금형이 들어왔는데 시사출을 돌려보면 뭔가 이상한데, 정확히 어디서 문제가 생기는지 아무도 속 시원하게 설명을 못 해주는 상황을 겪어보신 적 있으십니까? 저는 꽤 자주 겪었습니다. 개발사도, 금형업체도 서로 손을 놓고 있고, 중간에 낀 사출업체만 멍하니 불량품을 들여다보고 있는 그 답답함 말입니다. 사출성형 시뮬레이션이 그 답을 줄 수 있는 도구라는 걸 알면서도 왜 현장에서는 여전히 제대로 활용되지 못하는 건지, 제 경험을 바탕으로 솔직하게 짚어보겠습니다. 디지털 트윈, 금형 안을 들여다보는 눈시사출 현장에서 불량이 나왔을 때 가장 먼저 하는 일이 뭡니까? 온도 올려보고, 압력 바꿔보고, 속도 조절해보고, 그래도 안 되면 금형업체 불러서 협의하는 식이지 않으십니까? 저도 그렇게 해왔습니다. 그런데 이 방식..

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..

사출기 앞에 서서 "이 기계가 언제 또 멈추려나" 하는 생각을 해본 적이 있으십니까? 저는 있습니다. 최신 사출기와 로봇을 들여놓고 나서도 그 불안감은 사라지지 않았습니다. 기계는 바뀌었는데 관리 방식은 여전히 사람 눈과 귀에 의존하고 있었으니까요. 그러던 중 제조 AI와 스마트 팩토리를 본격적으로 들여다보게 되었고, 기대와 걱정이 동시에 밀려왔습니다.예지보전과 AI 품질검사, 현장에서 실제로 통하는가 제조 AI를 이야기할 때 가장 먼저 나오는 개념이 예지보전(Predictive Maintenance)입니다. 여기서 예지보전이란 설비 곳곳에 부착된 진동·온도·전류 센서 데이터를 AI가 실시간으로 분석해, 고장이 일어나기 전에 미리 경고와 해결책을 제시하는 방식입니다. 사람이 보기엔 멀쩡해 보이는 설비도 ..