LLM 기반 스마트 팩토리 디지털 트윈 자동 구축 프레임워크

Abstract

4차 산업혁명의 가속화와 함께 제조 산업의 생산성 향상 및 공정 최적화를 위한 핵심 기술로 디지털 트윈(Digital twin, DT)의 도입이 적극적으로 이루어지고 있다. 그러나 기존의 Large language models(LLM) 기반 연구들은 주로 기구축된 디지털 트윈의 운영 및 유지보수 단계에서 텍스트 기반의 의사결정을 지원하거나, 장비와 생산 라인의 3D 시각화 및 자동화에 치중되어 있다. 정작 시뮬레이션 구동의 전제 조건이자 가장 높은 전문성이 요구되는 초기 모델 구축과 내부 파라미터 설정 과정은 여전히 전문가의 수작업에 의존 하여 DT 도입의 높은 진입 장벽으로 작용하고 있다. 이러한 한계를 극복하기 위해, 본 연구에서는 비전문가 작업자의 자연어 발화로부터 시뮬레이션 파라미터를 추출하여 DT를 자동 구축하는 LLM 기반 프레임워크를 제안한다. 본 연구의 핵심 방법론은 세 가지로 구성된다. 첫째, 작업자의 추상적 의도와 시뮬레이터의 정량적 명세 간의 간극을 해소하기 위해, 사용자 친화적인 abstract-parameters와 시뮬레이터에서 실행 가능한 system-parameters 로 구성된 이원화된 파라미터 스키마를 정의하였다. 둘째, 제조 도메인의 데이터 기근 문제를 해결하고 한국어 특화 파라미터 추출 성능을 극대화하기 위해, 도메인 특화 슬롯 필링(Slot-filling) 데이터셋을 자체 구축하여 LLM을 미세조정(Fine-tuning)하였다. 셋째, 확률적 모델의 환각 위험을 제거하기 위해 LLM의 추론 결과에 결정론적 지식 베이스 매핑과 규칙 기반 검증을 결합하여 데이터의 완결성을 보장한다. 실험 결과, 구축한 데이터셋으로 fine-tuning한 모델은 범용 모델 대비 월등한 JSON 스키마 준수율과 파라미터 추출 정확도를 보였으며, 제안된 프레임워크가 전문 지식이 없는 현장 작업자도 직관적인 자연어 발화로 고정밀 시뮬레이션 모델 구축을 효과적으로 지원함을 입증하였다.;With the acceleration of Industry 4.0, the active adoption of Digital twins (DT) has become a core technology for enhancing productivity and optimizing processes in the manufacturing industry. However, existing Large language models(LLM)-based research has primarily focused on supporting text-based decision-making during the operation and maintenance phases of pre-constructed DTs, or on the 3D visualization and automation of equipment and production lines. Consequently, the initial model construction and internal parameter configuration processes which are prerequisites for simulation execution and require high expertise remain reliant on manual work by experts, acting as a significant entry barrier to DT adoption. To overcome these limitations, this study proposes an LLM-based framework that automatically constructs DTs by extracting simulation parameters from the natural language utterances of non-expert operators. The core methodology of this study consists of three components. First, to bridge the gap between operators’ abstract intents and the simulator’s quantitative specifications, we defined a dual-layer parameter schema consisting of user-friendly abstract-parameters and executable system-parameters. Second, to solve the data scarcity problem in the manufacturing domain and maximize the Korean-specific parameter extraction performance, we constructed a domain-specific slot-filling dataset and fine-tuned the LLM. Third, to eliminate the hallucination risks inherent in probabilistic models, we integrated deterministic knowledge base mapping and rule-based verification into the LLM’s inference results, ensuring data completeness. Experimental results demonstrate that the model fine-tuned with our constructed dataset achieves superior JSON schema compliance and parameter extraction accuracy compared to general-purpose models. Furthermore, this study validates that the proposed framework effectively supports non-expert field operators in constructing high-precision simulation models through intuitive natural language utterances.