Hopper
Hopper, der Qualitätsoptimierer, adressiert die Qualität der automatisierten Produktion. Der Process Parameter Recommender erzeugt situative Vorschläge für optimal abgestimmte Parametereinstellungen unter den gerade vorherrschenden Produktionsbedingungen, um Ausschuss und Zykluszeit so gering wie möglich zu halten.
Mithilfe des Recipe Benchmark werden die Maschineneinstellungen identifiziert, mit denen unter Berücksichtigung der Rahmenbedingungen die meisten Gutteile produziert werden. Hopper steigert die Quote an produzierten Gutteilen pro Stunde, etwa beim Elastomer- und Thermoplast-Spritzgießen sowie bei schwierig verarbeitbaren Materialen, wie z.B. bei hohen Rezyklat-Anteilen.
Hohe Ausschussraten je nach aktuellem Rohmaterial
Variierende Zykluszeiten aufgrund individueller Maschineneinstellungen und ständigen Änderungen
Fehlende Transparenz zu den bestmöglichen SET-Parametereinstellungen
Mangelnde Effizienz in der 24/7 Produktion
Steigerung der Gutteile durch deutliche Reduzierung von Ausschuss und Zykluszeit
Prognostizierte Produktionsrate & Ausschussquote
Empfehlungen zu detaillierten Parameteranpassungen unter Berücksichtigung aller Einflussfaktoren auf den Prozess
Analyse der Daten zu Material, Maschine und Produktionsumgebung
Situative und automatisierte Empfehlungen auf Smartwatch, Smartphone und Browser verfügbar
Analyse von Maschinenprozessen auf Signalebene basierend auf hochfrequenten Live-Daten verschiedener Quellen
Vergleich ähnlicher Maschinen auf sehr detaillierter Maschinenkomponentenebene
Ableitung von Optimierungsmaßnahmen für jede reale Maschine zur Reduzierung der Zykluszeiten
Konstante Überwachung des Verhaltens von Subprozessen der Maschine mit Meldungen zu Anomalien an die Instandhaltung
Mit dem KI-Projekt “DarWIN”, einer Zusammenarbeit von plus10 und dem SKZ, werden detaillierte Verhaltensmodelle von Spritzgießmaschinen auf Basis hochfrequenter Maschinendaten erlernt. Durch die Übertragbarkeit von vortrainierten Machine Learning Modellen können einzelne Maschinen voneinander lernen. Das bedeutet, dass Verhaltensmodelle einer spezifischen Maschine nicht jedes Mal komplett neu gelernt werden müssen, sondern nur in einer kleinen Anpassungsphase auf die Maschine und das gerade laufende Produkt adaptiert wird. Diese Verhaltens-modelle schlagen optimierte Prozessparameter für den nächsten Maschinenzyklus vor, um unter den gerade herrschenden Randbedingungen in kürzester Zykluszeit und ohne Ausschuss produzieren zu können.
Das Team des DarWIN-Forschungsprojekts: LTR Dr. Thorsten Thümen von Sumitomo (SHI) Demag, Felix Georg Müller von plus10, Christoph Mussauer vom SKZ, Marco Fischer und Melanie Rohde von Sumitomo (SHI) Demag (von links nach rechts); Quelle: Sumitomo (SHI) Demag