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 Linie mit 10.000 Zellen am Tag, dem Referenzszenario dieser Seite, entstehen so mindestens 20.000 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 142.000 Fahrzeugen, allen Bolt der Baujahre 2017 bis 2022, nach einer Reihe von Fahrzeugbränden. Ursache laut GM: zwei seltene, gleichzeitig auftretende Fertigungsdefekte in den LG-Zellen, ein gerissenes Anodentab und ein gefalteter Separator. Kosten für GM rund 1,8 Milliarden US-Dollar, LG erstattete später rund 1,9 Milliarden. Das Problem war kein Software-Bug, keine Konstruktionsschwäche, es waren Fertigungsdefekte im Inneren der Zelle.

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.

Wichtig für diese Seite: Beide Fälle waren Defekte im Inneren der Zelle, keine Schweißnähte am Zellverbinder. Eine Kamera auf der Naht hätte sie nicht gefunden. Die Beispiele zeigen die Größenordnung eines Batterierückrufs, nicht den Mechanismus, den diese Seite adressiert. Was ein Rückruf je Fahrzeug kostet, hängt davon ab, ob ein Software-Update reicht oder Module getauscht werden: Beim Bolt waren es 1,8 Milliarden Dollar für rund 142.000 Fahrzeuge, knapp 13.000 Dollar je Fahrzeug. Eine belastbare Durchschnittszahl je Fahrzeug haben wir nicht.

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

Wie stark die Feldausfälle sinken, dafür haben wir keine belastbare Zahl gefunden; Systemintegratoren nennen Werte, die sich nicht prüfen lassen. Messbar ist es an der eigenen Reklamationsstatistik, mit 12 bis 18 Monaten Verzögerung. Und eine Kamera sieht nur die Oberfläche: Poren im Inneren der Naht findet sie nicht, dafür braucht es Röntgen oder die Prozessüberwachung beim Schweißen.

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) Der Hebel liegt vor allem im laufenden Betrieb, nicht im Rückruf. Eine fehlerhafte Naht, die an der Linie auffällt, kostet laut dieser Seite rund 60 Euro Nacharbeit; fällt sie erst am fertigen Modul auf, 200 bis 400 Euro. Gespart wird die Differenz, nicht die ganze Nacharbeit, denn den Fehler gibt es weiter. Bei 0,3 Prozent fehlerhaften Nähten an einer Linie mit 10.000 Zellen täglich sind das 30 Zellen am Tag. Rutschen sie heute alle bis zum Modul durch, spart die Inline-Prüfung 30 mal 140 bis 340 Euro, also 4.200 bis 10.200 Euro am Tag, bei 250 Arbeitstagen 1,05 bis 2,55 Millionen Euro im Jahr. Was eure EOL-Prüfung heute schon abfängt, zieht davon ab. Rückrufe kommen hinzu, aber nur mit einer Eintrittswahrscheinlichkeit, und die großen Batterierückrufe der letzten Jahre gingen auf Zelldefekte zurück, nicht auf Verbindungsnähte.

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 ist eine Fallstudie des Herstellers, keine unabhängige Messung, aber sie zeigt, welche Größen sich an der eigenen Linie zählen lassen.

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. Die Kamera sieht nur Poren, die an der Oberfläche liegen.
• 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 Flächen. Bei dicht gepackten Zellen, etwa im 4680-Format, können sie leitfähige Brücken zwischen Nachbarzellen oder Verbindern bilden.

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.

Normen, EU-Batterieverordnung und KI-Dokumentation

Batteriezellen für Elektrofahrzeuge unterliegen mehreren Regelwerken. Keines schreibt eine Kamera auf der Schweißnaht vor, aber einige bestimmen, wie ein Prüfsystem dokumentiert sein muss:

Normen für Traktionszellen: Die oft zitierte IEC 62133-2 gilt für Lithium-Zellen in tragbaren Geräten, nicht für Traktionsbatterien. Für Zellen in Elektrofahrzeugen gilt die Normenreihe IEC 62660, für die Typgenehmigung der Batterie im Fahrzeug die UN-Regelung Nr. 100. Eine bestimmte Prüftechnologie in der Fertigung verlangt keine davon.

EU-Batterieverordnung (EU) 2023/1542: Sie führt einen digitalen Batteriepass ein, ab 18. Februar 2027 Pflicht für Batterien von Elektrofahrzeugen, für Batterien leichter Verkehrsmittel und für Industriebatterien über 2 kWh. Der Pass enthält unter anderem Hersteller- und Herstellungsangaben, Materialzusammensetzung, CO2-Fußabdruck, Rezyklatanteile sowie Leistungs- und Haltbarkeitswerte. Schweißnaht-Prüfprotokolle verlangt er nicht. Wer die Prüfdaten seriennummergebunden speichert, hat sie trotzdem für Reklamationen und Produkthaftung parat.

IATF 16949 (Automotive QMS): Tier-1 und Tier-2 Zulieferer für Automobilhersteller unterliegen der Automotive-Qualitätsmanagementnorm. Sie verlangt Rückverfolgbarkeit (Abschnitt 8.5.2.1), statistische Prozesslenkung, dokumentierte Prüfpläne und für jedes Prüfsystem im Produktionslenkungsplan eine Messsystemanalyse (7.1.5.1.1). Ein KI-Visionssystem, das nicht in das QMS eingebunden ist, erfüllt diese Anforderungen 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. Keine Listenpreise; unsere Toolseite ordnet VIRO WSI im mittleren sechsstelligen Bereich ein, für Batteriemodule mit komplexer Geometrie im oberen sechsstelligen Bereich und mehr. Das liegt deutlich über der Komponentenrechnung unten. Für seriennahe EV-Batterieproduzenten mit klaren Nahtgeometrien eine naheliegende Wahl.

Cognex ViDi / VisionPro Deep Learning , Großer Anbieter 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 Systeme verarbeiten alles lokal, auf einem Industrie-PC oder Edge-GPU direkt an der Linie. Keine automatische Cloud-Übertragung von Produktionsbildern. Das ist Standard- und Empfehlungskonfiguration zugleich, Bilder bleiben im Werk.

Fernwartung: Alle drei Anbieter nutzen VPN-Zugänge für Support und Updates. Protokollierung empfohlen, Zugriffszeiten und -grund sollten dokumentiert werden. Vertraglich gehört eine Vertraulichkeitsvereinbarung dazu; einen Auftragsverarbeitungsvertrag braucht es nur, wenn beim Fernzugriff auch Personendaten einsehbar sind, etwa Bedienerkennungen in Logdateien.

Landing AI (für PoC-Phase): US-Datenhosting. Produktionsbilder, die proprietäre Schweißgeometrien zeigen, sollten vor dem Upload mit den Verantwortlichen für Fertigungs-Know-how abgestimmt werden; ein Datenschutzthema ist das nur, wenn Personen im Bild sind. Für den Piloten können anonymisierte oder synthetisch veränderte Bilder verwendet werden, die Qualität des Trainingsmodells leidet minimal, das IP-Risiko reduziert sich erheblich.

Prüfdaten und Aufbewahrung: Die seriennummergebundenen Prüfprotokolle sind Produktionsdaten ohne Personenbezug. Der Batteriepass verlangt sie nicht; aufbewahrt werden sie wegen der Rückverfolgbarkeit nach IATF 16949, der Aufbewahrungsfristen aus der Qualitätsvereinbarung mit dem OEM und der Produkthaftung. Sie müssen sicher und integer gespeichert werden, die DSGVO ist dafür nicht der maßgebliche Rahmen.

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 (Beispiel mit offen benannten Annahmen)

Ausgangslage: 10.000 Zellen/Tag, 0,3 % fehlerhafte Nähte (30 Zellen täglich). Inline gefunden kostet eine fehlerhafte Naht rund 60 Euro Nacharbeit, am fertigen Modul 200 bis 400 Euro, weil dann das Modul geöffnet oder verworfen wird.

• Nacharbeit, die ohnehin anfällt: 30 mal 60 = 1.800 Euro täglich. Das ist kein Sparbetrag, den Fehler gibt es weiter.
• Mehrkosten, wenn die Naht erst am Modul auffällt: 30 mal 140 bis 340 Euro = 4.200 bis 10.200 Euro täglich, bei 250 Arbeitstagen 1,05 bis 2,55 Millionen Euro im Jahr. Das ist die Obergrenze der Einsparung, sie gilt nur, wenn heute alle 30 bis zum Modul durchrutschen.
• Laufende Kosten: 16.000–38.000 Euro im Jahr
• Systemabschreibung (5 Jahre linear): 24.000–52.000 Euro im Jahr

Wie viele fehlerhafte Nähte heute tatsächlich bis zum Modul durchrutschen, hängt davon ab, was Stichprobe und elektrische EOL-Prüfung schon abfangen. Rutscht nur ein Zehntel durch, sind es 105.000 bis 255.000 Euro im Jahr, nach laufenden Kosten rund 70.000 bis 240.000 Euro. Eine Station für 120.000 bis 260.000 Euro amortisiert sich damit in einem halben bis knapp vier Jahren, je nachdem, welche Enden zusammenkommen. Bei einem VITRONIC-Komplettsystem im oberen sechsstelligen Bereich entsprechend später.

Rückrufe stehen nicht in dieser Rechnung. Ein vermiedener kleiner Rückruf mit 10.000 Fahrzeugen zu 1.000 Euro wären 10 Millionen Euro, als Jahreswert aber nur mal der Wahrscheinlichkeit, dass es ohne System dazu käme, und die kennt niemand vorab. Schritt 4 im Prompt unten zeigt, wie man sie trotzdem als Erwartungswert ansetzt.

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 erzeugt regelmäßig False-Reject-Raten von 5–15 %, genug, um die Linie faktisch zum Erliegen zu 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. Plan für diese Phase mehrere Wochen ein, der Parallelbetrieb unten ist auf vier Wochen angelegt; überzeugt ist das Team erst, wenn die eigene Auswertung zeigt, dass das Modell mehr findet als die Stichprobe. 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 30 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 OEMs produziert und IATF 16949 samt Qualitätsvereinbarung erfüllen muss, hat Gründe jenseits der Nacharbeitskosten, etwa die Rückverfolgbarkeit je Naht bei einer Reklamation. 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 baut eine seriennummergebundene Qualitätsdatenbank auf, für IATF-Rückverfolgbarkeit und Reklamationen; der Batteriepass der EU-Batterieverordnung verlangt Schweißnahtdaten dagegen nicht
• 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, zum Start mit kostenlosen Credits, kein technisches Setup. Wegen des US-Hostings nur Bilder, die kein Fertigungs-Know-how preisgeben (siehe Datenschutz oben). 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: rund 142.000 Fahrzeuge (Baujahre 2017 bis 2022), Kosten für GM rund 1,8 Milliarden USD, Erstattung durch LG rund 1,9 Milliarden USD; Ursache laut GM gerissenes Anodentab und gefalteter Separator in LG-Zellen. CNBC, August 2021; Zahlen abgeglichen mit en.wikipedia.org/wiki/Chevrolet_Bolt, abgerufen am 18.09.2026.
• 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.
• Normen für Traktionszellen: IEC 62133-2 gilt für tragbare Anwendungen; für Zellen von Elektrofahrzeugen gilt die Reihe IEC 62660, für die Fahrzeug-Typgenehmigung der Batterie UN-Regelung Nr. 100.
• EU-Batterieverordnung (EU) 2023/1542: Batteriepass Pflicht ab 18. Februar 2027 für Batterien von Elektrofahrzeugen, leichten Verkehrsmitteln und Industriebatterien über 2 kWh. thebatterypass.eu, abgerufen am 18.09.2026 (EUR-Lex war beim Abruf nicht lesbar).
• VITRONIC, Cognex, Keyence: Preisrahmen laut unseren Toolseiten, Stand 18.09.2026; keiner der Hersteller nennt Listenpreise.
• Fehlerquote 0,3 % und Nacharbeitskosten 60 bzw. 200–400 Euro: Annahmen für die Beispielrechnung, angelehnt an Berichte von Systemintegratoren (VITRONIC, UnitX Labs, Cognex-Anwendungsberichte); keine repräsentative Branchenstudie, durch eigene Werte ersetzen.

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.