ホッパーは機械、原材料、プロセスのデータから学習し、スクラップとサイクルタイムをできるだけ短く抑えるために、最適なパラメーター設定のための状況に応じた推奨事項を生成します。手作業の「試行錯誤」に頼るのではなく、ホッパーは、仮想的に学習した理想的なプロセスと検証期間を尊重して、特定のパラメーター調整に関する状況に応じた推奨事項を提示します。
ホッパーは、射出成形プロセスの影響変数を継続的に分析し、状況に応じた調整を提案してパラメータを設定します。
材料、プロセス、環境データの検討。
ブラウザまたはモバイルデバイスでプッシュメッセージでおすすめを受け取ります。
適用したレシピをKPIとさまざまな設定パラメータの観点から比較します。
どのレシピが効果的でどれほどうまくいったかの概要を把握してください。
射出成形プロセスで発生した不合格品を、不合格理由とキャビティ別に分類して分析します。
これにより、問題のある領域を正確に特定し、最適化対策を正確に行うことができます。
パラメータ調整の提案を直接適用-ホッパーはパラメーターをマシンコントローラーに直接書き込みます。
これにより、機械オペレーターによる手動調整が不要になります。
パラメータ調整の自動適用
ユーザーによる確認が必要です
ZAHORANSKYがplus10 Hopperを使用して、複雑な射出成形システムの試運転をスピードアップし、廃棄物を削減する方法を読んでください。課題：材料変動による不安定なプロセス
「Hopperは、複雑なエラストマー射出成形プロセスのすべてのシフトで効率を高め、安定させるために、機械設定の微調整やトラブルシューティングを行う際のパラメーター提案でセットアップエンジニアをサポートしてくれます。「A. Botta、イタリアのルゼルナにあるFSTのプロセスエンジニアリングマネージャー
ZAHORANSKYはホッパーを使って射出成形のパラメータをその場で微調整し、材料のばらつきを補正します。24時間365日のGMP製造で、立ち上げを20％短縮し、スクラップを10〜17％削減しました。結果：材料の変動やスキルレベルの違いにもかかわらず、安定した生産量からOEE が高くなります。
バッチごとの原材料特性（密度、粘度など）
製品環境、例：周囲温度+湿度
機械タイプ+構成、例：電気、ハイブリッド/油圧
プロセスデータ（実際+設定パラメータ）、例えば射出圧力/速度曲線
ホット/コールドランナータイプ、温度デバイスなどの周辺機器
製品の品質に関するフィードバック、例：幾何学的、表面的な特徴、重量
製品仕様、例えば許容されるプロセスパラメータの境界
上記の各データソース間のマッピング
接続：HTTPS経由でクラウドバックエンドへの暗号化されたアウトバウンドトラフィック
シーメンスのIndustrial Edge デバイスは、plus10アプリを使用してマシンネットワークにインストールされています