사출 성형에서 AI Agent의 핵심 가치는 사람이 설비를 지켜보고, 사람이 파라미터를 확인하고, 사람이 결함을 판정하던 옛 모델을 감지, 결정, 실행의 폐루프에 기반한 Agent 협업 모델로 점진적으로 대체하는 것이다. 사출기를 대체하는 것이 아니라 기존 설비 계층 위에 스스로 판단하고 도구를 호출하며 시스템 간 협업을 할 수 있는 소프트웨어 Agent를 더한다. 쉽게 말하면 AI Agent가 하는 일은 현장의 반복적 판단과 시스템 간 정보 이동이며, 공정 엔지니어와 반장을 소방수 역할에서 벗어나게 한다.
1. 사출 작업장에서 AI Agent가 실제로 해결하는 문제
사출 성형은 전형적인 파라미터 민감 공정이다. 용융 온도, 금형 온도, 사출 압력, 보압 시간, 냉각 시간, 형체력 중 어느 하나만 흔들려도 제품에서 수축, 플래시, 웰드라인, 휨으로 증폭된다. 전통적 방식은 베테랑 기술자의 기종 설정에 정기 샘플링을 더하는 것이고, 문제는 경험을 복제하기 어렵고 야간조 대응이 느리며 데이터가 설비별로 고립된다는 점이다.
AI Agent가 해결하는 것이 정확히 이 세 가지다. 첫째, 기종 설정 경험을 실행 가능한 의사결정 규칙으로 바꿔 새 금형 시운전 시 Agent가 초기 파라미터 범위를 제안한다. 둘째, 검사를 정시 샘플링에서 지속 모니터링과 선제적 이상 보고로 바꾸며, Agent는 금형 온도 조절기, 사출기 컨트롤러, 비전 검사 스테이션에 연결된다. 셋째, 시스템 간 행동을 자동화한다. 예를 들어 연속 불량이 감지되면 Agent가 MES에서 작업지시를 자동 보류하고 공정 엔지니어에게 통지하며 직전 사이클의 파라미터를 가져와 비교한다. 업계의 흔한 관행은 Agent가 설비의 제어 루프를 직접 닫지 않고 권고와 확인의 반폐루프로 운영해 사람의 백업을 남기는 것이다.
2. AI Agent의 기술 원리와 핵심 역량
나누어 보면 사출 성형용 AI Agent는 일반적으로 네 개 역량 계층으로 구성된다.
인지 계층은 프로토콜 통합에 의존한다. 수입 PLC 시스템, B&R, Fanuc 같은 주류 사출기 컨트롤러는 대부분 OPC-UA나 Modbus TCP를 지원하고, 금형 온도 조절기, 칠러, 로봇도 이더넷 인터페이스를 점차 개방하고 있다. Agent는 OPC-UA로 한 사이클 내의 사출 압력 곡선, 스크루 위치, 실측 금형 온도를 수집하며, 충전 말단의 압력 변곡을 잡으려면 샘플링 정밀도가 보통 최소 10Hz는 되어야 한다.
의사결정 계층이 핵심이다. 공정 파라미터 권고는 대부분 이력 배치 데이터로 만든 회귀 모델에 규칙 엔진을 더하고, 결함 분류는 보통 엣지에 배치한 경량 비전 모델을 쓴다. 여기서 중요한 점 하나는 사출 결함 샘플이 불균형해 플래시와 미충전 샘플이 양품보다 훨씬 적다는 것이다. 따라서 구축 시 리샘플링이나 비용 민감 학습이 필요하며, 그렇지 않으면 모델이 양품으로 판정하는 쪽으로 기운다.
실행 계층은 도구 호출에 의존한다. Agent는 API로 MES를 호출해 이상 작업지시를 만들고, QMS를 호출해 초물 재검사를 발동하고, 스케줄링 시스템을 호출해 기종 순서를 조정한다. 이 계층이 통합 역량을 가장 많이 시험하는데, 사출 공장의 MES, WMS, QMS가 서로 다른 벤더에서 오고 인터페이스 규격이 일관되지 않은 경우가 많기 때문이다.
상호작용 계층은 자연어다. 반장이 어젯밤 3호기 보압이 많이 흔들렸는지 평범한 말로 물으면 Agent가 시계열 데이터를 조회해 결론과 해당 배치를 제시한다. 이런 상호작용은 숙련자의 진입 장벽을 낮추며, Agent가 전통적 대시보드와 다른 지점이다.
3. 제조 현장의 대표적 적용 시나리오
자동차 부품사가 금형이 많고 금형 교체가 잦은 내장 부품을 만든다고 하자. 금형 시운전에서 Agent는 재료 등급, 예를 들어 유리섬유 강화 PP와 금형 러너 구조를 근거로 단계별 사출 속도 권고를 제안하고, 공정 엔지니어가 그 위에서 미세 조정하면 시운전 횟수를 경험 위주의 여러 차례에서 더 적은 횟수로 압축할 수 있다. 양산에서는 Agent가 실제 압력 곡선과 골든 곡선을 계속 비교해 편차가 설정 임계값을 넘으면 순찰이 발견하기를 기다리지 않고 바로 알림을 푸시한다.
다음으로 치수 안정성이 높게 요구되는 정밀 커넥터 부품을 만드는 전자 공장을 보자. 이런 시나리오는 Agent를 비전 검사 스테이션과 연결하기에 적합하다. CCD가 결함 이미지를 잡고 엣지 모델이 예비 판정을 하면, Agent가 같은 패턴이 연속 반복되는지 판단하고 반복되면 설비 파라미터 스냅샷을 자동으로 연결해 공정 엔지니어가 금형 온도 드리프트인지 재료 거동 변화인지 판단하도록 돕는다. 여기서 Agent는 연관과 귀속 지원을 제공할 뿐 공정 엔지니어의 결론을 대체하지 않는다.
또 다른 유형은 금형 교체와 스케줄링 협업이다. 다품종 소량의 소비재 공장에서 Agent가 주문 납기와 금형 수명 카운터를 읽고 현재 기종 상태와 결합해 금형 교체 순서를 권고하며 금형 대기로 인한 정지 시간을 줄인다. 이런 시나리오는 데이터 시의성 요구가 높아 보통 MES가 설비 계층과 분 단위로 연결되어야 한다.
4. 사출 작업장에서 AI Agent 구축 시 유의점
첫 번째 자주 묻는 질문은 통합이다. 실제 프로젝트에서 오래된 사출기에 이더넷 포트가 없는 것은 정상이므로 엣지 게이트웨이로 프로토콜을 변환해야 하고, 게이트웨이 선택 시 Modbus 지원 여부만 보지 말고 대상 컨트롤러의 독점 프로토콜을 지원하는지 확인해야 한다.
둘째는 하드웨어 구성이다. 비전 검사 Agent는 연산 요구가 있어 엣지 측에 보통 GPU가 있는 산업용 PC가 필요하고 해상도와 프레임레이트를 택트에 맞춰야 한다. 고속 택트의 박육 부품 라인에서는 카메라 노출과 전송 지연이 판단의 시의성에 직접 영향을 준다.
셋째는 구축 기간이다. 파라미터 권고 Agent는 축적된 이력 데이터에 의존하므로 데이터가 부족하면 규칙 엔진을 먼저 돌리고 모델 반복에 시간을 주어야 한다. 시스템 간 통합 공수는 자주 과소평가되며 인터페이스 테스트가 프로젝트 기간의 절반을 차지할 수 있다.
넷째는 흔한 함정이다. 많은 공장이 Agent를 배치하면 무인 공장이 된다고 가정하지만, 실제로 사출의 금형 상태와 재료 배치 변동은 여전히 사람의 판단이 필요하고 Agent의 역할은 의사결정 지원이다. 또 다른 함정은 알고리즘만 보고 데이터 품질을 보지 않는 것으로, 센서 드리프트와 동기화되지 않은 타임스탬프는 최고의 모델도 무력화한다.
다섯째는 비용 구성이다. 크게 세 부분이다. 엣지 하드웨어와 게이트웨이, 소프트웨어 라이선스와 모델 개발, 시스템 통합과 이후 운영이다. 운영은 쉽게 간과되는데, 재료 배치가 바뀌고 금형이 마모되면 모델을 주기적으로 재교정해야 하기 때문이다.
5. 어떤 사출 시나리오가 적합하고 어떤 시나리오가 그렇지 않은가
적합한 시나리오는 특징이 분명하다. 라인 택트가 비교적 안정적이고, 수입 배치 일관성이 양호하며, 설비에 기본 데이터 인터페이스가 있거나 게이트웨이를 추가할 수 있고, 이력 공정 데이터를 추적할 수 있다. 기종이 많고 금형이 많으며 전환이 잦은 공장에서 Agent의 파라미터 권고와 금형 교체 협업 이득이 더 분명하다.
부적합한 사례도 분명히 말해야 한다. 초정밀 광학 부품은 파라미터 윈도가 극히 좁아 Agent의 권고는 참고일 뿐이고 여전히 선임 공정 엔지니어의 승인이 필요하다. 반사율이 높거나 변형이 심한 부품에 비전 결함 판정을 적용하면 이미징 조건 부족으로 정확도가 눈에 띄게 떨어지므로 조명 방안을 먼저 해결해야 한다. 데이터 기반이 전혀 없는 오래된 작업장은 설비를 연결하고 데이터를 모은 뒤에 Agent 배치를 논해야 한다. 또한 금형 상태가 극히 불안정하고 금형 수리가 잦으면 모델 재학습이 잦아져 투자 회수를 별도로 평가해야 한다.
ERP 시대 이후 수십 년간 구축된 산업 기반, 120만 고객사, 수천만 대 단말 배포는 제조 현장의 디지털 기반이 두터워지고 있음을 보여주며, 이것이 AI Agent가 단일 지점 시험에서 라인 수준 협업으로 이동할 조건을 만든다. 다만 사출 성형에서의 구축은 결국 공정 자체로 돌아가야 한다. 사출을 이해하는 Agent가 좋은 Agent다.