인프라 데이터 수집, 작업자 안전 모니터링의 활용 예시가 있다.
- Cyber-Physical Systems (CPS): DT와 밀접하게 연관된 개념으로, 물리 시스템과 디지털 제어 시스템의 통합체를 의미한다. 고도화된 CPS는 여러 DT가 연결된 거대한 생태계를 의미하며 자율성, 자기 적응, 자기 보호 기능을 포함한다. 실용적 CPS는 센서·네트워크·제어 기능이 내장된 물리 장치로 생각된다.
- Virtual Reality and Augmented Reality (VR/AR): VR/AR은 이 디지털 모델을 사람이 직관적으로 이해하고 상호작용할 수 있게 만드는 창구이다. 실시간 모니터링과 의사결정을 지원하며 예로 설비·기계의 상태를 현장에서 AR로 바로 확인하는 것과 복잡한 구조물이나 공정을 VR에서 안전하게 시뮬레이션하는 것을 들 수 있다.
- Modeling Methodologies: DT는 단순한 3D 모델이 아니라, 물리 시스템의 동작·상태·환경을 정확하게 반영하고 예측할 수 있는 지능형 모델을 필요로한다. 이에 따라 다양한 모델링 접근법이 결합되어야 한다. DT 구현 시 데이터 기반 모델과 물리 기반 모델 두 가지 모델링 접근이 모두 활용된다. 모델링은 DT의 서비스 품질을 좌우하며 고정밀 모델을 만들기 위한 높은 계산 비용과 실시간 동기화 등의 도전 과제를 갖는다.
Five-dimensional DT architecture는 디지털 트윈을 구성하는 다섯 가지 핵심 요소를 설명하는 개념적 모델이다.
- PE → Data → VE: 물리 시스템에서 발생한 데이터가 수집되어 가상 모델을 실시간으로 업데이트한다.
- VE ↔ Services: 가상 모델은 분석·예측·시뮬레이션을 통해 다양한 서비스를 제공한다. 서비스는 다시 VE를 통해 PE에 피드백을 전달할 수 있다.
- Communication Layer는 모든 요소 간의 연결을 실시간으로 유지하며, DT의 핵심인 양방향 동기화를 가능케한다.
Digital Twin: Use Cases and Services
아래 그림은 스마트 제조를 위한 디지털 트윈 프레임 워크이다. 이는 크게 상단의 파란색 가상 설계 단계와 하단의 초록색 물리적 실행 단계로 나뉜다. 가상 디자인시 각 단계마다 KPI(핵심성과지표)를 기준으로 설계안이 적합한지 판단한다. 물리적 실행 단계에선 가상 설계에서 선택된 디자인을 실제 제조환경에 적용한다. 여기서도 단계별로 실제 제조 환경에 맞춰 KPI를 최적화한다. 이런 가상 디자인/물리적 실행 단계는 결과를 주고 받으며 반복적으로 최적화된다.
다음으론 인프라 분야에서 디지털 트윈이 어떻게 적용되는지 보여준다. 건축 시설물의 생애주기 전반에 걸쳐 디지털 기술이 어떻게 통합되는지 시각적으로 설명되고 있다. 그림의 상단에는 구조물 생애주기 네 단계를 나타낸다. 하단에는 이 생애주기를 뒷받침하는 세 가지 핵심 기술이 나타난다. 여기에는 운영 데이터를 분석해 의사 결정을 지원하는 Data Analytic, 실시간 상태를 감지하는 Monitoring, 실제 구조물의 디지털 복제본을 통합하는 Digital Replica가 있다. 이 세가지는 중앙의 협업 노드와 연결되며 AI, 데이터 시각화, 전문가 지식을 통해 중앙으로 이어진다. 즉 디지털 트윈은 인프라에서 단순한 3D 모델이 아니라 실시간 데이터, 분석, 사용자 피드백, 전문가 지식을 통합해 인프라의 전 생애주기를 지능적으로 관리하는 시스템이다. 이를 통해 설계 정확도, 시공 효율성, 운영 안정성, 유지보수 비용 절감등의 이득을 얻을 수 있다.
다음 그림은 디지털 트윈이 6G 통신 네트워크에 어떻게 적용될 수 있는지 보여준다. 왼쪽 그림은 센서, 장비, 사용자 행동 등에서 실시간 운영 데이터가 생성되는 현실 세계의 통신 인프라를 나타낸다. 오른쪽 그림은 물리 네트워크의 가상 복제본으로 AI 기반 분석을 통해 성능 개선, 예측 기능을 수행한다. 물리와 가상 세계는 서로 실시간 운영 데이터와 운영 최적화 방법을 주고 받으며 서로를 개선해 나간다. 즉, 디지털 트윈은 6G 네트워크의 뇌 역할을 하며 현실 데이터를 실시간으로 받아들이고 가상 환경에서 분석·예측·최적화한 뒤 다시 현실 네트워크에 피드백을 주는 지능형 양방향 통신 구조를 만든다.
이 프레임워크는 현실 시스템에서 수집된 데이터를 기반으로, 디지털 트윈이 머신러닝 모델을 통해 이상 현상을 탐지하는 과정을 보여준다. 센서등을 통해 다변량 또는 단변량 데이터를 확득하고 머신러닝 기반 탐지 모델에 이 데이터를 적용한다. 사용자가 모터 과열 탐지와 같은 특정 시나리오를 정의하면 시나리오에 기반해 데이터가 생성된다. 알고리즘을 통해 이상값을 탐지하고 탐색한 결과를 그래프를 통해 시각화할 수 있다.
디지털 트윈을 활용한 예측 유지보수(Predictive Maintenance, PdM) 프레임워크
- Data-driven: 실 제 관측 데이터만으로 예측을 수행하는 구조
- Theoretical analysis: 물리 법칙과 수학 모델을 기반으로 예측 수행
- State simulation: 가상 환경에서 장비 상태를 재현해 예측 정확도를 높임
- Hybrid Approach Algorithm: 세 계층의 결과를 통합해 예측 결과와 신뢰 구간을 생성
이러한 디지털 트윈을 통해 실제 장비의 미래 상태를 예측하고, 유지보수 시점을 최적화하는 “지능형 조언자” 역할을 한다.
Digital Twin: Case Studies
- A Look at the Tea Industry in India: 디지털 트윈은 데이터를 기반으로 공정 전체의 가상 모델을 생성하고 각 기계의 상태, 공정 흐름등을 디지털 공간에서 실시간으로 재현한다. 디지털 트윈은 머신러닝 알고리즘을 통해 이상 탐지, 예측 유지보수, 공정 최적화를 수행한다.
- Festo Cyber-Physical Factory: 실제 공장에서 센서와 장비가 데이터를 생성하면 Unity 기반 가상 공장에서 데이터를 분석·예측·시뮬레이션한다. 물리, 가상 간 실시간 데이터 교환 및 동기화가 이루어진다.
- Structural Health Monitoring for Vietnam bridges: Data-Driven Model에선 교량에 설치된 센서에서 진동·응답 데이터를 수집한다. 데이터 전처리 및 딥러닝 모델을 적용해 실시간 이상 탐지 및 예측 유지보수에 활용한다. Physical Model은 실제 교량 사진과 실험실 모형에 센서를 부착해 실험을 수행한다. Numerical Model은 컴퓨터 시뮬레이션으로 응력·변형·진동을 분석한다. 중앙의 Human Expertise는 AI 모델, 실험 결과, 시뮬레이션 결과를 통합적으로 해석한다.
Lessons Learned
- 단순 시뮬레이션을 넘어선 실시간 데이터 기반의 예측·최적화·자율 운영 시스템으로 진화해야한다.
- 데이터의 정확도와 신뢰성이 디지털 트윈의 성능을 결정한다.
- 도메인 지식과 AI의 융합이 필요하다. (물리 기반 모델, 데이터 기반 모델, 전문가의 판단)
- 디지털 트윈은 Self-adapting, Self-monitoring, Self-diagnosing 같은 자율적 기능을 갖춰야 한다.
Research Challenges
- 모델링, 데이터 구조, 인터페이스의 표준화가 필요하다.
- 고정밀 시뮬레이션과 빠른 응답 속도를 동시에 만족시키는 하이브리드 모델링 기술이 요구된다.
- 산업 기밀과 사용자 데이터 보호 문제를 해결해야한다.
- 실제 공장이나 인프라에 디지털 트윈을 적용하려면 센서 설치, 시스템 통합, 운영자 교육 등 복합적인 준비가 필요하다.
Future Directions
- 디지털 트윈은 단순 분석 도구를 넘어서 스스로 판단하고 운영하는 지능형 시스템으로 발전해야 한다.
- 제조, 인프라, 통신, 헬스케어 등 다양한 분야에서 디지털 트윈 기술이 융합적으로 적용될 것이다.
- 실시간성과 확장성을 동시에 만족시키기 위해 클라우드-엣지 하이브리드 구조가 요구된다.
- 플랫폼, 데이터, 알고리즘, 전문가 지식이 통합된 디지털 트윈 생태계가 형성될 것으로 예상된다.