현장에서 기계 사양을 검토할 때마다 엑셀 파일을 뒤적이던 시절이 있었습니다. 제가 직접 그 파일을 AI로 학습시켜 핸드폰에서 바로 쓸 수 있는 계량거리 환산 프로그램으로 바꿔봤는데, 솔직히 이건 예상 밖이었습니다. 생각보다 훨씬 빨리 됐고, 현장 반응도 나쁘지 않았습니다. 그러면서 자연스럽게 든 생각이 있습니다. 플라스틱 성형 업계 전체가 AI를 제대로 활용하려면, 과연 무엇이 먼저 바뀌어야 하는가 하는 것입니다. 자동화의 한계, 그리고 자율실행 AI가 다른 점플라스틱 제조 현장에서 시뮬레이션 기반 작업절차(simulation workflow)를 쓰는 팀이라면 이미 스크립트나 매크로, 템플릿 같은 자동화 도구를 쓰고 있을 겁니다. 여기서 시뮬레이션 기반 작업절차란, 금형 냉각 해석이나 소재 변형 예측처럼..

금형만 잘 고르면 사출성형 절반은 성공이라는 말, 저도 처음엔 믿었습니다. 그런데 현장에서 직접 부딪혀보니 그게 전부가 아니었습니다. 금형 종류를 제대로 이해하지 못한 채 개발을 시작했다가 첫 사출에서 형상이 엉망으로 나와 수정비만 날린 적이 한두 번이 아닙니다. 이 글은 사출 금형의 종류와 선택 기준, 그리고 현장에서 체감한 현실적인 차이를 정리한 것입니다. 금형 종류와 러너 시스템, 이론과 현실의 간극금형 구조를 처음 배울 때 가장 먼저 나오는 게 2단 금형과 3단 금형의 차이입니다. 2단 금형(2-plate mold)이란 캐비티와 코어를 분리하는 분리선이 하나뿐인 가장 단순한 구조로, 쉽게 말해 금형이 두 덩어리로 열리는 방식입니다. 반면 3단 금형(3-plate mold)은 중간에 판이 하나 더 ..

현장에서 스프루 불량으로 밤을 새운 적이 있습니다. 노즐 구멍보다 스프루 구경이 작게 가공된 금형이었는데, 가스가 빠지지 못하고 미성형이 계속 터져 나왔습니다. 스프루는 단순한 플라스틱 통로가 아닙니다. 설계 하나가 틀어지면 공정 전체가 흔들린다는 걸, 그날 제대로 배웠습니다. 콜드런너 방식에서 스프루가 왜 이렇게 까다로울까요?스프루(Sprue)란 사출 성형기의 노즐에서 나온 용융 플라스틱이 금형 내부로 처음 진입하는 통로입니다. 쉽게 말해, 심장에서 뻗어 나오는 대동맥과 같은 역할입니다. 이 스프루를 통해 플라스틱은 러너(Runner), 즉 분기 채널로 나뉘고, 게이트(Gate)를 통해 각 캐비티로 흘러 들어갑니다.제가 직접 겪어봤는데, 콜드런너(Cold Runner) 방식에서 스프루 구경 설정은 생각..

부식을 다 입히고 나서야 조건이 틀렸다는 걸 알았습니다. 처음부터 다시였습니다. 사출 성형에서 표면 마감은 단순히 '보기 좋게' 만드는 작업이 아닙니다. 수지 흐름, 냉각 시간, 배출 방식까지 전부 바뀝니다. 제가 직접 겪어보니 이걸 초반에 모르면 금형 설계가 끝난 시점에서 손댈 수 없는 상황이 됩니다. 부식면, 수지 흐름을 방해한다제가 처음 부식면을 다룰 때, 공정 순서를 단순하게 생각했습니다. 시사출을 진행해서 조건을 잡고, 마지막에 부식을 입히면 된다고 봤습니다. 그런데 그게 아니었습니다. 부식을 입히고 나면 금형 캐비티와 코어 표면의 거칠기가 달라지고, 수지가 흐르는 방식이 바뀝니다. 결국 애써 잡아둔 성형 조건을 처음부터 다시 세팅해야 했습니다.여기서 표면조도(Ra)란 표면의 미세한 凹凸 높이 ..

금속과 플라스틱을 하나로 결합하면 더 강해질까요? 인서트 몰딩은 그 질문에 "그렇다"고 답하는 공정입니다. 저도 처음엔 간단해 보였습니다. 그런데 막상 현장에서 하루 종일 인서트를 손으로 삽입하다 보니, 이 공정이 얼마나 섬세하고 까다로운지 온몸으로 느꼈습니다. 다리가 아프고, 팔이 뻐근하고, 심지어 서 있으면서 조는 경험까지 했습니다. 이 글은 그 현장의 이야기입니다. 작업 현장에서 배운 인서트 몰딩의 진짜 원리인서트 몰딩(Insert Molding)이란 금속 인서트를 금형 캐비티 안에 먼저 배치한 뒤, 그 주위로 용융된 플라스틱을 사출 하여 두 재료를 하나의 부품으로 만드는 공정입니다. 여기서 금형 캐비티(Mold Cavity)란 제품의 형상을 결정하는 금형 내부의 빈 공간을 의미합니다. 플라스틱이 ..

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 한계입니다저는 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 어렵..