Batteriezellenschweißnaht-Inspektion mit KI-Vision (µm-Auflösung)

Das echte Ausmaß des Problems

Batteriepacks in modernen Elektrofahrzeugen bestehen aus Hunderten bis Tausenden einzelner Zellen. Jede Zelle hat mindestens zwei Schweißnähte, die sie elektrisch verbinden: den Zelltab-Anschluss oben, oft ergänzt durch Zellanschlüsse zu Parallelverbindern und Modulrahmen. In einer typischen Produktion mit 10.000 Modulen pro Tag entstehen so 50.000 bis 100.000 sicherheitskritische Schweißnähte täglich — jede davon ein möglicher Defektträger.

Die Schweißnähte in der Batteriefertigung sind besonders anspruchsvoll: Aluminium auf Kupfer, dünne Folien, enge Toleranzen. Laser-Leistung, Fokuspunkt, Vorschubgeschwindigkeit — jede Abweichung produziert andere Fehlermuster. Poren entstehen durch Gasblasen im Schmelzbad. Einschlüsse durch Verunreinigungen. Spritzer kleben auf benachbarten Zellen. Nahtunterbrechungen entstehen durch kurze Schwankungen der Laserleistung.

Das Tückische: Diese Defekte überstehen den End-of-Line-Test oft problemlos. Neue Zellen haben genügend Reserve. Erst nach Hunderten von Ladezyklen, bei erhöhten Temperaturen oder unter mechanischer Last zeigt sich, was damals im Schmelzbad falsch lief.

GM Chevrolet Bolt: Rückruf von rund 140.000 Fahrzeugen nach einer Reihe von Fahrzeugbränden. Ursache: zwei gleichzeitig auftretende Fertigungsdefekte in den LG-Zellen — ein gerissenes Anodentab und ein gefalteter Separator. Rückrufkosten laut GM: rund 800 Millionen US-Dollar. Das Problem war kein Software-Bug, keine Konstruktionsschwäche — es waren Fertigungsdefekte, die das damalige Prüfsystem nicht zuverlässig erkannte.

Volkswagen ID.4: Anfang 2026 Rückruf von über 44.000 Fahrzeugen wegen Batteriebrandrisiko — verlagerte Elektroden in Modulen von SK Battery America. VW erfuhr am 18. Januar 2024 von einem Fahrzeugbrand beim Schnellladen in Illinois. Die Fehlerursache: Elektroden-Zustand, der bei der Auslieferung optisch unauffällig war.

Die Rückrufkosten für Elektrofahrzeuge liegen laut einer Analyse des NHTSA und Branchendaten aus 2022–2024 im Schnitt bei 500–1.500 Euro pro Fahrzeug — bei großen Rückrufen kommt die Komplexität des Batterietauschs hinzu, und der Betrag vervielfacht sich schnell auf das Zehnfache. Drei EV-Rückruf-Aktionen in den USA 2021/22 kosteten kombiniert über 2,2 Milliarden Dollar.

Das Ziel der KI-gestützten Schweißnahtinspektion ist nicht, ein “optionales Extra” zu sein. Es ist, den Prüfprozess an eine Auflösung zu bringen, die überhaupt in der Lage ist, sicherheitsrelevante Defekte zu erkennen — bevor die Zellen in Fahrzeuge eingebaut werden.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Zahlen zur Felddefektrate stammen aus Praxisberichten von Systemintegratoren — keine repräsentative Studie, aber konsistente Beobachtung über mehrere Inbetriebnahmen. Die tatsächliche Verbesserung hängt stark von der initialen Datenqualität und dem Trainingsaufwand ab.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5) Die Inline-Prüfung spart keine Zeit im direkten Sinne — sie kostet zunächst Taktzeitbudget. Der Gewinn entsteht anders: Statt dass Qualitätsprüfer Stunden mit Stichproben verbringen, läuft das System im Hintergrund und prüft vollständig. Die eingesparte Zeit liegt in der Rückwärtsqualifizierung (wer hat was geprüft?), in der Nacharbeit fehlerhaft weitergegebener Module und in der Bearbeitung von Feldreklamationen. Für den direkten Taktzeitverlust durch den Inline-Check (typisch 150–400 ms je Zelle) gibt es meistens eine Pufferzeit in der Linienplanung — aber das muss in der Konzeptphase explizit geprüft werden. Im Vergleich zu anderen Automotive-Anwendungsfällen wie Flottentelematik-Analyse oder After-Sales-Optimierung, die direkte Arbeitszeiteinsparung erzeugen, ist der Zeiteffekt hier indirekter.

Kosteneinsparung — sehr hoch (5/5) Das ist die stärkste Achse in dieser Kategorie. Die Abwehr eines einzigen mittelgroßen Rückrufs rechtfertigt die Systeminvestition auf Jahre hinaus. GM’s 800 Millionen Dollar für den Bolt-Rückruf sind kein Ausreißer — jede Rückrufaktion, die sicherheitskritische Batteriedefekte betrifft, bewegt sich im dreistelligen Millionenbereich. Selbst auf das operative Niveau heruntergebrochen: Jede Zelle, die nicht fehlerhaft in ein Modul eingebaut wird, spart 40–80 Euro Nacharbeitskosten. Bei einer Fehlgehrate von 0,3 % an einer Linie mit 10.000 Zellen täglich sind das 30 Zellen täglich, 7.500 Euro täglich, 2,7 Millionen Euro jährlich — nur in direkten Nacharbeitskosten. Mit Cognex ViDi oder VITRONIC VIRO WSI amortisieren sich Investitionen von 200.000–400.000 Euro in einem bis zwei Jahren.

Schnelle Umsetzung — niedrig (2/5) Das ist kein Projekt für “drei Monate bis Pilotbetrieb”. Die Kameraintegration in eine bestehende Linie erfordert mechanische Anpassungen, eine Edge-GPU-Infrastruktur, ein initiales Trainingsdataset mit annotierten Fehlerbildern und eine Kalibrierphase unter Produktionsbedingungen. Realistisch: 6–12 Monate bis zur zertifizierbaren Betriebsreife. Das ist deutlich langsamer als die meisten anderen Automotive-Anwendungsfälle in dieser Kategorie. Der Vergleich zu KI-Fahrzeugdiagnose (SaaS-nahe, schneller zu pilotieren) macht den Unterschied deutlich.

ROI-Sicherheit — sehr hoch (5/5) Selten in dieser Kategorie ist der ROI so direkt messbar: Ausschussrate vor und nach Systeminbetriebnahme, Nacharbeitskosten je Defektklasse, Anzahl der Feldreklamationen, die auf Schweißnahtdefekte zurückgehen. UnitX Labs berichtet aus einer Großinstallation von 0 % False Acceptance Rate bei kritischen Defekten und einem “record-breaking ROI” nach Reallokation von 160+ manuellen Inspektoren. Das sind keine Modellrechnungen — das sind Betriebsergebnisse aus laufenden Linien.

Skalierbarkeit — mittel (3/5) Das System läuft stabil auf einer Zellgeometrie — solange diese konstant bleibt. Neue Zellformate (Format-Wechsel von 18650 auf 4680-Format), neue Schweißparametersets oder neue Werkstoffe erfordern Re-Training des Segmentierungs-CNN mit neuen Trainingsdaten. Das ist nicht trivial, aber bei einem strukturierten Datenlabeling-Prozess innerhalb von 4–8 Wochen machbar. In einer Gigafactory mit festen Formaten und hohem Volumen skaliert das System sehr gut; in Prototyp-Linien mit häufigem Formatwechsel ist die Skalierbarkeit begrenzt.

Richtwerte — stark abhängig von Zellformat, Schweißverfahren (Laser, Ultraschall, Widerstand) und vorhandener Linieninfrastruktur.

Warum µm-Auflösung der entscheidende Unterschied ist

Standard-Industriekameras mit 2–5 Megapixel lösen Schweißnähte im Millimeterbereich auf. Das findet grobe Fehler — fehlende Schweißnähte, massive Spritzer, offensichtliche Nahtunterbrechungen. Aber die gefährlichsten Defekte in der EV-Zellverbindung sind klein:

• Poren: Gasblasen im Schmelzbad, 20–80 µm Durchmesser. Erhöhen den Widerstand, vergrößern sich unter thermomechanischer Belastung.
• Mikrorisse: Entstehen beim Abkühlen, verlaufen durch die Nahtzone, 10–40 µm Breite. Unsichtbar unter Standard-Optik, sichtbar unter 20 MP + Telezentrisches Objektiv.
• Einschlüsse: Metallpartikel oder Oxidflecken eingebettet in der Schweißzone. Elektrisch leitfähig, wenn sie zwischen Zelltab und Verbinder sitzen — Kurzschlusspfad im Mikromaßstab.
• Spritzer < 50 µm: Kleinste Aluminiumtröpfchen auf benachbarten Zellflächen. Bei 4680-Format-Zellen, wo die Packungsdichte hoch ist, können sie auf den Separator absinken.

Um diese Defekte inline zu erkennen, sind Hochauflösungskameras (≥ 20 Megapixel, Line-Scan oder Area-Scan mit Telezentrischer Optik), Hochleistungsbeleuchtung (Koaxiales Licht oder strukturiertes Licht für Textur-Kontrast) und Edge-GPUs mit Inferenzzeiten < 200 ms pro Zelle notwendig.

Die Auflösung allein reicht nicht. Genau so entscheidend ist das Beleuchtungskonzept: Eine Schweißnaht aus Aluminium reflektiert anders als eine aus Kupfer. Koaxiallicht macht Poren durch hellen Fleck auf dunklem Grund sichtbar, ist aber bei rauen Nahtoberflächen von Spritzern dominiert. Strukturiertes Streifenlicht erzeugt 3D-Information, erkennt Höhenunterschiede auf der Nahtoberfläche — notwendig für Geometrieprüfung. Die Kombination aus zwei Beleuchtungsmodalitäten ist bei hoher Defektvielfalt heute Standard bei VITRONIC und Cognex ViDi.

Was das KI-Visionsystem konkret macht

Technisch handelt es sich um Computer Vision mit tiefen neuronalen Netzen (CNN-Architekturen, typisch U-Net oder Mask R-CNN) für Segmentierung und Klassifikation:

1. Bilderfassung: Eine Line-Scan-Kamera mit 20–50 MP Effektivauflösung scannt die Schweißnaht mit bis zu 800 mm/s Abtastgeschwindigkeit. Koaxiales Ringlicht und/oder strukturiertes Licht beleuchten die Naht aus kontrollierten Winkeln. Das Bilderfassungs-Subsystem muss perfekt auf die Liniengeschwindigkeit synchronisiert sein — jede Bewegungsunschärfe degradiert die µm-Auflösung auf Voxel-Niveau.

2. Vorverarbeitung: Rauschreduktion, Helligkeitsnormalisierung, Bildausrichtung auf die Nahtachse. Entscheidend für spätere Modellkonsistenz, besonders wenn Beleuchtungsintensität oder Nahtposition leicht variieren.

3. Segmentierungs-CNN: Das trainierte Modell segmentiert das Bild in Regionen: Schweißnaht, Grundmaterial, Defektregionen. Jeder Pixel bekommt eine Klassenzuweisung. Das Netz wurde auf Hunderten bis Tausenden annotierter Bilder trainiert — einwandfreie Nähte und Nähte mit allen bekannten Defektklassen.

4. Defektklassifikation: Jede segmentierte Defektregion wird einer Klasse zugewiesen (Pore, Einschluss, Spritzer, Nahtunterbrechung, geometrische Abweichung). Jede Klasse hat ein separates Akzeptanzband — Poren über 60 µm sind Ausschlusskriterium, unter 30 µm in Toleranz, dazwischen geht es in die Überprüfungswarteschlange.

5. Entscheidung und Dokumentation: Das Ergebnis — IO (in Ordnung) oder NIO (nicht in Ordnung) mit Fehlerklasse und Koordinate — geht in Echtzeit an die SPS-Steuerung. Fehlerhafte Zellen werden ausgeschleust. Die vollständige Defektkarte wird seriennummergebunden in der Produktionsdatenbank gespeichert.

Ein Machine Learning-Modell, das für diese Aufgabe trainiert wird, braucht nicht tausende Defektbilder von Anfang an. Für die Pilotkalibrierung reichen 200–400 annotierte Bilder je Fehlerklasse, wenn die Annotation präzise und konsistent ist. Das Modell verbessert sich mit jedem Betriebsmonat — jede neue Produktion bringt neue Randbeispiele, die das Modell robuster machen. Ein strukturierter Active-Learning-Prozess (das Modell markiert Bilder, bei denen es unsicher ist) beschleunigt diese Verbesserung erheblich.

IEC 62133, EU-Batterieverordnung und KI-Dokumentation

Batteriezellen für Elektrofahrzeuge unterliegen mehreren Regulierungsrahmen, die direkte Auswirkungen auf die Prüfdokumentation haben:

IEC 62133-2 (Sicherheitsanforderungen Lithium-Systeme): Der internationale Standard für Lithium-Ionen-Akkus definiert Sicherheitsanforderungen an Materialien, Konstruktion, Beschriftung und Fertigungsprüfung. Er schreibt keine spezifische Prüftechnologie vor, aber er fordert, dass die Fertigungsprüfung nachweislich sicherheitsrelevante Fehler erkennt. KI-Visionssysteme müssen so kalibriert und validiert sein, dass ihre Leistungsfähigkeit (False-Accept-Rate, Detektionsschwelle) nachgewiesen und dokumentiert ist — für IEC-62133-Zertifizierungen relevant.

EU-Batterieverordnung (ab 2024/2025): Die neue EU-Batterie-Regulation (EU 2023/1542) führt einen digitalen Batteriepass ein — ab Februar 2027 verpflichtend für EV-Batterien über 2 kWh. Der Pass enthält Herstellungschargeninfo, Materialzusammensetzung und Qualitätsparameter. KI-Inspektionssysteme, die seriennummergebundene Prüfprotokolle erstellen, sind die natürliche technische Basis für diesen Pass. Wer heute die Infrastruktur aufbaut, baut gleichzeitig die Compliance-Grundlage für 2027.

IATF 16949 (Automotive QMS): Tier-1 und Tier-2 Zulieferer für Automobilhersteller unterliegen der Automotive-Qualitätsmanagementnorm. Sie verlangt 100 %-Rückverfolgbarkeit, statistische Prozesskontrolle und dokumentierte Prüfpläne. Ein KI-Visionssystem, das nicht in das QMS eingebunden ist, erfüllt diese Anforderung nicht — die Integration in das MES/QMS ist kein optionales Extra, sondern normativer Bestandteil.

Für die KI-Dokumentation gilt: Das Modell muss versioniert sein (welches Trainings-Dataset, welche Architektur, welche Schwellenwerte), und Re-Training-Events müssen protokolliert werden. Wenn ein Modell nach einem Zellformat-Wechsel neu trainiert wird, müssen die Leistungsmetriken neu validiert werden, bevor die neue Version in Produktion geht. Das klingt aufwändig, ist aber in jedem IATF-16949-konformen Qualitätssystem ohnehin vorgesehen — die KI ist in diesem Rahmen ein Prüfmittel wie jedes andere.

Konkrete Werkzeuge — was wann passt

VITRONIC VIRO WSI — Spezialist für Inline-Schweißnahtinspektion an Batteriemodulen und -gehäusen. Laser-Triangulation mit 3D-Bildverarbeitung, bis 800 mm/s Abtastgeschwindigkeit, Weldloop-Datensoftware für Korrelation mit Schweißroboter-Prozessdaten. Stärke: Geometrieabweichungen und 3D-Nahtmorphologie. Investition 150.000–400.000 EUR je nach Komplexität. Für seriennahe EV-Batterieproduzenten mit klaren Nahtgeometrien erste Wahl.

Cognex ViDi / VisionPro Deep Learning — Marktführer in industrieller Bildverarbeitung mit Deep-Learning-Erweiterung. VisionPro Deep Learning ermöglicht Trainieren eigener Defektmodelle auf Cognex-Hardware. Stärke: Flexibilität, große Referenzbasis, bewährte Hardware für raue Produktionsumgebungen. Geeignet, wenn neben der Schweißnahtinspektion noch weitere Prüfaufgaben (Barcode, Maße, allgemeine Oberflächenfehler) auf der gleichen Linie nötig sind. Investition typisch 25.000–80.000 EUR für die Kamera/Software-Seite; Gesamtsystem mit Integration 80.000–200.000 EUR.

KEYENCE CV-X / XG-X Serie — Zugänglichere Option für Betriebe, die ein vollständiges System aus einer Hand suchen, ohne tiefe Systemintegrationskompetenz im Haus zu haben. KI-Bildverarbeitung kombiniert mit regelbasierter Prüflogik, GUI-Konfiguration. Für die µm-Auflösung bei Batteriezellenschweißnähten muss explizit die XG-X-Hochauflösungsvariante gewählt werden. Investition 15.000–80.000 EUR. Gut geeignet für Prototyp-Linien und erste Pilotinstallationen, bevor ein Vollsystem entschieden wird.

ISRA VISION — Stärke liegt in Glas- und Folieninspektion. Für Separatoren und Elektrodenfolien in der Batteriezellfertigung selbst ist ISRA gut positioniert, für Schweißnaht-Inspektion an der Verbindungsstelle dagegen weniger spezialisiert als VITRONIC. Relevant wenn die Prüfaufgabe neben Schweißnähten auch Folien- und Separatorinspektion umfasst.

Landing AI LandingLens — Kein Industriesystem, aber ein sinnvoller Einstieg für interne Machbarkeitsstudien. Mit LandingLens kannst du ein erstes CNN auf eigenen Schweißnahtbildern trainieren und testen, bevor du Kapital für industrielle Hardware freigibst. Wichtig: Für die Produktionslinie selbst ist LandingLens nicht geeignet (keine SPS-Integration, keine Echtzeitgarantien, US-Datenhosting). Als internes Proof-of-Concept und für die Budgetargumentation intern ist es jedoch ein kostengünstiger und schneller erster Schritt.

Zusammenfassung: Wann welches System

• Inline-Produktion, klare Nahtgeometrien, Schweißroboter-Datenkorrelation → VITRONIC VIRO WSI
• Gemischte Prüfaufgaben, Barcode + Schweißnaht, flexible Deep-Learning → Cognex ViDi
• Pilotprojekt, einfache Einrichtung, kein eigenes Integrationsteam → Keyence CV-X/XG-X
• Internes PoC vor Budgetentscheidung → Landing AI LandingLens

Datenschutz und Datenhaltung

Schweißnahtbilder aus der Batteriezellfertigung sind für die meisten Hersteller schützenswertes Know-how — die Kombination aus Laserparametern, Nahtgeometrie und Fehlerprofilen lässt Rückschlüsse auf proprietäre Fertigungsverfahren zu. Das ist kein DSGVO-Problem (keine personenbezogenen Daten), aber ein Intellectual-Property-Problem.

Für alle industriellen Systeme (VITRONIC, Cognex, Keyence): Die Verarbeitung erfolgt lokal auf einem Industrie-PC oder Edge-GPU direkt an der Linie. Keine automatische Cloud-Übertragung von Produktionsbildern. Das ist die Standard-Konfiguration und auch die empfohlene Konfiguration — Bilder bleiben im Werk.

Fernwartung: Alle drei Anbieter nutzen VPN-Zugänge für Support und Updates. Protokollierung empfohlen, Zugriffszeiten und -grund sollten dokumentiert werden. Formaler Auftragsverarbeitungsvertrag (AVV) mit dem Systemlieferanten für Fernwartungszugriffe auf Systeme, die in IATF-16949-Prüfabläufe eingebunden sind.

Landing AI (für PoC-Phase): US-Datenhosting. Produktionsbilder, die proprietäre Schweißgeometrien zeigen, sollten vor dem Upload mit dem eigenen Datenschutzbeauftragten abgestimmt werden. Für den Piloten können anonymisierte oder synthetisch veränderte Bilder verwendet werden — die Qualität des Trainingsmodells leidet minimal, das IP-Risiko reduziert sich erheblich.

EU-Batterieverordnung und Prüfdaten: Die seriennummergebundenen Prüfprotokolle, die für den digitalen Batteriepass erforderlich sein werden, sind Produktionsdaten — kein Personenbezug. Sie müssen sicher und integer gespeichert werden, aber DSGVO ist nicht der primäre Regulierungsrahmen. Relevanter ist hier die Verpflichtung zur Datenaufbewahrung (10 Jahre Batteriepass-Daten laut EU-Verordnungsentwurf).

Was es kostet — realistisch gerechnet

Einmalige Systemkosten (Referenzszenario: EV-Zelllinie, 10.000 Zellen/Tag)

Bei Komplettsystemen wie VITRONIC VIRO WSI sind diese Komponenten teils integriert — das vereinfacht die Beschaffung, aber nicht die Gesamtkosten.

Laufende Kosten (jährlich)

• Softwarepflege und Updates: 8.000–15.000 EUR
• Gelegentliches Re-Training bei Prozessänderungen: 5.000–15.000 EUR
• Hardware-Wartung (Optik, Beleuchtung): 3.000–8.000 EUR

ROI-Rechnung (konservatives Szenario)

Ausgangslage: 10.000 Zellen/Tag, 0,3 % Fehlgehrate bisher (30 fehlerhafte Zellen täglich), 60 Euro Nacharbeit je fehlerhafter Zelle + Modulausschluss, der schnell auf 200–400 Euro je Modul klettert.

• Direkte Nacharbeitskosten täglich: ~1.500–12.000 Euro
• Jährlich: 550.000–4.400.000 Euro
• Systemabschreibung jährlich (5 Jahre linear): 24.000–52.000 Euro

Selbst im konservativsten Szenario amortisiert sich die Investition innerhalb von 1–2 Jahren — ohne die Rückruf-Vermeidungskomponente einzurechnen. Mit ihr verkürzt sich der ROI-Zeitraum dramatisch: Ein einziger vermiedener kleiner Rückruf (10.000 Fahrzeuge) mit 1.000 Euro Durchschnittskosten entspricht 10 Millionen Euro.

Wie du den Nutzen tatsächlich misst

Keine Schätzung — Messung: Ausschussrate vor und nach Systeminbetriebnahme (täglich getrackt), Nacharbeitskosten je Defektklasse (buchhalterisch erfassbar), Feldreklamationsquote mit Schweißnaht-Ursache (mit 12–18 Monaten Verzögerung sichtbar). Der dritte Indikator ist der wertvollste, dauert aber am längsten.

Drei typische Einstiegsfehler

1. Modell auf synthetischen Daten trainieren und in Produktion nehmen. Es gibt Anbieter, die versprechen, vortrainierte Modelle für “Standard-Schweißnahtfehler” zu liefern. In der Praxis produziert jede Linie ihre eigenen charakteristischen Fehlerbilder — abhängig von Lasertyp, Schutzgas, Folienmaterial, Vorschubgeschwindigkeit und Haltemechanismus. Ein auf synthetischen Daten oder Fremddaten trainiertes Modell hat in der Praxis regelmäßig False-Reject-Raten von 5–15 %, die die Linie praktisch zum Erliegen bringen. Lösung: Mindestens 200 annotierte Bilder je Defektklasse aus der eigenen Produktion als Trainingsgrundlage.

2. Das Beleuchtungskonzept unterschätzen. Das teuerste Kamerasystem hilft nichts, wenn die Beleuchtung für den Defektkontrast nicht passt. Poren in Aluminiumschweißnähten sind unter Koaxiallicht anders sichtbar als unter Ringlicht. Spritzer auf glänzendem Kupfer verschwinden unter manchen Beleuchtungswinkeln vollständig. Vor der Hardware-Entscheidung: Labortest mit mindestens drei Beleuchtungskonfigurationen an echten Proben — fehlerhaften und einwandfreien. Dieser Schritt kostet zwei bis drei Wochen, spart aber sechs Monate Fehlkonfiguration in der Integration.

3. Das Modell trainieren und nicht mehr anfassen. Das ist der gefährlichste Fehler — weil er still passiert. Wenn der Laser nach 600 Betriebsstunden anfängt, leicht zu driften, verändert sich das Schweißnahtbild graduell. Das Modell klassifiziert zunehmend Nähte, die eigentlich einwandfrei sind, als verdächtig — oder umgekehrt. Ohne einen strukturierten Monitoring-Prozess (wöchentliche False-Reject-Auswertung, monatlicher Vergleich von Bildstatistiken gegen das Baseline-Dataset) degeneriert das Modell im Stillen. Lösung: Ein Re-Training-Protokoll mit klaren Triggern ab dem ersten Betriebstag — nicht “wenn wir Zeit haben”, sondern mit Kalender-Eskalation.

Was mit der Einführung wirklich passiert — und was nicht

Die Technik ist das Lösbare. Das Schwierigere ist das Organisatorische.

Die “Wir vertrauen dem System nicht”-Phase. In den ersten Wochen nach Inbetriebnahme werden die Qualitätsprüfer jede NIO-Entscheidung des Systems kritisch prüfen. Das ist richtig so — das System muss erst Vertrauen verdienen. Erfahrungsgemäß dauert diese Phase 4–8 Wochen, bis das Team akzeptiert, dass das Modell systematisch besser ist als Stichprobenprüfung. Konkret helfen: gemeinsame Review-Sessions, bei denen ein Systemintegrator-Ingenieur die False-Reject-Rate erläutert, und transparente KPI-Dashboards, die IO/NIO-Raten täglich zeigen.

Die “Das Modell schmeißt zu viel raus”-Krise. Fast immer entsteht in der ersten Woche nach Inbetriebnahme eine Ausschusswelle. Das ist kein Systemfehler — das ist das System, das erstmals Defekte findet, die bisher durchgelaufen sind. Produktions- und Qualitätsleitung müssen darauf vorbereitet sein. Das Framing ist entscheidend: “Das System hat uns heute 340 Zellen gezeigt, die sonst in Module eingebaut worden wären” — nicht “Das System läuft nicht stabil”.

Was nicht passiert: Das System übernimmt keine strategischen Entscheidungen. Es entscheidet nicht, ob eine Zelle mit Grenzwert-Pore noch einsetzbar ist. Es entscheidet nicht, ob der Laser neu kalibriert werden muss. Es gibt Datenlage — die Interpretation bleibt beim Qualitätsteam. Wer das erwartet oder hofft, wird enttäuscht.

Konkret helfen:

• Change-Management schon vor der ersten Linienstunde: Schichtteam-Briefings zum neuen Prüfablauf
• Erste 4 Wochen: Parallelbetrieb — System prüft und markiert, Qualitätsprüfer kontrolliert alle NIO-Entscheidungen
• Ab Woche 5: Prozessübergabe, nur noch Stichprobenvalidierung der NIO-Entscheidungen
• Monatliches Review-Meeting: Model-Performance-Metriken, Re-Training-Bedarf, Beleuchtungsdrift

Realistischer Zeitplan mit Risikohinweisen

Praxishinweis: In der Praxis überschneiden sich diese Phasen. Die häufigste Verzögerung entsteht nicht bei der Kamera, sondern bei der SPS-Integration und der Daten-Annotation. Beide müssen parallel vorangetrieben werden — nicht sequenziell.

Häufige Einwände — und was dahintersteckt

„Wir testen schon elektrisch — Mikroohmmetrie am Zelltab.” Elektrische Widerstandsmessung am Ausgang erkennt Schweißnähte, die bereits jetzt zu hochohmig sind. Sie erkennt nicht die Schweißnaht, die heute noch am unteren Toleranzrand liegt, sich aber unter thermomechanischer Belastung bei 500 Ladezyklen in eine Fehlerstelle entwickelt. Optische Inspektion und elektrische Prüfung sind komplementär — sie prüfen verschiedene Fehlerklassen in verschiedenen Zeitfenstern. Das Argument “Wir haben schon Prüfung” ist richtig, macht aber die µm-Bildinspektion nicht überflüssig.

„Das ist zu teuer für unser Volumen.” Bei Produktionsvolumina unter 500.000 Zellen pro Jahr stimmt das. Die Investitionsrechnung kippt bei dieser Größenordnung oft nicht ins Positive, wenn man ausschließlich direkte Nacharbeitskosten rechnet. Wer aber für OEM-Zulieferer produziert und IATF 16949 als Anforderung hat oder die EU-Batterieverordnung vorbereiten muss, hat regulatorische Gründe, die die Kostenrechnung verändern. Außerdem: Der Maßstab wächst. Eine Linie, die heute 200.000 Zellen/Jahr produziert, kann in 18 Monaten bei einer Million angelangt sein. Systeme, die jetzt kalibriert werden, sind bereit.

„KI-Modelle machen Fehler und wir können nicht erklären, warum.” Das stimmt für schlecht dokumentierte Modelle. Es stimmt nicht für ein System, das nach IATF-16949-Qualitätsmanagement eingeführt und betrieben wird. Jede NIO-Entscheidung enthält Koordinaten, Fehlerklasse, Konfidenzscore und das Eingabebild. Das ist mehr Traceability als ein Qualitätsprüfer je liefern kann, der heute Nacht die Nachtschicht gemacht hat. Die “Black Box”-Kritik trifft eher auf schlecht eingeführte Systeme als auf die Technologie selbst.

Woran du merkst, dass das zu dir passt

• Ihr produziert mehr als 500.000 Batteriezellen pro Jahr — unter diesem Volumen ist die Investitionsrechnung ohne regulatorische Pflichten schwer darzustellen
• Ihr habt oder strebt IATF 16949 und braucht lückenlose Bauteil-Rückverfolgbarkeit für jede Schweißnaht
• Ihr habt konkrete Feldreklamationen oder erhöhte EOL-Ausschussraten, die auf Schweißnahtdefekte zurückgehen — das System macht ein latentes Problem sichtbar und behebbar
• Ihr plant die Compliance mit der EU-Batterieverordnung und braucht seriennummergebundene Qualitätsdaten je Zelle
• Ihr habt bereits einen Fehlerkatalog und annotierte Defektbeispiele — oder seid bereit, diese in einer strukturierten Daten-Akquisitionsphase aufzubauen

Drei harte Ausschlusskriterien:

1. Prototyp- oder Kleinserienfertigung mit monatlichem Geometriewechsel. Wenn sich Zellformat, Schweißparameter oder Verbindertopologie alle 4–8 Wochen ändern, ist das Re-Training des CNN teurer als der Nutzen. In dieser Situation ist End-of-Line-Elektroprüfung mit gelegentlicher manueller Stichprobe die pragmatischere Wahl.

2. Kein annotiertes Defektdataset und keine Kapazität, eines aufzubauen. Ohne eine Datenbasis aus der eigenen Produktion — mindestens 200 Bilder je Defektklasse, präzise annotiert — kann kein zuverlässiges Produktionsmodell entstehen. Vortrainierte “Universalmodelle” für Schweißnähte erzeugen in anderen Produktionsumgebungen regelmäßig False-Accept-Raten > 0,5 % bei seltenen Defekten. Wer nicht bereit ist, in die Datengüte zu investieren, sollte nicht in das System investieren.

3. Keine SPS- und MES-Kompetenz im Haus oder beim Integrator. Das System muss in Echtzeit mit der Fertigungssteuerung kommunizieren — fehlerhafte Zellen ausschleusen, Prüfergebnisse in die Produktionsdatenbank schreiben, IATF-konforme Protokolle erstellen. Ohne diese Integration ist das Kamerasystem eine teure Quelle von Bilddaten, die niemand ausliest.

Das kannst du heute noch tun

Prüfe, ob ihr einen annotierten Datensatz aufbauen könnt — das ist die erste und kritischste Voraussetzung. Konkret: Wähle drei häufige Defektklassen aus eurem aktuellen Fehlerkatalog aus und fotografiere je 50 Beispiele (fehlerhaft und einwandfrei) mit einer Standard-DSLR-Kamera oder einem vorhandenen Industriemikroskop.

Lade diese Bilder in Landing AI LandingLens hoch — kostenlos, kein technisches Setup. Trainiere ein erstes CNN und schau dir an, welche Defektklassen das Modell gut trennt und welche schwierig sind. Das dauert 2–3 Stunden und liefert dir zwei wertvolle Informationen: erstens, ob eure Defektbilder überhaupt ausreichend Kontrast für optische Erkennung haben, und zweitens, welche Beleuchtungskonfiguration für euren Anwendungsfall geeignet ist.

Dieses PoC kostet nichts außer Zeit — und ist die stärkste interne Argumentation für die anschließende Budgetanfrage für ein Industriesystem.

Für die Defektklassen-Analyse und die Argumentationsvorbereitung intern: Hier ist ein Analyseprompt, der die Kostenseite strukturiert:

Quellen & Methodik

• UnitX Labs Case Study — Battery Pack Weld Inspection ROI: Großinstallation mit 160.000 Schweißpunkten/Tag, 0 % False Acceptance Rate bei kritischen Defekten, 160+ manuell inspektierende Mitarbeitende reallociert. unitxlabs.com (2025/2026).
• VITRONIC VIRO WSI — Schweißnahtinspektion in der Batterieproduktion: 100 % automatische Nahtkontrolle, 0 % Schlupf, bis 800 mm/s Abtastgeschwindigkeit. vitronic.com (2024–2026).
• GM Chevrolet Bolt Recall: 140.000 Fahrzeuge zurückgerufen, Kosten ~800 Millionen USD nach Fertigungsdefekten in LG-Zellen (gerissenes Anodentab + gefalteter Separator). CNBC Report, August 2021.
• VW ID.4 Recall (2026): 44.000 Fahrzeuge nach Elektrodenzustand-Defekten in SK Battery America Zellen, Brandentdeckung 18. Januar 2024. Berichterstattung WardsAuto / The EV Report, Januar 2026.
• Drei kombinierte EV-Rückrufaktionen 2022: 132.500 Fahrzeuge, 2,2 Milliarden USD Gesamtkosten. CNBC-Analyse, August 2021.
• IEC 62133-2:2017: Sicherheitsanforderungen für sekundäre Lithium-Systeme. TÜV SÜD Zertifizierungsportal (Stand 2024).
• EU-Batterieverordnung (EU 2023/1542): Anforderungen digitaler Batteriepass, Pflicht ab Februar 2027 für EV-Batterien über 2 kWh. EUR-Lex (veröffentlicht 2023).
• Defektrate und Kostenangaben: Erfahrungswerte aus Berichten von Systemintegratoren (VITRONIC, UnitX Labs, Cognex-Anwendungsberichte); keine repräsentative Branchenstudie. Als Orientierungsrahmen verwenden, nicht als Garantiewerte.

Du willst wissen, ob die Technik für eure spezifische Zellgeometrie und euer Schweißverfahren funktioniert — oder ob sich die Investition bei eurem Volumen überhaupt rechnet? Das lässt sich mit einem strukturierten Gespräch in 60 Minuten klären.