지하물류 디지털트윈의 데이터 아키텍처 설계

지하물류 시스템에서 디지털트윈을 구축하려면 역사, 열차, 물류거점, 자동이송장비를 3차원으로 표현하는 것보다 먼저 데이터를 어떻게 수집하고 연결할 것인지 설계해야 한다. 실제 지하물류 운영에서는 철도 운행정보, 화물 주문정보, 역사 혼잡도, AGV 위치, 엘리베이터 상태, 물류센터 재고량처럼 서로 성격이 다른 데이터가 동시에 발생한다. 이러한 정보가 하나의 기준으로 통합되지 않으면 디지털트윈은 화려한 시각화 화면에 머물 가능성이 크다.

 

따라서 지하물류 디지털트윈의 핵심 기반은 데이터 아키텍처다. 데이터 아키텍처는 어떤 데이터를 어디에서 수집하고, 어떤 형식으로 저장하며, 누가 이용하고, 시스템 간에 어떻게 교환할 것인지를 정의하는 전체 구조를 의미한다. 시스템엔지니어링 관점에서는 데이터 역시 하나의 시스템 구성요소로 다뤄야 한다. 데이터의 생성 주체와 사용 목적, 갱신 주기, 신뢰도, 보안등급을 요구사항 단계부터 명확하게 설정해야 한다.

미래를 잇는 운영기술의 핵심은 공통에서 시작된다.

지하물류 데이터는 여러 운영체계에서 동시에 발생한다

지하물류는 하나의 조직이나 정보시스템만으로 운영되지 않는다. 철도 운영기관은 열차 위치, 운행 시각, 지연 여부, 선로 상태를 관리한다. 물류기업은 화물의 출발지와 목적지, 크기, 중량, 배송 우선순위, 보관조건을 관리한다. 역사 시설관리시스템은 엘리베이터, 전력, 환기, 화재감지설비의 상태를 제공한다.

 

AGV 또는 AMR 관제시스템에서는 로봇의 현재 위치와 이동경로, 속도, 배터리 잔량, 고장 상태가 생성된다. 지하 MFC에서는 입고량과 출고량, 보관 위치, 재고량, 분류 진행 상황이 기록된다. 여기에 승객 수, 역사 혼잡도, 지상 교통상황, 최종 배송차량의 도착 예정시간까지 포함하면 데이터의 종류는 더욱 복잡해진다.

 

이러한 데이터는 생성 목적과 구조가 모두 다르다. 열차 위치정보는 초 단위로 갱신될 수 있지만, 물동량 통계는 시간이나 일 단위로 분석해도 충분할 수 있다. AGV 충돌방지를 위해서는 매우 빠른 데이터 처리가 필요하지만, 월별 에너지 사용량을 분석하는 업무에는 실시간성이 중요하지 않다.

 

따라서 모든 데이터를 동일한 방식으로 수집해서는 안 된다. 데이터가 실제로 어떤 의사결정에 사용되는지에 따라 수집 주기와 정확도를 구분해야 한다. 필요한 데이터의 수준을 정하지 않고 무조건 많은 정보를 저장하면 비용만 증가하고 중요한 정보를 찾기 어려워질 수 있다.

데이터 아키텍처는 물리계층에서 서비스계층까지 연결돼야 한다

지하물류 디지털트윈의 데이터 아키텍처는 크게 물리자산계층, 연결계층, 데이터 통합계층, 모델·분석계층, 서비스계층으로 구성할 수 있다.

 

물리자산계층은 실제 현장에서 데이터를 생성하는 영역이다. 열차, 선로, 승강장, 역사, 엘리베이터, MFC, AGV, 물류용기, 화물, 전력설비와 각종 센서가 포함된다. 이 계층에서는 온도, 진동, 위치, 속도, 적재량, 배터리 상태, 출입 여부와 같은 원천데이터가 생성된다.

 

연결계층은 현장의 데이터를 디지털 플랫폼으로 전달한다. 유선 네트워크, 무선통신, 사물인터넷 게이트웨이, 철도 전용 통신망 등이 활용될 수 있다. 지하공간은 통신 음영지역과 간섭 가능성이 있으므로 단순히 통신속도만 고려해서는 안 된다. 연결이 중단되었을 때 데이터를 임시 저장하고 복구 후 다시 전송하는 기능도 필요하다.

 

데이터 통합계층에서는 서로 다른 시스템에서 들어온 데이터를 공통 형식으로 변환한다. 열차, 역사, 화물, 장비마다 고유한 식별자를 부여하고 시간정보와 위치정보를 하나의 기준으로 맞춰야 한다. 이 계층에는 데이터 저장소, 실시간 이벤트 처리, 이력관리, 품질검증 기능이 포함된다.

 

모델·분석계층은 데이터를 이용해 실제 지하물류 시스템의 상태를 표현하고 미래 상황을 예측한다. 열차 운행 모델, 화물 흐름 모델, 승객 이동 모델, 설비 상태 모델, 에너지 모델이 서로 연결된다. 데이터 분석과 인공지능을 활용해 물류 병목, 장비 고장 가능성, 재고 적체, 열차 지연 영향을 예측할 수 있다.

 

마지막 서비스계층은 운영자가 실제로 사용하는 기능을 제공한다. 통합관제 화면, 운송계획 수립, 장애 경보, 예지정비, 안전관리, 성과분석, 시뮬레이션 결과 등이 여기에 포함된다. 현장 운영자와 관리자, 기술자, 물류기업이 필요한 정보가 다르기 때문에 사용자별로 화면과 권한을 구분해야 한다.

공통 식별체계가 데이터 연결의 출발점이다

지하물류 디지털트윈에서 가장 기본적이면서도 중요한 요소는 식별체계다. 어떤 데이터가 어느 열차, 어느 역사, 어느 화물과 관련된 정보인지 정확히 구분할 수 있어야 한다.

 

예를 들어 동일한 화물이 출발지 MFC에서 분류되고 AGV로 이동한 뒤 열차에 적재되어 도착역으로 운송되는 과정을 생각해 볼 수 있다. 각 시스템이 서로 다른 화물번호를 사용한다면 전체 이동 이력을 연결하기 어렵다. 물류관리시스템에서는 주문번호를 사용하고, AGV 시스템에서는 운송작업번호를 사용하며, 철도 운송시스템에서는 적재단위 번호를 사용하는 상황이 발생할 수 있다.

 

이를 해결하려면 화물, 물류용기, AGV, 열차, 역사, 공간, 설비에 공통 식별자를 부여하고 상호 관계를 관리해야 한다. 개별 박스 단위로 추적할 것인지, 여러 박스를 담은 물류용기 단위로 추적할 것인지도 운영목적에 따라 결정해야 한다.

 

공통 식별체계가 갖춰지면 특정 화물이 어느 열차에 적재됐고, 어느 역사에 도착했으며, 현재 어떤 AGV가 운반하고 있는지를 하나의 흐름으로 확인할 수 있다. 이러한 연결성은 디지털 스레드를 구현하는 기초가 된다.

시간과 위치정보의 기준을 통일해야 한다

지하물류 운영은 시간과 위치의 관리가 매우 중요하다. 열차 출발시간을 놓치면 전체 배송 일정이 바뀌고, 화물이 잘못된 위치로 이동하면 분류와 인계 과정에서 오류가 발생한다.

 

각 시스템의 시간이 서로 다르면 데이터 분석 결과가 왜곡될 수 있다. AGV 시스템에서는 오후 2시 10분에 화물이 승강장에 도착한 것으로 기록됐지만, 철도시스템에서는 열차가 오후 2시 9분에 출발한 것으로 기록될 수 있다. 실제로는 같은 시각을 서로 다른 기준으로 기록했을 가능성도 있다.

 

따라서 모든 시스템은 공통 시간 기준을 사용하고 시간 동기화 오차의 허용범위를 정의해야 한다. 안전과 실시간 제어에 활용되는 데이터는 매우 작은 시간 오차를 요구하지만, 장기 통계자료는 상대적으로 큰 오차가 허용될 수 있다.

 

위치정보도 마찬가지다. 열차 위치는 노선과 역, 선로구간을 기준으로 표현될 수 있고, AGV 위치는 역사 내부 좌표로 표현될 수 있다. 물류관리시스템은 창고 구역과 선반번호를 사용할 수 있다. 이러한 위치체계를 연결하려면 역사, 층, 구역, 노드, 좌표 간의 관계를 정의한 공간 데이터 모델이 필요하다.

 

디지털트윈은 물리적인 위치뿐 아니라 기능적인 위치도 관리해야 한다. 화물이 ‘역사 지하 2층’에 있다는 정보보다 ‘도착역 하역대기구역’에 있다는 정보가 운영자에게 더 유용할 수 있다.

실시간 데이터와 이력 데이터를 구분해야 한다

디지털트윈에서는 현재 상태를 보여주는 실시간 데이터와 과거의 변화과정을 저장하는 이력 데이터가 모두 필요하다.

 

실시간 데이터는 열차 위치, AGV 상태, 역사 혼잡도, 화물 적재상태처럼 즉각적인 판단에 사용된다. 열차 출발까지 남은 시간 안에 화물 적재가 가능한지, AGV 고장으로 대체장비가 필요한지, 승객 밀집으로 물류작업을 중단해야 하는지를 결정하는 데 활용된다.

이력 데이터는 장기간에 걸쳐 반복되는 문제와 변화 추세를 분석하는 데 사용된다. 특정 시간대마다 AGV 대기가 증가하거나 특정 엘리베이터에서 지연이 반복된다면 이력 분석을 통해 구조적인 병목을 발견할 수 있다.

 

모든 원천데이터를 영구적으로 저장하는 것은 비효율적일 수 있다. 안전사고와 운영검증에 필요한 핵심 데이터는 장기간 보관하고, 활용도가 낮은 고빈도 센서데이터는 요약값으로 변환하거나 일정 기간 이후 삭제하는 정책이 필요하다.

 

데이터 보관기간은 법적 요구사항, 안전 검증, 유지보수, 사고조사, 성과분석 목적을 함께 고려해 결정해야 한다. 특정 데이터를 누가 언제 수정했는지를 기록하는 변경 이력도 중요하다.

데이터 품질이 낮으면 디지털트윈의 판단도 틀릴 수 있다

디지털트윈은 실제 시스템의 상태를 데이터로 판단하기 때문에 데이터 품질이 낮으면 잘못된 의사결정을 내릴 수 있다. 센서 오류로 AGV 위치가 다르게 표시되거나 화물 입출고 정보가 누락되면 운영자는 현재 상황을 정확히 이해하기 어렵다.

 

데이터 품질은 정확성, 완전성, 일관성, 적시성, 유효성의 측면에서 관리해야 한다. 정확성은 데이터가 실제 상태와 얼마나 일치하는지를 의미한다. 완전성은 필요한 데이터가 빠짐없이 수집됐는지를 나타낸다. 일관성은 서로 다른 시스템의 정보가 충돌하지 않는지를 의미한다.

 

적시성은 의사결정에 필요한 시점에 데이터가 제공되는지를 나타낸다. AGV 위치정보가 정확하더라도 10분 전 데이터라면 실시간 운영에는 사용할 수 없다. 유효성은 데이터가 정해진 형식과 범위 안에 있는지를 의미한다.

 

데이터 품질을 확보하려면 수집 단계에서 오류를 탐지해야 한다. 비정상적으로 빠른 속도, 불가능한 위치, 중복된 화물번호, 누락된 시간정보를 자동으로 확인할 수 있다. 오류가 발견됐을 때 해당 데이터를 삭제할 것인지, 보정할 것인지, 운영자에게 경보를 보낼 것인지도 사전에 정의해야 한다.

이벤트 기반 데이터 처리로 운영변화를 빠르게 감지해야 한다

지하물류에서는 모든 데이터를 일정한 주기로 조회하는 방식보다 중요한 사건이 발생했을 때 즉시 정보를 전달하는 이벤트 기반 구조가 유용하다.

 

열차 지연, AGV 고장, 엘리베이터 운행 중단, 화물 오분류, 승객 밀집도 증가 등이 대표적인 이벤트다. 이러한 변화가 발생하면 관련 시스템이 즉시 대응해야 한다.

 

예를 들어 열차 출발이 5분 지연되면 물류관리시스템은 추가 화물 적재가 가능한지 판단할 수 있다. 반대로 열차 출발시간이 앞당겨지거나 적재작업이 지연되면 AGV에 새로운 우선순위를 부여해야 한다. 엘리베이터가 고장 나면 해당 경로를 사용하는 AGV 작업을 중단하고 다른 경로를 계산해야 한다.

 

이벤트 기반 구조에서는 하나의 사건이 여러 시스템에 영향을 줄 수 있다. 따라서 이벤트의 종류와 심각도, 발생시각, 관련 자산, 대응주체를 표준화해야 한다. 동일한 장애에 대해 여러 시스템이 중복 경보를 발생시키지 않도록 경보 통합과 우선순위 관리도 필요하다.

디지털트윈 모델과 실제 데이터를 지속적으로 동기화해야 한다

디지털트윈은 실제 시스템과 가상모델 사이의 상태가 지속적으로 일치해야 의미가 있다. 초기에는 역사 구조와 장비 배치가 정확하게 모델링됐더라도 운영 중 시설이 변경되거나 새로운 장비가 추가되면 가상모델도 함께 수정해야 한다.

 

AGV 이동경로가 변경됐는데 디지털트윈에 반영되지 않으면 시뮬레이션 결과를 신뢰하기 어렵다. MFC 보관구역이 확장되거나 엘리베이터 운영규칙이 바뀌는 경우에도 모델을 갱신해야 한다.

 

모델과 현실의 차이를 자동으로 확인하는 절차가 필요하다. 실제 처리시간과 시뮬레이션 처리시간을 비교하고 차이가 일정 수준을 넘으면 모델의 매개변수를 수정할 수 있다. 이렇게 실증과 운영데이터를 이용해 모델을 지속적으로 보정하는 과정을 모델 캘리브레이션이라고 볼 수 있다.

 

시스템엔지니어링에서는 시스템 변경이 요구사항과 시험항목에 어떤 영향을 주는지 추적한다. 디지털트윈 모델이 변경될 때도 관련 요구사항과 검증결과를 함께 관리해야 한다. 그래야 모델이 단순한 운영 화면이 아니라 시스템 전 생애주기 관리도구로 활용될 수 있다.

데이터 보안과 운영권한을 설계해야 한다

지하물류 데이터에는 철도 운행정보와 시설 상태, 화물 이동정보, 기업 운영정보가 포함될 수 있다. 일부 데이터는 안전과 보안 측면에서 외부 공개가 제한될 필요가 있다.

 

모든 참여기관이 모든 데이터에 접근할 필요는 없다. 철도 운영기관은 열차 안전과 역사 시설에 필요한 정보를 확인하고, 물류기업은 화물 처리와 배송에 필요한 정보를 이용하면 된다. 장비 공급사는 유지보수에 필요한 장비 상태정보에만 접근하도록 제한할 수 있다.

 

데이터 접근권한은 조직뿐 아니라 역할에 따라 구분해야 한다. 관제 운영자, 관리자, 유지보수 담당자, 분석가에게 서로 다른 조회와 수정 권한을 부여할 수 있다. 중요한 설정이나 운영규칙을 변경할 때는 승인절차와 변경이력 기록이 필요하다.

 

외부 시스템과 연계할 때는 인증, 암호화, 접속기록, 이상행위 탐지 기능을 적용해야 한다. 네트워크가 침해되더라도 철도 안전과 현장 제어에 직접적인 영향을 주지 않도록 업무망과 제어망을 분리하는 구조도 검토해야 한다.

단계적 구축을 통해 데이터 아키텍처를 검증해야 한다

지하물류 디지털트윈의 데이터 아키텍처를 처음부터 도시 전체 규모로 구축하는 것은 위험이 크다. 초기에는 하나의 역사와 제한된 장비, 특정 시간대의 물류운영을 대상으로 시작하는 것이 현실적이다.

 

첫 단계에서는 화물, AGV, MFC의 기본 위치와 상태정보를 연결한다. 두 번째 단계에서는 열차 운행정보와 역사 시설정보를 통합한다. 세 번째 단계에서는 승객 혼잡도와 지상 배송수단을 연결해 전체 물류 흐름을 분석한다.

 

각 단계에서는 데이터가 실제 의사결정에 사용되는지를 검증해야 한다. 수집 가능한 데이터라고 해서 모두 디지털트윈에 포함할 필요는 없다. 운영자가 활용하지 않는 데이터는 수집비용과 관리부담만 높일 수 있다.

 

실증과정에서 데이터 누락, 시간 불일치, 시스템 간 중복정보, 통신지연이 발생하는지를 확인해야 한다. 이를 바탕으로 인터페이스와 표준을 수정한 뒤 적용범위를 확대해야 한다.

지하물류 디지털트윈은 데이터 연결에서 완성된다

지하물류 디지털트윈의 경쟁력은 정교한 그래픽이 아니라 실제 운영정보를 얼마나 정확하게 연결하느냐에 달려 있다. 열차와 화물, 역사와 AGV, MFC와 최종 배송수단의 데이터가 하나의 흐름으로 연결돼야 전체 물류상태를 이해할 수 있다.

 

시스템엔지니어링은 데이터 요구사항과 시스템 인터페이스를 정의하고, 디지털트윈은 수집된 데이터를 이용해 현실의 상태를 가상공간에 반영한다. 여기에 분석과 시뮬레이션을 결합하면 단순한 상태 확인을 넘어 병목과 장애를 예측하고 운영대안을 비교할 수 있다.

 

궁극적으로 지하물류의 데이터 아키텍처는 물리적 설비, 운영절차, 정보시스템, 의사결정 구조를 연결하는 디지털 기반시설이다. 공통 식별체계, 시간과 위치 기준, 데이터 품질관리, 이벤트 처리, 보안체계가 함께 설계돼야 안정적인 디지털트윈을 구현할 수 있다.

지하물류가 여러 역사와 노선으로 확대될수록 데이터의 중요성은 더욱 커진다. 개별 실증사업에서 서로 다른 방식으로 데이터를 구축하면 향후 시스템 통합에 많은 비용이 발생할 수 있다. 초기 단계부터 확장성과 상호운용성을 고려한 데이터 아키텍처를 설계해야 하는 이유다.

 

디지털트윈은 데이터를 보여주는 기술이 아니라 데이터를 통해 시스템을 이해하고 변화시키는 기술이다. 지하물류 데이터가 요구사항, 설계, 시험, 운영, 유지보수 과정과 연결될 때 비로소 지속적으로 학습하고 개선되는 도시물류 시스템을 만들 수 있다.