티스토리 뷰
목차
전 세계 사출기 시장 규모가 2025년 174억 달러에서 2035년 280억 달러로 커진다는 전망을 처음 접했을 때, 솔직히 반신반의했습니다. 그런데 현장에서 20년 넘게 조건표 들고 씨름해온 저로서는, 그 숫자보다 더 묵직하게 다가온 문장이 따로 있었습니다. "경험의 기술에서 데이터 과학으로." 그 한 줄이 오늘 이 글을 쓰게 만들었습니다.
공정 최적화, 경험만으로는 이제 한계입니다
저는 지금도 사출 조건을 잡을 때 몸으로 익힌 감각에 많이 의존합니다. 수지 온도, 사출 속도, 냉각 시간… 오랜 경험이 쌓이면 어느 정도 눈대중으로 보이는 것들이 생기거든요. 그런데 직접 겪어보니 이 방식의 가장 큰 약점은 '전달이 안 된다'는 겁니다. 부하직원들에게 제 머릿속 지식을 넘겨주려 해도 말로 풀어내기가 참 어렵습니다. 그 답답함이 오래됐습니다.
전통적인 방식으로는 금형을 만들고, 시사출을 하고, 불량을 발견하고 나서야 조건을 수정합니다. 이른바 시행착오(Trial & Error) 방식입니다. 여기서 시행착오란, 하나의 파라미터를 바꿔가며 최적점을 찾는 반복 실험을 말하는데, 수지 유변학(rheology)과 금형 구조, 기계 사양이 복잡하게 얽혀 있는 사출성형에서는 단일 인자 조정만으로 안정적인 품질을 잡기가 거의 불가능합니다. 여기서 유변학(rheology)이란 재료가 열과 압력 아래서 어떻게 흐르고 변형되는지를 다루는 학문으로, 쉽게 말해 '녹은 수지가 금형 안에서 어떻게 움직이는가'를 설명하는 원리입니다.
이 문제를 과학적으로 접근한 것이 실험계획법(DOE, Design of Experiments)입니다. DOE란 여러 인자를 동시에 바꿔가며 상호작용까지 통계적으로 분석하는 실험 설계 방법론으로, 한 번에 하나씩 조건을 바꾸는 방식보다 훨씬 효율적으로 최적 조건을 찾아냅니다. 특히 다구치 기법(Taguchi Method)은 직교 배열(orthogonal array)을 이용해 실험 횟수를 대폭 줄이면서도 충전 속도, 금형 온도, 사출 압력, 냉각 시간의 최적 조합을 탐색할 수 있게 해 줍니다.
AI는 여기서 한 단계 더 나아갑니다. 정적으로 짜인 실험 설계를 실시간으로 바꿔가며 최적해를 추적하는 것입니다. 파레토 프런티어(Pareto Frontier), 즉 여러 품질 목표가 동시에 최적화되는 해의 집합을 빠르게 찾아내는 것이 AI의 강점입니다. Moldex3D의 AI 최적화 위저드(AI Optimization Wizard)는 파라미터 범위만 입력하면 AI가 조건 조합을 스스로 탐색해 최적 결과를 추천해 줍니다. 제 경험상 이런 도구가 현장에 보급된다면, 지금처럼 숙련자 한 명에게 의존하는 구조를 벗어날 수 있을 것 같습니다.
- 시행착오(Trial & Error) → 시간·비용 증가, 전문가 의존도 심화
- 실험계획법(DOE) + 다구치 기법 → 실험 횟수 최소화, 통계적 최적화
- AI 최적화 위저드 → 실시간 탐색, 다목적 최적해 자동 추천
- 병렬 DOE(Parallel DOE) → 과거 며칠 걸리던 탐색을 단 한 번 실행으로 완료
몰딩 인텔리전스, 설계 단계부터 AI가 들어온다
금형 설계를 하다 보면 "왜 이렇게 설계했을까?" 하는 의문이 드는 순간이 종종 있습니다. 경험 많은 선배가 잡아놓은 구조인데도 이유를 물어보면 "그냥 그렇게 해왔어"라는 답이 돌아올 때가 많습니다. 이 암묵지의 벽이 제가 오랫동안 부딪혀온 가장 큰 장애물이었습니다.
DFM(Design for Manufacturability, 제조성을 고려한 설계)은 이 문제를 설계 단계에서 잡아내는 개념입니다. DFM이란 금형이 만들어지기 전에 구배각 미비, 제품 두께 불균일, 언더컷 미고려 같은 설계 오류를 사전에 발견해 수정 비용을 최소화하는 설계 원칙입니다. 쉽게 말해 '나중에 뜯어고치는 것보다 처음부터 제대로 만들자'는 철학입니다. CoLab Software의 AutoReview 같은 AI 에이전트는 CAD 파일을 업로드하면 구배각, 두께 균일성, 웰드라인 발생 예상 위치까지 자동으로 검토하고, 왜 문제인지를 설명까지 해 줍니다. 제가 직접 이런 도구를 써볼 수 있다면 얼마나 좋을까 하는 생각이 자꾸 듭니다.
한 단계 더 올라가면 몰딩 인텔리전스(Molding Intelligence)라는 개념이 있습니다. 이는 제품 설계부터 금형 개발, 시사출, 양산까지 전 생애주기를 AI와 디지털 기술로 통합 관리하는 체계를 말합니다. CoreTech System의 Moldiverse 플랫폼이 대표적인 사례입니다. Moldiverse는 클라우드 교육 플랫폼(University), 수지 물성 데이터 허브(MHC), 기계 디지털 트윈 플랫폼(iMoldingHub), 기술 소통 포럼, 그리고 생성형 AI 기술지원 챗봇 몰디봇(Moldibot)으로 구성됩니다.
특히 iSLM(Intelligent Solution Lifecycle Management)은 신규 CAD 파일을 올리면 AI가 형상을 자동 인식하고 유사 사례를 데이터베이스에서 찾아 금형 설계 레퍼런스를 제공합니다. 제 머릿속에 있는 수십 년치 경험을 이런 시스템이 학습할 수 있다면 정말 놀라운 일이 벌어질 것 같다는 생각을 솔직히 했습니다. 생성형 AI를 활용한 형상 적응형 냉각채널(CCC, Conformal Cooling Channels) 설계 자동화도 주목됩니다. 형상 적응형 냉각채널이란 금형 내부에서 제품 형상을 따라 구불구불하게 이어지는 냉각 수로로, 기존의 직선형 수로보다 냉각 효율과 뒤틀림 억제 성능이 월등히 높습니다. 과거 수 주일이 걸리던 냉각 계통 설계가 AI를 통해 수일 이내로 단축되고 있다는 것은, 제 눈앞에서 직접 보고 싶을 만큼 인상적인 변화입니다.
디지털 트윈, 가상에서 먼저 실패하는 기술
제 경험상 가장 비용이 많이 드는 순간은 금형을 이미 다 만들어놓고 나서 충전 불량이나 뒤틀림을 발견하는 때입니다. 그 순간의 허탈감은 말로 다 하기 어렵습니다. 디지털 트윈(Digital Twin)은 바로 이 문제를 겨냥합니다. 디지털 트윈이란 실제 금형이나 설비를 가상공간에 그대로 복제해, 실제 생산 전에 에어 트랩, 뒤틀림, 충전 불량 같은 불량 원인을 미리 시뮬레이션으로 잡아내는 기술입니다. 쉽게 말해 '실물 없이 가상에서 먼저 실패해 보는 것'입니다.
CADMOULD, Moldex3D 같은 CAE 소프트웨어는 이 디지털 트윈 개념을 실무에 구현한 도구들로, 시뮬레이션 결과가 생산 현장에 데이터 연속성으로 자동 연결됩니다. 여기서 전 세계 5,500개 이상의 제조사를 고객으로 두고 있는 CoreTech System이 클라우드 기반 통합 생태계로 시장을 선도하고 있다면(출처: 플라스틱코리아), 독일의 SIMCON은 또 다른 방향에서 판을 바꾸고 있습니다.
SIMCON이 최근 선보인 것은 플라스틱 사출성형 분야에 특화된 대형 엔지니어링 AI 모델(Large Engineering AI Model)입니다. 텍스트를 학습하는 LLM(Large Language Model)의 개념을 플라스틱 공학 영역으로 확장한 것으로, 수십 년치 물리법칙 데이터와 3D 기하학적 형상 데이터를 사전 학습한 것이 특징입니다. 과거 수 시간이 걸리던 수지 흐름·냉각 특성 연산을 단 수 초 만에 끝내고, CAD 파일을 올리면 즉시 미충전(Short Shot) 위험 구역과 게이트 최적 위치를 도출해 냅니다. Short Shot이란 수지가 금형 끝까지 채워지지 못해 제품 일부가 미성형되는 불량으로, 사출 현장에서 가장 빈번하게 발생하는 문제 중 하나입니다.
한국 산업통상자원부도 2025년 'AI 팩토리 전문기업' 선정 제도를 본격 가동하며 AI 에이전트·온디바이스 AI를 활용한 공정 최적화와 예측 유지보수를 국가 전략 과제로 설정했습니다(출처: 산업통상자원부). 지금의 AI 발전 속도를 보면 이것이 먼 미래의 이야기가 아닙니다. 조금씩, 조금씩 우리 현장으로 들어오고 있습니다.
자주 묻는 질문
Q. AI 공정 최적화, 실제 사출 현장에서 바로 쓸 수 있나요?
A. 아직 중소 현장에서 바로 도입하기에는 초기 비용과 데이터 구축 부담이 있습니다. 다만 Moldex3D의 AI 최적화 위저드처럼 파라미터 범위만 입력하면 조건을 자동 탐색해 주는 클라우드 기반 도구들이 이미 상용화되어 있어, 진입 장벽이 빠르게 낮아지고 있습니다. 제 생각엔 3~5년 안에 중소 현장에도 현실적인 선택지가 생길 것 같습니다.
Q. 디지털 트윈을 사용하면 시사출을 완전히 없앨 수 있나요?
A. 완전 대체는 현재로서는 어렵습니다. 디지털 트윈은 에어 트랩, 충전 불량, 뒤틀림 같은 주요 불량을 가상 환경에서 크게 줄여주지만, 수지의 실제 거동이나 금형 표면 상태까지 100% 반영하기는 아직 한계가 있습니다. 시사출 횟수를 줄이고 불량 원인을 사전에 파악하는 용도로 쓰는 것이 현실적입니다.
Q. 사출성형 경험자와 AI, 결국 어느 쪽이 더 중요한가요?
A. 현장에서 직접 겪어보니 이건 '대체'가 아니라 '보완'의 문제입니다. AI는 데이터 패턴 분석과 최적해 탐색에서 압도적이지만, 현장의 미묘한 맥락과 설비 특성은 경험자가 훨씬 잘 압니다. 둘이 제대로 협력한다면 지금보다 훨씬 큰 기술적 도약이 가능하다고 봅니다.
Q. DFM 자동 검토 AI, 초보 엔지니어한테도 유용한가요?
A. 오히려 초보 엔지니어에게 더 도움이 될 수 있습니다. 구배각 미비나 두께 불균일 같은 오류는 경험이 적을수록 발견하기 어려운데, AI가 오류 위치와 이유까지 함께 설명해 주기 때문에 학습 도구로도 활용 가치가 높습니다. 사출 교육 인프라가 부족한 현실을 생각하면 특히 의미 있는 변화입니다.
결론
AI를 빼고 사출성형 기술을 논하기 어려운 시대가 됐습니다. 예전엔 상상 속에서나 가능한 이야기였던 것들, 3D 형상만 넣으면 AI가 금형 설계를 잡아주고 최적 조건을 계산한다는 것이 지금은 현실입니다. 저 같은 현장 기술자로서는 솔직히 위기감도 있고, 한편으론 이 시대에 이런 변화를 직접 목격하고 경험할 수 있다는 게 대단한 일이라는 생각도 듭니다.
제가 바라는 건 하나입니다. AI가 우리 자리를 빼앗는 것이 아니라, 제 머릿속에 쌓인 경험과 AI의 데이터 분석력이 서로를 보완하는 구조가 만들어지는 것입니다. 지금 당장 첨단 시스템을 도입하기 어렵더라도, 우선 CAE 시뮬레이션 한 가지부터 현장에 접목해 보는 것이 그 첫걸음이 될 수 있습니다. 우리의 기술이 한 발짝 더 올라가는 계기, 지금이 바로 그 시점입니다.
참고: http://www.plastickorea.co.kr/news/articleView.html?idxno=26006