AI 변혁이 고무·플라스틱 효율성을 끌어올리다

미래 공장이 비전에서 건조기 설정으로 이동하다

2026년 8월, 천연고무 생산업체 Sri Trang​은 '미래 공장' 논의를 생산 현장으로 옮겨 인공지능을 건조기 성능과 공장 전체 데이터 흐름에 직접 연결했다. 그룹의 Sri Trang AI Machine (SAM) 프로그램은 실용적인 접근을 취한다. 특정 병목 지점부터 시작해 이를 더 광범위한 AI 기반 제조 아키텍처에 연결하는 것이다.

Sri Trang은 이미 두 곳의 고무 제조 시설에 AI Dryer 개념을 배포했으며, 2026년에 6개 공장, 2027년에 추가 8개 공장​으로 확대하는 일정을 잡았다. 이 시스템은 원료 입고와 완제품 검사 사이에 위치해 수분, 에너지 사용, 제품 품질 데이터를 활용해 운전자 감각이 아닌 자동으로 건조기 작동을 조정한다.

이것은 Sri Trang이 '원료 입고 및 품질 평가부터 생산, 에너지 관리, 품질 검사, 운영 모니터링'까지 기계, 자동화, 데이터, AI를 통합하는 '미래 공장' 프로젝트의 일부를 형성한다. 동일한 SAM 접근 방식은 블록 고무에서 그룹의 고무 장갑 사업​으로 확장되어 라텍스 상류부터 완제 의료 제품까지 공통 제어 철학을 제공한다.

가공업체에게 이러한 수준의 통합은 헤드라인보다 더 중요하다. AI가 단일 기계에 붙여지는 것이 아니라 워크플로—데이터 구조, 유지보수 루틴, 운전자 역할—에 설계된다는 의미다. 태국 그룹의 공식 메시지는 일반적인 혁신 언어보다 '실용적 적용과 구체적 결과'를 강조하며, 이는 미래 공급자 논의가 파일럿 프로젝트 시연이 아닌 건조기 가동률, 톤당 에너지, 불량률 같은 구체적 지표에 달려 있음을 시사한다.

더 나은 재활용 소재를 위한 AI: Fraunhofer의 K3I-Cycling 툴박스

플라스틱 측면에서는 가치 사슬의 다른 부분이 디지털화되고 있다. Kuhn Fachmedien의 2026년 8월 27일 기사는 Fraunhofer LBF​가 주도하고 16개 파트너​가 참여하며 독일 연방 연구·기술·우주부가 지원하는 K3I‑Cycling 프로젝트를 설명한다. 여기서 목표는 한 라인의 더 빠른 처리량이 아니라 혼합 경량 포장 폐기물에서 얻는 산업용 재활용 소재​다.

이 프로젝트는 실제 소재 분석과 머신러닝​을 결합해 폴리올레핀 재활용 소재​를 노화 상태와 오염도에 따라 분류하고, 정의된 용도에 사용할 수 있는 품질 클러스터로 분류한다. Fraunhofer LBF가 담당하는 작업 패키지는 실험실 및 파일럿 규모​에서의 실용적 재활용 소재 생산, 기계적 물성 평가, 성능 안정화를 위한 첨가제 패키지 설계에 초점을 맞춘다.

K3I-Cycling 팀은 '혼합 경량 포장'을 단위 저급 스트림으로 취급하는 대신, 재활용업체와 컨버터가 소재를 사양서처럼 읽을 수 있는 툴박스​를 구축하고 있다. 오염 범위, 노화 프로필, 첨가제, 하류 제품 창이 어디에 맞는지 파악하는 것이다. 동시에 Artificial Neural Twin (ANT)​를 개발해 수거부터 최종 사용자까지 전체 선별 체인을 모델링하고, 순도, 물류 거리, 가격 같은 매개변수를 가치 사슬 전반에 걸쳐 최적화할 수 있게 한다.

컴파운더와 브랜드 소유자에게 이는 실험실 분석과 공장 구매 사이의 실용적 가교다. 재활용 소재가 '충분히 좋은지' 묻는 대신, 클러스터를 제품 등급에 맞추고 그에 따라 배합이나 가공 조건을 조정할 수 있다.

추측 없이 품질 관리: 종이 병과 컴퓨터 비전

AI 기반 검사는 플라스틱과 직접 경쟁하는 섬유 기반 포장으로도 확장되고 있다. University of Surrey​의 Pulpex 프로젝트 사례 연구에서 연구진은 셀룰로스 기반 종이 병의 코팅·건조 공정을 모니터링하기 위해 적외선 열화상과 컴퓨터 비전​을 사용해 인라인 품질 관리의 빠른 방법을 개발했다고 보고한다.

팀은 IR 열화상이 건조 공정을 처음부터 끝까지 추적하고 코팅층 결함에 해당하는 미세한 온도 변화를 감지할 수 있음을 개념 증명​했다. 이를 바탕으로 £1 million EPSRC Prosperity Partnerships 지원을 받는 후속 SustaPack 프로젝트는 기계론적 모델링, 컴퓨터 비전, AI​를 활용해 이를 견고하고 상업적으로 배포 가능한 품질 관리 기술로 전환하고 있다.

”

"우리는 기계론적 모델링, 컴퓨터 비전, 인공지능(AI)을 사용해 아직 상용화되지 않은 견고한 QC 기술을 개발하고 있습니다." - University of Surrey 연성물질물리학 교수 Joseph Keddie

목표는 종이 병 생산에서 실시간 결함 감지와 100% 신뢰성​을 달성하는 동시에 에너지 효율을 높이고 물 사용을 줄이는 것이다. 플라스틱 컨버터에게 이는 단순한 경쟁 기술 이야기가 아니라, 열화상과 AI의 결합​이 다층 필름과 코팅된 리지드 포장의 온라인 두께·냉각·접착 검사에 어떻게 재활용될 수 있는지 보여주는 사례다.

사출 성형업체, 가시 부품 기준을 높이다

일부 프로젝트가 데이터와 재활용을 다루는 동안, 다른 프로젝트는 이전에 숨겨져 있던 기술 부품이 제품의 시각적 얼굴이 되는 불편한 단계를 다룬다. 체코 성형업체 Okula Nýrsko a.s.​는 Daikin 에어컨 유닛용 EMURA 3 전면 패널 프로젝트에서 이러한 사례를 보고했다. 기능 부품이 실내 제품의 시각적 디자인으로 끌어올려진 것이다.

패널은 엄격한 기술 기준과 매우 높은 시각적 기대​를 충족해야 했고, 공정 설정을 재검토하게 만들었다. 생산 준비 단계에서 Okula는 Moldflow 분석​을 실행하고 충전 공정을 최적화했다. 그럼에도 테스트에서 재료 수축으로 인한 싱크 마크​가 발견됐다. 이는 고도로 가시적인 표면에서 용납할 수 없는 일반적인 결함이다.

최종 해결책은 질소 보조 사출 성형 공정의 목표 지향 조정​이었다. 형상과 치수 안정성을 유지하면서 공정을 안정화하고 요구되는 표면 품질을 달성했다. 이 프로젝트는 AI 자체에 의존하지 않지만, 흐름 시뮬레이션 데이터, 캐비티 압곡선, 표면 검사 결과를 폐쇄 루프 레시피로 결합하는 등 AI 기반 공정 모니터링이 미래에 자동화할 수 있는 다중 매개변수 최적화 유형을 강조한다.

성형 공장에게 교훈은 즉각적이다. 고객이 부품을 '기술'에서 '디자인 부품'으로 격상시킬 때, 공장은 시뮬레이션 기반 매개변수 세트, 가스 보조 조정, 또는 점점 더 결함 위험을 위한 알고리즘 패턴 인식을 통해 표면 안정성에 대한 방어 가능한 경로를 제시해야 한다.

가공업체가 지금 할 수 있는 일

Sri Trang AI 건조기 확대, Fraunhofer의 K3I-Cycling 툴박스, Surrey의 열화상 QC 작업, Okula의 EMURA 3 패널 프로젝트를 종합하면 공통 패턴이 드러난다. 특정 생산 문제부터 시작한 뒤, 그 주변에 AI 또는 데이터 솔루션을 구축하는 것​이다.

고무·플라스틱 가공업체는 몇 가지 구체적인 단계를 차용할 수 있다.

• 하나의 공정 체인을 끝에서 끝까지 매핑하라. Sri Trang 프로젝트는 원료 입고부터 에너지 관리·검사까지 아우른다. 소규모 공장은 한 라인부터 시작하되 데이터 소유자와 의사결정 지점을 정의해야 한다.
• 비즈니스 질문과 분석을 연결하라. K3I-Cycling의 소재 클러스터는 학술적 분류가 아니라 산업적 사용성을 위해 설계됐다. 재활용업체와 컨버터는 센서에 투자하기 전에 자사 제품군에서 '산업용 등급'이 무엇을 의미하는지 정의해야 한다.
• 결함이 가장 큰 피해를 주는 곳에서 검사 장비를 업그레이드하라. Surrey 작업은 열화상+AI가 성능 창이 좁은 코팅에 실현 가능함을 보여준다. 플라스틱 생산자는 공압출 필름, 배리어층, 장식 표면 등 스크랩 비용이 큰 곳에서 유사한 접근을 시범 적용할 수 있다.
• 가시 부품을 별도의 공정 클래스로 취급하라. Okula의 질소 보조 솔루션은 시각 부품이 추가 공정 개발을 정당화함을 강조한다. 이러한 사례를 AI 지원 레시피 관리 시스템에 입력하면 새 프로젝트마다 처음부터 시작하는 일을 방지할 수 있다.

이 사례들 중 어느 것도 과대광고에 의존하지 않는다. 모두 기존 장비에 새로운 센서를 추가하거나, 현재 실험실 데이터로 머신러닝 모델을 구축하거나, 목표 지향 공정 조정을 하는 점진적 변화들이다. 효율성과 순환성을 동시에 증명해야 하는 압박을 받는 공장에게 2025~2026년 AI 프로젝트는 실행 가능한 템플릿을 제공한다. 하나의 운영 고통 지점을 선택하고, 데이터를 연결한 뒤, 고객 감사에 통과할 수 있는 결과를 요구하라.