Article information

Trans Abstract

1. 서 론

화력무기체계의 획득 수명주기 단계별로 실시하는 성능시험은 개발 체계의 기술상, 운용상 요구사항을 만족하는지 판단하기 위하여 실 사격시험(live test)으로 실시한다. 고도화된 기술이 적용되고 복합적인 성능을 갖는 첨단 화력무기체계의 개발은 성능 검증을 위한 핵심 성능지표가 증가하게 되고, 성능 확인을 위한 시험환경 및 시험 요구사항 또한 확대된다. 이러한 변화는 시험지원 자산의 투입을 증가시키게 되며, 시험결과의 신뢰성 향상을 위해 다수의 지원 자산으로부터 획득되는 각종 정보를 기반으로 신속한 상황인지와 의사결정을 정확히 할 수 있는 시험수행 능력이 요구된다. 성능시험 과정에서 획득되는 다양한 정보를 활용하여 안전을 강화시키고 신속하고 효율적인 시험을 수행해야 하지만 이를 수행하는 충분한 인적자원의 투입은 제한된다. 인적자원이 제한된 상황에서 요구되는 시험수행능력을 갖기 위해서는, 주요 의사결정을 신속하고 정확하게 할 수 있도록 상황인지 정보 및 주요 의사결정 요소를 제공하는 의사결정 지원시스템(decision support system)의 활용이 필수이다.

무기체계 성능시험 수행에 활용하기 위해 요구되는 무기체계 성능시험 의사결정 지원시스템의 능력은 다음과 같다. 첫째, 의사결정자가 신속하게 의사결정을 할 수 있도록 지원 자산에서 획득한 실시간 정보를 가시화하여 제공해야 하며, 시험단계별 단계전환 의사결정 추천 자료를 신속히 제공해야 한다. 둘째, 시험상황을 인지할 수 있도록 운용중인 자산의 상태정보나 위험구역 안전상황 정보 등의 통합 정보를 제공해야 한다. 셋째, 시험시설이나 지원 자산의 상태를 진단하고 예측할 수 있는 건전성 진단 정보를 제공해야 한다^[1].

요구되는 능력을 갖춘 무기체계 성능시험 의사결정 지원시스템의 구현을 위하여 선제적으로 요구되는 연구는 체계 구현을 위한 아키텍처의 설계이며, 선행연구^[1]를 통하여 디지털 트윈 아키텍처를 활용한 설계방법론을 제안하였다. 다수의 지원 자산 간 또는 지원 자산과 의사결정 지원시스템 간 이종의 모델링 데이터를 공유하기 위하여 표준화된 데이터 모델 적용 연구가 요구되었으며, 본 논문은 모델 간 연계 및 분석을 용이하게 하고, 향후 개발 무기체계와의 데이터 교환 및 공유의 확장성을 고려하여, 미 국방성에서 개발한 DM2 표준 데이터 모델^[2]을 적용하는 방법을 제안하였다.

본 논문의 구성은 다음과 같다. 2장에서는 산업 및 국방분야에서 적용하는 표준 데이터 모델의 연구동향을 기술하였으며, 3장에서는 표준 데이터 모델을 적용하여 지원 자산 모델을 구현하는 방법에 대하여 상세히 설명하고자 한다. 4장은 사례연구를 통해 제안하는 방법에 대한 실현 타당성(feasibility)을 검증하고, 5장에서 결론을 맺는다.

2. 관련연구

산업분야에서 표준 데이터 모델은 제조과정에서 획득되는 다양한 형식의 디지털 데이터를 표준화하여 통합적으로 처리하고, 교환, 공유 및 저장을 위하여 활용된다. 이를 통해 수동조작 및 서류작업을 줄이고, 의사결정 절차를 가속화한다. 결과적으로 생산품 개발 비용의 절감, 완성품 생산기간 단축, 생산품 품질 향상 및 생산효율 증대 효과를 얻을 수 있다^[3]. 국방분야는 네트워크 기반 전투체계의 상호 운용성을 확보하고, 다양한 센서 및 무기체계를 통합하기 위해 표준 데이터 모델을 적용한다. 이는 임무 수행 파트너 간의 정보공유를 가능하게 하여, 전술적 의사결정이 더욱 빠르고 정확하게 이루어지도록 돕는다^[2]. 표준 데이터 모델의 적용은 정의된 범주 내에서 필수 정보만 추출하여 활용함으로서 사용 데이터수를 대폭 감소시키고, 데이터 전송, 저장 및 관리를 용이하게 한다.

산업분야에서 연구된 표준 데이터 모델의 연구사례는 다음과 같다. W. Yang et al.^[3]에서는 CAx(CAD, CAM, CNC)간 데이터 교환 및 공유를 지원하는 표준화 데이터 모델인 STEP-NC를 준수하는 가공장비의 표준 데이터 모델을 제안하였다. STEP-NC 표준 기반의 가공 프로세스 계획 및 디지털 제조를 실현하기 위하여, 가공장비의 데이터 형식을 General, Component, Capability, Performance, Cost, Kinematics 데이터 세트로 분류함으로서 포괄적인 제조자원의 데이터 모델을 구현하였다. EXPRESS 모델링 언어로 모델을 표현하고, XML (eXtensible Markup Language)로 변환하여 통합 관리된다.

생산성 향상 및 비용 절감을 목표로 스마트 공장과 같은 지능형 공장으로 진화시키기 위하여 디지털 트윈을 적용하는 연구가 최근 활발히 이루어지고 있으며, 표준 데이터 모델의 적용은 디지털 트윈 모델 개발의 핵심요소 중 하나이다. E. D. Viazilov et al.^[4]에서는 기존에 제안된 데이터 모델 중, 디지털 트윈 환경에 적용할 수 있는 모델로서 UDM(Universal Data Model)이 가장 적합하다고 분석되었다. Classifiers, Catalogue, Facts, Link Table로 데이터 모델이 구성되어 많은 객체 데이터를 저장할 수 있는 포괄적인 데이터 모델인 반면, 사용자가 데이터 모델을 이해하는데 매우 어려운 복잡한 구조인 단점이 있다.

N. Kousi et al.^[5]은 제조환경 공유와 제조 프로세스를 실시간 인지하기 위한 체계 구현을 위하여 주요 인프라를 디지털 트윈으로 모델링하는 기술을 연구하였으며, 작업량 상태 및 투입되는 자원의 기하학적 구조를 표현하기 위한 디지털 트윈 데이터 모델을 시멘틱(semantic) 표현으로 제안하였다. 다수의 제조자원이 투입되는 복잡한 제조환경은 획득되는 방대한 자료를 구조화, 간결화하고 이종 데이터간의 호환 및 통합을 위한 표준화된 모델이 요구된다. 이를 해결하기 위한 방법으로 온톨로지 접근방법을 이용한다. 온톨로지 접근 방법은 다양한 제조 자원의 데이터 간 상호 호환성을 강화하고, 복잡한 제조 환경에서의 정보 공유를 원활하게 한다. 이를 통해 방대한 데이터를 구조화하고, 사용자 간 명확한 의미 전달을 가능하게 한다. 온톨로지 모델은 정보공유가 필요한 사용자를 위하여 형식과 속성을 표시하기 위한 공통된 어휘를 사용한다. 해당 도메인 내 데이터 요소에 해당되는 개념(concept)을 종합함으로서 지식을 표현하고, 개념 간의 상호관계를 명확한 규격의 형식으로 표현함으로서 의미론적 표현을 강화하였다.

Y. Lu et al.^[6]은 물리적 제조 자원을 디지털 트윈으로 가상화하기 위하여 시멘틱 모델 개발방법을 연구하였으며, 스마트 공장의 시멘틱 모델과 가상 자원을 개발하기 위한 체계적인 프레임워크를 제안하였다. 제조 자원의 모델은 STEP-NC 표준 모델로부터 개념 간의 집합인 클래스, 두 개념 간 상호관계, 클래스의 개별 인스턴스로 기술되는 온톨로지 모델로 표현하였다.

Q. Bao et al.^[7]은 부품 간 조립공정을 디지털로 표현하기 위하여 이종의 데이터를 부품단위 디지털 트윈 모델을 정보 패키지에 효과적으로 조직화하는 온톨로지 기반 데이터 모델링 방법을 제안하였다. CNC (Computer Numerical Control) 데이터 모델인 ISO14649 표준을 기반으로 스탠포드대학교에서 제안한 7단계 온톨로지 개발방법을 적용하였다.

S. Singh et al.^[8]은 디지털 트윈 모델을 구성하는 데이터의 다양성 문제를 데이터관리 측면에서 온톨로지 모델로 구조화 시키는 방법론을 제시하였다. 디지털 트윈 모델의 기능과 온톨로지 모델을 구성하는 클래스 간 매핑과, 클래스 간 관계를 정의하여 개념모델로서의 온토롤지 모델을 생성하고, 데이터베이스에 적용할 수 있는 논리적 모델 형식의 관계형 데이터 모델로 변환하는 모델링 과정을 제안하였다.

국방분야의 표준 데이터 모델은 DoDAF(Department of Defense Architecture Framework) 2.0에서 제시하고 있는 DM2^[2]가 대표적이다. DoDAF 2.0은 2004년 미 국방성에서 최초 제시한 DoDAF 1.0의 강화된 버전으로서, 데이터 중심 접근으로 아키텍처 설계 시 데이터의 수집, 조직화, 관리를 통합하고 강화하기 위하여 DM2로 명명한 표준 데이터 모델 적용을 기술하고 있다. DM2는 개념적 데이터 모델(Conceptual Data Model, CDM), 논리적 데이터 모델(Logical Data Model, LDM), 물리적 교환 명세서(Physical Exchange Specification, PES)로 구성된다. CDM은 데이터의 상위 개념을 정의하며, LDM은 개념 들 간의 관계를 명확히 하고, PES 는 실제 데이터 전송과 교환을 위한 물리적 사양을 규정한다. DM2의 적용을 통해 모든 계층의 이해당사자가 기술된 아키텍처의 데이터를 이해할 수 있으며, 주요 모델링 데이터를 공유하고, 확장성을 강화하도록 한다. 사례연구로서 L. Li et al.^[9]은 대공방어 복합체계의 아키텍처 모델에 대한 동적 행동을 검증하기 위한 실행 모델 변환과정에서 DM2를 적용함으로서 정보의 일관성 및 데이터의 완전성을 보장하는 방법을 제안하였다.

관련연구의 비교분석 결과는 Table 1과 같다. [3]은 제조환경 내, 단일 자원에 대한 데이터 모델링 방법을 관련 표준에 따라 표현한 것으로 제조환경 내, 단일 자원의 모델링에 최적화되어 있는 반면, 적용 영역의 확장 및 이종데이터 간 통합에 한계를 가지고 있다. [4]는 특정 환경의 디지털 트윈 모델 표현을 위한 최적의 데이터 모델로 분석되고 있으나, 동일한 한계를 갖는다. [5]-[8]은 디지털 트윈 모델 표현 시, 이종 데이터의 통합 한계를 극복하고자 온톨로지 기반 데이터 모델링 방법을 제안하고 있지만, 단일 자원 또는 특정 환경의 모델링에 중점을 두고 있다. 또한 아키텍처 설계 시, 동적 행동 모델의 표현과 이해당사자 관점에서의 다양한 모델 뷰를 제공할 수 없는 한계가 있다. [2]는 다수의 자원이 상호 연결되는 복합체계의 아키텍처 설계 시, 모든 계층의 이해당사자가 이해할 수 있는 다양한 관점의 모델 뷰를 표현할 수 있도록 정형화된 온톨로지 기반의 표준화된 DM2를 제공하고 있으며, 이는 다수의 자원을 모델링 시 표준 데이터 모델을 공유하고 모델링 결과의 재사용성과 확장성을 강화하도록 한다. 그러나 DM2의 범용성은 데이터 모델이 지나치게 방대한 단점을 가지고 있으며, 특정분야에 적용하기 위하여 표준 데이터 형식과 관계성을 정제하는 과정이 요구된다.

Table 1.

Summary analysis of data modeling related study

3. DM2 기반 데이터 모델 구현

본 절에서는 DM2를 기반으로 무기체계 성능시험을 지원하는 자산에 대한 디지털 트윈 데이터 모델의 구현방법에 대하여 제안하고자 한다. 선행연구^[1]에서는 디지털 트윈 아키텍처를 활용한 의사결정 지원시스템 설계방법을 제안하였으며, 본 절은 핵심이 되는 지원 자산의 디지털 트윈 데이터 모델을 DM2를 기반으로 상세히 구현하는 방법에 대하여 제안한다. 시험대상 무기체계, 성능시험 지원 자산 그리고 의사결정 지원시스템 간 모델링 정보 공유와 통합 정보관리의 완전성을 보장하고자 DM2를 적용하였다. 2장의 관련연구 분석결과에 따라 제한사항으로 식별된 방대한 표준 데이터 형식 및 관계성을 디지털 트윈 모델링 대상을 기준으로 정제하는 절차를 CDM 매핑, LDM 기반 모델 가시화, PES 변환 순으로 본 논문에서 기술하고자 한다.

3.1 의사결정 지원시스템 아키텍처의 자원흐름 및 관계 정의

DM2를 데이터 모델로서 적용하기 위한 첫 번째 단계는 데이터 중심 관점에서 대상이 되는 체계의 자원 흐름(resource flow)을 파악하고 흐름 간의 관계를 정의하는 것이다. Fig. 1은 선행연구^[1]에서 제안한 5D 디지털 트윈 아키텍처를 활용한 의사결정 지원시스템의 개념 아키텍처에서의 자원흐름 및 관계 정의를 온톨로지 모델로 표현하였다. 자원흐름의 중심은 자원이 통합 저장되어 관리되는 데이터베이스(database)이다. 물리 자산으로부터 획득되는 데이터 및 정보, 디지털 트윈 모델을 구성하는 개체 모델(entity model) 및 규칙 모델(rule model) 데이터 요소, 그리고 의사결정 지원시스템의 제공 서비스에 해당되는 의사결정 지원 지식정보가 데이터베이스에 통합 저장된다. 모델 계층(model layer)을 구성하는 각각의 모델은 자원의 데이터 모델을 구성하는 핵심 요소를 갖는다.

Fig. 1.

Resource flow mechanism in decision support system architecture

3.2 모델 계층과 DM2 CDM 간 매핑

DM2를 데이터 모델로서 적용하기 위한 두 번째 단계는 3.1절에서 정의한 지원 자산의 디지털 트윈 모델을 구성하는 각 모델과 DM2 CDM에서 기술한 HLD (High Level Data) 구성요소 간의 매핑이다. 디지털 트윈 모델을 구성하는 모델의 기능 및 속성을 기반으로 CDM의 HLD 구성요소인 Activity, Capability, Resource, Guidance, Condition 요소가 Fig. 2와 같이 매핑된다. Resource 및 Guidance 요소는 각각 상속(inheritance)관계를 갖는 하위 클래스들을 포함하고 있으며, DM2 LDM 기반 모델 가시화 과정에서 하위 클래스가 사용된다. 디지털 트윈 모델의 물리 모델 요소는 식별(identification) 데이터, 성능(performance) 데이터, 그리고 정량적(quantity) 데이터로 구성되며, 규칙 모델 요소는 분석(analysis) 데이터, 표준(standard) 데이터, 그리고 제약(constraint) 데이터로 구성된다. 이 각각의 요소는 Table 2와 같이, CDM의 HLD 5개 구성요소와 매핑되어 데이터를 구조화한다. HLD 구성요소인 Measure 및 Measure Type은 특정 데이터 형식으로 표시되는 속성의 크기와 범주를 나타내는 요소로서, 모델 계층의 모든 모델 요소와 연관관계를 갖는 공통 요소이므로 별도로 매핑을 기술하지 않았다.

Fig. 2.

Mapping between model layer's models and DM2 CDM

Table 2.

Detailed mapping result between model elements and DM2 CDM

3.3 DM2 LDM 기반 모델 가시화

세 번째 단계는 3.2절에서 식별한 HLD 구성요소 간의 연관관계를 정의한 DM2 LDM를 기반으로 이해당사자가 이해할 수 있는 모델로서 가시화하는 것이다. Fig. 3은 DM2 LDM에서 상세히 정의한 HLD 구성요소 간의 연관관계를 정제하여 종합적으로 표현한 것이다. <<wholePartType>>은 클래스와 클래스 간의 집합(aggregation)관계이며, <<overlapType>>은 시공간이 중복되는 관계를 갖는다. <<beforeAfterType>>은 시간 상 전후 관계가 있음을 표현하고, <<typeInstance>>, <<powertypeInstance>>는 의존(dependency) 관계가 있음을 표현한다. <<superSubType>>은 Resource와 Guidance HLD 구성요소 내 상속관계를 표현하고 있으며, 일반적으로 Guidance의 하위 클래스인 Rule이 HLD 구성요소로 표현된다.

Fig. 3.

Associations between HLD constructs(DM2 LDM)^[2]

모델링 대상 자산의 디지털 트윈 모델 표현은 매핑을 통해 추출된 HLD 구성요소와 구성요소 간 연관관계를 적용하여 가시화한다. 대상 자산의 능력, 운용 프로세스, 주요 운용 데이터 형식 등의 공통 관심 분야를 이해당사자가 상호 이해할 수 있도록 가시화하며, 가시화 대상 모델은 DoDAF 2.0에서 제시한 모델에서 선정된다. DoDAF 2.0에서는 이해당사자가 이해할 수 있도록 공통으로 표현하는 모델을 8개 영역의 관점(viewpoint) 별로 구분하여 Table 3과 같이 제시하고 있다^[2]. 사례연구를 통하여 이해당사자의 공통 관심 모델을 표현하는 방법을 자세히 기술하고자 한다.

Table 3.

Viewpoints and related models in DoDAF 2.0^[2]

3.4 PES 변환

마지막 단계는 가시화한 데이터 모델을 PES로 변환하는 것이다. PES를 적용하는 주된 목적은 모델의 재사용성과 확장성, 그리고 데이터의 상호 운용성을 보장하는데 있다. PES로 변환된 데이터는 다양한 시스템 간의 원활한 통합을 가능하게 하며, Fig. 4에서 나타낸 바와 같이 각 모델 간의 연계 및 확장을 통해 디지털 트윈 환경에서 모델링 결과에 대한 더욱 유연한 데이터 분석 및 관리가 가능해진다. 본 논문에서는 XML을 데이터 교환을 위한 공통의 표준형식으로 선정하여 데이터 모델을 PES로 기술하였다.

Fig. 4.

Data model management process

4. 사례연구

화력무기체계의 실 사격 성능시험에서 시험 대상이 되는 탄약을 발사체계로 반복적으로 이송하고 장전 하는 절차가 요구된다. 고 중량의 탄약 취급과정에서 관련 인력의 안전한 업무수행과 근로환경을 개선하기 위하여, 무인 기반의 자율 이송 기술과 로보틱스 기반의 장전기술을 융합한 ATLAS를 개발하였다^[10]. 사례 연구에서는 무기체계 성능시험 시 지원 자산 중 하나인 ATLAS에 대한 디지털 트윈 모델을 3절에서 제안한 화력무기체계 성능시험 지원 자산의 DM2 기반 데이터 모델링 절차에 따라 구현하고, 모델의 동적 행동 분석을 통해 실현 타당성을 검증하고자 한다.

모델링 대상이 되는 ATLAS의 주요 제원은 Table 4와 같다. 이송 및 장전할 수 있는 적재중량은 최대 30 kg 이며, 분당 45 m의 주행 성능을 가진다. 1회 완전충전 후, 최대 운행시간은 8시간이며, 주행방식은 광학 추적 유도센서를 이용하여 지면에 표시된 유도선을 따라 자동으로 주행하는 방식을 채택하였다. 센서 유형 및 제어시스템 구조 등의 세부 정보는 B. S. Kim et al.^[10]에 기술되어 있다.

Table 4.

Specification of ATLAS^[10]

ATLAS의 경로 프로파일은 Fig. 5와 같다. 경로주행 임무 구분은 크게 네 가지로 구분된다. 충전지점 → 탄약 적재지점, 탄약 적재지점 → 탄약 장전지점, 탄약 장전지점 → 탄약 적재지점, 탄약 적재지점 → 충전지점으로 구분된다. 경로 상 주행특성은 지면에 설치된 RFID(Radio Frequency IDentification) 태그를 인식하여, RFID 태그 번호별로 주행임무에 따라 사전에 정의된 주행설정에 의해 자동으로 주행 장치를 구동한다. 탄약 장전지점에서의 장전임무는 다수의 근접센서를 이용하여 사전에 정의된 장전 프로파일에 따라 구동되는 탄약 장전장치에 의해 수행된다.

Fig. 5.

Driving profile of ATLAS in indoor firing range^[10]

DM2 CDM에 정의된 HLD 구성요소를 기준으로 ATLAS 디지털 트윈 모델 요소 간 매핑 결과는 Table 5와 같으며, ATLAS의 모델 요소는 Activity, Capability, Rule, Condition, Resource HLD 구성요소와 매핑된다. ATLAS의 주행과 탄 장전작업 관련 모델 요소는 Activity와 매핑되며, 주행성능과 적재능력 그리고 운용관련 명령은 Capability 및 Condition과 각각 매핑된다. 특히, Resource와 매핑되는 제어장치 및 센서/제어 데이터 모델 요소는 Resource의 하위 클래스인 System 및 Data와 세부적으로 매핑되며, 표준 데이터 형식은 Rule의 하위 클래스인 Standard와 매핑된다.

Table 5.

Mapping result between model layer's ATLAS models and DM2 CDM

Table 5에서 기술한 매핑결과를 기반으로 DoDAF 2.0에서 기술한 Table 3의 8개 관점 영역별 모델 중 이해당사자의 관심모델을 선정하고, Fig. 3의 DM2 LDM 을 참조하여 데이터 모델을 가시화하였다. ATLAS의 행동 특성 및 이벤트 추적 표현을 OV-5b와 OV-6c를 혼합한 모델로 기술하였으며, 행동 내, 주요 단계 전이과정 표현은 OV-6b를 사용하여 기술하였다. 모델 내에서 공유되고 생성되는 데이터 형식에 대한 정의 및 연관관계는 DIV-2로서 표현하였다.

ATLAS의 행동 특성 및 이벤트 추적 기술결과는 Fig. 6과 같다. ATLAS의 시스템 구성은 주 제어장치와 구동 제어장치로 분류되며, 구동 제어장치는 주행장치와 장전장치로 구분된다. 각 시스템 내에서의 행동은 다음과 같다. 주 제어장치는 구동 제어장치로 사전에 설정된 명령을 보내며, 명령과 함께 주행 관련 정보를 받은 주 제어장치의 제어를 통해 주행장치가 운용된다. 주행장치의 행동은 정방향 및 역방향 주행 행동을 실시한다. 주행장치가 정방향으로 탄약을 장전하는 지점에 도착하면, 도착 정보를 구동 제어장치에 전송하고, 탄약 장전장치의 행동을 시작한다. 장전장치의 행동을 통해 탄약장전이 완료되면 완료 신호가 구동 제어장치에 전달되고 역방향 주행을 통해 탄약 적재지점으로 복귀한다. 행동과정에서 전달되거나 생성되는 정보의 흐름은 자원흐름으로 표현된다.

Fig. 6.

Activity model of ATLAS(OV-5b/OV-6c hybrid)

ATLAS의 주행 및 탄약 장전임무 과정에서 단계 전이 알고리즘에 해당되는 모델의 기술은 Fig. 7과 같다. 주행장치 내에서의 행동 단계는 주행과정에서의 RFID 태그 인식, 각 RFID 태그에 사전 정의된 설정정보에 따른 주행, 목적지 도착여부 판단 단계로 구분하여 임무를 수행한다. 탄약 장전임무는 리프트의 수직 상승, 장전/복귀, 수직 하강의 단계로 임무를 수행하며, 세부적인 단계 전이 알고리즘의 표현 및 단계 전이 과정에서 전달되고 생성되는 정보 흐름 등의 과정은 CDM HLD 구성요소와 연관관계로서 기술된다.

Fig. 7.

State transition model of ATLAS(OV-6b)

ATLAS 디지털 트윈 모델 내에서 공유되고 생성되는 데이터 형식에 대한 정의 및 연관관계는 Fig. 8과 같다. 임무 명령 데이터는 ATLAS를 통해 서비스 제공 임무를 명령하는 데이터이며, 주행 경로와 관련된 주행행동 데이터는 과업종류 및 선택경로에 따른 경로 데이터를 의미한다. RFID 태그 별 정의된 주행설정 데이터는 해당 RFID 태그를 통과하는 지점에서의 구동장치의 주행방향, 분기방향, 주행속도, 충돌센서 감지 유무 및 감지 감도, 마크센서 유무 및 마크센서 감지 시 행동특성 데이터를 담고 있다. 센서 데이터는 ATLAS에 장착된 센서의 종류, 정보 및 출력 데이터를 담고 있으며, ATLAS의 성능 데이터는 최대 주행속도, 최대 주행시간, 최대 적재량 데이터를 기술한다. 각각의 데이터 타입 클래스는 주행 행동 데이터 타입 클래스를 기준으로 연관관계를 갖고 있다.

Fig. 8.

Logical data model of ATLAS(DIV-2)

구현된 데이터 모델을 통합 관리하기 위하여 XML 파일 형식의 PES로 변환하였다. Fig. 9는 Fig. 7에서 표현한 단계 전이모델을 XML로 정의한 일부분이다. 전체 변환결과는 모델을 구성하는 12개의 Activity는 <Activity> 요소로, 15개의 Information은 <DomainInformation> 요소로, 3개의 System은 <System> 요소로 정의된다. Fig. 10은 HLD 구성요소 간의 연관관계를 기술한 일부분이다. <activityResourceOverlap>은 전후 관계를 갖는 Activity간에 교환되거나 생성되는 Information과의 관계를 기술하며, <BeforeAfterType>은 정의한 Activity 간의 전후 관계를 기술하였다. <WholepartType>은 정의한 System간의 포함 관계를 기술하였다.

Fig. 9.

Activities, informations and systems XML description of state transition model(Fig. 8)

Fig. 10.

Associations XML description of state transition model(Fig. 8)

DM2 기반 데이터 모델 자체는 동적 행동에 대한 검증과 성능평가는 용이하게 할 수 없으므로 L. Li et al.^[9]은 DM2 기반 모델링 결과를 CPN(Coloured Petri Net)으로 변환하여 동적행동을 검증하는 방법을 제안하였다. 제안 방법을 참조하고 위에서 기술한 ATLAS 데이터 모델을 기반으로 주행 및 탄 장전 임무에 대한 ATLAS의 동적행동을 CPN으로 구현하였으며, 그 결과는 Fig. 11과 같다. CPN은 크게 주행 행동, 목적지 판단 행동, 탄 장전 행동으로 구분하였으며, 각 행동의 세부적인 실행과정은 섹션1∼3내에 별도로 기술되었다. CPN을 지원하는 도구중 하나인 CPN Tools 소프트웨어를 활용하여 동적모델을 기술하였으며, 주요 플레이스(place)에 토큰(token)을 설정하여 동적 시뮬레이션을 수행하여 모델을 분석하고 검증하였다. Fig. 8에서 기술한 데이터 형식은 Table 6의 선언과 같이 Colour Set으로 선언하여 플레이스(place) 및 트랜지션(transition) 간 데이터 흐름 및 변환을 성공적으로 구현하였다.

Fig. 11.

CPN conversion result of ATLAS dynamic behavior

Table 6.

Partial colour sets declarations of CPN tools

본 사례연구를 통해, DM2를 기반으로 무기체계 성능시험 지원 자산의 데이터 모델을 구현하는 방법은 모델링 데이터의 공유와 결과 검증을 위한 분석이 가능함을 확인하였다.

5. 결 론

국방분야 중, 화력무기체계 성능시험 의사결정 지원시스템에 요구되는 상황인지 정보 공유 및 주요 의사결정 요소 제공 능력을 구현하기 위하여, 체계로 연결되는 다수 지원 자산에 대한 표준화된 데이터 모델을 적용한 모델링이 요구되며, 본 연구는 그 방법에 대하여 기술하였다.

모델링 방법의 제안에 앞서 산업 및 국방분야에서 표준 데이터 모델의 연구동향을 논하였으며, 먼저 선행연구에서 개발된 디지털 트윈 아키텍처를 활용한 의사결정 지원시스템 아키텍처의 자원흐름 및 구성요소 간의 관계를 정의하였으며, 그 결과를 DM2 CDM 과 매핑하였다. 매핑된 CDM의 HLD 구성요소 간 연관관계를 표현하는 DM2 LDM을 기반으로 모델을 가시화하는 절차를 기술하였으며, 마지막으로 데이터 모델의 통합관리를 위하여 PES로 변환하는 과정을 제안하였다. DM2 표준 데이터 모델 기반의 모델링 기술은 세 가지 시스템 요구조건을 만족하는 서비스 설계 시, 모든 계층의 이해당사자 간 모델의 공유 및 분석을 용이하게 하며, 타 지원 자산의 데이터 모델 개발을 위한 재사용과 추후 개발되는 무기체계 표준 데이터 모델 간 연계 등 확장성이 매우 높은 장점을 갖는다. 또한 선행연구^[1]에서 제안한 디지털 트윈아키텍처를 활용한 의사결정 지원시스템 설계과정에서, 디지털 트윈 모델 개발을 위해 기존에 제안된 데이터 모델^[4]-[8]의 한계가 되는 동적행동 모델 표현의 제한과 이해당사자 관점에서의 다양한 모델 뷰를 제공하지 못하는 부분에 대하여 DM2를 적용함으로서 개선할 수 있음을 확인하였다.

제안한 모델링 방법에 대한 실현 타당성은 화력무기체계 실 사격 성능시험에서 탄약을 자동으로 이송하고 장전하는 임무를 수행하는 ATLAS의 데이터 모델을 구현하여 검증하였다. 기술된 모델링 결과는 CPN 모델 변환 및 시뮬레이션을 통해 동적 행동에 대한 모델 검증을 실시하였다.

본 연구에서 실시한 사례연구는 단일 지원 자산에 대한 데이터 모델을 기술하여 검증하였다. 의사결정 지원시스템과 다수의 시험자산 데이터 모델 간 상호 연계성 및 재사용성에 대한 검증 연구와, 모델링 결과를 기반으로 의사결정 지원시스템에서 제공하는 서비스 구현방법에 대한 추가적인 연구가 요구된다.

Article information Continued