1.1. 연구의 배경

산업 자동화 기술은 기존의 고정된 시퀀스 기반 제어를 중심으로 발전해 왔으나, 최근에는 Industry 4.0 기반의 스마트 제조 및 자율제조 기술에 대한 연구가 활발히 진행되고 있다^{[1- 3]}. 특히 Cyber-Physical System(CPS), Digital Twin, Industrial AI 기반 제조 구조는 차세대 제조 시스템의 핵심 요소로 주목받고 있다^{[4, 5]}. 또한 제조 환경은 다품종·소량 생산, 공정 변동성 증가, 품질 요구 수준 향상과 같은 복합적인 변화에 직면하고 있으며, 이러한 변화는 기존의 규칙 기반 제어만으로는 대응이 어려운 상황을 초래하고 있다. 공정 상태를 실시간으로 인지하고 상황에 따라 유연하게 대응할 수 있는 자율적 제어 구조의 필요성이 증가하고 있다.

자율제조(Autonomous Manufacturing)는 설비가 실시간 데이터를 기반으로 공정 상태를 판단하고, 생산 조건을 스스로 조정하는 제조 패러다임으로 정의된다. 이를 구현하기 위해서는 데이터 수집, 상태 인지, 의사결정, 제어 실행이 통합된 폐루프(Closed-loop) 구조가 요구된다. 그러나 현재 산업 현장에서는 자율제조 구현을 위한 Physical AI에 대한 명확한 기술적 기준과 적용 구조가 부족하며, 이로 인해 단순 데이터 분석이나 시각화 수준에 머무르는 경우가 많다. 자율제조 성숙도 모델 AMMM(Autonomous Manufacturing Maturity Model)은 제조 시스템의 자율 수준을 단계적으로 정의하기 위한 프레임워크로, 다양한 연구 및 산업 분야에서 제안된 개념이다^[6]. 이 모델은 기존 PLC 기반 규칙 제어에 AI 기반 의사결정을 점진적으로 결합하는 구조를 제시한다. 특히 AMMM의 Level 2 단계는 AI 기반 의사결정과 PLC 기반 규칙 제어가 협업하는 반자율 제어 구조를 특징으로 하며, AI는 공정 조건, 순서, 타이밍과 같은 의사결정을 수행하고 PLC는 저수준 제어 및 안전 기능을 담당한다^[6].

이러한 관점에서 Physical AI는 실제 설비 데이터를 기반으로 AI가 판단을 수행하고, 그 결과를 다시 설비 제어에 반영하는 폐루프 제어 구조를 가지는 핵심 기술로 정의될 수 있다.

본 연구에서 정의하는 Physical AI는 단순 데이터 분석 기반 AI가 아니라, 실제 설비 데이터를 기반으로 AI가 의사결정을 수행하고, 그 결과가 다시 설비 제어에 직접 반영되는 폐루프 제어 구조를 의미한다.

본 연구에서는 Digital Twin과 OPC Unified Architecture(OPC UA) 기반 양방향 통신 구조를 활용하여 Physical AI Level 2에 해당하는 자동화 설비 시스템을 설계하고 구현하였다. 또한 IFM(Industry Foundation Module) 기반 학습 구조를 적용하여 특정 AI 모델에 종속되지 않는 확장 가능한 학습 구조를 제안하였다.

제안한 시스템은 다공정 자동화 설비(MPS)를 대상으로 실험을 수행하였으며, 목표 생산 시간 대비 ±10% 범위 내에서 공정이 유지되고, 정상 상태에서 평균 ±5초 이내의 오차를 보이는 것을 확인하였다.

본 연구는 Physical AI를 실제 설비 제어 구조에 적용한 사례를 제시함으로써, 자율제조 시스템 설계 및 구현을 위한 실질적인 기술적 기준을 제공하는 것을 목적으로 한다.

본 연구의 주요 기여도는 다음과 같다.

첫째, PLC 기반 규칙 제어와 AI 기반 의사결정을 분리·협업하는 Physical AI 구조를 실제 자동화 설비에 적용하였다.

둘째, OPC UA 기반 양방향 통신과 공통 데이터베이스를 활용하여 Digital Twin-AI-설비 간 폐루프 제어 구조를 구현하였다.

셋째, IFM(Industry Foundation Module) 기반 학습 구조를 적용하여 특정 AI 모델에 종속되지 않는 확장형 Physical AI 프레임워크를 제안하였다.

넷째, 다공정 자동화 설비(MPS)를 대상으로 실험을 수행하여 자율제조 환경에서의 실시간 적용 가능성을 검증하였다.

1.2. OPC UA 기반 양방향 통신 구조

기존 산업 자동화 환경에서는 Modbus, Profibus, Ethernet/IP 등 다양한 산업용 통신 프로토콜이 사용되어 왔으나, 이러한 프로토콜은 특정 제조사 또는 장비군 중심으로 설계되어 이기종 시스템 간의 상호 운용성(Interoperability) 확보에 한계가 있다. 특히 자율제조 환경에서는 설비, 상위 시스템, 분석·시뮬레이션 솔루션 간의 유기적인 연동이 요구되므로, 단순한 장비 통신을 넘어 확장성과 호환성을 고려한 통신 구조가 필수적이다. OPC UA는 플랫폼 독립성과 객체지향 기반 정보 모델링을 제공하는 국제 표준 통신 기술로, Industry 4.0 환경에서 이기종 제조 설비 간 상호운용성을 지원하는 핵심 기술로 활용되고 있다^[7].

본 연구에서는 Physical AI 구현을 위한 통합 플랫폼으로 OPC UA/Database 플랫폼을 설계하고, 이를 중심으로 OPC UA 기반의 양방향 통신 구조(Read/Write)를 구현하였다. PLC는 센서 데이터, 공정 상태, 제어 변수 등의 정보를 OPC UA 서버를 통해 Database로 전달하며, 해당 데이터를 기반으로 분석 및 의사 결정을 수행한 후, 생성된 제어 명령을 OPC UA Write 기능을 통해 다시 PLC로 전달한다. 이를 통해 AI 기반 의사 결정 결과가 실제 설비 제어에 반영되는 폐루프(Closed-loop) 제어 구조를 구현하였다^[8].

또한 본 연구에서는 OPC UA 통신 계층과 상위 응용 계층 간의 결합도를 낮추기 위해 공통 데이터베이스(Common Database)를 중심으로 한 데이터 인터페이스 구조를 적용하였다. OPC UA를 통해 수집된 모든 설비 데이터를 공통 데이터베이스에 기록하며, 데이터베이스를 매개로 상위 응용 시스템과 데이터를 공유한다. 이러한 구조를 통해 특정 프로그래밍 언어나 개발 환경에 종속되지 않고, 다양한 상위 시스템이 동일한 데이터에 접근할 수 있도록 설계하였다. 공통 데이터베이스에는 설비별 실시간 센서 값, 공정 시작 및 종료 정보, 사이클 타임, 제어 명령 이력, 상태 변화 로그 등이 저장되며, 이는 MES, VR, AR, Digital Twin과 같은 서로 다른 솔루션에서 공통적으로 활용될 수 있다. 특히 Digital Twin 및 가상 시뮬레이션 환경에서는 데이터베이스에 저장된 실제 설비 데이터를 참조하여 공정 상태를 재현하고, AI 학습 및 검증을 위한 데이터 생성에 활용할 수 있다. 반대로 가상 환경에서 생성된 결과 또한 데이터베이스를 통해 연계될 수 있어, 실세계와 가상 환경 간의 데이터 일관성을 유지할 수 있다.

이와 같은 OPC UA-Database 이중 인터페이스 구조는 현장 설비와 AI, 그리고 다양한 상위 솔루션을 유연하게 연결하는 역할을 수행한다. OPC UA는 실시간성과 신뢰성이 요구되는 설비 제어 인터페이스로 활용되며, 데이터베이스는 이기종 언어 및 응용 시스템 간의 호환성과 확장성을 제공하는 공통 데이터 허브로 기능한다. 이를 통해 Physical AI 시스템은 특정 솔루션에 종속되지 않는 개방형 구조를 가지며, 향후 자율제조 단계 확장 및 신규 시스템 연동 시에도 높은 확장성을 확보할 수 있다.

결과적으로 OPC UA/Database 플랫폼을 중심으로 한 OPC UA 기반 양방향 통신 및 공통 데이터베이스 구조는 Physical AI 구현을 위한 핵심 인프라로서, 현장 설비, AI 분석 모듈, Digital Twin, 그리고 상위 제조 시스템을 단계적으로 연계하는 통합 인터페이스 역할을 수행한다.

본 구조에서는 현장 설비에서 수집된 제어 및 상태 데이터가 OPC UA를 통해 전달되고, AI 분석 결과가 공통 데이터베이스를 매개로 Digital Twin 및 상위 제조 시스템과 공유된다. 이후 분석 결과와 의사결정 정보는 다시 설비 제어 계층으로 환류되어, 설비 동작에 반영되는 양방향 제어 흐름을 형성한다.

본 연구에서는 이러한 데이터 수집-분석-의사결정-제어 환류가 통합된 구조를 기반으로 Physical AI 2단계 수준의 자율 제어 기능을 실제 자동화 설비에 적용하였으며, 제어 이벤트 인식과 설비 제어 반영이 연속적으로 수행됨을 통해 제안한 구조의 효과를 검증하였다.

1.3. Physical AI를 위한 Digital Twin 기반 데이터 생성 및 공정 인지

Physical AI 시스템에서 Digital Twin은 단순한 시각화 도구가 아니라, 실제 설비의 상태를 인지하고 확장된 데이터를 생성하는 인지(Perception) 계층의 핵심 구성 요소로 기능한다^[9]. 특히 실제 자동화 설비 환경에서는 장비 손상, 생산 중단, 안전 문제 등으로 인해 다양한 조건에서의 반복 실험이 제한되며, 이는 AI 학습 및 최적화에 필요한 데이터 확보에 제약을 초래한다. 이러한 한계를 보완하기 위해 본 연구에서는 Digital Twin을 활용한 가상 환경 기반 데이터 생성 및 시뮬레이션 구조를 Physical AI 시스템에 통합하였다.

첫 번째로 Digital Twin은 실제 설비에서 확보하기 어려운 데이터를 가상 환경에서 생성하는 역할을 수행한다. 본 연구에서는 자동화 설비의 실린더, 모터, 센서 등 주요 구성 요소를 Digital Twin 환경에 모델링하고, 실린더 속도, 모터 회전 속도, 공정 타이밍과 같은 제어 파라미터를 다양하게 변경하여 가상의 공간에서 설비를 구동하였다. 이를 통해 실제 장비를 운전하지 않더라도 가상 설비가 공정을 수행하면서 사이클 타임, 상태 변화, 제어 변수 등의 데이터가 생성되며, 해당 데이터는 Physical AI 학습을 위한 입력 데이터로 활용된다. 이와 같은 방식은 장비 마모나 생산 중단 없이 대규모 데이터를 확보할 수 있다는 점에서 Physical AI 구현에 중요한 이점을 제공한다.

두 번째로 Digital Twin은 설비의 최적 운전 조건을 탐색하기 위한 시뮬레이션 기반 의사 결정 지원 도구로 활용된다. 가상 환경에서 실린더 및 모터의 속도, 공정 순서, 타이밍 조건을 다양한 조합으로 시뮬레이션함으로써, 생산성, 안정성, 공정 효율 측면에서 최적의 조건을 도출할 수 있다. Digital Twin 환경에서 도출된 최적 파라미터는 OPC UA 기반 Write 기능을 이용하여 메인 제어기인 PLC에 전달된다. 이를 통해 실제 설비는 Digital Twin에서 탐색된 최적 조건을 반영하여 운전되며, 가상 환경에서의 분석 결과가 실세계 설비 제어로 직접 연결되는 구조를 형성한다.

또한 Digital Twin에서 생성된 데이터와 시뮬레이션 결과는 공통 데이터베이스에 기록되어, AI 학습, 성능 검증, 공정 분석에 활용된다. 실제 설비 데이터와 가상 설비 데이터가 동일한 데이터 구조로 관리됨으로써, Physical AI 시스템은 실세계와 가상 환경 간의 데이터 일관성을 유지할 수 있다. 이러한 구조는 AI 모델이 특정 조건에 과적합되는 문제를 완화하고, 다양한 운전 조건에 대한 일반화 성능을 향상시키는데 기여한다.

결과적으로 본 연구에서 적용한 Digital Twin 기반 구조는 Physical AI 시스템에서 데이터 생성(Data Generation)과 공정 인지 및 최적 조건 탐색(Perception & Optimization)이라는 두 가지 핵심 역할을 수행한다. 이는 자율제조 성숙도 모델(AMMM) 기준에서 Physical AI 2단계 수준의 구현을 가능하게 하는 기반 요소로서, 실제 설비 운전 이전 단계에서의 안전한 검증과 효율적인 최적화를 지원한다. 본 연구에서는 이러한 Digital Twin 기반 Physical AI 구조를 통해 실제 자동화 설비에 적용 가능한 자율 제어 시스템을 구현하였다.

1.4. IFM 기반 Physical AI 학습 구조 및 자가 학습 메커니즘

본 연구에서 제안하는 IFM(Industry Foundation Module)은 기존 상용 솔루션이나 특정 산업 표준 모듈이 아니라, Physical AI 구현을 위해 본 연구에서 정의한 학습 프레임워크이다.

본 연구에서는 Physical AI 구현을 위해 Industry Foundation Module (IFM)이라는 핵심 학습 엔진을 정의하고 적용하였다. IFM은 제조·물류·자동화 등 산업 현장에서 발생하는 제어 및 센싱 데이터를 기반으로, Digital Twin과 실제 설비 데이터를 통합하여 학습하고, 최적의 생산·품질·안전 조건을 자율적으로 생성하는 Physical AI 전용 학습 프레임워크이다.

이를 통해 설비는 스스로 판단하고, 인간은 공정을 감독하는 자율제조 환경을 실현할 수 있다. Physical AI의 구현에서 핵심적인 요소는 실제 제조 설비의 상태를 반영한 AI 모델을 생성하고, 이를 지속적으로 고도화할 수 있는 학습 구조를 확보하는 것이다. 그러나 실제 자동화 설비 환경에서는 공정 규모, 설비 구성, 운전 조건의 제약으로 인해 데이터의 양과 다양성이 제한되는 경우가 많으며, 특정 AI 알고리즘이나 단일 학습 방식만으로는 신뢰성 있는 AI 모델을 생성하기 어렵다. 특히 다공정 자동화 설비와 같이 복합적인 제어 요소를 가지는 시스템에서는 특정 AI 모델을 직접 적용하는 방식에 구조적 한계가 존재한다. Table 1은 기존 제조 AI 시스템과 본 연구에서 제안한 IFM 기반 Physical AI 구조의 주요 차이점을 비교한 것이다.

이러한 문제를 해결하기 위해 IFM은 사전에 정의된 특정 AI 모델에 의존하지 않고, 공정 수와 제어 주기가 제한된 자동화 설비 환경에서도 적용 가능하도록 재사용성과 확장성을 고려하여 설계되었다. 또한 IFM은 실 설비 데이터와 Digital Twin 기반 가상 데이터를 통합 활용함으로써, 다양한 운전 조건에 대한 학습이 가능하도록 한다.

특히 IFM은 기존 LLM 기반 의사결정 구조와 달리, 산업 설비 제어 환경에 특화된 물리 기반 데이터 학습 구조를 제공함으로써, 실제 공정 제어에 적용 가능한 Physical AI 구현을 가능하게 한다. IFM 기반 Physical AI 학습 구조에서는 공통 데이터베이스에 누적된 데이터를 중심으로 학습이 수행된다^[11]. 데이터베이스에는 실제 설비에서 수집된 실 데이터(Real Data), Digital Twin 환경에서 생성된 가상 데이터(Virtual Data), 그리고 설비 구성 요소에 대한 도메인 지식(Domain Knowledge)이 함께 저장된다. 도메인 지식에는 실린더 스트로크, 모터 정격 속도, 공정 순서, 안전 제약 조건 등 설비 고유의 물리적·논리적 특성이 포함되며, 이는 AI 학습 과정에서 현실성과 안전성을 확보하기 위한 기준으로 활용된다.

본 연구에서는 이러한 데이터 집합을 활용하여 강화 학습(Reinforcement Learning) 기반의 AI 학습을 수행하였다^[10]. 강화 학습은 공정 상태와 제어 조건에 따른 보상 함수를 기반으로, 생산성, 공정 안정성, 사이클 타임과 같은 성능 지표를 최적화하는 방향으로 학습이 이루어진다. 이 과정에서 가상 데이터와 실 데이터가 함께 사용됨으로써, 실제 설비에서 반복 실험이 어려운 다양한 운전 조건까지 학습에 반영할 수 있으며, 이는 AI 모델의 일반화 성능 향상에 기여한다.

또한 IFM은 일회성 학습 구조가 아닌 지속적 자가 학습(Self-learning) 구조로 설계되었다. Physical AI 시스템 운용 중 생성되는 새로운 설비 데이터와 제어 결과는 공통 데이터베이스에 지속적으로 누적되며, IFM은 해당 데이터를 주기적으로 참조하여 AI 모델을 재학습하거나 성능을 보정한다. 이를 통해 Physical AI는 공정 변화, 설비 조건 변화, 장기 운전에 따른 특성 변화에도 적응할 수 있는 구조를 가진다.

결과적으로 IFM 기반 Physical AI 학습 구조는 특정 AI 모델이나 프레임워크에 종속되지 않고, 다양한 AI 기법을 적용할 수 있는 확장성을 제공한다. 이는 자율제조 성숙도 모델(AMMM) 기준에서 Physical AI 2단계 수준에 해당하는 AI 기반 의사 결정 기능의 실질적 구현을 가능하게 하며, 향후 고도화된 자율제조 단계로 확장 가능한 기반을 제공한다. 본 연구에서는 IFM 구조를 통해 실제 자동화 설비 환경에서도 Physical AI 학습 및 자가 학습이 가능함을 확인하였다.

2.1. 시스템 설계 및 구현

본 연구에서는 Physical AI 구현을 위해 AI Agent-Digital Twin-OPC UA/Database-Control Architecture로 구성된 계층적 시스템 아키텍처를 설계하고 실제 자동화 설비에 적용하였다. 제안하는 시스템은 자율제조 성숙도 모델(AMMM) 기준에서 Physical AI 2단계 수준을 목표로 하며, AI 기반 의사 결정과 PLC 기반 규칙 제어를 분리·협업시키는 구조로 구현되었다.

Fig. 1. Physical AI architecture

Fig. 1은 본 연구에서 제안한 Physical AI 시스템의 각 계층 간 데이터 흐름을 나타낸다. Perception Layer → IFM 기반 AI Agent → Integration Layer → Control Layer로 이어지는 폐루프 구조를 형성한다. Digital Twin 계층은 설비 상태 인지와 가상 시뮬레이션을 담당한다. AI Agent(IFM 기반)는 학습 및 의사결정을 수행한다. OPC UA/Database는 데이터 관리, 통신, 제어 명령 전달을 담당한다. Control Architecture는 PLC, 가공 장비, 로봇 등 실제 설비 제어를 수행한다.

이와 같은 구조는 AI의 판단 기능과 PLC의 안정적 제어 기능을 분리함으로써, Physical AI 적용 시 요구되는 신뢰성과 안전성을 확보한다.

2.2. AI Agent 및 IFM 기반 의사 결정 구조

Fig. 2. Physical AI-based cycle time tracking result

AI Agent는 IFM(Industry Foundation Module)을 중심으로 구성되며, 실 설비에서 수집된 실 동작 데이터, Digital Twin에서 생성된 시뮬레이션 데이터, 그리고 설비 구성 요소에 대한 Domain Knowledge를 입력으로 사용한다. IFM은 이러한 이종 데이터를 통합하여 Fig. 2와 같이 강화 학습 기반의 의사 결정을 수행하고, 최적의 설비 동작 조건을 도출한다^[8]. AI Agent는 공통 데이터베이스에 누적된 데이터를 지속적으로 참조하여 자가 학습을 수행하며, 이를 통해 분석 정확도를 점진적으로 향상시킨다. 도출된 의사 결정 결과는 직접 설비를 제어하지 않고, OPC UA/Database을 통해 간접적으로 전달됨으로써 시스템 안정성을 확보한다.

2.3. Digital Twin 기반 인지 및 시뮬레이션 연계

Digital Twin 계층은 Physical AI 시스템에서 인지 기능을 담당하며, 두 가지 운용 모드로 구현되었다.

Fig. 3. Digital twin simulation

첫 번째는 Fig. 3과 같이 가상 모드로, 설비의 실린더 속도, 모터 속도, 공정 조건을 다양하게 설정하여 가상 환경에서 설비를 구동하고 데이터를 생성한다. 이를 통해 실제 설비를 운전하지 않고도 AI 학습 및 검증에 필요한 데이터를 확보할 수 있다.

Fig. 4. Digital twin AI agent synchronization

두 번째는 Fig. 4와 같이 동기 제어 모드로, 실제 설비와 Digital Twin을 실시간으로 동기화하여 목표 기반 제어 및 최적화 분석을 수행한다. 이 과정에서 Digital Twin은 설비 상태를 실시간으로 반영하며, AI Agent가 도출한 최적 운전 조건을 검증하는 역할을 수행한다.

2.4. OPC UA/Database 기반 데이터 관리 및 제어 구현

Fig. 5. Database platform

OPC UA/Database 플랫폼은 Physical AI 시스템의 중심 허브로서, OPC UA 기반 양방향 통신과 Fig. 5와 같이 공통 데이터베이스를 통해 시스템 전반을 연결한다. OPC UA 서버는 PLC 및 하위 제어 장치로부터 센싱 데이터를 수집하고, AI Agent 및 Digital Twin에서 생성된 제어 명령을 PLC로 전달한다.

공통 데이터베이스에는 설비 상태, 제어 이력, 공정 정보, 가상 데이터가 통합 저장되며, 이는 AI 학습, Digital Twin 시뮬레이션, 상위 Application Solution에서 공통으로 활용된다. 이러한 구조를 통해 특정 프로그래밍 언어나 응용 환경에 종속되지 않는 개방형 시스템을 구현하였다.

2.5. 제어 아키텍처 및 폐루프 구현

최하위 Control Architecture는 PLC, 가공 장비, 로봇 등으로 구성되며, 실제 설비 제어를 담당한다. PLC는 AI Agent로부터 전달된 제어 명령을 규칙 기반 제어 로직과 결합하여 실행한다. 또한 센서 및 장비 상태 정보를 다시 상위 계층으로 전달한다. 이를 통해 AI 의사결정-설비 제어-상태 피드백으로 이어지는 폐루프(Closed-loop) 제어 구조가 완성된다^[7].

2.6. 실험 및 구현

Fig. 6. MPS(Modular Production System)

Fig. 6은 본 연구에서 실험 대상으로 사용한 MPS(Modular Production System)를 나타낸다. 본 연구에서는 제안한 Physical AI 시스템의 성능을 검증하기 위해 다공정 자동화 설비(MPS)를 대상으로 실험을 수행하였다. MPS는 공급(Supply), 가공(Processing), 이송(Transfer), 검사(Inspection), 저장 및 배출(Storage/Output) 공정으로 구성되며, 각 공정은 독립적인 제어 변수와 동작 조건을 가진다. 실험 환경은 Mitsubishi Q03UDV PLC 기반으로 구성되었으며, OPC UA 통신 주기는 100ms로 설정하였다. 또한 실험 시스템은 Windows 11 환경의 Intel i7 기반 PC에서 수행되었으며, OPC UA/Database 플랫폼을 통해 실시간 데이터 수집 및 제어 명령 전달이 이루어졌다.

실험 환경에서는 사용자가 목표 생산 시간(Target Cycle Time)을 설정하면, Digital Twin 기반 시뮬레이션을 통해 다양한 공정 조건 조합이 생성되고, IFM 기반 AI Agent가 이를 학습 데이터와 결합하여 최적의 제어 조건을 도출한다. 이후 도출된 제어 조건은 OPC UA 기반 Write 기능을 통해 PLC에 전달되어 실제 설비 제어에 적용된다. AI 학습은 강화 학습 기반으로 총 50회 반복 수행되었으며, 각 실험에서 목표 생산 시간 대비 실제 공정 수행 시간, 공정 간 동기화 상태, 그리고 초기 학습 구간에서의 안정화 시간을 측정하였다.

2.7. 공정 구성 및 실험 시나리오

MPS의 공정 순서는 공급(Supply) - 가공(Processing) - 이송(Transfer) - 검사(Inspection) - 저장/배출(Storage/Output)의 순으로 구성된다. 본 실험에서는 사용자로부터 목표 생산 시간을 입력받고, 해당 목표를 만족하도록 Physical AI 시스템이 설비 동작 조건을 자동으로 조정하는 시나리오를 설정하였다. 실험 시 사용자는 Digital Twin을 통해서 생산 수량을 입력하게 되면 생산 예측 시간을 시각화하고 사용자가 최대, 최소 조정이 가능한 범위에서 목표 생산 시간을 지정하며, 해당 정보를 기반으로 Digital Twin은 가상 환경에서 다양한 액추에이터 속도 조합을 시뮬레이션하여 목표 생산 속도를 만족할 수 있는 조건을 탐색하고, IFM 기반 AI Agent는 이를 학습 데이터 및 실 설비 데이터와 결합하여 최적의 제어 조건을 도출한다.

2.8. Physical AI 기반 제어 적용

AI Agent를 통해 도출된 최적 제어 조건은 OPC UA 기반 Write 기능을 통해 PLC에 전달되며, PLC는 해당 값을 규칙 기반 제어 로직과 결합하여 실제 설비를 제어한다. 이 과정에서 리니어 액추에이터의 속도, 컨베이어 인버터 주파수, 서보 모터의 회전 속도 및 위치 제어 값이 동시에 조정된다. 중요한 점은 특정 공정 또는 개별 액추에이터만을 독립적으로 제어하는 것이 아니라, 전체 공정의 생산 속도를 만족하도록 모든 액추에이터의 동작 조건이 상호 연계되어 최적화된다는 점이다. 이를 통해 병목 공정 발생을 최소화하고, 공정 간 동기화를 유지할 수 있다.

2.9. 실험 결과 및 검증 항목

실험 결과, 제안한 Physical AI 시스템은 사용자가 설정한 목표 생산 시간 대비 ±10% 범위 내에서 공정 조건을 자동 조정하며 안정적으로 운전되는 것을 확인하였다. 특히 연속 운전 조건에서는 목표 생산 시간 대비 평균 ±5초 이내의 오차 범위에서 공정이 유지되었으며, 이는 다공정 환경에서 각 공정 간 상호 의존성이 존재함에도 불구하고 전체 공정이 동기화된 상태로 제어될 수 있음을 의미한다. 초기 학습 단계에서는 일부 공정 조건에서 제어 안정화 시간이 증가하는 현상이 관찰되었으며, 평균 약 3~5회 반복 운전 이후 안정 상태에 도달하였다. 이는 강화 학습 기반 AI가 초기 탐색 과정에서 다양한 제어 조건을 시도하는 과정에서 강화 학습 특성상 발생하는 일반적인 탐색 과정으로 판단된다. 또한 특정 공정에서 액추에이터 속도 변경이 필요한 경우에도, AI Agent는 공통 데이터베이스에 누적된 실 데이터와 가상 데이터를 기반으로 제어 조건을 재산출하여 적용함으로써 공정 전체의 균형을 유지하였다. Table 2는 제안한 Physical AI 시스템의 주요 실험 결과를 요약한 것이다.

이를 통해 다음과 같은 항목이 검증되었다.

· 목표 생산 시간 기반 전체 공정 동기화 제어 가능성

· 가변 속도 액추에이터를 활용한 공정 최적화

· AI 의사결정과 PLC 규칙 기반 제어 간 안정적 협업

· 다공정 자동화 환경에서 Physical AI의 실시간 적용 가능성