상담문의


AI 도입, 어디서부터 시작해야 할까요?

제조업 AX, 우리 회사의 AI 활용 가능성부터 자가진단해보세요!

“AI를 도입해야 한다는 건 알겠는데, 우리 회사에서는 뭘 해야 하지?”

ChatGPT를 비롯한 생성형 AI부터 AI Agent, 업무 자동화, Digital Twin, Engineering AI까지 기업에서 활용할 수 있는 AI 기술은 빠르게 늘어나고 있습니다.

하지만 실제 기업 AI 도입과 AX(AI Transformation)를 준비하다 보면 가장 어려운 것은 기술을 찾는 것이 아닙니다.

우리 회사의 어떤 업무에 AI가 필요한지, 그리고 어디서부터 시작해야 하는지를 판단하는 것이 더 어렵습니다.

그래서 캐디언스시스템에서는 제조·엔지니어링 기업이 현재 상황을 점검하고 AI 활용 가능성을 확인해볼 수 있는 "Industrial AI 자가진단 테스트와 커피챗"을 준비했습니다.


📌 3분만에 Industrial AI 역량 단계를 확인해보세요!

① Industrial AI 자가진단

우리 회사의 현재 업무 환경과 AI 활용 가능성을 간단하게 점검합니다.

② 진단 결과 확인

현재 수준과 향후 검토해볼 수 있는 AI 활용 방향을 확인합니다.

③ 커피챗

결과를 바탕으로 실제 업무에서 AI를 어떻게 활용할 수 있을지 전문가와 이야기합니다.

자가진단이 현재 위치를 확인하는 과정이라면, 커피챗은 다음 방향을 찾아가는 과정입니다.

👉 [우리 회사 Industrial AI 자가진단 바로가기]


AI 도입은 왜 생각보다 어려울까요?

성공적인 AX의 시작은 ‘어떤 AI’보다 ‘어디에 AI를 적용할 것인가’입니다.

AI에 대한 정보가 부족해서는 아닙니다.

이미 많은 기업에서 생성형 AI와 업무 자동화, 데이터 분석, AI Agent 등 다양한 기술을 접하고 있습니다.

문제는 ‘AI로 할 수 있는 것’과 ‘우리 회사에서 실제로 필요한 것’ 사이에 차이가 있다는 점입니다.

같은 제조업이라도 회사마다 제품 개발 방식과 업무 프로세스가 다르고, 보유하고 있는 데이터와 설계·해석·생산 과정에서 발생하는 문제도 다릅니다.

그래서 AI 도입을 검토할 때 처음부터

“어떤 AI 솔루션을 도입할까?”를 고민하기보다,

“현재 우리 업무에서 가장 많은 시간과 비용이 발생하는 곳은 어디일까?”

“반복적으로 발생하는 엔지니어링 업무가 있을까?”

“우리가 보유한 데이터를 AI에 활용할 수 있을까?”

와 같은 질문부터 시작할 필요가 있습니다.

결국 AX의 시작은 AI 솔루션을 선택하는 것이 아니라 현재 업무와 문제를 제대로 파악하는 것에 가깝습니다.


우리 회사도 AI를 활용할 수 있을까요?

막연한 AI 도입 고민, 현재 상태를 점검하면 방향이 보입니다.

이 질문에 답하기 위한 첫 단계가 AI 자가진단입니다.

캐디언스시스템의 Industrial AI 자가진단은 특정 AI 기술에 대한 지식을 평가하는 시험이 아닙니다.

현재 회사의 업무와 환경을 기준으로 질문에 답하면서 우리 조직이 현재 어느 위치에 있는지, AI 활용 가능성을 어떤 관점에서 살펴봐야 하는지를 정리하는 과정입니다.

복잡한 프로그램을 설치하거나 AI에 대한 전문적인 지식이 없어도 간단하게 참여할 수 있습니다.

특히 아직 구체적인 AI 도입 계획이나 AX 전략이 없는 기이라면, 처음부터 특정 솔루션을 찾기보다 현재 상황을 정리하는 출발점으로 활용할 수 있습니다.

✅ 이런 고민이 있다면 한번 확인해보세요.

  • AI를 도입하라는 이야기는 들었지만 무엇부터 해야 할지 모르겠다.

  • 우리 회사가 현재 AI를 활용할 준비가 되어 있는지 궁금하다.

  • 제조업에서는 AI를 실제로 어디에 활용할 수 있는지 알고 싶다.

  • 설계·시뮬레이션·엔지니어링 업무에도 AI를 적용할 수 있는지 궁금하다.

  • 보유하고 있는 데이터로 AI 활용이 가능한지 검토하고 싶다.

하나라도 해당한다면 AI 도입 솔루션을 찾기 전에 현재 상태부터 점검해보는 것을 추천드립니다.

👉 [우리 회사 Industrial AI 자가진단 바로가기]


제조업의 AI는 ChatGPT 활용에서 끝나지 않습니다.

AI는 문서 자동화를 넘어 제품 개발과 엔지니어링 의사결정에도 활용할 수 있습니다.

기업의 AI 활용이라고 하면 가장 먼저 ChatGPT와 같은 생성형 AI나 문서 자동화를 떠올리기 쉽습니다.

하지만 제조업과 엔지니어링 분야에서는 AI의 활용 범위가 조금 다릅니다.

제품을 설계하고, 시뮬레이션하고, 데이터를 분석하고, 검증하고, 실제 제조로 연결하는 과정에서도 AI를 활용할 수 있습니다.

예를 들어,

💻 설계 및 엔지니어링 데이터 활용

기존 데이터에서 패턴을 찾아 설계 의사결정을 지원하거나,

📈 시뮬레이션 및 해석 업무 효율화

반복적인 시뮬레이션과 예측 업무를 보다 빠르게 수행하거나,

🤝 Digital Twin과 AI의 연결

가상의 환경에서 제품과 시스템을 검증하고 실제 데이터를 활용하거나,

💡 Engineering AI 활용

엔지니어의 반복적인 업무를 줄이고 보다 빠른 판단과 의사결정을 지원하는 등의 활용 가능성을 검토할 수 있습니다.

이처럼 제조업 AX와 Industrial AI는 단순히 새로운 AI 프로그램 하나를 추가하는 것이 아니라,

기존 제품 개발 및 엔지니어링 프로세스와 AI를 어떻게 연결할 것인가 라는 관점에서 바라볼 필요가 있습니다.


결과를 확인했다면, 다음은 무엇을 해야 할까요?

우리 회사의 AI 도입 방향, 진단 결과를 바탕으로 함께 구체화합니다.

자가진단을 하면 현재 상황에 대해서는 어느 정도 정리할 수 있습니다.

하지만 결과를 보고 나면 또 다른 질문이 생길 수 있습니다.

“그래서 우리 회사에서는 실제로 무엇부터 해야 하지?”

“이 결과를 가지고 어떤 AI를 검토해야 하지?”

그래서 캐디언스시스템에서는 자가진단 → 결과 확인 → 커피챗으로 이어지는 과정을 함께 운영하고 있습니다.

커피챗에서는 일방적으로 솔루션을 소개하기보다 자가진단 결과와 현재 업무 환경을 바탕으로 실제 어떤 문제를 가지고 있는지, 어떤 영역에서 AI 활용 가능성을 검토할 수 있을지 함께 이야기합니다.

예를 들어 이런 질문도 가능합니다.

“현재 보유하고 있는 데이터를 AI에 활용할 수 있을까요?”

“설계나 해석 업무에도 AI를 적용할 수 있을까요?”

“Engineering AI는 기존 생성형 AI와 무엇이 다른가요?”

“AI 도입을 시작하려면 회사에서 어떤 준비가 필요할까요?”

“우리 회사 상황에서는 어디에서 AI를 시작하는 것이 좋을까요?”

아직 구체적인 AI 프로젝트가 정해지지 않았더라도 괜찮습니다.

오히려 무엇을 해야 할지 명확하지 않을 때 현재 문제부터 함께 정리해보는 것이 커피챗의 목적입니다.

👉 [우리 회사 Industrial AI 자가진단 바로가기]


AI와 AX에 대한 관심이 높아지면서 기업이 선택할 수 있는 기술과 솔루션도 빠르게 늘어나고 있습니다.

하지만 성공적인 AI 도입은 가장 새로운 기술을 선택하는 것에서 시작되지 않습니다.

우리 회사가 현재 어떤 업무를 하고 있는지,

어디에서 반복적인 시간과 비용이 발생하는지,

어떤 데이터를 보유하고 있는지,

그리고 AI를 통해 실제로 해결할 수 있는 문제가 무엇인지 파악하는 것이 먼저입니다.

특히 제조업에서는 생성형 AI뿐만 아니라 설계·엔지니어링 데이터 활용, 시뮬레이션 및 해석 업무 효율화, Digital Twin, Engineering AI 등 다양한 영역에서 AI 활용 가능성을 검토할 수 있습니다.

중요한 것은 모든 영역에 AI를 적용하는 것이 아니라, 우리 회사에 필요한 영역부터 제대로 찾는 것입니다.

캐디언스시스템의 Industrial AI 자가진단은 그 출발점을 찾기 위한 과정입니다.

어떤 문제를 해결하고 싶고, 어느 항목에서 막혔는지 이야기해주시면

캐디언스시스템이 그 지점부터 같이 설계하겠습니다.

👉 [우리 회사 Industrial AI 자가진단 바로가기]


자주 묻는 질문

FAQ

Q. AI에 대한 전문 지식이 없어도 자가진단을 할 수 있나요?

네. AI 기술에 대한 지식을 평가하기 위한 시험이 아니라 현재 회사의 업무와 AI 활용 환경을 점검하기 위한 자가진단이기 때문에 전문적인 AI 지식이 없어도 참여할 수 있습니다.

Q. 아직 AI를 도입하지 않은 기업도 진단할 수 있나요?

가능합니다. 오히려 AI 도입 전 현재 상태를 먼저 점검하고 어떤 영역을 살펴봐야 할지 정리하는 용도로 활용할 수 있습니다.

Q. 제조업에서는 AI를 어디에 활용할 수 있나요?

기업마다 차이가 있지만 설계, 시뮬레이션, 데이터 분석, 제품 개발, 가상 검증 등 다양한 제조·엔지니어링 업무에서 Industrial AI와 Engineering AI의 활용 가능성을 검토할 수 있습니다.

Q. 자가진단 후 반드시 커피챗을 신청해야 하나요?

아닙니다. 자가진단만 진행해도 됩니다. 결과를 확인한 후 실제 AI 적용 방향이나 추가적인 검토가 필요한 경우 커피챗을 신청할 수 있습니다.


제조업 AI 도입, 무엇부터 해야 할까? 자가진단부터 결과 확인, 커피챗까지

댓글 없음

2026-09-04

최신 Simcenter Simsolid 버전은 연결성을 강화하고 분석 기능을 확장했으며, 후처리 과정을 간소화해 사용자가 설계 검증을 빠르게 진행하면서 시뮬레이션 전반의 효율성을 높일 수 있도록 돕습니다. 이 블로그에서는 이번 릴리스의 주요 내용을 소개하며, 지원 센터의 릴리스 노트를 참고하면 모든 새로운 기능을 자세히 확인할 수 있습니다.

네이티브 Designcenter 통합
Simcenter Simsolid 2026.1은 수동 파일 전송과 설정을 없앤 향상된 기본 통합 기능으로 Designcenter 사용자들의 시뮬레이션 작업 흐름을 더욱 간소화합니다. 자동 기하학, 재료, 활성 설계 구성 전송 기능은 반복적인 설정을 줄이고 모델의 정확성과 일관성을 높여줍니다. 더 명확한 전송 진단은 문제를 더 빠르게 해결하는 데 도움이 됩니다. 마지막으로, Simcenter Simsolid 2026.1의 새로운 Teamcenter 통합 기능은 프로젝트를 직접 저장하고 열 수 있게 하여 추적성과 협업을 향상시킵니다. 이 모든 기능이 결합되어 더 빠르고 연결된 시뮬레이션 경험을 제공하며, 엔지니어와 디자이너가 더 자신감 있고 효율적으로 설계를 반복할 수 있도록 돕습니다.


대규모 연결 세트의 향상된 관리
Simcenter Simsolid 2026.1은 향상된 연결 관리 기능을 통해 대형 복잡 조립체를 다루는 엔지니어와 디자이너의 생산성을 높여줍니다. 새로운 도구들은 대규모 연결 데이터를 재사용하고 복사하며 필터링하는 작업을 더 쉽게 만들어, 수작업을 줄이고 모델 설정을 간소화합니다. 솔버의 개선은 조립체가 큰 종횡비를 가질 때도 안정성과 해의 품질을 향상시킵니다. 또한 Simcenter Simsolid 2026.1은 해석기 전반에 걸쳐 추가 개선을 도입해 분석 정확도를 높이고 시뮬레이션 기능을 확장했습니다. 선형 좌굴 해석은 이제 구조 해석에서의 접촉 상태를 유지하면서 접촉 비선형성을 지원해, 복잡한 조립체를 보다 현실적으로 평가할 수 있게 하며 수동 우회 작업의 필요성을 없앴습니다.


자동 핫스팟 및 극값 탐지
Simcenter Simsolid 2026.1은 중요한 결과를 더 쉽게 식별하고 분석할 수 있도록 새로운 도구로 후처리 기능을 강화했습니다. 자동 핫스팟 감지는 국부적인 최대값과 최소값을 빠르게 찾아내어, 엔지니어와 디자이너가 복잡한 시각 데이터를 일일이 살피지 않고도 응력 집중과 주요 성능 영역을 정확히 파악할 수 있도록 돕습니다. 사용자는 모델 내 사용자가 지정한 영역에서 결과 그래프를 생성해 분석을 집중시킬 수 있어, 국부적인 거동을 더 빠르게 평가할 수 있습니다. 이 모든 기능이 결합되어 결과 해석을 쉽게 하고 생산성을 높이며, 복잡한 시뮬레이션에서 의미 있는 인사이트를 더 효율적으로 얻을 수 있도록 돕습니다.


요약
Simcenter Simsolid 2026.1은 작업 흐름 개선, 확장된 시뮬레이션 기능, 지능형 후처리를 결합해 수작업을 줄이고 더 빠르고 신뢰할 수 있는 엔지니어링 결정을 제공합니다.


Simcenter의 새로운 시대

그리고 거기서 멈추지 않습니다. Simcenter 2026년 6월 출시와 함께, 세계에서 가장 강력한 시뮬레이션 포트폴리오인 Simcenter와 Altair가 엔지니어링 분야의 중요한 순간에 함께합니다.‌


모델링과 시각화, 기계, 유체, 전자기, 시스템, 고성능 컴퓨팅(HPC), 데이터 과학, 인공지능 등 다양한 분야의 기능을 폭넓게 이용할 수 있어 혁신을 가속화하고 업무 흐름을 간소화하며 자신 있게 더 똑똑한 의사결정을 내릴 수 있습니다.

[출처] https://blogs.sw.siemens.com/simcenter/whats-new-in-simcenter-simsolid-2026-1/



[Altair] Simcenter Simsolid 2026.1의 새로운 기능

댓글 없음

2026-09-03

 

해당 교육은 유료 교육입니다 : 교육비는 첨부된 파일을 확인하시거나 교육 담당자에게 별도로 문의해주시기 바랍니다.  

 

*교육장소

캐디언스시스템 서울본사

서울특별시 금천구 가산디지털1로 212, 코오롱디지털애스턴타워 1006호


*교육 과정

https://www.cadians.com/bbs/board.php?bo_table=02_board&wr_id=75


*교육 신청

https://forms.gle/Xk7mrJHaKvHoHtts5

링크를 통해 교육 신청서를 제출해주시면, 교육 담당자가 별도로 연락 드리겠습니다.


*교육 문의

●email 문의

kwbae@cadians.com

교육담당자 : 캐디언스시스템 배근우


●전화문의

070-7090-9112

010-9437-3239


●교육신청 기간 :  교육일 10일 전까지*

[2026교육] 9월 Siemens Simcenter 교육 일정 안내

댓글 없음

2026-09-02

 


 이번 글에서는 Simcenter Testlab을 사용하기 위해 알아두어야 할 디지털 신호처리의 기본 개념을 소개합니다.

 센서를 통해 취득한 소음·진동 신호가 디지털 데이터로 변환되고, FFT를 통해 주파수 영역에서 분석되는 과정을 중심으로 Sampling, Aliasing, Anti-aliasing Filter, Resolution, Window Function 등의 개념을 살펴보겠습니다.


< 신호와 신호처리 알아보기 >

- 신호와 디지털 신호처리


<Testlab을 활용한 소음·진동 신호 분석 결과 예시>

 신호는 어떤 물리적 현상에 대한 정보를 전달하는 시간 또는 공간상의 변화를 의미합니다. 소음·진동 분야에서는 힘, 압력, 변위, 속도, 가속도 등의 물리량이 신호에 해당합니다.

 이러한 신호는 Microphone, Accelerometer, LVDT, Strain Gauge 등의 센서를 통해 취득할 수 있습니다.

 디지털 신호처리(Digital Signal Processing)는 센서에서 측정한 아날로그 신호를 디지털 데이터로 변환하고, 그 안에서 필요한 정보를 얻는 과정입니다. Testlab에서는 취득된 신호를 이용하여 시간파형과 주파수 스펙트럼 등을 확인하고, 소음·진동의 수준과 발생 원인을 분석할 수 있습니다.


- 아날로그 신호의 디지털 변환



 센서에서 출력되는 신호는 시간과 진폭이 연속적으로 변화하는 아날로그 신호입니다. 컴퓨터에서 이 신호를 처리하려면 Sampling, Quantizing, Encoding 과정을 통해 디지털 신호로 변환해야 합니다.

 Sampling은 일정한 시간 간격으로 신호의 값을 취득하는 과정이며, Quantizing은 측정한 진폭을 정해진 단계의 디지털 값으로 표현하는 과정입니다.

 따라서 Testlab에서 데이터를 분석하기 위해서는 신호를 얼마나 빠르게 취득할 것인지와 어느 정도의 진폭 범위로 측정할 것인지가 중요합니다.


< 신호를 올바르게 취득하기 >

- Sampling Frequency 알아보기


 Sampling Frequency는 1초 동안 신호의 값을 몇 번 취득하는지를 나타냅니다.

 예를 들어 Sampling Frequency가 1,000Hz라면 1초 동안 1,000개의 데이터가 취득된다는 의미입니다.

 아날로그 신호를 디지털 데이터로 올바르게 표현하려면 Sampling Frequency를 분석하려는 최대 주파수의 2배보다 높게 설정해야 합니다. 실제 계측에서는 Anti-aliasing Filter의 천이대역을 고려해야 하며, 보통 최대 분석 주파수의 약 2.56배에 해당하는 Sampling Frequency를 적용합니다.

 Testlab에서는 분석하고자 하는 주파수 범위인 Bandwidth를 설정하면 해당 범위에 맞는 Sampling Frequency가 적용됩니다.


- Aliasing 현상



 Sampling Frequency가 충분하지 않으면 실제 신호와 다른 주파수 성분이 나타날 수 있습니다. 이러한 신호 왜곡을 Aliasing이라고 합니다.

 예를 들어 5Hz의 아날로그 신호를 충분한 수의 데이터로 취득하면 원래 신호를 정상적으로 표현할 수 있습니다. 그러나 Sampling Frequency가 부족하면 동일한 신호가 3Hz 또는 1Hz와 같은 낮은 주파수로 잘못 표현될 수 있습니다.

 Aliasing이 발생한 이후에는 취득된 데이터만으로 원래 주파수를 정확하게 판단하기 어렵습니다. 따라서 측정 대상에서 발생할 수 있는 최대 주파수를 미리 고려하여 Testlab의 Bandwidth를 설정해야 합니다.


- Anti-aliasing Filter



 Aliasing은 Sampling Frequency를 충분히 높게 설정하는 것과 함께, 분석 범위를 초과하는 고주파 성분을 제거하여 방지할 수 있습니다.

 계측 시스템에서는 Sampling을 수행하기 전에 저역통과 필터(Low Pass Filter)를 적용하여 분석 범위보다 높은 주파수 성분을 감쇠시킵니다. 이처럼 Aliasing을 방지하기 위해 사용하는 필터를 Anti-aliasing Filter라고 합니다.

 실제 필터는 신호가 통과하는 Pass Band에서 차단되는 Stop Band로 즉시 전환되지 않으며, 두 영역 사이에 Transition Band가 존재합니다. 따라서 Sampling Frequency를 최대 분석 주파수의 정확히 2배로 설정하는 것만으로는 충분하지 않고, 필터가 신호를 감쇠시키기 위한 여유 구간이 필요합니다.

 이러한 Transition Band를 고려하여 Sampling Frequency를 최대 분석 주파수의 약 2.56배로 설정하며, Aliasing의 영향을 받지 않는 실제 분석 범위인 Span을 Bandwidth의 약 80%로 설정해야 합니다.

 따라서 Testlab에서 Bandwidth를 설정할 때는 측정 대상에서 확인하려는 최대 주파수뿐 아니라, 분석 범위를 초과하여 발생할 수 있는 고주파 성분도 함께 고려해야 합니다. 


< 주파수 분석 알아보기 >

- Fourier Transform과 FFT



 실제 소음과 진동의 시간파형에는 여러 주파수 성분이 혼합되어 있습니다. 이 때문에 시간에 따른 파형만으로는 각각의 진동 성분과 발생 원인을 구분하기 어려울 수 있습니다.

 Fourier Transform은 시간 영역(Time Domain)의 복잡한 신호를 주파수 영역(Frequency Domain)으로 변환하는 방법입니다.

 주파수 영역에서는 신호에 어떤 주파수 성분이 포함되어 있는지와 각 성분의 크기를 확인할 수 있습니다. 이를 통해 회전체의 회전 성분, 기어 맞물림 성분 또는 구조물의 공진 주파수 등을 분석할 수 있습니다.

 FFT(Fast Fourier Transform)는 디지털 신호에 대한 DFT(Discrete Fourier Transform)를 효율적으로 계산하기 위한 알고리즘입니다. Testlab에서는 취득한 시간 데이터를 FFT 처리하여 Spectrum 형태로 확인할 수 있습니다.


- Bandwidth, Resolution, Frequency Lines




 Testlab의 Acquisition Parameters에서는 주파수 분석을 위한 Bandwidth, Resolution, Frequency Lines를 설정할 수 있습니다.

 Bandwidth는 분석하고자 하는 최대 주파수 범위를 의미합니다. 예를 들어 Bandwidth 1,000Hz로 설정하면 0Hz부터 1,000Hz까지의 주파수 성분을 분석합니다.

 Frequency Lines는 Bandwidth를 몇 개의 데이터 포인트로 나누어 표현할 것인지를 의미합니다.

 Resolution은 주파수 영역에서 인접한 데이터 사이의 간격으로, 다음과 같은 관계를 가집니다.

 Resolution = Bandwidth ÷ Frequency Lines

 Resolution이 작을수록 서로 가까이 있는 주파수 성분을 세밀하게 구분할 수 있습니다. 다만 더 세밀한 Resolution을 적용하려면 더 긴 시간의 데이터를 취득해야 합니다.

 예를 들어 Resolution이 1Hz이면 하나의 FFT 분석에 1초의 데이터가 필요하며, Resolution이 0.1Hz이면 10초의 데이터가 필요합니다. 따라서 측정 목적에 따라 분석 정밀도와 데이터 취득 시간을 함께 고려해야 합니다. 


< 정확한 FFT 결과 얻기 >

- Leakage Phenomenon




 FFT는 일정한 시간 동안 취득한 하나의 데이터 Block이 반복되는 신호라고 가정하여 분석합니다.

 취득한 Block의 시작값과 끝값이 자연스럽게 이어지면 반복되는 신호에도 불연속이 발생하지 않습니다. 반대로 시작값과 끝값이 서로 다르면 Block이 반복되는 지점에서 급격한 불연속이 발생합니다.

 이러한 불연속으로 인해 특정 주파수 성분의 에너지가 주변 주파수 영역으로 퍼져 나타나는 현상을 Leakage라고 합니다.

 Leakage가 발생하면 실제 주파수의 Peak 값이 낮아지고, 원래 존재하지 않던 주변 주파수 성분이 함께 나타날 수 있습니다.

 여기서 신호의 연속성은 원래 신호 자체가 연속적인지를 의미하는 것이 아니라, FFT 분석을 위해 선택한 Frame의 시작과 끝이 서로 연결되는지를 의미합니다.

 - Window Function




 Window Function Leakage를 줄이기 위해 취득한 신호에 특정한 형태의 함수를 곱하는 방법입니다.


 Window가 적용되면 신호 Block의 시작과 끝부분이 부드럽게 감소합니다. 이를 통해 FFT Block이 반복되는 지점에서 발생하는 급격한 불연속을 줄이고, 주파수 성분이 주변으로 퍼지는 현상을 완화할 수 있습니다.

 다만 Window Function은 Leakage를 완전히 제거하는 것이 아니라 감소시키는 방법이며, 적용한 Window에 따라 신호의 진폭과 주파수 분해능에도 차이가 발생할 수 있습니다.

 대표적인 Window Function에는 Hanning, Flattop, Uniform, Exponential Window 등이 있습니다.

 일반적인 소음·진동 데이터 분석에는 Hanning Window가 주로 사용됩니다. 다만 측정 신호의 특성과 분석 목적에 따라 적절한 Window를 선택해야 합니다.

< 정리 >


 이번 글에서는 Testlab을 사용하기 위해 알아두어야 할 기본적인 디지털 신호처리 이론을 살펴보았습니다.

 센서에서 취득한 아날로그 신호는 Sampling과 Quantizing 과정을 통해 디지털 데이터로 변환됩니다. 이후 FFT를 이용하면 시간 영역의 복잡한 신호를 주파수 영역으로 변환하여 신호에 포함된 주파수 성분을 분석할 수 있습니다.

 Testlab에서 설정하는 Bandwidth, Resolution, Frequency Lines, Window 등의 항목은 단순한 소프트웨어 옵션이 아니라 Sampling, Anti-aliasing Filter, FFT와 같은 신호처리 과정과 직접적으로 연결되어 있습니다.

 따라서 각 설정의 의미와 결과에 미치는 영향을 이해하면 측정 목적에 적합한 조건을 설정하고, 분석 결과를 더욱 정확하게 해석할 수 있습니다.

[Testlab] Simcenter Testlab 사용을 위한 기본 신호처리 이론 알아보기

댓글 없음

2026-08-28

 


들어가며


 CFD는 상세 해석에 필수적이지만, 수많은 설계 반복이나 최적화를 돌리려면 계산 자원과 시간이 만만치 않습니다. 이 문제의 답으로 등장한 것이 축소차수모델(ROM, Reduced Order Model)입니다 — 복잡한 유동장과 핵심 물리량(응답)을 빠르게 예측하는 근사 모델이죠.


 Simcenter STAR-CCM+에서는 Design Manager가 설계 스터디를 지휘하는 중앙 플랫폼 역할을 하고, 별도 설치되는 Simcenter PhysicsAI가 그 데이터를 학습해 AI 기반 ROM을 만들어 다시 Design Manager에 자동 통합합니다. 이 글에서는 공식 튜토리얼 "AI ROM: Minimizing Drag Around an Aerodynamic Body"의 전체 흐름을 살펴봅니다.


•  AI ROM의 개념 — Design Manager Simcenter PhysicsAI의 역할 분담

•  문제 설정파라미터화된 2D 공력 형상과 세 개의 입력 파라미터

•  적응 샘플링(Adaptive Sampling)으로 학습 데이터 수집 (30개 설계)

•  Surface/Volume AI ROM 생성과 학습, Loss Plot 읽기

•  DOE(16) + Test Study AI ROM 검증

•  AI ROM 기반 최적화 (120개 설계) Top 3 실해석 확인


1. AI ROM이란? — 역할 분담부터


 AI ROM 워크플로우에는 두 주인공이 있습니다. Design Manager는 전략적인 유동 해석 세트를 정의·실행해 다양한 설계 구성의 유동장과 응답을 담은 학습·검증 데이터를 생성합니다. Simcenter PhysicsAI는 이 데이터를 분석해 설계 공간의 지배적 거동과 KPI를 모델링하고, 복잡한 해석 출력을 빠른 데이터 기반 모델로 변환합니다.


 학습이 끝난 AI ROM은 자동으로 Design Manager에 다시 통합되어, 이후의 스터디에서 CFD 대신 평가 엔진으로 쓸 수 있습니다. 단, Simcenter PhysicsAI는 Design Manager와 함께 동작하려면 별도 설치가 필요합니다.


•  Design Manager = 데이터 생성·스터디 오케스트레이션  /  PhysicsAI = ROM 학습 엔진

•  학습된 ROM Design Manager 안에서 '평가 방법(Evaluation Method)'으로 그대로 선택 가능


2. 문제 설정 — 파라미터화된 공력 형상


 파라미터화된 공력 물체(aero body) 주위의 유동을 해석하며, 목표는 항력(Drag) 최소화입니다. 유동장과 응답을 세 파라미터로 학습합니다 — 형상 파라미터 P_D1_r, P_D2_r과 유입 속도 P_V. 계산량을 줄이기 위해 2D 대칭 형상을 사용하며, 공식 문서도 "산업적으로 현실적인 문제라기보다 워크플로우를 빠르게 시연하기 위한 작은 데이터셋"이라고 명시하고 있습니다.


그림 1. 파라미터화된 2D 공력 형상 — P_D1_r, P_D2_r로 형상 제어 (출처: STAR-CCM+ User Guide)

항목

설정

목표

항력(Drag) 최소화고정 유입속도 8.5 m/s에서

입력 파라미터

P_D1_r (0.05~0.5), P_D2_r (0.75~2.25), P_V (7.5~12.5 m/s)

학습 데이터

Adaptive Sampling 30개 설계

검증

DOE(Latin Hypercube) 16 + AI ROM Test Study

최적화

AI ROM 기반 120개 설계 (CFD 없이 예측)

해석 차원

2D · 대칭 물체 (데모 목적)


 전체 워크플로우는 다섯 개의 스터디로 이어집니다: ① 적응 샘플링(학습 데이터 수집) → ② DOE 스터디(검증용 CFD 결과) → ③ Test Study(AI 예측과 CFD 비교) → ④ 최적화 스터디(AI ROM으로 최저 항력 탐색) → ⑤ Manual 스터디(상위 3개 설계 실해석 확인).


3. 학습 데이터 수집 — Adaptive Sampling

 참조 시뮬레이션(aero_body_start.sim)의 루트 노드에서 Create Design Manager Project를 실행하고, 새 Design Study의 Study Type을 Adaptive Sampling으로 설정합니다. 적응 샘플링은 서로게이트(surrogate) 계산이 샘플링 경로를 안내하는 방식으로, 설계 공간의 복잡성을 효율적으로 포착하는 설계점들을 찾아냅니다.


설정 항목

/ 내용

Designs to Run

30 — 이 모델 크기에는 30개 샘플로 충분

Responses to Consider

Drag — 이 응답의 서로게이트가 샘플링을 안내

Responses

Cd, Drag, PressureDrop

Input Parameters 범위

P_D1_r [0.05, 0.5] / P_D2_r [0.75, 2.25] / P_V [7.5, 12.5] m/s

Run Settings

동시 실행 8개 설계 × 설계당 1코어


 이 스터디의 핵심은 AI ROM Datasets 노드입니다. 벽면 경계의 항력을 예측할 Surface AI ROM을 위해 Surface Dataset을, 압력장을 예측할 Volume AI ROM을 위해 Volume Dataset을 만듭니다.


•  Surface Dataset — Inputs: All Boundaries, Responses: Drag. 응답을 선택하면 관련 출력 필드(Density, Static Pressure, Wall Shear Stress)가 자동 표시됨

•  Volume Dataset — Output Fields: Pressure (나중에 Test Study에서 압력장 비교에 사용)


그림 2. Adaptive Sampling 스터디의 AI ROM Datasets 구성 (출처: STAR-CCM+ User Guide)

4. AI ROM 생성과 학습

 AI Reduced Order Models 노드에서 Simcenter PhysicsAI Command가 PhysicsAI 설치 경로의 run_physicsai_server를 가리키는지 먼저 확인합니다 — 별도 설치된 PhysicsAI가 실제 학습을 수행하기 때문입니다. 그다음 두 개의 AI ROM을 만듭니다.


속성

AI ROM Surface

AI ROM Volume

Field Type

Surface

Volume

Training Dataset

Surface Dataset (Successful)

Volume Dataset (Successful)

Output Fields

자동 채움 (Drag 관련 필드)

Pressure

Parameters

P_D1_r, P_D2_r, P_V

P_D1_r, P_D2_r, P_V

Responses

Drag

PressureDrop (Cd·Drag는 표면 값이므로 제거)

Epochs

1000 (기본값)

1000 (기본값)

Field Model Sample Points

100

300


 Sample Points에 대한 실무 지침: 이 튜토리얼은 포인트가 매우 적어 최솟값을 썼지만, 일반적인 산업 케이스에서는 전체 face 수(표면 모델) 또는 cell 수(볼륨 모델)의 0.5~5%를 권장합니다.


Solution Representation 호환성 — 응답 모델이 필요한 순간


 대부분의 응답은 예측된 3D 유동장에서 유도할 수 있지만, 일부 응답은 그렇지 않습니다. 각 report의 Compatible with Solution Representation 속성(읽기 전용)을 확인하세요. 이 튜토리얼에서 PressureDrop은 비호환이므로, 이 값을 예측하려면 별도의 Response 모델을 명시적으로 학습해야 합니다.

 Start Train > All로 학습을 시작하면 모델별 Loss Plot이 열립니다 — Training Loss와 Validation Loss(각각 smoothed/un-smoothed), 그리고 Best Training/Validation Loss 마커가 표시됩니다. 잘 학습된 AI ROM은 epoch가 진행되며 두 loss가 수렴합니다.


5. 검증 — DOE + Test Study


 AI ROM을 믿고 쓰려면 검증이 필요합니다. 절차는 두 단계입니다: 먼저 CFD로 '정답'을 만들고, 같은 설계점을 AI ROM으로 예측해 비교합니다.

① DOE Validation 스터디 (CFD 정답 생성)


설정 항목

/ 내용

Study Type / DOE Type

DOE / Latin Hypercube Sampling — 표본을 도메인에 고르게 분산

Designs to Run

16

Input 범위 (서브도메인)

P_D1_r [0.1, 0.2] / P_D2_r [1.5, 2.0] / P_V [8.0, 10.0] m/s

Save Simulation Files

Successful — Test Study에서 쓰려면 sim 파일 저장이 필수!


② AI ROM Test Study (예측 vs 정답 비교)


 AI ROM Volume 노드에서 Create Test Study를 실행하면, DOE 스터디의 입력·응답이 자동으로 전달됩니다. Test Data에 DOE Validation의 Successful 설계 세트를 지정하고, PressureDrop 응답의 AI Evaluation Method를 Response Model로 설정합니다(솔루션 표현 비호환 응답이므로).
검증의 백미는 사용자 정의 응답입니다. PressureDropDifference = (시뮬레이션 PressureDrop) − (AI ROM 예측 PressureDrop) 식을 만들어 오차를 정량화하고, 대시보드의 연결된 스냅샷으로 시뮬레이션 압력 분포와 AI 예측 압력 분포를 나란히 비교합니다.

그림 4. Test Study 대시보드 — CFD 압력장 vs AI ROM 예측 압력장 비교 (출처: STAR-CCM+ User Guide)

6. AI ROM 최적화 — CFD 없이 120개 설계


 이제 본론입니다. 새 Optimization 스터디에서 Evaluation Method를 AI ROM - 3D Field & Responses로 설정하면, 이 스터디는 CFD를 돌리지 않고 학습된 AI ROM으로 설계를 평가합니다.

설정 항목

/ 내용

AI ROM / Inputs

AI ROM Surface / All Wall Boundaries

Optimization Type

Weighted sum of all objectives

Designs to Run

120

Input Parameters

P_D1_r [0.05, 0.5] (증분 7.5E-4) / P_D2_r [0.75, 2.2] (증분 0.0075) / P_V = 상수 8.5 m/s

Response

Drag — AI Evaluation Method: Response Model, Is Objective 활성, Goal: Minimum

Run Settings

동시 8 × 1코어


 실행 후 출력 테이블을 Drag 열로 정렬하면 최저 항력 설계를 바로 찾을 수 있습니다. 튜토리얼 결과로는 Design 28이 최저 항력 5.692 N을 보였고, 해당 형상 파라미터는 P_D1_r = 0.05, P_D2_r = 1.26(유입속도 8.5 m/s)이었습니다.

마지막 단계 — Top 3를 실제 CFD로 확인


1.  Design Sets에서 Sort N Design Set 생성 — Sort by: Drag, Smallest to Largest, Maximum 3

2.  Export to CSV로 상위 3개 설계 파라미터 내보내기

3.  Manual 스터디를 만들어 CSV Design Table로 임포트 → Run Study

4.  상위 3개 설계의 실제 유동장(압력 분포)을 시뮬레이션으로 확인 — AI 예측의 최종 검증


그림 5. 최적화 결과 — 최저 항력 설계와 Top 3 압력장 비교 (출처: STAR-CCM+ User Guide)

7. 실행 요건과 실무 체크리스트


라이선스 · 설치


•  Simcenter STAR-CCM+ Intelligent Design Exploration 라이선스적응 샘플링, DOE, 최적화 스터디 실행에 필요

•  Simcenter PhysicsAI는 별도 설치 후, AI Reduced Order Models 노드에서 실행 경로(run_physicsai_server)를 지정

•  권장 자원(본 튜토리얼): 동시 실행 8개 설계 × 설계당 1코어


권장 워크플로우


1.  참조 시뮬레이션을 확인하고 Create Design Manager Project로 프로젝트를 만든다.

2.  Adaptive Sampling 스터디로 학습 데이터(Surface/Volume Dataset)를 수집한다.

3.  Surface·Volume AI ROM을 만들고 학습한다 — Loss 수렴 확인.

4.  DOE + Test Study로 예측 정확도를 검증한다 (sim 파일 저장 필수).

5.  AI ROM 평가 기반 최적화 스터디로 설계 공간을 빠르게 탐색한다.

6.  상위 설계만 Manual 스터디에서 실제 CFD로 재확인한다.


실무 팁


•  Field Model Sample Points face/cell 수의 0.5~5%가 권장너무 적으면 정확도, 너무 많으면 학습 시간이 문제

•  AI ROM에 선택하는 응답(Responses)은 이후 그 ROM을 쓸 스터디의 응답과 일치해야 함

•  Solution Representation 비호환 응답(: PressureDrop) Response Model 학습이 필수

•  적응 샘플링은 서로게이트 기반으로 설계점을 자동 선정하므로 실행마다 세부 결과가 달라질 수 있음


마치며


 이 튜토리얼의 메시지는 명확합니다 — AI ROM은 CFD를 대체하는 것이 아니라, 비싼 CFD를 아껴 쓰게 해줍니다. 30개의 CFD로 모델을 학습하고, 16개의 CFD로 검증한 뒤, 120개의 설계 탐색은 AI가 몇 초 만에 끝냅니다. 마지막으로 유망한 3개만 다시 CFD로 확인하면, 총 49회의 해석으로 120+개 설계 공간을 탐색한 셈입니다.

 설계 초기 단계에서 파라미터 스터디의 벽에 부딪히고 있다면, Design Manager + Simcenter PhysicsAI의 AI ROM 워크플로우가 그 답이 될 수 있습니다.


[STAR-CCM+] Design Exploration : AI ROM으로 항력 최소화하기

댓글 없음
이런자료는 어때요?
캐디언스 시스템
(주) 캐디언스시스템

서울본사 : 서울시 금천구 가산디지털 1로 212, 코오롱디지털타워애스턴 1006호