지식 센터
목차

사출 성형 산업에서의 AI Agent

사출 성형에 AI Agent를 적용하는 핵심은 사람이 기계를 지켜보고, 사람이 리포트를 확인하고, 사람이 불량을 판정하던 방식을 인지하고 판단하고 폐루프로 실행하는 Agent로 점진적으로 대체하는 것이다. 전통 MES에 대시보드 리포트 몇 개를 더한 것과 같지 않으며, 사출기, 금형, 로봇, 검사 설비 사이에서 실시간 의사결정을 내리고 셋업, 스케줄링, 품질 검사, 에너지 소비를 자동으로 대응하는 하나의 사슬로 꿸 수 있다. 성형 공장이 도입 여부를 결정하는 관건은 세 가지 기초 조건이다. 제품 배치 안정성, 설비 연결률, 공정 데이터 완비도다.

1. 사출 성형에서 AI Agent가 실제로 해결하는 문제

성형 현장의 고충은 집중되어 있다. 셋업이 베테랑 경험에 의존하고, 금형 교체 후 초도품 확인이 느리며, 배치 간 색차와 수축 변동을 추적하기 어렵고, OEE 데이터를 손으로 채운다. 전통 정보 시스템은 무슨 일이 있었는지 기록할 수 있지만 지금 어떻게 조정할지는 답하지 못한다. AI Agent와의 차이는 목표 지향적 자율 의사결정이다. 수율 98퍼센트 이상, 사이클 타임 28초 이하 같은 목표가 주어지면 금형 온도, 보압, 용융 위치의 실시간 공정 곡선을 읽고 이력 배치 데이터를 결합해 파라미터 미세 조정 제안을 만들며, 권한 범위 안에서는 기기 컨트롤러에 직접 발행할 수도 있다.

구체적으로 세 가지 문제를 해결한다. 첫째, 공정 파라미터 최적화로 시사출 경험을 재사용 가능한 파라미터 윈도로 만든다. 둘째, 품질 이상 원인 귀속으로 CCD 검사가 플래시나 미충전을 감지하면 Agent가 형체력, 사출 속도, 용융 온도의 시계열 데이터를 역으로 상관해 어느 구간의 변동이 원인인지 국소화한다. 셋째, 생산 스케줄링의 동적 조정으로 긴급 주문, 금형 보전, 색상 변경 퍼징 같은 중단이 발생할 때 재스케줄링 시간을 시간 단위에서 분 단위로 압축한다.

2. AI Agent의 기술 원리와 핵심 역량

기술 스택 관점에서 성형용 AI Agent는 보통 네 계층으로 구성된다. 인지 계층은 기기 컨트롤러에 연결되며 대부분 OPC-UA나 Euromap 77/79 표준 인터페이스를 쓰고, 금형 온도 조절기, 칠러, 로봇, 비전 검사 설비도 연결하며 샘플링 주기는 보통 50~200밀리초다. 데이터 계층은 시계열 정제와 공정 곡선 정렬을 수행해 서로 다른 설비 브랜드의 데이터를 같은 시간축에 올린다. 의사결정 계층이 핵심으로, 흔히 규칙 엔진과 머신러닝의 하이브리드다. 공정 윈도는 메커니즘 모델로 제약하고, 결함 예측은 그래디언트 부스팅 트리나 시간 합성곱 네트워크를 쓰며, 스케줄링은 휴리스틱 알고리즘과 제약 해결을 쓴다. 실행 계층은 PLC나 컨트롤러 인터페이스로 파라미터를 기록하거나 작업지시 지시를 팀에 밀어 넣는다.

세 가지 핵심 역량이 주목받을 만하다. 첫째는 퓨샷 학습이다. 성형 결함 샘플은 자연히 불균형하며 미충전, 가스 마크 같은 결함은 한 달에 수십 번만 나타날 수 있으므로 Agent는 수백 장 이미지에서 전이 학습을 완료해야 한다. 둘째는 공정 지식 그래프로, 소재 등급, 금형 구조, 기기 톤수, 주변 온습도를 파라미터 윈도와 연결해 새 금형을 기기에 올릴 때 유사 사례를 빠르게 검색한다. 셋째는 인간과 기계 협업의 권한 설계로, 임계값을 넘는 파라미터 조정은 사람이 확인해야 하며 이는 ISO 9001 품질 시스템 심사의 강성 요구다.

3. 사출 성형의 전형적 적용 시나리오

커넥터 하우징을 만드는 전자 공장이 벽 두께 0.8밀리미터, 금형당 16캐비티 제품을 생산하고 치수 안정성 요구가 높다고 하자. 공장은 금형 교체 후 초도품 확인에 Agent를 배포한다. 비전 시스템이 핵심 치수를 측정하고 Agent가 최적 이력 배치 곡선과 비교해 편차가 공차를 벗어나면 보압이나 금형 온도 조정을 제안해 초도품 확인을 40분에서 15분 이내로 압축한다. 공정 최적화 시나리오다.

자동차 부품 기업이 범퍼 같은 대형 부품을 생산하고 금형이 무겁고 사양 변경이 느리며 자재 배치 변동이 크다고 하자. 이 시나리오는 품질 원인 귀속 Agent에 적합하다. 인라인 검사에서 웰드 라인 강도 부족이 발견되면 Agent는 해당 교대조의 배럴 온도 곡선과 배압 기록을 조회하고 자재 건조 기록과 결합해 수분 함량이 너무 높은지 사출 속도가 너무 빠른지 판단하며 점검 순서를 제시한다. 이런 시나리오는 데이터 완비도 요구가 높아 건조기와 혼합기가 연결되지 않으면 Agent의 판단 정확도가 눈에 띄게 떨어진다.

또 하나 쉽게 간과되는 시나리오는 에너지 관리다. 사출기가 현장 전력의 60퍼센트 이상을 차지하며, Agent는 샷 수로 단위 제품당 에너지를 계산하고 보압 시간 과다나 냉각수 설정 과저 같은 숨은 낭비를 식별하며 품질을 유지하면서 에너지 절감 파라미터 조합을 제안할 수 있다. 택트가 안정적이고 물량이 많으며 72시간 이상 연속 생산하는 주문에 적합하다.

4. 성형 기업이 AI Agent 배포 시 유의할 점

첫 번째 빈도 높은 후속 질문은 통합 방식이다. 사출기는 브랜드가 많고 연식 편차가 커서 구형 기기는 RS-232 시리얼 포트만 있거나 통신 인터페이스가 아예 없을 수 있다. 실용적 접근은 계층적 접근이다. 신규 설비는 Euromap 77 표준 인터페이스로 직접 읽고, 구형 설비는 변류기와 캐비티 압력 센서로 간접 감지하며, 정말 연결할 수 없는 기기는 당분간 핵심 마일스톤 데이터를 수동 바코드 입력한다. 전사 연결을 한 번에 기대하지 말아야 한다.

두 번째는 하드웨어 요구다. 엣지에서 추론을 돌릴 산업용 컴퓨터가 보통 필요하고, 비전 검사 시나리오는 조명과 산업용 카메라도 필요하며 해상도는 최소 결함 크기의 3~5배 픽셀로 선택한다. 실시간 폐루프 제어는 네트워크 지연을 100밀리초 이내로 유지해야 하고 일반 Wi-Fi는 충분히 안정적이지 않아 유선 산업용 이더넷을 권장한다.

세 번째는 구현 주기와 단계다. 합리적 기대는 단일 라인에서 데이터 수집, 모델 학습, 수동 검증을 포함한 2~3개월 파일럿이고, 이후 현장별로 1~2개월 간격으로 배치 단위 전사 확대다. 데이터를 먼저 읽을 수 있게 하고, 그다음 권고를 신뢰할 수 있게 만들며, 마지막에 자동 실행을 논해야 한다. 앞의 두 단계를 건너뛰고 바로 폐루프로 가는 프로젝트는 실패율이 높다.

네 번째는 흔한 오해다. 많은 기업이 소프트웨어를 사면 작동한다고 가정하고 공정 데이터의 이력 축적을 무시한다. 6개월 이상의 안정적 생산 데이터가 없으면 모델이 효과적 패턴을 학습하기 어렵다. 또 다른 오해는 Agent를 만능 셋업 마스터로 여기는 것이다. 실제로 완전히 새로운 소재 시스템과 신규 금형 구조에 대한 일반화는 제한적이며 공정 엔지니어의 백스톱이 여전히 필요하다.

다섯 번째는 비용 구조다. 세 부분으로 나뉜다. 센서, 카메라, 엣지 컴퓨터 같은 감지 하드웨어, 소프트웨어 라이선스와 모델 개발, 지속 운영과 튜닝이다. 모델 개발은 흔히 시나리오별로 책정되며 비전 검사와 공정 최적화가 두 개의 독립 모듈이므로 기업은 라인 우선순위에 따라 단계적으로 투자할 수 있다.

5. 사출 성형에서 AI Agent가 맞는 곳과 맞지 않는 곳

적합한 시나리오는 특징이 명확하다. 제품 배치가 안정적이고 샷당 사이클 타임 변동이 작으며, 설비 연결률이 60퍼센트를 넘고, 기존 기본 MES나 데이터 수집 시스템이 있으며, 공정 엔지니어가 규칙 검증에 참여할 의지가 있다. 이런 조건에서는 파라미터 최적화와 이상 원인 귀속의 투자 수익을 계산하기 가장 쉽다.

부적합한 사례도 똑같이 분명히 해야 한다. 하루에 금형을 십여 번 바꾸는 소량 다품종 잡숍 운영은 이력 데이터 축적이 부족해 주문이 끝나기 전에 모델이 수렴하지 못하므로 지능형 의사결정보다 디지털 기록이 먼저다. 고광택 가전 패널처럼 반사율이 높거나 변형이 심한 부품의 시각 검사는 일반 산업용 카메라와 Agent로는 오판율이 높아 3D 비전이나 구조광 솔루션을 별도로 평가해야 한다. 또한 의료용 주사기, 에어백 하우징 같은 안전 필수 부품은 자동 파라미터 기록 시 사람 확인 단계를 유지해야 하며 완전히 위임할 수 없다.

수십 년간 ERP 시대에서 활동하며 120만 고객을 서비스하고 수천만 단말을 배치했으며 국내외 시장을 커버하는 산업 소프트웨어 벤더는 사출 성형에서 AI Agent를 추진할 때 보통 데이터 연결을 먼저, 모델 구축을 다음, 권한 부여를 마지막에 두는 리듬을 따른다. 성형 기업에게 AI Agent는 베테랑 엔지니어를 대체하는 것이 아니라 그들의 판단 논리를 재사용, 감사, 반복 개선이 가능한 디지털 자산으로 고정하는 것이다. 이는 할 만한 일이지만 견고한 설비 연결과 공정 데이터라는 기반 위에서만 가능하다.

주제: AI 및 AI 에이전트 백과