Qualitätsprüfung Endkontrolle automatisieren

Das echte Ausmaß des Problems

In der Schaltschrankfertigung gilt Endkontrolle als selbstverständlich. In der Praxis ist sie der schwächste Punkt der Prozesskette, nicht wegen fehlender Kompetenz, sondern wegen strukturell schlechter Bedingungen.

Ein erfahrener Prüftechniker überprüft in 35–45 Minuten etwa 50–60 Prozent aller prüfrelevanten Merkmale eines mittelgroßen Schaltschranks. Die restlichen 40 Prozent, Beschriftungen an schlecht sichtbaren Stellen, Belegung tiefliegender Klemmen, Kabelfarbe in dichten Kabelbäumen, werden stichprobenhaft oder gar nicht geprüft. Das ist kein Vorwurf an den Prüfer. Es ist die Realität von manueller Sichtkontrolle in einem komplexen Bauteil.

Was passiert, wenn ein Fehler durchrutscht:

• Feldausfall beim Kunden: Anfahrt Servicetechniker, Fehlersuche vor Ort, Stillstandszeit beim Kunden. Realistischer Schaden: 4.000–15.000 Euro je nach Entfernung und Maschinenstillstand.
• Rücksendung des Schaltschranks: Demontage beim Kunden, Rücktransport, Reparatur, Neulieferung. Kosten: 2.000–8.000 Euro plus Reputationsschaden.
• Gewährleistungsaufwand: Auch wenn der Schrank wieder läuft, bindet die Klärung Zeit von Konstruktion, Einkauf und Geschäftsführung.

Laut einer Analyse des VDMA liegen die durchschnittlichen Kosten eines Feldrückläufers in der Sondermaschinen- und Anlagenbaufertigung zwischen 8.000 und 18.000 Euro, wenn Servicetechnikerzeit, Reisekosten und Kundenabstimmung einkalkuliert werden. Für einen Schaltschrankbauer mit 60 Einheiten pro Monat und einer realistischen Fehlerquote von 2–4 Prozent, d.h. ein bis drei fehlerhafte Schränke pro Monat, ist das ein erhebliches, aber vermeidbares Kostenrisiko.

Mit vs. ohne KI, ein ehrlicher Vergleich

Die Fehlererkennungsrate von 95–99 Prozent gilt für Fehlertypen, auf die das Modell trainiert wurde. Neue, bisher unbekannte Fehlermuster erkennt das System zunächst nicht, das ist kein Fehler des Systems, sondern ein strukturelles Merkmal aller auf Trainingsdaten basierenden Ansätze.

Einschätzung auf einen Blick

Zeitersparnis, hoch (4/5) Wer heute 35–45 Minuten je Schrank für die Endkontrolle investiert, kommt mit dem kombinierten System auf 8–12 Minuten. Das sind 20–30 Minuten pro Einheit, bei 60 Schränken pro Monat rund 20 Stunden eingesparte Prüferzeit. Das ist spürbar. Im Branchenvergleich liegt dieser Wert klar über dem Durchschnitt, weil der Zeitaufwand der manuellen Kontrolle nicht linear mit der Erfahrung sinkt, ein erfahrener Prüfer ist kaum schneller als ein routinierter, weil das Prüfobjekt (Schaltschrank) immer komplex bleibt.

Kosteneinsparung, hoch (4/5) Die Investition von 50.000–150.000 Euro ist erheblich. Die Gegenseite ist überzeugend: Auch zwei verhinderte Feldrückläufer pro Quartal rechnen sich bei durchschnittlichen Schadenswerten von 8.000–15.000 Euro. Kein anderer Anwendungsfall in dieser Kategorie hat ein ähnlich klares Kostenereignis auf der “was geht schief”-Seite. Deshalb liegt die Kosteneinsparung trotz hoher Investition bei 4/5.

Schnelle Umsetzung, sehr niedrig (1/5) Dieser Wert ist bewusst an der unteren Grenze, und er ist ehrlich. 16–24 Wochen bis zum Produktivbetrieb sind der Normalfall: Kamerarig entwickeln und aufbauen, Beleuchtung kalibrieren, Trainingsbilder aufnehmen und annotieren, Modell trainieren und validieren, in den Prüfablauf integrieren, Mitarbeitende schulen. Kein anderer Anwendungsfall im Elektrotechnik-Portfolio hat eine längere Vorlaufzeit. Wer einen schnellen KI-Einstieg sucht, ist bei Prüfprotokoll-Auswertung oder Technischer Spezifikation Generator besser aufgehoben.

ROI-Sicherheit, niedrig (2/5) Das ist der schwierigste Wert im Vergleich. Der ROI ist real, aber er hängt an drei Bedingungen: ausreichendes Prüfvolumen (Stückzahl), hinreichende Fehlerquote und ausreichend standardisierte Typen. Für einen Schaltschrankbauer mit 30 Einheiten pro Monat und weniger als 2 Prozent Fehlerquote ist die Amortisation über fünf Jahre schwer zu belegen. Für einen Betrieb mit 80 Einheiten und einer historischen Reklamationsquote von 5 Prozent ist sie klar positiv. Diese Bandbreite macht den ROI weniger sicher als bei den meisten anderen Anwendungsfällen dieser Kategorie.

Skalierbarkeit, mittel (3/5) Das System ist modular aufrüstbar, zusätzliche Prüfstationen lassen sich einbauen, Prüfaufgaben erweitern. Was nicht trivial skaliert: jeder neue Schaltschranktyp braucht ein eigenes Trainingsset. Wer hauptsächlich Varianten einer Baureihe fertigt, profitiert massiv. Wer jede Woche eine neue Sonderanfertigung produziert, sieht deutlich weniger Skaleneffekte.

Richtwerte, stark abhängig von Stückzahl, Typvielfalt und historischer Fehlerquote.

Was das Prüfsystem wirklich checkt, Kamera, Signal oder beides?

Das ist die wichtigste technische Frage bei der Planung: Was soll das System eigentlich prüfen? Die Antwort bestimmt Aufwand, Kosten und Erkennungsrate.

Ebene 1: Visuelle Prüfung (Computer Vision)

Computer Vision vergleicht das reale Bild des Schaltschranks mit dem hinterlegten Soll-Zustand aus dem Schaltplan oder CAD-Modell. Was das System dabei prüfen kann:

• Komponentenbestückung: Ist der Leistungsschalter der richtigen Baugröße verbaut? Fehlt ein Sicherungselement?
• Beschriftungen und Kennzeichnungen: Stimmt die Klemmenbezeichnung? Ist das Typenschild vorhanden und lesbar?
• Aderfarben und Kabelverlegung: Entspricht die Kabelfarbe der Norm (VDE 0293-308)? Sind Kabel korrekt im Kabelkanal verlegt?
• Verdrahtungsübereinstimmung: Geht Ader X an Klemme Y? Besonders relevant für die sicherheitsrelevante Verdrahtung.
• Fehlende oder vertauschte Komponenten: Zwei Schütze gleicher Bauform an falschen Positionen verbaut.

Was CV nicht erkennt: Ob eine Verbindung elektrisch funktioniert, ob der Kabelquerschnitt korrekt ist, oder ob eine Sicherung den richtigen Nennwert hat, wenn Aufdruck und tatsächlicher Wert abweichen.

Ebene 2: Funktionaler Signaltest

Ein automatisierter Funktionstest schließt das Gerät an eine Testbox an und prüft:

• Klemmbelegung und Signalzuordnung: Liegt am Ausgang Y das richtige Signal an?
• Schutzfunktionen: Öffnet der Sicherheitskreis korrekt? Greift die Not-Halt-Funktion nach Norm?
• Verdrahtungswiderstände: Sind alle Schirmungen und PE-Verbindungen korrekt ausgeführt?
• Betriebsspannungen: Liegen die richtigen Spannungsebenen an den richtigen Sammelschienen?

Was der Signaltest nicht erkennt: Falsch beschriftete, aber korrekt verdrahtete Klemmen, mechanische Defekte an Kabeln oder Steckverbindern ohne elektrische Auswirkung, und fehlende Komponenten ohne Signalwirkung.

Die Kombination macht den Unterschied

Fraunhofer IFF (Institut für Fabrikbetrieb und -automatisierung, Magdeburg) hat gezeigt, dass ein rein kamerabasiertes System für die Schaltschrankmontage, also ohne Funktionstest, wirtschaftlich schon bei kleinen Losgrößen einsetzbar ist, wenn es auf CAD-Vergleich statt Mustererkennung basiert: Das System vergleicht nicht “sieht das wie ein guter Schrank aus?” sondern “entspricht diese Klemme dem 3D-Modell aus EPLAN?”. Der Vorteil: Kein langwieriges Modelltraining für visuelle Merkmale.

Für eine robuste Endkontrolle empfiehlt sich die Kombination: CV für Optik und Beschriftung, Signaltest für Funktion. Die meisten Feldrückläufer entstehen entweder durch visuelle Fehler (falsche Komponente verbaut) oder durch Verdrahtungsfehler, die erst im Betrieb auffallen, beides abzudecken erfordert beide Ebenen.

Kamerarig und Beleuchtung: Die Hardware-Realität

Hier scheitern die meisten Pilotprojekte, nicht an der KI, sondern an der Kamera.

Ein Schaltschrank hat kein einheitliches Prüfobjekt. Er hat Tiefen, Winkel, spiegelnde Oberflächen (Blechgehäuse, Hutschienen), verschiedene Beleuchtungszonen (Innenraum vs. Kabelkanal vs. Türinnenseite) und Bauteile in unterschiedlichen Höhen. Eine einzelne Kamera kann das nicht zuverlässig abdecken.

Typisches Kamerasetup für Schaltschrankinspektion:

Beleuchtung ist keine Nebensache. Diffuses Licht vermeidet Reflexionen auf Metallteilen, Ringbeleuchtung erzeugt gleichmäßige Helligkeit auf Kabeln, Streifenlicht macht Oberflächentexturen sichtbar. Wer die Beleuchtung improvisiert, Hallenleuchten, wechselndes Tageslicht aus Fenstern, bekommt ein Modell, das im Sommer morgens anders funktioniert als im Winter nachmittags. Das ist kein KI-Problem. Es ist ein Setup-Problem.

Kosten für ein vollständiges Kamerarig für Schaltschrankinspektion: 15.000–40.000 Euro, je nach Anzahl Kameras, Beleuchtungssystem und ob ein Roboterarm oder ein festes Prüfgestell verwendet wird. Das ist der Hardware-Anteil; die Software-Integration kommt hinzu.

Ein guter Ausgangspunkt: Keyence Vision bietet kostenlose Demosysteme zum Test in deiner Produktionsumgebung, der lokale Anwendungsberater kann die Kameraeignung für eine konkrete Prüfaufgabe vor Ort einschätzen, bevor du investierst.

Modelltraining: Wie viele Bilder braucht ihr wirklich?

Diese Frage entscheidet, ob das Projekt in drei Monaten oder in drei Quartalen fertig wird.

Die klassische Antwort war: Tausende annotierter Bilder pro Fehlertyp. Das ist für Schaltschrankbauer unrealistisch, fehlerhafte Schränke entstehen selten, und man möchte sie nicht absichtlich produzieren.

Die realistische Antwort für 2025: Mit modernen Foundation-Modellen als Basis braucht ihr für einfache Klassifikationsaufgaben (vorhanden/nicht vorhanden, richtig/falsch beschriftet) 50–300 annotierte Bilder pro Klasse. Mit Datenerweiterung (automatische Rotation, Helligkeitsvariationen, synthetische Augmentation) lässt sich das weiter reduzieren.

Was ihr wirklich braucht, hängt von der Aufgabe ab:

• Komponentenbestückung (vorhanden/fehlt): 50–100 Bilder pro Komponente, gute Erkennungsrate erreichbar
• Beschriftungsprüfung (Text lesen und validieren): Keine Trainingsbilder nötig, OCR-basierte Systeme funktionieren mit der Soll-Beschriftung aus EPLAN
• Verdrahtungsübereinstimmung (Ader X an Klemme Y): 200–500 annotierte Bilder, kombiniert mit CAD-Vergleich ist das reduzierbar
• Fehlererkennung (unbekannte Defekte): Hier braucht ihr echte Fehlerbilder, schwierig zu beschaffen, lässt sich durch synthetische Generierung teilweise ersetzen

Der CAD-Vergleichsansatz (Fraunhofer IFF) umgeht das Trainingsproblem teilweise: Statt ein Modell darauf zu trainieren, wie ein “richtiger” Schaltschrank aussieht, vergleicht das System das Kamerabild geometrisch mit dem 3D-Modell aus eurem ECAD-System (EPLAN oder WSCAD). Das funktioniert ohne großen Trainingsaufwand und ist bei Kleinserie besonders wirtschaftlich, ein zentrales Argument für Schaltschrankbauer, die viele Varianten mit kleiner Stückzahl fertigen.

Konkrete Werkzeuge, was wann passt

Die Werkzeuglandschaft teilt sich in drei Kategorien: spezialisierte Industrielösungen, KI-Plattformen für Training und Deployment, und die Systeme für den funktionalen Teil.

Für die Sichtprüfung (CV):

Keyence Vision, Guter Einstiegspunkt für Schaltschrankbauer ohne eigenes CV-Team. Lokaler Anwendungsberater kommt kostenlos zum Test, das System konfigurierst du ohne Programmierung, und es gibt direkten deutschen Telefon-Support. Grenzen: proprietäres Ökosystem, tiefes Deep Learning für komplexe Defektmuster ist nicht die Stärke. Kosten: Vision-Sensoren ab 2.000 Euro, vollständige Prüfsysteme 10.000–80.000 Euro je nach Umfang.

Cognex Vision, Marktführer bei Industrietauglichkeit und Geschwindigkeit. Besonders stark, wenn ihr bereits eine hohe Taktzahl habt oder Barcode/Data-Matrix-Lesen für Rückverfolgbarkeit braucht. Höhere Einstiegsinvestition als Keyence, aber jahrzehntelang erprobte Robustheit. Systeme laufen oft 5–10 Jahre ohne Wartung.

Landing AI, No-Code-Plattform für das erste Pilotmodell. Ohne ML-Kenntnisse trainierbar, flexibel für Proof-of-Concepts, bevor ihr in Industriehardware investiert. Einschränkung: US-Datenhosting (Produktionsbilder könnten proprietäre Informationen enthalten), kein deutschsprachiger Support, und der strategische Fokus des Unternehmens hat sich seit 2024 weg von der Industrieinspektion verschoben.

Roboflow, Gut für das Trainingsdaten-Management und das schnelle Prototyping von Custom-Modellen. Automatische Datenerweiterung, intuitive Annotierung, einfaches Deployment als API. Ebenfalls US-Hosting, für sensible Produktionsbilder DSGVO-Prüfung notwendig.

Für den Signaltest: Ein automatisierter Funktionsprüfstand ist oft kein KI-System, sondern ein konfigurierbares Testgerät. Anbieter wie Sievert, Häfele oder Kocos bieten Prüfautomaten, die Klemmbelegungen, Schutzfunktionen und Spannungsebenen selbstständig verifizieren, kein Machine-Learning, aber hochgradig automatisiert. Die Integration mit dem CV-System erfolgt über ein gemeinsames Prüfprotokoll.

Zusammenfassung: Wann welcher Ansatz

• Einstieg und Pilotprojekt, kein ML-Team → Landing AI
• Vollsystem mit deutschem Support → Keyence Vision
• Hochvolumen, Barcode-Lesen, Langzeit-Robustheit → Cognex Vision
• Trainingsdaten-Management und Custom-Modelle → Roboflow (DSGVO klären)
• Signaltest und Klemmenverifikation → spezialisierter Prüfstand, unabhängig vom CV-System

Datenschutz und Datenhaltung

Kameras in der Produktion werfen zwei Datenschutzfragen auf: Personenbezug und Geschäftsdaten.

Personenbezug: Wenn Kameras Mitarbeitende bei der Arbeit erfassen, auch wenn das nicht der Zweck ist, gelten die Grundsätze des Beschäftigtendatenschutzes (§ 26 BDSG). Das bedeutet: Betriebsrat einbinden, Zweck dokumentieren, Bilder nach Ablauf der Aufbewahrungsfrist löschen. In der Praxis ist das lösbar, erfordert aber eine klare Vereinbarung, bevor die Kameras in Betrieb gehen.

Produktionsdaten als Geschäftsgeheimnisse: Bilder eurer Schaltschränke können Rückschlüsse auf Schaltpläne, verwendete Komponenten und Fertigungsverfahren ermöglichen. Wer diese Bilder an US-gehostete Plattformen wie Landing AI oder Roboflow übergibt, ohne einen Enterprise-Vertrag mit On-Premise-Option, sollte das mit dem Datenschutzbeauftragten abstimmen.

Die sauberste DSGVO-Lösung für Schaltschrankbauer: Edge-Deployment auf einem lokalen Industrie-PC in der Produktionshalle. Das Modell läuft lokal, Bilder verlassen den Betrieb nicht, kein Cloud-Zugriff für den Produktivbetrieb. Anbieter wie Keyence Vision und Cognex Vision arbeiten standardmäßig so, kein automatischer Datentransfer zu externen Servern.

Wer einen Systemintegrator einbindet: Auftragsverarbeitungsvertrag (AVV) gemäß Art. 28 DSGVO vor dem Produktivbetrieb, klar geregelte Zugriffsrechte für Fernwartung (VPN-Protokoll), und definierte Löschfristen für gespeicherte Prüfbilder.

Was es kostet, realistisch gerechnet

Einmalige Investitionskosten:

• Kamerarig und Beleuchtung: 15.000–40.000 Euro
• CV-Software-Lizenz (Keyence oder Cognex): 5.000–25.000 Euro
• Systemintegration in Prüfablauf und ERP: 10.000–30.000 Euro
• Modelltraining (intern oder durch Integrator): 5.000–15.000 Euro
• Automatisierter Funktionsprüfstand (optional): 15.000–40.000 Euro
• Gesamt: 50.000–150.000 Euro (laut Pexon Consulting GmbH, April 2025)

Laufende Kosten (jährlich):

• Wartungsvertrag Hardware: 2.000–6.000 Euro
• Modellpflege (jede neue Schaltschranktype, Parameteränderungen): 2–8 Stunden intern oder externer Integrator
• Software-Updates: je nach Lizenzmodell 500–3.000 Euro/Jahr

Die ROI-Rechnung, ehrlich kalkuliert:

Ausgangsbasis: 60 Schaltschränke/Monat, 3 Prozent Fehlerquote (1,8 fehlerhafte Schränke pro Monat), durchschnittlicher Schaden pro Rückläufer 10.000 Euro.

Monatliche Schadenskosten heute: 1,8 × 10.000 = 18.000 Euro Nach Implementierung (95 Prozent Erkennungsrate): 0,09 × 10.000 = 900 Euro Monatliche Einsparung Rückläufer: ~17.100 Euro

Dazu kommt eingesparte Prüferzeit: 20 Stunden/Monat × 60 Euro/Stunde = 1.200 Euro

Gesamteinsparung pro Monat: ~18.300 Euro

Bei einer Investition von 100.000 Euro: Amortisation in etwa 5–6 Monaten.

Wichtiger Einschub: Diese Rechnung funktioniert nur bei dieser Kombination aus Volumen und Fehlerquote. Bei 20 Schränken/Monat und 1 Prozent Fehlerquote sieht die Rechnung fundamental anders aus, die Amortisation erstreckt sich dann über 5–8 Jahre, was die Investition kaum rechtfertigt.

Typische Einstiegsfehler

1. Das Kamerasetup wird unterschätzt, und blockiert das Projekt. Die meisten Pilotprojekte scheitern nicht am Algorithmus, sondern an der Beleuchtung. Wer die Kamera aufstellt und hofft, dass “das System sich schon zurechtfindet”, bekommt ein Modell, das im Sommer bei Sonneneinstrahlung aus dem Hallenfenster einen anderen Schaltschrank sieht als im Winter bei künstlicher Beleuchtung. Lösung: Vor dem Modelltraining eine stabile, reproduzierbare Beleuchtungssituation sicherstellen. Das kostet Zeit und Geld, und ist eine zwingende Voraussetzung.

2. Das Modell wird einmalig trainiert und dann nie mehr angepasst. Das ist der gefährlichste Fehler, weil er still passiert. Wenn der Komponentenlieferant einen neuen Schütztyp liefert, der visuell leicht anders aussieht, degradiert das Modell schleichend. Wenn die Hallenkameras gereinigt werden, verändert sich die Bildqualität. Wenn eine neue Klemmenleisten-Variante eingeführt wird, kennt das Modell sie nicht. Laut Praktikerbericht aus dem Automobilumfeld kann ein gut trainiertes Inspektionsmodell bei Materialwechsel innerhalb von 4–6 Wochen signifikant an Erkennungsrate verlieren, ohne dass irgendjemand eine Warnung sieht. Die Lösung ist keine Technologie, sondern ein Prozess: Wer ist zuständig für das Modell? Wann wird es neu bewertet? Was löst ein Nachtraining aus?

3. Der Funktionstest wird weggelassen, weil er “zu aufwändig” ist. Wer nur die visuelle Prüfung implementiert, hat ein System, das perfekt ausschauende Schränke liefert, aber keine Garantie für funktionale Korrektheit. Viele der teuersten Feldrückläufer entstehen durch Verdrahtungsfehler, die visuell nicht erkennbar sind: zwei Adern vertauscht, beide korrekt beschriftet, beide korrekt verlegt, aber an der falschen Klemme. Ein Funktionstest hätte das in 90 Sekunden gefunden.

4. Die Implementierung wird ohne den erfahrensten Prüfer geplant. Das CV-System lernt, was als “korrekt” definiert wird. Wer diese Definition ohne den Techniker festlegt, der jeden Fehler aus zehn Jahren Praxis kennt, bekommt ein System, das die dokumentierten Prüfmerkmale abdeckt, aber nicht das implizite Wissen des Experten. Diesen vor dem Modelltraining strukturiert zu befragen (welche Fehler siehst du am häufigsten, welche sind am teuersten, welche erkennst du auf den ersten Blick?) ist kein netter Zusatz, sondern die Grundlage für ein brauchbares Trainingsdatenset.

Was mit der Einführung wirklich passiert, und was nicht

Die Technologie ist das Einfachste. Das Schwierige ist der Übergang.

Die Reaktion des erfahrenen Prüfers. Thomas Berger, der zehn Jahre die Endkontrolle verantwortet hat, wird das System nicht mit offenen Armen empfangen, nicht weil er technologiefeindlich ist, sondern weil er weiß, was das System nicht sieht. Und er hat Recht damit. Ein CV-System, das 95 Prozent der definierten Fehler erkennt, lässt 5 Prozent durch, und der erfahrene Prüfer weiß aus Erfahrung genau, wie diese 5 Prozent aussehen.

Die richtige Framing: Das System macht Thomas nicht überflüssig, es befreit ihn von der Routine. Er prüft weiterhin, aber nur die Grenzfälle, die das System als unsicher markiert, und die neuen Typen, für die noch kein Modell existiert. Seine Rolle ändert sich von Sichtprüfer zu Systemverantwortlichem.

Die Frage der “Verantwortung”: Wer haftet, wenn ein Schaltschrank trotz bestandener KI-Prüfung einen Feldfehler hat? Diese Frage muss vor der Inbetriebnahme geklärt sein, in der Dokumentation, in der Qualitätsvereinbarung mit Kunden, und intern in den Prüfprozessen. Das KI-System ersetzt die CE-Kennzeichnungsverantwortung nicht.

Was in der Praxis hilft:

• Eine Parallelphase von 4–6 Wochen, in der manuelle und automatische Prüfung gleichzeitig laufen und Diskrepanzen systematisch analysiert werden
• Klare Eskalationsregeln: Was tut der Prüfer, wenn das System “nicht erkannt” meldet, er selbst aber keine Auffälligkeit sieht?
• Bewusste “Testfehler” einbauen (eine falsch beschriftete Klemme, eine fehlende Komponente) und prüfen, ob das System sie sicher findet, Vertrauen entsteht durch Transparenz

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„Wir bauen Sonderanfertigungen, kein Schrank ist wie der andere.” Das ist das stärkste Argument gegen diesen Anwendungsfall, und es stimmt für echte Einzelanfertigungen. Wer jede Woche einen einmaligen Schaltschrank für eine andere Applikation baut, hat keinen ausreichenden Typenpool für sinnvolles Modelltraining. Der Fraunhofer-IFF-Ansatz (CAD-Vergleich statt Mustererkennung) hilft hier: Das System lernt nicht “wie sieht ein guter Schrank aus”, sondern vergleicht das reale Bild geometrisch mit eurem EPLAN-Modell. Das funktioniert auch bei Kleinserie, solange aktuelle CAD-Daten vorliegen.

„Der ROI ist schwer zu berechnen.” Das stimmt, wenn die Fehlerquote niedrig ist. Wer noch keine belastbaren Daten zu Reklamationsquoten und Rückläuferkosten hat, sollte das erst systematisch erfassen, sechs Monate Datenerhebung, bevor man eine Investitionsentscheidung trifft. Ein System auf Basis geschätzter Fehlerquoten zu kaufen ist ein teures Experiment.

„Unsere Mitarbeitenden werden das System nicht akzeptieren.” Berechtigt als Implementierungsrisiko, nicht als Ausschlussgrund. Wer das System als “Überwachung” kommuniziert, wird Widerstand ernten. Wer es als “der Prüfer konzentriert sich auf die wirklich komplexen Fälle, die Routine übernimmt die Maschine” kommuniziert, bekommt häufig Unterstützung, besonders von den erfahrensten Prüfern, die die Routine schon lange langweilig finden.

Woran du merkst, dass das zu dir passt

Gute Signale:

• Ihr fertigt monatlich über 30 Schaltschränke oder Baugruppen eines gleichartigen Typs
• Ihr könnt eure historische Reklamationsquote beziffern, und sie liegt über 1,5 Prozent
• Ihr habt aktuelle digitale Schaltpläne in EPLAN oder WSCAD für alle Serientypen
• Euer erfahrenster Prüfer ist das Nadelöhr: Ohne ihn läuft die Endkontrolle nicht
• Ihr habt mindestens einmal einen Feldrückläufer erlebt, der 8.000 Euro oder mehr gekostet hat

Drei harte Ausschlusskriterien, wer das System (noch) nicht braucht:

1. Unter ca. 20–30 gleichartiger Schaltschränke pro Monat. Die Amortisation der Hardware- und Integrationsinvestition (50.000–150.000 Euro) braucht ausreichendes Prüfvolumen. Bei 15 Einheiten pro Monat und einer Fehlerquote von 2 Prozent sind das statistisch 0,3 fehlerhafte Schränke monatlich, der Schaden ist real, aber zu gering für eine sechsstellige Investitionsrechnung. Erst Prüfvolumen steigern (oder Serienfertigung einführen), dann investieren.

2. Keine standardisierten Schaltpläne oder kein ECAD-System. Ein CV-System, das visuelle Merkmale erkennen soll, braucht eine klare Definition des Soll-Zustands. Wer seine Schaltpläne noch in PDF-Form hat, pro Techniker unterschiedlich verdrahtet und keine konsistente Komponentenauswahl hat, bekommt ein Modell, das zuverlässig nichts findet, weil es nie lernen konnte, was “richtig” ist. Zuerst Schaltplan-Disziplin und ECAD einführen (eventuell mit dem Schaltplan-Dokumentations-Use-Case), dann das Prüfsystem.

3. Kein internes IT-Know-how und kein Budget für Systemintegrator-Wartung. Ein CV-Prüfsystem ist keine Software, die man einmal einrichtet und dann 10 Jahre läuft. Modelle müssen gepflegt werden, wenn neue Komponenten eingeführt werden. Hardware muss gewartet werden. Kalibrierungen müssen bei Umbau des Prüfstands wiederholt werden. Wer das alles an externe Dienstleister auslagert, muss das in der Laufzeitkostenkalkulation berücksichtigen, und sicherstellen, dass der Dienstleister langfristig verfügbar ist.

Das kannst du heute noch tun

Bevor du in Hardware investierst: Mach einen ehrlichen Fehlerkosten-Audit. Die Antwort auf die Frage “Lohnt sich das für uns?” hängt fast ausschließlich von zwei Zahlen ab, Prüfvolumen und Fehlerkosten.

Nutze den folgenden Prompt, um eine strukturierte Kostenanalyse deiner aktuellen Endkontrolle zu erstellen. Das dauert 20 Minuten und liefert dir die Grundlage für jedes weitere Gespräch mit Systemintegratoren:

Quellen & Methodik

• Fraunhofer IFF (Institut für Fabrikbetrieb und -automatisierung, Magdeburg): Entwicklung eines assistenzbasierten Prüfsystems für die Schaltschrankmontage auf Basis von CAD-Vergleich und Kameraauswertung. Schlüsselergebnis: System funktioniert wirtschaftlich auch bei geringen Losgrößen (Kleinserie). Fraunhofer IFF, „Visuelle Assistenz und optische Prüfung in der Schaltschrankmontage” (veröffentlicht auf vision.fraunhofer.de, abgerufen April 2026). URL: https://www.vision.fraunhofer.de/de/technologien-anwendungen/technologien/3d-messtechnik/assistenz-montage-schaltschrank.html

• Pexon Consulting GmbH: Kamerabasierte Inline-Qualitätskontrolle, Kostenrahmen 75.000–150.000 EUR für vollständiges System bei einer Prüfaufgabe, Amortisationszeitraum typisch 8–14 Monate bei Produktionsvolumen über 50.000 Einheiten/Monat, 95–99% Erkennungsrate für definierte Fehlertypen. Pexon Consulting GmbH, „Kamerabasierte Inline Qualitätskontrolle” (pexon-consulting.de, April 2025). URL: https://pexon-consulting.de/fertigung/kamerabasierte-inline-qualitaetskontrolle/

• Model-Drift-Risiko in Produktion: Bei Materialwechsel oder Beleuchtungsveränderung kann ein Inspektionsmodell innerhalb von 4–6 Wochen signifikant an Erkennungsrate verlieren. Oracle AI & Data Science Blog, „Visual inspection in manufacturing using AI” (2023); bestätigt durch Automotive Manufacturing Solutions, „AI vision in automotive manufacturing” (2024).

• ROI-Methodik: Eigene Erfahrungswerte aus Computer-Vision-Projekten in der Kleinserienfertigung; Orientierungswerte zu Feldrückläuferkosten angelehnt an VDMA-Angaben für den Sondermaschinen- und Anlagenbau. UnitX Labs, „How to Calculate the ROI of Automated Visual Inspection Systems in 2025” (2025).

• Cognex-Preise: Cognex Corporation, offizielle Produktspezifikationen (cognex.com/de-de, Stand April 2026).

• Keyence-Preise: Keyence Deutschland GmbH, offizieller Produktkatalog (keyence.de, Stand April 2026).

Du willst wissen, ob dein Prüfvolumen und deine Fehlerquote für diesen Ansatz reichen, und welches System zu eurer Fertigung passt? Meld dich, das besprechen wir in einem kurzen Gespräch.