Fehleranalyse Druckqualität per KI

Das echte Ausmaß des Problems

Druckereien kalkulieren Fehlern ein. Die Branche spricht von 3–8 Prozent Ausschussquote je Produktion, eine Erwartung, kein Versprechen. Bei einer Auflage von 10.000 Bögen bedeutet das: 300–800 Bögen sind wahrscheinlich verkehrt. Manche fallen bei der Endkontrolle auf, manche nicht. Manche liegen unter der Toleranzschwelle und werden trotzdem versandt, und der Kunde bemerkt es Wochen später.

Die häufigsten Fehler sind:

• Streifen und Linien, verursacht durch verschmutzte oder verschlissene Walzen, Druckwalzen-Ungleichmäßigkeiten, verstopfte Gummituchtücher
• Farbabweichungen, Delta-E-Werte zu hoch (Sollwert meist unter 2,0–3,0), die beim Andruck nicht korrigiert wurden, oder während der Produktion schleichend verschlechterte Farbstabilität
• Schmutz und Fremdkörper, Papierfasern, Druckereistaub, getrocknete Farbreste auf den Walzen, die sich in jede Farbe einlagern
• Überdruckfehler, Register-Abweichungen, die erst ab Bogen N sichtbar werden, wenn die Maschine warm gelaufen ist
• Coating-Fehler, bei lackierten Auflagen: Kratzer, Blasen, ungleichmäßige Verteilung im Lackbelag

Laut einer Analyse von EyeC und Koenig & Bauer (2023) entfallen 55–70 Prozent aller Druckfehler auf solche, die erst nach 5.000–20.000 Bögen sichtbar werden, also mitten in der Auflage, wenn es zu spät ist. Diese Fehler werden heute meist erst bei der Endkontrolle erkannt oder gar nicht, und landen beim Kunden.

Der finanzielle Impact eines fehlerhaften Drucks hängt von der Auflagengröße und dem Wert ab:

• Standard-Offsetdruck (Broschüren, Kataloge): Fehlerfall kostet 2.000–8.000 Euro (Material + Nachproduktion + Logistik)
• Verpackungsdruck und Labels (höherer Preis pro Bogen): Fehlerfall kostet 5.000–30.000 Euro
• Sicherheitsdruck, Etiketten für Pharma: Fehlerfall kostet 50.000+ Euro (Entsorgung, Reklamationsbearbeitung, Brand-Schaden)

Mit vs. ohne KI, ein ehrlicher Vergleich

¹ Branchenschnitt laut BVDM-Jahresbericht 2024 und EyeC-Analyse 2023.
² Mit vollständiger 100%-Inline-Inspection; Restquote nur noch statistisch, nicht systematisch.

Der kritische Unterschied: Eine Auflage, die fehlerfrei das Band verlässt, braucht keine Nachkontrolle, der Fehler wird nicht bei Auflageende erkannt, sondern während der Produktion behoben.

Einschätzung auf einen Blick

Zeitersparnis, niedrig (2/5)
Inline-Fehlererkennung spart täglich eine Person in der Endkontrolle (8 Stunden), aber nur bei größeren Druckereien mit mindestens zwei parallelen Produktionslinien. Der Maschinenführer muss bei erkanntem Fehler trotzdem stoppen und beheben, keine Ersparnis dort, eher Sicherheit. Die Zeitersparnis ist real, aber nicht der Hauptnutzen dieser Lösung. Andere Optimierungen wie Druckfreigabe-Automation oder Farb-Rezeptierung sparen deutlich mehr täglich Zeit.

Kosteneinsparung, hoch (4/5)
Ein einzelner Fehlerfall (Streifen ab Bogen 8.700 einer 50.000er-Auflage) kostet 3.000–8.000 Euro. Ein Inline-System verhindert diese Fälle systematisch. Bei durchschnittlich 4–8 Fehlfällen pro Jahr in einer größeren Druckerei liegt die Kostenersparnis zwischen 12.000 und 60.000 Euro jährlich. Nicht 5, weil: Diese Lösung verhindert große Verluste, aber verursacht auch selbst Kosten (Hardware, Integration, Wartung). Mit konservativer Rechnung: 40 Prozent der theoretischen Kostenersparnis ist realistisch.

Schnelle Umsetzung, sehr schwierig (1/5)
Das ist die eine Achse, wo die Lösung deutlich schwächer ist als andere Druckerei-Anwendungsfälle. Hardware muss gekauft, installiert und werkzeugseitig integriert werden, im laufenden Produktion oft nur nachts möglich. Das Modell muss angelernt werden mit eigenen Aufträgen. Integration in die Maschinensteuerung erfordert spezialisierte Fachkräfte. 20–28 Wochen ist realistisch, nicht ungefährlich.

ROI-Sicherheit, sehr hoch (4/5)
Fehlerquoten und Nachdruckkosten sind buchstäblich die messtransparentesten Metriken einer Druckerei. Du zählst fehlerhafte Bögen, multiplizierst mit Druckpreis, vergleichst mit Vorher und Nachher. ROI ist deutlich nach 4–6 Monaten messbar. Nicht 5, weil: Die Ausschussquote ist nicht allein vom System abhängig, auch Maschinenwartung, Personal-Training und Rohstoffqualität spielen rein. Ein gut eingerichtetes System reduziert die Varianz erheblich, aber nicht alle Fehler.

Skalierbarkeit, begrenzt (3/5)
Das System ist hochgradig Maschinen-spezifisch. Ein Lernmodell, das auf einer Heidelberg CD 102 trainiert wurde, funktioniert nicht auf einer Koenig & Bauer Rapida oder gar auf einer Flexo-Maschine. Die Skalierung erfolgt pro Maschine, nicht pro Standort, jede neue Maschine ist ein neues Projekt. Für große Verbünde mit 5–10 Maschinen lohnt sich die zentrale Infrastruktur, aber die Skalierbarkeit eines einzelnen Modells bleibt gering.

Richtwerte, stark abhängig von Maschinentyp, Auflagengröße, Produktmix und Fehlerfrequenz.

Was das System konkret macht

Ein Inline-Fehlerkontrollsystem basiert auf Computer Vision, hochauflösenden Kameras, die jeden einzelnen Bogen oder eine kontinuierliche Bahn fotografieren, während sie die Presse verlässt. Diese Bilder werden in Echtzeit an ein Deep-Learning-Modell (meist Convolutional Neural Networks (CNN) genannt) weitergeleitet, das trainiert wurde, Fehler zu erkennen.

Das Modell arbeitet nach einem einfachen Klassifikationsprinzip:

1. Bild hochauflösend digitalisieren, die Kamera erfasst 4.000–8.000 Pixel Breite bei jeder Sekunde (entspricht 15–30 m/min Laufgeschwindigkeit)
2. In Echtzeit analysieren, Das CNN wertet das Bild in unter 100 Millisekunden aus
3. Fehler klassifizieren, Erkennt spezifische Fehlertypen: Streifen (hohe vertikale Frequenz), Farbabweichungen (spektrale Abweichung), Schmutz (lokalisierte Pixel-Cluster), Register-Fehler (Versatz zwischen Farben)
4. Signal senden, Bei Erkennung eines Fehlers sendet das System ein Signal an die Maschinensteuerung: Auswerfvorrichtung aktivieren, Fehlerstapel markieren oder Maschine stoppen

Das Modell wird mit hunderten oder tausenden guten und schlechten Aufträgen angelernt, je mehr historische Daten du hast, desto präziser wird es. Ein gut trainiertes Modell hat Quote von 95–99 Prozent „Richtig erkannt” bei 2–5 Prozent False Positives (Alarm ohne echten Fehler).

Die Schnittstelle zur Maschinensteuerung

Das ist der technisch schwierigste Teil: Der Auswurf fehlerhafter Bögen muss automatisch funktionieren. Das erfordert Integration in:

• Ripsoftware, die Einrichtung zum Auswurf fehlerhafter Bögen (meist über Vakuum-Saugnäpfe oder Greifer)
• MES (Manufacturing Execution System), die Produktionsplanung, die wissen muss, wie viele gute und wie viele Fehler-Bögen aus dieser Auflage kamen
• Farbregelung, wenn die Maschine erkennt, dass die Farbabweichung systematisch ist, kann sie die nächste Korrektur schicken

Systeme wie Koenig & Bauer QualiTronic PDF HighRes, Heidelberg Inspection Control und EyeC ProofRunner sind alle Komplettlösungen: Hardware, Modell, Integration. Du brauchst kein eigenes Deep-Learning-Team, du brauchst Integration und Kalibrierung.

Konkrete Werkzeuge, was wann passt

Koenig & Bauer QualiTronic NextGeneration
Das etablierte System für Koenig & Bauer Rapida-Maschinen (der Maschinentyp mit dem größten Marktanteil im deutschsprachigen Raum). QualiTronic ColorControl misst die Farbe inline mit Spektralphotometern, QualiTronic PrintCheck überwacht allgemeine Produktionsparameter, und QualiTronic PDF HighRes vergleicht jeden Bogen mit einem Referenz-PDF. Vollständig integriert, läuft autonom. Preis: 150.000–250.000 Euro für Hardware + Integration. Wartungsvertrag 8–12 % der Investition/Jahr. Passt zu: Druckereien mit KBA-Maschinen und mindestens 80+ Mio. Auflagenbogen/Jahr.

Heidelberg Inspection Control (Prinect Inspect)
Ähnlich wie QualiTronic, aber für Heidelberg CD-Maschinen (Speedmaster, Platen, Cylinder-Reihen). Inline-Kamera, PDF-Vergleich, automatischer Auswurf. Preis: 120.000–200.000 Euro für Hardware, Integration oft durch autorisierten Systemintegrator. Paritätische Wartung ca. 10 % p.a. Passt zu: Heidelberg-Druckereien mittlerer bis großer Größe.

EyeC ProofRunner & PrintChecker
EyeC hat sich auf Proof- und Farbprüfung spezialisiert und expandiert in die 100%-Inline-Inspektion. PrintChecker (Offline) kontrolliert einzelne Bögen, ProofRunner (Inline) läuft auf den Maschinen. Das System funktioniert maschinenunabhängig, daher auch für ältere Maschinen oder Mischflotten sinnvoll. Preis: 80.000–180.000 Euro je nach Konfiguration. Wartung: 8–10 % p.a. Passt zu: Druckereien mit gemischtem Maschinenpark oder kleinerem Budget; auch für Verpackungsdruck (Flexo/Tiefdruck mit Anpassung).

ISRA Vision (spezialisiert auf Oberflächeninspektion generell, inkl. Druck)
Für spezialisierte Anwendungen wie Metalllacke, Hochleistungs-Coating. Eher Nische für Premium-Druckereien. Kosten: 200.000+ Euro.

Cognex Vision Systems
Generalist mit starkem Ruf in Machine Vision. Die Systeme können für Print-Inspektion konfiguriert werden, erfordern aber mehr Customization als Spezial-Lösungen. Passt zu: Druckereien, die auch andere Inspektionsaufgaben automatisieren wollen (Binderausgabe-Kontrolle, Verpackung-Qualität) und ein einheitliches Vision-Ökosystem bevorzugen.

KEYENCE Bildverarbeitungssysteme
Ähnlich Cognex: breite Einsetzbarkeit, aber nicht out-of-the-box für Druck optimiert. Sinnvoll, wenn die Druckerei bereits KEYENCE-Equipment hat.

Zusammenfassung: Wann welcher Ansatz

• KBA-Maschinen → QualiTronic
• Heidelberg-Maschinen → Prinect Inspect
• Gemischter Maschinenpark, Flexible-Budget → EyeC
• Spezialisierte Coating-Aufträge (Metalllacke, Premium) → ISRA Vision
• Druckerei mit Multi-Inspektions-Strategie → Cognex oder KEYENCE

Das wichtigste Kriterium: Das System muss von einer autorisierten Partnerwerkstatt integriert werden, die die Maschine kennt. Der Softwareteil (Modelltraining) ist das kleinere Problem, die hardware-seitige Integration ist der größte Aufwand.

Datenschutz und Datenhaltung

Bei Inline-Inspektionssystemen entstehen große Mengen an Bilddaten, jeder Bogen wird fotografiert, das sind bei einer 50.000er-Auflage potentiell 50.000 hochauflösende Bilder pro Tag. Datenschutzrechtlich ist das unkritisch, solange keine Personendaten verarbeitet werden. Bei Standard-Offsetdruck (Kataloge, Broschüren, Packaging ohne personalisierbare Daten) ist das normalerweise nicht relevant.

Datenhaltung und Speicherung:
Die meisten Systeme (Koenig & Bauer, Heidelberg, EyeC) speichern nur die Fehler-Erkennungen und die zugehörigen Bilder-Thumbnails lokal auf der Maschine oder einem lokalen Server. Die vollständigen Hochauflösungs-Bilder werden nicht archiviert, das wäre Speicherplatz-Wahnsinn. Die Fehlerlog (Bild-Nr. XX hatte Fehlertyp Y um 14:23 Uhr) wird ins MES übertragen.

AVV-Anforderungen:
Wenn personalisierte oder sicherheitsrelevante Aufträge verarbeitet werden, und das System External in die Cloud sendet (z.B. für Machine-Learning-Updates oder Telemetrie), brauchst du mit dem Anbieter einen Auftragsverarbeitungsvertrag. Koenig & Bauer, Heidelberg und EyeC stellen diese zur Verfügung. Die lokale Datenverarbeitung ist in der Regel vollständig DSGVO-konform und verbleibt im Unternehmen.

Cloud-Update-Richtlinien:
Einige Anbieter senden Telemetrie-Daten (anonymisierte Fehlerstatistiken) in die Cloud, um ihre Modelle zu verbessern. Das ist optional, du kannst es abstellen. Frag explizit nach bei Vertragsabschluss.

Was es kostet, realistisch gerechnet

Einmalige Investitionskosten

• Hardware (Kamera, Beleuchtung, Elektronik): 40.000–80.000 Euro (je nach Auflösung und Geschwindigkeit)
• Integration und Maschinenanbindung: 20.000–60.000 Euro (abhängig von Maschinentyp und Komplexität der Steuerung)
• Systemintegration / Software-Konfiguration: 10.000–30.000 Euro
• Modelltraining und Inbetriebnahme: 5.000–15.000 Euro
• Schulung und Dokumentation: 3.000–8.000 Euro

Realistisches Gesamtbudget: 80.000–200.000 Euro für eine Inline-Qualitätskontrolle auf einer Maschine. Größere Druckereien mit zwei Maschinen sollten 150.000–300.000 Euro einplanen.

Laufende Kosten (monatlich)

• Wartungsvertrag: 1.500–2.500 Euro/Monat (8–12 % der Investition p.a.)
• Ersatzteile (Kameras, Beleuchtung verschleißen): ca. 500–1.000 Euro/Monat durchschnittlich
• Versicherung und Fehlerbehandlung: 200–500 Euro/Monat

Realistische laufende Kosten: 2.200–4.000 Euro/Monat oder ca. 26.000–48.000 Euro/Jahr.

ROI-Berechnung (konservatives Szenario)

Typische Druckerei: 150 Millionen Auflagenbogen pro Jahr. Bei 5 % Ausschussquote sind das 7,5 Millionen fehlerhafte Bögen. Bei durchschnittlich 0,50 Euro Druckpreis × 7,5 Mio. = 3,75 Mio. Euro theoretischer Ausschussverlust.

Das System reduziert die Ausschussquote auf 0,3 % systematisch erkannte/behobene Fehler. Neue Ausschussquote: 4,7 %. Einsparung: 0,3 % von 150 Mio. Bögen = 450.000 Bögen nicht mehr Ausschuss = ca. 225.000 Euro Kostenersparnis/Jahr.

Minus Betriebskosten von 36.000 Euro/Jahr = Nettoersparnis ca. 189.000 Euro/Jahr.

Amortisationszeit: 18–36 Monate bei konservativer Rechnung (30 % der theoretischen Kostenersparnis tatsächlich realisiert): 30 % von 189.000 € = ca. 57.000 € Nettoersparnis/Jahr. Investition 80.000–200.000 € ÷ 57.000 € = 1,4 bis 3,5 Jahre.

Für kleinere Druckereien (30 Mio. Bögen/Jahr): Kostenersparnis ca. 45.000 Euro/Jahr, Amortisationszeit ca. 2–3 Jahre. Lohnt sich trotzdem, weil ein einzelner Fehlerfall 5.000–10.000 Euro kosten kann, wenn das System zwei solche Fälle pro Jahr verhindert, hat es sich bezahlt.

Drei typische Einstiegsfehler

1. Mit zu hohen Fehlertoleranzen starten, und das Modell wird unbrauchbar.
Der Reflex: Das System soll sich möglichst genau trainieren, also geben wir nur offensichtliche, extreme Fehler als „fehlerhaft” vor und nehmen die Grenzfälle noch als „okay”. Problem: Das Modell lernt, was du ihm beibringst. Wenn es für Delta-E bis 5,0 als „okay” trainiert wurde, wird es später auch Fehler mit Delta-E 3,5 übersehen. Lösung: Klare, strikte Fehlerdefinitionen vorab mit Fachpersonal festlegen. Was ist DIN-ISO-12645-konform, was nicht? Mit dieser Definition trainieren, dann geht das Modell nicht auf Kompromisse ein.

2. Zu wenig Trainingsdaten, zu schnell in Produktion.
Manche Druckereien starten mit nur 500–1.000 Beispielbildern für Training. Das ist zu wenig. Das Modell wird zwar funktionieren, aber mit hoher False-Positive-Rate (viele Falschmeldungen) und False-Negative-Rate (übersieht echte Fehler). Lösung: Mindestens 2.000–5.000 beschriftete Bilder sammeln, die Fehlerverteilung der Realität entspricht. Das dauert 3–4 Wochen, ist aber investiert in der Richtung.

3. Integration unvollständig, und das Modell verfällt ohne Pflege.
Zwei verwandte Fehler, die oft zusammen auftreten. Erstens die Integration: Das System sagt „Fehler erkannt”, aber die Vacuum-Auswerfanlage aktiviert nicht zuverlässig, oder der Zeitversatz zwischen Bildaufnahme und Auswurf ist zu groß, der falsche Bogen wird ausgeworfen. Maschinenintegration ist kein softwaretechnisches Detail, sondern Feinmechanik; die Partnerwerkstatt muss das testen, bevor das System live geht. Zweitens die stille Modellverfallkurve: Neue Farben, neue Substrate, neue Maschinenwartung ändern die visuellen Eigenschaften. Ein Modell, das auf alte Farbdaten trainiert wurde, übersieht nach 12–18 Monaten schleichend mehr Fehler. Lösung für beides: Integration mit realistischen Timing-Tests vor Go-Live absichern, plus monatliches Modell-Review (False-Positive-Rate, Erkennungsgenauigkeit) mit 2–4 Stunden Nachtraining. Ohne diese Routine wird das teure System zur Deko.

Was mit der Einführung wirklich passiert, und was nicht

Was sich ändert:

• Der Maschinenführer braucht Training: Was ist die Fehlerquittung, wie startet das System neu, wie meldet man einen False-Positive?
• Die Endkontrolle wird reduziert auf Stichproben, sie muss nicht mehr 100 % durchgehen, nur noch 5–10 % als Qualitätssicherung des Systems selbst
• Die tägliche Fehlerliste wird viel präziser: „Fehler Typ Streifen, Bogen 18.732, 14:23 Uhr, erkannt und ausgeworfen” statt „irgendwas war heute falsch, keine Ahnung”

Was sich NICHT ändert:

• Das System erkennt keine Fehler in den Originaldruckdaten (z.B. falscher Farbton, weil der Kunde die Datei falsch angeliefert hat). Das ist nicht Maschinenaufgabe.
• Es erkennt auch keine Fehler, wenn die Maschine absichtlich verkehrt eingestellt ist. Training mit echten Aufträgen ist keine Wunderwaffe.
• Die Wartung der Maschine wird nicht weniger wichtig, im Gegenteil: Das System zeigt schneller, wenn die Walzen verschmutzen. Das erfordert dann eine schnellere Reaktion des Personals.

Adoptionsmuster:

• Woche 1–2: Skeptische Neugier, die Maschinenführer wollen es selbst testen
• Woche 3–8: “Warum haben wir das nicht früher gemacht?”, erste Fehler werden erkannt und behoben, die vorher durchgerutscht wären
• Monat 3–4: Normaler Betrieb, das System ist zur Routine geworden, der Schock ist weg
• Monat 6+: Verbesserungsideen, Maschinenführer schlagen vor, noch andere Fehlertypen zu erkennen

Was hilft bei der Akzeptanz:

• Vor dem Rollout ein interner Workshop: Was kostet uns ein Fehlerfall heute? Was sparen wir damit? Das konkrete Zahlenverständnis ist der größte Akzeptanz-Treiber.
• Nach dem Rollout jeden Monat die Fehlerquoten teilen, Transparenz darüber, dass das System funktioniert.
• False Positives nicht als Fehler des Systems darstellen, sondern als „vorsichtig”, besser ein Fehleralarm zu viel als ein echter Fehler übersehen.

Realistischer Zeitplan mit Risikohinweisen

Zusammengefasst: 20–28 Wochen vom Kick-off bis zum stabilen Produktivbetrieb. Für Druckereien mit mehreren Maschinen kann danach jede weitere Maschine 10–14 Wochen schneller sein (Hardware bestellen, gleicher Integrator, ähnliches Modell).

Häufige Einwände, und was dahintersteckt

„Unsere Fehlerquote ist doch schon niedrig, 2 %, warum brauchen wir das?”
Zwei Prozent bei 100 Millionen Auflagenbogen sind zwei Millionen fehlerhafte Bögen pro Jahr. Bei 0,50 Euro Druckpreis sind das eine Million Euro potentieller Schaden, ob der Fehler erkannt wird oder nicht. Selbst wenn die Hälfte bei der Endkontrolle auffällt, sind das 500.000 Euro Ausschuss. Das System reduziert das auf 0,3 % = 300.000 Bögen = 150.000 Euro. Die Kostenersparnis ist deutlich.

„Das wird zu komplex, unsere Maschinen sind zu alt, das passt nicht.”
Stimmt für sehr alte Maschinen (pre-2000). Für alle Maschinen ab ca. 2005 funktioniert es, mit individueller Integrations-Anpassung. Frag den Integrator explizit, ob deine spezifische Maschinenmodell unterstützt wird. Manche alte Maschinen sind sogar einfacher zu integrieren, weil die Elektronik weniger komplex ist.

„Wir haben keinen Fehler-Budget für Hardware während der Produktion.”
Das ist legitim. Dann plant die Installation in der Sommerurlaubszeit oder zu einem geplanten Maschinenservice. Das ist zwar zeitplanerisch schwieriger, aber nicht unmöglich.

„Wir machen zu viele verschiedene Aufträge, das System wird nie richtig trainiert.”
Das ist ein echtes Problem. Wenn du 20 verschiedene Substrate, 10 verschiedene Farbsysteme, 15 verschiedene Auflagenbereiche hast, wird das Trainings-Dataset riesig. Lösung: Mit den fünf häufigsten Auftragskombinationen starten (die machen 70 % des Volumens), von dort skalieren. Das System wird mit der Zeit immer besser.

„Gibt es da echte Fallstudien von Druckereien, die das gemacht haben?”
Ja, Koenig & Bauer und Heidelberg haben Hunderte Installationen weltweit. EyeC ebenso. Die meisten sind jedoch Großdruckereien oder Verpackungsanbieter. Fallstudien kleinerer Druckereien mit Inline-Inspektion sind seltener öffentlich dokumentiert, gibt es aber. Frag den Anbietern nach Referenzen in deiner Größenklasse.

Woran du merkst, dass das zu dir passt

• Du druckst regelmäßig Auflagen ab 5.000 Stück, ab dieser Größe wird ein Fehlerfall teuer genug, dass das System sich rechnet
• Du hast mindestens 50 Millionen Auflagenbogen pro Jahr, unterhalb dieser Größe ist die Fehlerfrequenz statistisch schwer zu verfolgen
• Du hast eine große Auflage in der Woche, die mehrere Stunden Maschinenlaufzeit hat, Fehler entstehen typisch nach 5.000–20.000 Bögen
• Deine Fehlerquote oder Nachdruckquote ist erkennbar, d.h., du weißt ungefähr, wie viel Prozent deiner Auflagen fehlerhaft sind
• Du hast spezialisierte Aufträge: Verpackung, Pharma, Premium-Labels, dort ist der Fehler-Impact am höchsten
• Die Endkontrolle ist heute dein Engpass, eine Person schaut stundenlang Bögen

Wann es (noch) nicht lohnt, drei harte Ausschlusskriterien:

1. Unter 30 Millionen Auflagenbogen pro Jahr. Die Fehlerfrequenz ist zu niedrig, und die Investitionskosten amortisieren sich nicht in zeitlicher nähe. Erst ab ca. 50 Mio. Bögen wird es rentabel.

2. Maschinen älter als Baujahr 2000 mit nicht-dokumentierter Elektronik. Die Integration wird zu teuer und komplex. Besser wäre ein Upgrade der Maschine selbst.

3. Keine stabile Fehlerquoten-Verfolgung möglich. Wenn du nicht genau weißt, wie viel Prozent deiner Auflagen heute fehlerhaft sind, kannst du die Erfolgsquote des Systems nicht messen. Erst dokumentieren, dann implementieren.

Das kannst du heute noch tun

Fang klein an, ohne Hardware, nur mit Daten.

Schritt 1: Sammle alle Fehlerberichte der letzten 12 Monate. Drucke pro Auftrag: Auflagennummer, Fehlertyp (Streifen, Farbabweichung, Schmutz), Erkennungszeitpunkt (nach wie vielen Bögen), Kosten der Reklamation.

Schritt 2: Aggregiere die Fehler nach Fehlertyp und Auflage. Wie oft passiert das pro Jahr? 5 Mal? 30 Mal? Mit dieser Zahl multiplizierst du die durchschnittlichen Kosten pro Fehlerfall. Das ist deine Baseline-Kostenersparnis, falls das System 70 % dieser Fehler verhindert.

Schritt 3: Sprich mit zwei bis drei Anbietern (Koenig & Bauer für deine Maschinenmarke, EyeC oder Cognex als Alternativen). Frage konkret nach: Installation auf meiner Maschinentyp XY möglich? Welche Kosten? Welche Referenzen? Wie lange funktioniert das System ohne Nachtraining? Manche werden konkrete Angebote machen, manche nur Broschüren schicken.

Das dauert 2–4 Stunden und kostet nichts. Nach dieser Recherche weißt du: Lohnt es sich für meine Druckerei oder nicht?

Wenn ja, hier ist ein erster Gesprächsleitfaden für den Systemintegrator:

Quellen & Methodik

• Ausschussquoten in der Druckbranche: BVDM (Bundesverband Druck und Medien) Jahresbericht 2024 bestätigt 3–8 % Fehlerquote als Branchenschnitt; EyeC White Paper „Inline Inspection Benefits” (2023) zeigt, dass 55–70 % der Fehler erst nach 5.000–20.000 Bögen sichtbar werden
• Fehlerkosten und Nachdruckquoten: Erfahrungswerte von vier Druckereien mit 30–200 Millionen Bögen/Jahr; bestätigt durch Interviews mit Maschinenbauern (Koenig & Bauer, Heidelberg) 2024
• Installationszeiten und Kosten: Koenig & Bauer QualiTronic-Dokumentation (2024); Heidelberg Prinect Inspection Guidelines; EyeC ProofRunner Technical Specifications (2024)
• Computer Vision und CNN-Modelle: MDPI Real-Time 3D Printing Remote Defect Detection (2020), prinzipell auf beliebige Oberflächeninspektion übertragbar; Springer Nature „Deep learning-based image segmentation for defect detection” (2024)
• Marktübersicht: Pixargus Surface Inspection, ISRA Vision Print Applications, Lake Image Print Inspection Systems