디지털 트윈은 현실세계의 객체 및 시스템을 가상의 디지털 트윈으로 복제하고 분석 및 시뮬레이션을 통해 효과적인 운영과 예측을 가능하게 하는 기술이다[1]. 산업계에서는 해양플랜트, 대형 선박 및 발전소 등의 중후장대 산업분야에서 이러한 디지털 트윈을 구현하여 설비의 안전성과 효율성을 동시에 개선하는 다양한 활동을 수행해왔고, 지금도 왕성한 연구개발이 이루어지고 있다. 예전까지만 해도 IoT 및 센서, 통신, 제어기, 빅데이터 분석, 사이버 보안 등의 추가 인프라 자체의 경제적인 제약으로 인해 대형 FPSO와 같은 초고가 초대형 설비가 주요 대상이었다면, 최근 4차산업기술과 인공지능 기술의 혁신으로 적용대상이 모빌리티 분야로 확대되고 있고. 산업 규모와 사회적 파급력 측면에서 모빌리티와 디지털 트윈의 융합연구의 경제적, 학술적 잠재가치는 굉장히 크다고 볼 수 있다.

그림 1. 해양플랜트와 전기차에서의 digital twin 기술 (출처: Ramboll Group, NXP)

디지털 트윈과 생애주기 관리 기술

최근 4차산업 기술의 눈부신 발전으로 센서, 서버, 통신 비용의 절감과 인공지능 및 빅데이터 분석 기술의 발전은 대형제조산업에 머물러있던 디지털 트윈 기술을 모빌리티 분야로 확장시키고 있다. 최근 급격하게 늘어나고 있는 전기차의 주요 장치인 배터리, 모터 등의 전장품은 내연기관과는 달리 데이터의 디지털화가 용이하여 이러한 디지털 트윈 기술의 접목이 더욱 빠르게 진행되고 있다. 디지털 트윈을 통한 모빌리티의 내구성 및 효율성을  개선하고, 사용자의 안전을 보장할 수 있는 다양한 예방기술의 개발 뿐 아니라 차량의 다양한 데이터를 기반으로 한 선단(Fleet)급 차량관리 기술 등은 모빌리티 사업자 등에 새로운 비즈니스모델 창출의 기회를 제공할 것으로 기대된다.

그림 2. 전기차 및 데이터 연계를 위한 디지털 트윈 (출처: 한국생산기술연구원, Toobler)

모빌리티 네트워크 및 데이터

이러한 모빌리티에 대한 디지털 트윈기술의 접목을 아직까지 풀어야할 문제점들이 있다. 먼저 실시간 모니터링 체계의 확립이다. 전기차의 경우 OBD-II 혹은 CAN 통신을 통해 다양한 상태데이터를 수집ž분석할 수 있는 환경이지만 통신용량 및 서버비용의 경제성을 고려한 데이터 선별과 적정한 수집주기 등의 DB구조 설계가 필요하다. 또한 진단 및 유지보수를 위한 대상에 따른 직/간접적으로 연계된 정보를 추출하고, 개별 차량의 제원 및 주행기록을 포함한 포괄적인 이력관리체계 구축이 필요하다. 

그림 3. 디지털 트윈 기반의 미래모빌리티 생애주기 관리 체계

데이터 기반 진단기술

두번째로는 모니터링 데이터를 활용한 분석 및 진단 기술개발이다. 운전중 누적되는 데이터량은 한달간 차량1대에서 대략 100~300MB이고, 이는 차량의 주행시간이 늘어날수록 증가하여 빅데이터 분석 기술의 확보가 반드시 필요하다. 또한 차량 데이터는 정밀 센서데이터가 아닌 샘플링주기 1Hz에서 최대 20Hz 정도로 아주 낮은 수준의 해상도를 가지고 있어 정밀한 진단 및 분석에는 어느정도 한계를 가지고 있다. 낮은 샘플링 데이터를 기반으로 신뢰성 있는 예지보전 기술개발을 위해 다양한 신호처리 기법 및 인공지능 기법의 적용이 활발히 이루어 지고 있다. 특히 실사용중인 전기차 배터리 팩에 대한 분석은 18650 원통형 배터리와는 포함된 노이즈의 양과 형태, 비정형성 등이 비교하기 어려울 정도로 복잡한 수준이다. 아래 그림4와 같이 실제 차량의 데이터는 계측데이터만으로는 정량적인 평가가 불가하여 다양한 인자추출, 필터링 기법을 통해 분석기법의 성능을 높이고 있다. 

그림 4. 원통형 배터리와 실주행차량의 데이터 분석 비교[2, 3]

제어전략 최적화 기술

마지막으로는 경제성 및 효율 개선 제어전략기술개발이다. 현재 전력상황 및 에너지 확대 계획을 고려하더라도 전기차의 필요 에너지를 발전되는 에너지로 모두 충당하기에는 어려움이 있다. 즉 에너지를 아낄 필요 있고, 이를 위해 기존 전기차의 에너지효율을 최대화하는 것이 해결책이다. 이 부분은 아직 실험실 수준에서 검토되는 것으로 기존의 방전심도(Depth of Discharge) 전략개선, 급속충전시 배터리 예열을 통한 충전성능 개선 등의 성과를 이미 입증하였고 현재는 실제 차량에 대한 검증을 진행중에 있다. 제어전략 최적화는 기존 배터리의 추가적인 변경없이 단순히 관리/제어 방식의 변화를 통해 내구성과 에너지 효율을 향상시켜, 전기차의 효과적인 사용이 가능하게 제안하는 것이다. 

그림 5. 배터리 내구 및 에너지효율 개선을 위한 제어전략기술[4, 5]

맺음말

미래모빌리티 산업은 현재 충전인프라 부족, 높은 가격, 환경규제 정책의 지연 등으로 인해 캐즘(Chasm)을 지나고 있고, 이를 극복하기 위해서는 사용자의 안전과 차량의 효율적인 사용을 위한 생애주기관리기술의 확보가 반드시 필요하다. 이는 디지털 트윈 기반의 모빌리티 융합연구를 통해서만 가능한 부분으로 새로운 산업생태계 창출을 위해 활발한 연구가 기대되는 시점이다.

Reference

[1] 신윤종; 이남연. 디지털 트윈 환경에서의 이상치 탐지 알고리즘 비교분석. Journal of Digital Contents Society, 2022, 23.12: 2497-2506. 

[2] Li, L., Li, Y., Cui, W., Chen, Z., Wang, D., Zhou, B., & Hong, D. (2022). A novel health indicator for online health estimation of lithium-ion batteries using partial incremental capacity and dynamic voltage warping. Journal of Power Sources, 545, 231961.

[3] Li, R., Hong, J., Zhang, H., & Chen, X. (2022). Data-driven battery state of health estimation based on interval capacity for real-world electric vehicles. Energy, 257, 124771.

[4] Park, S. J., Song, Y. W., Kang, B. S., Kim, W. J., Choi, Y. J., Kim, C., & Hong, Y. S. (2023). Depth of discharge characteristics and control strategy to optimize electric vehicle battery life. Journal of Energy Storage, 59, 106477.

[5] Park, S. J., Song, Y. W., Kang, B., Kang, M. J., Kim, M. Y., Choi, Y. J., ... & Hong, Y. (2023). Effect of High-Temperature Thermal Management on Degradation of Li-ion Battery for Fast Charging. IEEE Transactions on Transportation Electrification.