지식 센터
목차

사출 성형 산업에서 AI Agent의 응용

사출 성형 산업에서 AI Agent의 응용은 베테랑 기술자가 사출기 셋업, 기계 감시, 불량 판정에서 쌓은 경험을 실시간으로 호출하고 폐루프로 실행할 수 있는 소프트웨어 역량으로 바꾸는 데 집중된다. 사출기를 대체하는 것이 아니라 MES, SCADA, 설비 컨트롤러 위에 얹혀 감지, 추론, 실행의 3계층 구조로 공정 파라미터를 권고하고 이상에 대응하며 품질을 판정한다. 현재 가장 집중적으로 배치되는 영역은 셋업과 시사출, 공정 중 순회 검사, 불량 판정 세 가지다.

1. AI Agent가 사출 성형 현장에서 실제로 해결하는 문제

사출 성형은 파라미터 민감도가 높고 경험 의존도가 큰 대표적 공정이다. 형체력, 보압, 보압 시간, 배럴 존 온도, 사출 속도, 냉각 시간 중 하나만 흔들려도 부품 위에서 싱크 마크, 플래시, 흑점, 치수 이탈로 증폭된다. 전통적 방식은 셋업 기술자의 시행착오에 의존하며, 금형을 장착해 안정 생산에 이르기까지 시사출 불량은 수십 샷에서 백 샷을 넘기도 한다.

AI Agent가 다루는 것은 바로 이 불확실한 구간이다. 이력 공정 시트, 시사출 기록, 금형 온도 곡선, 실시간 기계 데이터를 함께 추론해 다음 샷의 파라미터를 제안하고, 생산 중에는 실제 값과 권고 값을 지속적으로 비교한다. 일반적인 SPC 대시보드와 달리 Agent는 경보만 올리지 않고 어느 파라미터를 얼마나 조정할지, 어떤 결과를 기대할 수 있는지까지 담은 조치 지령을 제시해 사람이 확인하거나 권한 수준에 따라 자동 발행한다.

2. 기술 원리와 핵심 역량

나누어 보면 세 계층이다. 감지 계층은 OPC-UA나 Modbus TCP로 컨트롤러 데이터를 수집하며, 보통 샘플링 주기가 초 단위 또는 수백 밀리초 단위이고 캐비티 압력 센서는 아날로그 채널, 금형 온도 조절기는 전용 통신 포트를 쓴다. 추론 계층이 핵심으로, 보통 규칙 엔진과 소형 모델의 조합이다. 공정 창은 이력 양품 데이터에서 구간으로 학습하고, 이상 진단은 알려진 결함 패턴을 의사결정 트리나 경량 모델로 매칭하며, 대형 모델은 구조화된 결론을 읽을 수 있는 대응 조언으로 바꾼다. 실행 계층은 MES 작업지시와 설비의 파라미터 기록 인터페이스에 연결되며, 파라미터 기록은 반드시 권한 등급화가 필요하고 대부분의 공장은 권고와 수동 확인까지만 개방한다.

세 가지 역량이 관건이다. 첫째, 공정 파라미터 최적화다. 금형 번호와 재료 등급이 주어지면 시사출 중에 안정 창으로 수렴하며, 업계의 일반적 목표는 시사출 불량을 20샷 이내로 유지하는 것이다. 둘째, 결함 원인 배속이다. 싱크 마크를 보압 부족이나 용융 온도 저하로, 플래시를 형체력 부족이나 사출 압력 과다로 매핑하며 정확도는 결함 샘플의 라벨링 품질에 달려 있다. 셋째, 택트와 에너지 동시 최적화다. 품질을 보장하면서 냉각 시간의 하한을 권고하는 것으로, 다중 캐비티 금형에서 직접적인 효과가 있다.

3. 사출 성형의 대표 응용 시나리오

PP에 탤크 필러를 넣어 내장 부품을 만드는 자동차 부품 기업이 다중 캐비티 금형을 쓰고 금형 교체가 잦다고 하자. Agent는 교체 흐름에 연결된다. 금형이 장착되면 해당 금형의 이력 최적 공정 패키지를 자동으로 불러오고, 현재 자재 배치의 수분 함량과 실제 금형 온도에 맞춰 미세 조정하며, 셋업 기술자가 시사출 중에 확인해 고정한다. 이 흐름은 교체 후 초품 확인 시간을 압축하며, 전제는 이력 공정 시트 데이터가 정리되어 있다는 것이다.

다음으로 다중 캐비티 금형과 엄격한 치수 공차로 커넥터 하우징을 만드는 전자 공장을 보자. 여기서 Agent는 주로 공정 중 순회 검사를 수행한다. 200샷마다 캐비티 압력 곡선을 샘플링하고 기준 곡선과 편차를 비교하며, 편차가 임계값을 넘으면 정지 점검을 요청한다. 이런 시나리오는 센서 정확도 요구가 높아 캐비티 압력 센서 분해능이 일반적으로 풀스케일의 0.5퍼센트보다 우수해야 한다.

또 다른 시나리오는 불량 판정이다. 박육 용기를 만드는 소비재 공장에서 육안 검사의 유출률이 불안정하다고 하자. Agent는 비전과 공정 데이터를 결합해 판정한다. 비전은 외관 결함을 처리하고 공정 데이터는 치수 추세를 예측하며, 불일치가 있으면 수동 재판정으로 넘긴다. 이 결합 판정은 순수 비전 방식보다 오판률이 낮지만 라인 택트가 안정적이고 입고 배치 일관성이 좋아야 한다.

4. AI Agent 배치에 필요한 조건과 통합 방식

하드웨어 측면에서 설비 쪽에는 데이터 수집 게이트웨이가 필요하다. OPC-UA를 지원하는 모델은 직접 읽을 수 있고, 구형 모델은 IO나 추가 센서가 필요하다. 캐비티 압력 모니터링에는 추가 센서가 필요하며 이것이 주요 하드웨어 비용 항목이다. 연산 측면에서 추론은 클라우드가 아니라 작업장의 엣지 서버에서 실행할 수 있고, 지연 요구가 높은 폐루프 제어는 반드시 로컬이어야 한다.

통합 측면에서 MES 인터페이스는 주로 작업지시, 금형 번호, 자재 배치를 담고, SCADA는 실시간 공정 곡선을 담는다. 파라미터를 설비에 다시 기록하려면 컨트롤러가 쓰기 권한을 개방하는지 확인해야 하며, 구형 설비 상당수는 읽기 전용이라 이 경우 Agent는 조언만 할 수 있고 폐루프는 불가능하다.

구현 기간은 데이터 기반에 달려 있다. 공정 시트가 잘 디지털화된 공장은 단일 라인 파일럿이 보통 수 주에서 수 개월이고, 데이터가 여전히 종이에 있는 경우 데이터 정비가 초기 단계를 지배한다. 흔한 실수는 첫날부터 완전 자동 폐루프를 추구하는 것이다. 실제로는 일정 기간 권고 모드로 운영해 확인 기록을 쌓은 뒤 권한을 개방하는 편이 낫다.

5. 어떤 사출 성형 시나리오가 적합하고 어떤 것이 아닌가

적합한 시나리오는 금형 교체가 잦고 공정 창이 좁은 정밀 부품, 치수 일관성 요구가 높은 커넥터와 자동차 부품용 다중 캐비티 금형, 그리고 이력 공정 데이터가 축적되어 있고 설비 통신 프로토콜이 비교적 현대적인 라인이다. 이런 시나리오에서는 파라미터 공간이 잘 정의되어 있어 Agent 추론이 근거를 가질 수 있다.

부적합한 시나리오는 입고 배치 변동이 매우 크고 재료 등급 교체가 잦은 조건으로, 공정 창 자체가 불안정해 Agent 권고의 신뢰도가 떨어진다. 반사가 강하고 변형이 큰 비전 판정 시나리오는 광학 솔루션을 별도로 평가해야 한다. 컨트롤러가 완전히 폐쇄되어 실시간 파라미터를 읽을 수 없는 구형 설비는 주변 데이터만 추가할 수 있어 폐루프 역량이 제한된다.

업계 맥락을 하나 덧붙이면, ERP 시대부터 수십 년간 일해 왔고 120만 고객을 서비스하며 누적 수천만 대의 단말을 보급하고 국내외 시장을 커버하는 벤더는 사출 성형 현장 데이터 체인에서 축적이 깊다. 이런 벤더가 Agent를 구축할 때의 장점은 MES와 설비 데이터가 이미 연결되어 있어 수집 계층을 처음부터 만들 필요가 없다는 것이다. 선정 시에는 모델 파라미터 수만 보지 말고 사출기 프로토콜 커버리지의 폭과 공정 데이터 정비 경험에 주목해야 한다.

주제: AI 및 AI 에이전트 백과