LS엠트론, 북미 최대 플라스틱·고무 박람회 NPE 2024 참가

신재호 사장 “NPE 2024 기점으로 북미 사출성형기 시장 공략 가속화"

NPE 2024에 참가한 LS엠트론 부스 현장ⓒLS엠트론

LS엠트론은 5월 6일부터 10일까지 미국 플라스틱산업협회(The Plastics)가 주최하는 북미 최대 플라스틱·고무 박람회 박람회 NPE(National Plastic Exhibition) 2024에 참가한다고 8일 밝혔다.

미국 플로리다주 올랜도 오렌지 카운티 컨벤션 센터에서 개최한 NPE 2024는 코로나19 펜데믹으로 인해 2018년 이후 6년만에 다시 열렸다.

전 세계 2000개 이상 기업이 최신 플라스틱·고무 기술을 전시한다. LS엠트론은 참가사 중 가장 큰 규모(약 1250m²)의 부스를 운영한다. 자동차, 생활용품, 패키징 등 다양한 산업군에 특화된 사출성형기와 국내 최초로 개발한 AI 사출성형 솔루션 CSI(Connected and Smart Injection) 4.0, 샌드위치 사출성형 등 친환경 사출 공법을 선보인다.

LS엠트론은 사출성형기 미국 법인 LSIU와 멕시코 법인 LSIM을 중심으로 북미 시장을 공략하고 있다. 2021년, 일본 상사 기업인 DJK그룹 미국 자회사 DJA(Daiichi Jitsugyo America)의 사출성형기 사업 부문을 인수함으로써 북미 지역 판매 네트워크를 강화했다. 지난 3월에는 고객 접점 확대 및 만족도 향상을 위해 텍사스 팔레스타인에 테크센터를 신설했다.

LS엠트론은 북미에 누적 2000대 이상의 사출성형기를 판매했다. 올해 1분기 북미 수주건 중 신규 고객사가 50% 이상을 차지할 만큼, 영업 활동을 적극적으로 펼치고 있으며, 북미향 제품 개발에도 속도를 내고 있다.

신재호 LS엠트론 사장은 “사출성형기 시장 성장률이 높은 북미를 집중적으로 공략하고 있다”며 “이번 NPE 2024는 북미 시장 점유율 20% 목표를 달성하는 중요한 기점이 될 것”이라고 말했다.

글로벌 시장조사 기관 MarketandMarket이 2023년 발간한 보고서에 따르면, 2022년 기준 전세계 사출성형기 시장 규모는 95억 달러 수준이며 연평균 성장률은 3.4%이다.

2028년에는 116억 달러에 이를 것으로 예상된다. 북미 시장은 글로벌 시장의 약 12%(약 11억 달러)를 차지할 것으로 보인다. 미국의 제조업 리쇼어링과 자동차, 소비재 및 패키징 산업의 수요 증가로 인해 북미 시장 규모는 지속적으로 증가하고 있다.

LS엠트론은 자동차 부품 초고속·고정밀 성형을 위한 프리미엄 하이브리드 사출성형기 ‘the ONE’과 자동차 배터리 생산에 최적화된 수직 사출성형기 ‘LSG-VL’, 샌드위치 사출성형에 특화된 ‘LSG 900HPMC’ 등을 전시한다.

LS엠트론 관계자가 NPE 2024에서 참관객에게 제품을 설명하는 모습ⓒLS엠트론

샌드위치 성형 공법은 성형물 표면층에는 신재를 사용하고, 코어층에는 재생재를 사용하는 친환경 사출 공법이다. 최근 플라스틱 산업에서 지속가능성과 에너지 절감 중요성이 커짐에 따라 주목받고 있는 기술이다. 신재는 석유에서 추출된 원료를 결합해 만든 플라스틱이며 재생재는 폐기물로부터 재활용한 플라스틱을 말한다.

LS엠트론은 이번 박람회에서 국내 최초로 개발한 스마트 사출성형 솔루션인 CSI 4.0을 선보이며 디지털·인공지능 기술 경쟁력을 홍보할 계획이다. CSI 4.0은 스마트 모니터링과 스마트 원격 서비스로 고객 편의성을 증대한다.

스마트 모니터링을 통해 고객은 언제 어디서나 모바일로 실시간 공정을 확인하고 컨트롤할 수 있다. 스마트 원격 서비스는 LS엠트론 CS직원이 고객이 사용 중인 제품 화면을 실시간으로 공유 받아 고장 등의 문제를 확인하고 해결하는 기능이다. 오프라인 서비스에 비해 소요 시간을 크게 단축할 수 있다.

CSI 4.0은 인공지능 사출 시스템(AI Injection System)도 적용됐다. AI 중량 제어 시스템은 성형 과정에서의 사출물 중량 변화를 스스로 감지하여 불량을 확인하고, 인공지능을 통해 성형조건을 변경해 양품을 생산하게 한다. AI 조건 도출 시스템은 사출성형기가 성형 전문가의 공정 조건 도출 방법을 학습해 사용자에게 최적화된 공정 조건을 설정한다. 초기 공정 안정화에 걸리는 시간을 획기적으로 단축할 수 있다.