Hopper lærer fra maskin-, råmateriale- og procesdata og genererer situationsanbefalinger for optimalt tilpassede parameterindstillinger for at holde skrot- og cyklustiden så lav som muligt. I stedet for at stole på manuel „trial & error“ giver Hopper situationsanbefalinger til specifikke parameterjusteringer - baseret på en praktisk talt indlært ideel proces og respekterer valideringsvinduer.
Hopper analyserer løbende de påvirkende variabler i sprøjtestøbeprocessen og foreslår situationsjusteringer for at indstille parameter.
Overvejelse af materiale-, proces- og miljødata.
Modtag anbefalinger i browseren eller på en mobilenhed via push-besked.
Sammenlign anvendte opskrifter med hensyn til KPI'er og forskellige indstillingsparametre.
Få et overblik over, hvilke opskrifter der fungerede, og hvor godt.
Analyser afvisninger, der forekommer i sprøjtestøbeprocessen, opdelt efter årsag til afvisning og hulrum.
Dette giver dig mulighed for præcist at identificere problemområder og igangsætte optimeringsforanstaltninger med præcision.
Anvend forslag til parameterjustering direkte - Hopper skriver parametrene direkte til maskinstyringen.
Dette eliminerer behovet for manuel justering af en maskinoperatør.
Automatisk anvendelse af parameterjusteringer
Bekræftelse af brugeren kræves
Læs, hvordan ZAHORANSKY bruger Hopper fra plus10 til at fremskynde ibrugtagningen af komplekse sprøjtestøbesystemer og reducere spild. Udfordring: ustabile processer på grund af materielle udsving
„Hopper understøtter vores opsætningsingeniører med sine parameterforslag i finjustering af maskinindstillinger og fejlfinding for at øge og stabilisere effektiviteten på tværs af alle shfts i vores komplekse elastomersprøjtestøbeprocesser. „A. Botta, Process Engineering Manager hos FST i Luserna, Italien
ZAHORANSKY anvender Hopper til at finjustere sprøjtestøbningsparametre på farten, hvilket kompenserer for materialevariabilitet. Leverede 20% hurtigere opstigning og 10-17% reduktion af skrot i 24/7 GMP-produktion. Resultat: Højere OEE fra stabil produktion på trods af materialesvingninger og forskelle i færdighedsniveau.
Råmaterialeegenskaber pr. batch, f.eks. densitet, viskositet
Produktmiljø, f.eks. omgivelsestemperatur + fugtighed
Maskintype+konfiguration, f.eks. elektrisk, hybrid/hydraulisk
Procesdata (faktisk + indstillet parameter), f.eks. indsprøjtningstryk/hastighedskurver
perifere enheder, f.eks. varm/kold-løbertype, temperaturanordning
Feedback for produktkvalitet, f.eks. geometriske + overfladeegenskaber, vægt
Produktspecifikation, f.eks. tilladte procesparametergrænser
Kortlægning mellem hver af de ovennævnte datakilder
Forbindelse: krypteret udgående trafik til cloud backend via HTTPS
Siemens Industrial Edge Device installeret i maskinnetværk med plus10 app