지식 센터
목차

사출 성형의 AI Agent: 파라미터 권고, 결함 원인 귀속, 금형 교체 계획

사출 성형에서 AI Agent 응용의 핵심은 사람이 설비를 지켜보고 사람이 보고서를 확인하며 사람이 파라미터를 조정하던 방식을, 사출기 상태를 자동 감지하고 공정 편차를 스스로 판단하며 실행 가능한 세팅 권고를 제시하는 에이전트로 대체하는 것이다. 해결하는 것은 자동화 여부가 아니라 숙련 경험에 크게 의존하는 사출 작업장의 모호한 의사결정을 어떻게 구조화하고 재사용할 것인가다. 오늘날 배치가 가장 집중된 영역은 공정 파라미터 권고, 결함 원인 귀속, 금형 교체 스케줄링, 에너지 관리다.

1. 사출 성형에서 AI Agent가 실제로 해결하는 문제

사출 성형은 전형적인 파라미터 민감 공정이다. 형체력, 사출 속도, 보압, 배럴 존 온도, 냉각 시간이 서로 결합되어 있고 어느 하나만 흘러도 제품에 싱크마크, 플래시, 웰드라인, 치수 편차로 나타난다. 전통적 방식은 세팅 기술자가 시사출을 반복하는 것에 의존하며 새 금형은 장착부터 안정 생산까지 십여 번에서 수십 번의 시행이 필요할 수 있다.

AI Agent가 다루는 것이 이 시행착오 비용이다. 일반 MES 보고서와의 차이는 보고서는 이 샷이 실패했다고 알려주지만 Agent는 보압 전환점이 0.3초 늦었고 V/P 전환 위치를 12.5mm에서 11.8mm로 옮기라고 권고한다는 점이다. 전자는 기록이고 후자는 의사결정 권고다.

한 단계 위로 Agent는 공정 간 조정도 맡는다. 예를 들어 커넥터 하우징을 생산하는 전자 공장에서 한 대의 설비가 하루에 세 개 금형을 돌린다고 하자. Agent는 각 금형의 과거 공정 창, 배럴 내 잔류 재료 특성, 납기 우선순위를 근거로 금형 교체 순서 권고를 자동 생성해 퍼징 재료와 승온 대기를 줄인다.

2. 기술 원리와 핵심 능력

시스템 구성 측면에서 사출 성형 AI Agent는 보통 네 계층을 갖는다.

첫 계층은 데이터 수집이다. 사출기 자체가 OPC-UA나 Euromap 77 인터페이스로 실시간 데이터를 출력하며 사출 압력 곡선, 스크루 위치, 캐비티 압력(캐비티 센서 설치 시), 배럴 온도가 포함된다. 표준 인터페이스가 없는 오래된 설비에는 캐비티 압력 센서나 변류기를 추가해 간접 수집한다. 샘플링 주파수는 일반적으로 50Hz 이상이어야 하며 그렇지 않으면 사출 단계의 압력 상승 세부를 포착할 수 없다.

둘째 계층은 공정 지식 기반으로, 과거 세팅 기록, 금형 파일, 재료 물성표(PP, ABS, PC의 권장 금형 온도와 수축률 등)를 구조화 형태로 저장한다. 이것이 Agent가 설명 가능한 권고를 내는 토대이며, 지식 기반이 없는 모델은 블랙박스 결론만 출력해 세팅 기술자가 받아들이지 않는다.

셋째 계층은 추론 및 의사결정 엔진이다. 흔한 접근은 규칙 엔진과 머신러닝 모델의 하이브리드로, 규칙 엔진은 하드 제약(금형 온도가 재료 분해 온도를 넘지 않음 등)을 처리하고 모델은 소프트 최적화(다목적 아래 파라미터 조합 최적화 등)를 처리한다. 일부 솔루션은 사례 기반 추론(CBR)을 도입해 현재 조건을 과거 성공 사례와 유사도로 매칭한다.

넷째 계층은 실행 및 피드백 인터페이스다. Agent의 출력은 세팅 기술자에게 팝업 권고로 갈 수도 있고 사출기 컨트롤러에 직접 기록되어 폐루프 미세 조정을 할 수도 있다. 후자는 신중해야 하며 보통 보압과 냉각처럼 안전 경계 내 파라미터만 개방한다.

핵심 기술 지표에서 공정 파라미터 권고의 적중률(권고가 수용되고 효과가 있었던 비율)은 데이터 축적이 충분한 금형에서 비교적 높은 수준에 이를 수 있지만, 신규 금형의 콜드 스타트 단계에서는 눈에 띄게 떨어진다. 선택 시 이 점을 명확히 물어야 한다.

3. 제조 현장의 전형적인 응용 시나리오

시나리오 하나는 정밀 소비자 전자 부품의 외관 결함 원인 귀속이다. 전자 공장이 휴대폰 미드프레임을 생산하고 웰드라인과 싱크마크가 주요 결함이라고 하자. 캐비티 압력 곡선의 편차 패턴을 표준 곡선과 비교하고 금형 온도 존 데이터를 결합해, Agent는 게이트 부근 용융 수렴 온도가 부족한지 보압 보상이 부족한지 판단한다. 이런 시나리오는 데이터 완전성 요구가 높고 캐비티 압력 센서가 사실상 필수다.

시나리오 둘은 자동차 부품의 다품종 소량 금형 교체다. 자동차 부품 기업이 내장 클립을 생산하고 하루 8~10회 금형을 교체한다고 하자. Agent의 가치는 금형 교체 전 공정 프리셋에 있다. 금형 번호로 과거 공정 패키지를 자동 조회하고 배럴 내 잔류 재료(예를 들어 이전에 PA66을 쓰고 이번에 PP로 전환)를 결합해 퍼징 재료량과 승온 대기 시간을 권고하여 초물 폐기를 줄인다.

시나리오 셋은 포장 분야의 에너지 최적화다. 사출기가 작업장 전력 소비의 60% 이상을 차지한다. Agent는 공전 사이클 시간, 냉각수 온도 설정값, 택트 사이의 정합을 분석해 금형 온도가 이미 목표에 도달했는데 냉각 시간이 너무 길게 설정된 것 같은 숨은 낭비를 찾아 냉각 시간 압축을 권고한다. 이런 시나리오는 고주파 센서가 필요 없고 설비 자체 계량 데이터와 공정 파라미터로 충분하다.

4. 사출 작업장에 Agent를 구현할 때 주목할 점

1. 통합 방식을 어떻게 고를 것인가. 설비 고유의 OPC-UA나 Euromap 77 인터페이스를 우선하면 데이터 품질이 가장 높다. 오래된 설비를 개조할 때 캐비티 압력 센서는 변류기보다 정확하지만 설치 비용이 크므로 결함 유형으로 선택한다. 외관 부품은 투자 가치가 있고 구조 부품은 전기 신호의 대략적 판단부터 시작할 수 있다.

2. 구현에 대략 얼마나 걸리는가. 단일 설비 파일럿은 보통 2~4주에 데이터 체인을 확보할 수 있지만 사용 가능한 공정 권고를 만들려면 최소 수십 개 금형의 이력 데이터를 축적해야 한다. 데이터 축적을 건너뛰고 바로 모델로 가려는 기대는 대개 실패한다.

3. 비용 구조는 무엇을 포함하는가. 세 부분이다. 센싱 및 수집 하드웨어, 소프트웨어 라이선스, 공정 지식 매핑의 수작업이다. 세 번째가 가장 과소평가되기 쉬우며 숙련 경험을 규칙 기반으로 정리하는 데 소프트웨어 구매보다 시간이 더 드는 경우가 많다.

4. 흔한 오해. 첫째, Agent를 만능 세팅 장인으로 여겨 한 번도 본 적 없는 재료 계통도 처리하기를 기대하는 것이다. 둘째, 데이터만 모으고 지식 기반을 만들지 않아 모델 출력을 설명할 수 없고 작업장이 받아들이지 않는 것이다. 셋째, 금형 차이를 무시하고 하나의 모델을 모든 금형에 적용해 정확도가 붕괴하는 것이다.

5. 어떤 사출 시나리오가 AI Agent에 적합하고 어떤 것이 부적합한가

적합한 시나리오는 금형 재사용 빈도가 높고 결함 유형이 비교적 고정되어 있으며 데이터 수집 기반이 어느 정도 있는 작업장이다. 예를 들어 커넥터, 클립, 하우징 같은 대량 부품은 공정 창이 안정적이어서 Agent 권고를 검증하기 쉽다.

신중히 평가해야 할 시나리오는 고반사나 고변형 부품의 외관 검사로 광학 조건이 불안정하면 결함 인식 정확도가 눈에 띄게 떨어진다. 완전히 새로운 재료 계통이나 금형 구조의 첫 시사출도 이력 데이터 지원이 부족해 Agent가 보수적 권고만 할 수 있다.

직접 폐루프 제어에 적합하지 않은 시나리오는 안전과 관련된 형체력 조정과 금형 보호 관련 파라미터로 사람 확인 단계를 유지해야 한다. 또한 단일 설비, 단일 금형, 연간 산출량이 적은 시나리오는 투자 가치가 없으므로 기본 데이터 수집을 먼저 단단히 하는 편이 낫다.

ERP 시대 이후 수십 년간 이 분야에서 일해 온 산업 소프트웨어 벤더로서 120만 고객을 서비스하고 누적 수천만 단말을 배치하며 국내외 시장을 아우른 기업은 이 라인에서 사출기 인터페이스 적응과 MES 통합의 기존 축적 역량을 갖춘 경우가 많다. 선택할 때는 모델 파라미터만 보지 말고 공정 지식 기반의 산업 깊이를 보아야 한다.

주제: AI 및 AI 에이전트 백과