Hopper se učí z dat o strojích, surovinách a procesech a generuje situační doporučení pro optimálně přizpůsobené nastavení parametrů, aby byl čas šrotu a cyklu co nejkratší. Namísto toho, aby se spoléhal na manuální „pokus a omyl“, Hopper poskytuje situační doporučení pro konkrétní úpravy parametrů - na základě prakticky naučeného ideálního procesu a respektování ověřovacích oken.
Hopper průběžně analyzuje ovlivňující proměnné procesu vstřikování a navrhuje situační úpravy pro nastavení parametru.
Zohlednění materiálových, procesních a environmentálních údajů.
Přijímejte doporučení v prohlížeči nebo na mobilním zařízení prostřednictvím push zprávy.
Porovnejte použité recepty z hlediska KPI a různých parametrů nastavení.
Získejte přehled o tom, které recepty fungovaly a jak dobře.
Analyzujte odpady vyskytující se v procesu vstřikování, rozdělené podle důvodu odmítnutí a dutiny.
To vám umožní přesně identifikovat problémové oblasti a zahájit optimalizační opatření s přesností.
Aplikujte návrhy nastavení parametrů přímo - Hopper zapisuje parametry přímo do řídicí jednotky stroje.
To eliminuje potřebu ručního nastavení obsluhou stroje.
Automatické použití nastavení parametrů
Vyžaduje se ověření uživatelem
Přečtěte si, jak společnost ZAHORANSKY používá Hopper od plus10 k urychlení uvedení do provozu komplexních systémů vstřikování a snížení odpadu. Challage: nestabilní procesy v důsledku kolísání materiálu
„Hopper podporuje naše instalační inženýry s návrhy parametrů při jemném doladění nastavení stroje a odstraňování problémů, aby se zvýšila a stabilizovala účinnost ve všech shftech v našich komplexních procesech vstřikování elastomerů. „A. Botta, manažer procesního inženýrství ve společnosti FST v Luserně, Itálie
Společnost ZAHORANSKY používá Hopper pro jemné doladění parametrů vstřikování za chodu, což kompenzuje variabilitu materiálu. Došlo o 20% rychlejší nárůst a o 10— 17% snížení šrotu v nepřetržité výrobě GMP. Výsledek: Vyšší OEE díky stabilnímu výstupu navzdory materiálovým výkyvům a rozdílům v úrovni dovedností.
Vlastnosti surovin na dávku, např. hustota, viskozita
Prostředí produktu, např. okolní teplota+vlhkost
Typ stroje+konfigurace, např. elektrický, hybridní/hydraulický
Procesní data (aktuální+nastavený parametr), např. křivky tlaku/rychlosti vstřikování
periferní zařízení, např. horkový/studený proud, teplotní zařízení
Zpětná vazba na kvalitu produktu, např. geometrické vlastnosti a povrchové vlastnosti, hmotnost
Specifikace produktu, např. povolené hranice procesních parametrů
Mapování mezi každým z výše uvedených zdrojů dat
Konektivita: šifrovaný odchozí provoz do cloudového backendu přes HTTPS
Zařízení Siemens Industrial Edge Device nainstalované v síti strojů s aplikací plus10