Glas & Keramik

Gasblasen von 0,1–2 mm Durchmesser entstehen durch Reaktionen im flüssigen Zinnbad und sind bei der Produktion mit bloßem Auge nicht sichtbar. Fehlscheiben werden erst nach dem Schneiden und Kühlen erkannt — zu spät für eine Ursachenkorrektur. Ausschussquoten von 2–5% bei Premium-Float bedeuten Verluste von Tausenden Euro pro Stunde.

Hyperspektrale Inline-Kamerasysteme scannen das Floatglas-Band mit bis zu 1.200 m²/min. Ein CNN-Modell klassifiziert Blasen, Kratzer und Einschlüsse in unter 50 ms und triggert automatisch Linienstopp oder Ausschleusmarkierung. Historische Defektmuster erlauben Rückverfolgung auf Zinnbad-Parameter.

Ausschussrate um 40–60% reduzierbar durch Frühalarme mit Ursachenzuordnung. Rüstzeiten für Qualitätsprüfung sinken um ~70%. Reklamationskosten durch nicht erkannte Defekte bis zu 80% rückläufig.

Hyperspektral-Inline-Kamera + CNN-Klassifikator (z.B. Cognex VisionPro, Isra Vision, eigene PyTorch-Modelle) + MES-Integration

Temperaturschwankungen von ±15–25 °C zwischen Ofenzonen führen bei Feinsteinzeug und Porzellanfliesen zu Verformungen, die erst nach dem Abkühlen sichtbar werden. Ausschussraten von 3–8% je Brand sind branchenüblich. Brennmeister justieren Zonen manuell nach Erfahrung — Wissen, das beim Ausscheiden verloren geht.

Temperatur-, Feuchte- und Durchlaufsensoren liefern Zeitreihendaten je Ofenzone. Ein ML-Modell (Gradient Boosting oder LSTM) lernt den Zusammenhang zwischen Brennprofil, Rohstoffcharge und Ausschussrate. Optimale Zonentemperaturen werden automatisch vorgeschlagen oder direkt an die SPS übergeben.

Ausschussreduktion um 30–50% realistisch. Energieverbrauch pro Brand sinkt um 8–15% durch gleichmäßigere Auslastung. Brennmeister-Wissen wird reproduzierbar und auditierbar.

SCADA/SPS-Datenanbindung + Zeitreihen-ML (Azure ML, DataRobot oder Python/sklearn) + OPC-UA-Schnittstelle

Fadenrisse beim Spinnen von E-Glas oder S-Glas-Fasern bei 2.000–4.000 m/min kosten 15–30 Minuten Neuanlauf je Vorfall. Bei 8–15 Rissen pro Schicht summiert sich das auf 2–7 Stunden Produktionsausfall täglich. Die Ursache liegt in Chargenschwankungen der Rohstoffe — SiO₂-Reinheit, Boroxid-Gehalt — die erst in der Schmelze wirksam werden.

Inline-Viskositätssensoren und Schmelztemperaturprofile werden mit Chargendaten der Rohstoffe verknüpft. Ein Zeitreihen-Anomaliemodell erkennt Viskositätsdriftmuster, die historisch 3–8 Minuten vor Fadenrissen auftraten. Frühwarnung ermöglicht manuellen Eingriff (Temperaturanpassung, Ziehdüsenwechsel).

Fadenrissrate um 35–55% reduzierbar. Neuanlaufzeiten pro Schicht um 1–3 Stunden kürzer. Rohstoffchargen mit erhöhtem Risiko werden vor Schmelzeintrag markiert.

Inline-Viskosimetrie + LIMS-Rohstoffdaten + Zeitreihen-Anomalieerkennung (AWS Lookout for Equipment oder eigenes LSTM)

Optische Linsen für Kamerasysteme, Medizingeräte oder Lithographieanlagen müssen Oberflächentoleranzen von unter 5 nm RMS einhalten. Erfahrene Polierer justieren Druck, Geschwindigkeit und Poliermittelzugabe nach Gefühl — Wissen, das sich kaum dokumentieren lässt. Ausschussquoten von 10–25% bei Hochpräzisionslinsen sind nicht ungewöhnlich.

Interferometrische Inline-Messung nach jedem Polierdurchgang liefert das aktuelle Oberflächenprofil. Ein RL-Modell (Reinforcement Learning) oder Prozessmodell berechnet den optimalen nächsten Polierpfad, Anpressdruck und Poliermittelrate — kompensiert Pad-Verschleiß und thermische Drift automatisch.

Ausschussrate bei Präzisionslinsen um 40–70% reduzierbar. Polierzeit je Linse um 20–35% kürzer. Wissen erfahrener Meister wird in das Modell übertragen und bleibt betrieblich verfügbar.

Interferometrie-Inline + CNC-Maschinenanbindung + Reinforcement Learning oder Prozessmodell (Python, TensorFlow/PyTorch)

Glasflaschen für Pharma, Lebensmittel und Getränke müssen Wanddicken-Toleranzen von ±0,2–0,5 mm einhalten. Druckluft-Timing, Gob-Temperatur und Formenverschleiß driften im Laufe einer Schicht — oft unmerklich bis Flaschen beim Abfüller unter Innendruck platzen. Rückrufaktionen für fehlerhafte Gebinde kosten 50.000–500.000 €.

Laser-Inline-Wanddickenmessung an jeder Flasche nach der Formgebung. Ein Regelkreis-ML-Modell erkennt systematische Drift-Muster und passt Gob-Gewicht, Blasdruckzeiten und Kühlluftmenge automatisch nach. Anomalieflaschen werden sofort ausgeschleust.

Dünnstellen-Ausschuss um 50–70% reduzierbar. Rückrufrisiko durch Wanddickendrift nahezu eliminiert. Maschinenrüstzeit durch automatische Parameteranpassung um 30–40% kürzer.

Laser-Wanddickenmessung (z.B. Agr International, Tiama) + PLC-Regelkreis + ML-Drift-Erkennung

Hochwertige Sonnenschutz- und Low-E-Beschichtungen (Saint-Gobain Planitherm, Interpane iplus) werden nach dem Sputtern per Sichtkontrolle geprüft — eine Arbeit, die Prüfer nach 2–3 Stunden ermüdet und bei hellen Defekten auf dunkler Schicht besonders fehleranfällig ist. Beschichtungsfehler, die erst beim Einbau oder im Betrieb auffallen, lösen Gewährleistungsansprüche von 5.000–50.000 € je Scheibe aus.

Multispektrale Flächenkameras (sichtbares Licht + NIR) scannen die beschichtete Oberfläche inline nach dem Sputtern. Ein CNN-Modell unterscheidet Kratzer, Pinholes, Schichtflecken und optische Abweichungen von Scheindefekten (Staub, Kondensation). Defektkoordinaten werden an das MES übergeben.

Detektionsrate für Schichtfehler von ~70% (Sichtkontrolle) auf >95% steigerbar. Prüfgeschwindigkeit steigt um Faktor 3–5. Gewährleistungskosten durch übersehene Defekte um 60–80% reduzierbar.

Multispektrale Inline-Kamera + CNN-Defektklassifikation (Cognex, Keyence oder Custom PyTorch) + MES-Anbindung

Glasurfarben reagieren empfindlich auf minimale Schwankungen in Rohstoffcharge, Brenntemperatur und Ofenbeladung. Farbabweichungen von ΔE > 1,5 sind für Endkunden sichtbar und führen bei Fliesen-Mischlieferungen zu Reklamationen. Sichtprüfer erkennen subtile Farbshifts erst bei direktem Vergleich — nicht, wenn Chargen zeitlich versetzt anlaufen.

Spektrophotometrische Inline-Messung nach dem Brennen erfasst L*a*b*-Farbwerte je Fliese. Ein Referenzmodell vergleicht jede Charge mit der Zielcharge und berechnet ΔE. Trend-Algorithmus erkennt schleichende Farbdrift über mehrere Brennzyklen und alarmiert vor Überschreitung des Toleranzbands.

Reklamationsquote durch Farbabweichung um 50–70% reduzierbar. Fehlchargen werden innerhalb desselben Produktionstages erkannt statt beim Endkunden. Brennprozess-Optimierung auf Basis von Farbdaten messbar.

Inline-Spektrophotometrie + Referenzdatenbank + Statistisches Prozesscontrol-Modell (SPC + ML-Trending)

Industrieöfen in der Keramikproduktion verbrauchen 40–70% des Gesamtstrombedarfs eines Werks. Feste Schichtpläne ignorieren dynamische Börsenstrompreise und Netzentgelt-Spitzenlastregelungen. Bei einem Jahresverbrauch von 5–20 GWh bedeutet 15% Einsparpotenzial 50.000–300.000 € — die meisten Werke schöpfen dieses Potenzial nicht aus.

ML-Lastprognosemodell kombiniert Auftragsdaten (Produktmix, Losgröße, Liefertermin) mit historischen Energieverbrauchsprofilen und Spot-Strompreisdaten. Optimierungsalgorithmus plant Brennfenster so, dass Pflichtlieferdaten eingehalten und Lastspitzen sowie Teuerungszeiten gemieden werden.

Energiekosten um 10–20% senkbar durch Last-Shifting. Netzentgelt-Spitzenlastkostenstellen um 15–30% reduzierbar. CO₂-Bilanz verbessert sich bei gleichzeitiger Nutzung erneuerbarer Überschussstromzeiten.

ERP-Auftragsdaten + Strombörsen-API (EPEX Spot) + Lastoptimierungsmodell (Python/OR-Tools oder kommerzielle Energiemanagementsoftware)

Wenn eine Glasscheibe bricht, beginnt oft ein monatelanger Reklamationsstreit: Hersteller, Glaserei, Transporteur und Auftraggeber schieben die Verantwortung hin und her. Gutachter sind teuer (1.500–5.000 € pro Fall) und brauchen Wochen. Ohne schnelle Ursachenzuordnung werden Kulanzentscheidungen auf Basis von Erfahrung getroffen — manchmal falsch und teuer.

Foto-Upload-App für Außendienst und Kunden. CNN-Modell analysiert Bruchmuster (Herzbruch, Kantenschlag, Thermospannung, Einschlag) und gibt strukturierten Klassifikationsbericht mit Wahrscheinlichkeiten aus. Modell wird auf eigener Schadensbibliothek trainiert.

Reklamationsklärungszeit von Wochen auf Tage reduzierbar. Gutachterkosten um 60–80% senkbar durch Vorab-Klassifikation. Kulanzquote durch fairere Ursachenzuordnung messbar veränderbar.

Mobile App + CNN-Bildklassifikation (Transfer Learning auf ResNet/EfficientNet) + Reklamationsdatenbank-Integration

Pharmabehälter aus Borosilikatglas (Injektionsflakons, Karpulen, Ampullen) unterliegen der EU-Medizinprodukteverordnung MDR 2017/745 und ISO 15223. Jede Designänderung, jeder Rohstoffwechsel, jedes Audit löst umfangreiche Dokumentationspflichten aus. Regulatory Affairs Teams verbringen 30–50% ihrer Zeit mit Standardisierungs- und Formatierungsaufgaben statt mit inhaltlicher Arbeit.

RAG-basierter KI-Assistent mit aktuellem Regelwerkswissen (ISO 15223, MDR, ASTM E438). Beantwortet Konformitätsfragen, erstellt Gliederungen für Technical Files, prüft Dokumente auf fehlende Pflichtabschnitte und generiert Audit-Report-Entwürfe aus strukturierten Eingaben.

Dokumentationsaufwand je Zertifizierungsvorgang um 30–50% reduzierbar. Audit-Vorbereitung von Tagen auf Stunden komprimierbar. Fehlerrisiko durch vergessene Pflichtinhalte deutlich gesenkt.

RAG auf Regelwerksdokumenten (LlamaIndex/LangChain) + Claude oder GPT-4 als Backbone + Dokumentenprüfungs-Pipeline

Glasrezepteure kombinieren SiO₂, Na₂O, CaO, B₂O₃ und Zusatzstoffe nach Erfahrungswissen und teuren Probeschmelzen. Eine Rezepturoptimierung bei schwankenden Rohstoffpreisen (Soda +40% in 2022) erfordert Neuberechnungen, die Wochen dauern und mehrere Probeschmelzen kosten (5.000–15.000 € je Kampagne). Die Wechselwirkungen zwischen Rohstoffanteilen und resultierenden Eigenschaften sind hochkomplex.

ML-Surrogatmodell lernt den Zusammenhang zwischen Rezeptur (Oxide, Zusätze), Schmelztemperatur und Zielqualitäten (Viskositätskurve, Ausdehnungskoeffizient, UV-Transmission) aus historischen Schmelzdaten. Bayesianische Optimierung findet Rezepturkandidaten mit minimalem Energieeinsatz, die Spezifikation erfüllen.

Zahl der notwendigen Probeschmelzen um 40–60% reduzierbar. Rohstoffkostenoptimierung bei gleichbleibender Qualität 5–15% Einsparung. Rezepturwissen wird systematisch dokumentiert statt in Expertenkopf zu verbleiben.

Historische Schmelzdaten + Bayesianische Optimierung (Python/Ax, Optuna) + Surrogatmodell (Gaussian Process oder Neural Network)

Premium-Kristallglas wird nach dem Schleifen und Polieren per Hand geprüft — ein Prozess, der bei 300–600 Stück pro Stunde und nach Stunden der Konzentration nachlässt. Mikrorisse, die erst beim Spülen in der Geschirrspülmaschine zum Bruch führen, oder Einschlüsse, die im Regal-Licht sichtbar werden, gelangen trotzdem zum Kunden. Reklamationsquoten von 1–3% sind bei Premiumpreis-Produkten mit erheblichem Imageschaden verbunden.

Strukturiertes Licht (3D-Scanner) und Durchlicht-LED kombiniert: 3D-Scan erfasst Oberflächengeometrie und Mikrorisse, Durchlicht macht Einschlüsse im Glas sichtbar. CNN-Modell klassifiziert Defektart und -kritikalität in unter 200 ms. Produktionsintegration über Förderband-Trigger.

Detektionsrate von ~80% (Sichtprüfung) auf >97% steigerbar. Prüfdurchsatz verdoppelt sich. Reklamationsquote durch übersehene Defekte um 60–80% reduzierbar.

3D-Strukturlicht-Scanner + Durchlicht-Inspektion + CNN-Klassifikation (Keyence IV3, Cognex In-Sight oder Custom)

Pressformen in IS-Maschinen (Owens-Illinois, Verallia, Ardagh) halten je nach Produkt 200.000–600.000 Hübe. Verschleiß äußert sich in graduell schlechterer Nahtlage, Dickenschwankungen und Formtrennlinien-Qualität. Bisher wird nach Schussanzahl getauscht — ohne Rücksicht darauf, ob eine Form noch gut oder bereits kritisch ist. Zu früher Tausch kostet Formkosten, zu später Tausch produziert Ausschuss.

Kamera-Inline-Messung von Nahtlage und Oberfläche kombiniert mit Maschinendaten (Schmierzyklen, Schussanzahl, Glastemperatur) und Wartungshistorie. ML-Regressionsmodell schätzt Restlebensdauer je Form und empfiehlt Tauschzeitpunkt für den nächsten geplanten Maschinenstopp.

Formstandzeit um 10–20% verlängerbar durch bedarfsgerechten Tausch. Ausschuss durch verschlissene Formen um 30–50% reduzierbar. Ungeplante Formenwechsel-Stopps deutlich seltener.

Inline-Kamera + MES-Formhistorie + Regressionsmodell (Random Forest, XGBoost) + Wartungsplanungs-Integration

Glasschmelzwannen mit Feuerfestauskleidungen haben Kampagnenlaufzeiten von 8–15 Jahren. In den letzten 12–18 Monaten vor Wannenende steigt das Durchbruchrisiko exponentiell. Thermocouples und manuelle Außenwandtemperatur-Messungen liefern punktuelle Daten — systemische Schwachstellen im Mauerwerk werden oft zu spät erkannt. Ein Wannendurchbruch kostet 5–50 Millionen Euro Schaden plus monatelangen Produktionsausfall.

Dichtes Netz aus Außenwand-Thermocouple-Arrays + Infrarot-Thermografiekameras liefert kontinuierliche Temperaturdaten. ML-Modell lernt normale Erosionsmuster und erkennt anomale Hot Spots, die auf lokale Verdünnung oder Risse hindeuten. Restlebensdauer-Prognose fließt in Großreparatur-Planung ein.

Ungeplante Wannendurchbrüche vermeidbar durch rechtzeitige Hot-Spot-Erkennung. Kampagnenlaufzeit maximierbar bis zur letzten sicheren Grenze. Großreparaturplanung auf Datenbasis statt Erfahrungsschätzung.

IR-Thermografiekameras + Thermocouple-Array + Anomalieerkennung (Zeitreihen-ML, LSTM) + Asset-Management-Integration

Ein Glaswerk mit 3–5 Produktionslinien und 80–200 Schichtmitarbeitern braucht pro Woche Dutzende Qualifikationsprofile parallel: Einschmelzer, Maschinenführer, Glasmacher, Wartungstechniker — oft nur wenige Personen pro Qualifikationsstufe. Schichtplaner verbringen 6–10 Stunden pro Woche mit Puzzlearbeit, trotzdem entstehen Engpässe, die zu Überstunden und Qualitätsverlust führen.

Constraint-basierter Planungsalgorithmus mit ML-Ausfallprognose: historische Krankheitsmuster, saisonale Schwankungen und individuelle Verfügbarkeiten fließen in die Planung ein. Qualifikationsmatrix stellt sicher, dass kritische Rollen immer besetzt sind. Automatische Neuplananpassung bei Krankmeldung.

Planungsaufwand von 6–10 Std./Woche auf 1–2 Std. reduzierbar. Überstundenquote durch bessere Vorausplanung um 20–35% senkbar. Qualifikationslücken werden proaktiv erkannt statt reaktiv gemanagt.

Qualifikationsmatrix-Datenbank + Constraint Programming (Google OR-Tools) + ML-Ausfallprognose + Integration in HR-System