18 KI-Use-Cases für Glas & Keramik: Beispiele aus der Praxis

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 löst automatisch Linienstopp oder Ausschleusmarkierung aus. 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.

Spezialsystem schlüsselfertig (ISRA Vision FLOATSCAN, Dr. Schenk GlassInspect)Flexibel-Plattform + eigenes CNN (Cognex VisionPro Deep Learning)Custom CNN auf PyTorch + Industriekamera (nur mit interner ML-Expertise)

Temperaturschwankungen von ±15–25 °C zwischen Ofenzonen führen bei Feinsteinzeug und Porzellan zu Rissbildung und Farbabweichungen, die erst nach dem Abkühlen sichtbar werden. Ausschussraten von 8–12 % je Brand sind in der Premiumglasur-Linie nicht selten. Brennmeister justieren Zonen manuell nach Erfahrung, Wissen, das beim Ausscheiden verloren geht.

Thermoelemente, Feuchte- und Durchlaufsensoren liefern Zeitreihendaten je Ofenzone. Ein ML-Modell (Gradient Boosting oder LSTM) lernt den Zusammenhang zwischen Brennprofil, Rohstoffcharge und Ausschussrate und identifiziert kritische Profilsignaturen 90 Minuten vor Prozessende. Setpoint-Korrekturen von ±2 °C reichen oft aus, um den Brand zu retten.

Ausschussreduktion von 12 % auf 6,5 % im Piloten (–46 %). Energieverbrauch sinkt um 8–15 % durch gleichmäßigere Auslastung. Erfahrungswissen des Brennmeisters wird in reproduzierbare Profilmuster überführt und bleibt dem Betrieb erhalten.

InfluxDB + Grafana als Brennkurven-BasisOPC-UA-Anbindung an SCADAZeitreihen-ML mit Azure ML oder DataRobot

Manuelle Brennkurveneinstellung durch Brennmeister basiert auf Erfahrung, nicht auf Daten. Bei Rohstoffchargenwechseln oder Produktwechseln entstehen Ausschussraten von 3–8%, die erst nach dem Abkühlen sichtbar sind. Das Expertenwissen geht beim Personalwechsel verloren.

Temperatur- und Prozesssensoren aus dem bestehenden SCADA-System liefern historische Zeitreihendaten. Gradient Boosted Trees (XGBoost/LightGBM) oder ein LSTM-Netz lernen den Zusammenhang zwischen Brennprofil, Rohstoffcharge und Ausschussrate. Optimale Zonentemperaturen werden als Empfehlung oder automatischer Sollwert ausgegeben.

Ausschussreduktion um 25–45% realistisch. Gasverbrauch pro Brenneinheit sinkt um 6–12%. Brennmeister-Wissen wird reproduzierbar und überlebbar, neues Personal bekommt datenbasierte Einstellempfehlungen.

Python/Open-Source-Pilot (sklearn, LightGBM), kein Vendor-Lock-inAutoML-Plattform (DataRobot, Azure ML), kein Data-Science-Team nötigIntegrierte IoT+ML-Lösung (Siemens Insights Hub + Azure ML)

Fadenrisse beim Spinnen von E-Glas oder S-Glas-Fasern bei 2.000–4.000 m/min kosten 15–30 Minuten Neuanlauf je Vorfall. Schon 8 Risse pro Schicht zu je 15 Minuten sind 2 Stunden Stillstand je Schicht und 6 Stunden am Tag. 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 kürzer, im Rechenbeispiel um rund eine Stunde. Rohstoffchargen mit erhöhtem Risiko werden vor Schmelzeintrag markiert.

Inline-Viskosimetrie + LIMS-AnbindungZeitreihen-Anomalieerkennung per LSTMDeployment auf SageMaker oder Azure ML

Ein Unternehmen mit 80 Produktvarianten braucht für jede Änderung in Zusammensetzung, Toleranz oder Zertifizierung manuell aktualisierte Datenblätter, Konformitätserklärungen und Zulassungsdokumente. Das bindet qualifizierte Fachkräfte wochenlang für Aufgaben, die eigentlich in die Produktentwicklung gehören.

LLMs (aktuelle Modelle wie ChatGPT, Claude) extrahieren aus Messdaten, QM-Protokollen und bestehenden Dokumenten automatisch strukturierte Inhalte für Datenblätter, generieren Erstentwürfe in mehreren Sprachen und prüfen per Kontext-Vergleich auf Konsistenz mit Vorgängerdokumenten, fachliche Prüfung durch den Ingenieur bleibt.

Aktualisierungen und Neuerstellungen von Datenblättern gehen schneller, weil der Erstentwurf nicht mehr von Hand entsteht; wie viel schneller, misst die Zeiterfassung im Pilot. Übersetzungen werden billiger, soweit der Fachübersetzer einen KI-Entwurf korrigiert statt neu zu übersetzen.

ChatGPT / Claude direkt (kein Setup)M365 Copilot in Word + Azure Document Intelligenceplusmeta + CCMS-Integration (PLM-Vollausbau)

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 als Satz Zernike-Koeffizienten. Ein ML-Regressionsmodell berechnet den optimalen nächsten Polierpfad, Anpressdruck und Poliermittelrate, kompensiert Pad-Verschleiß und thermische Drift automatisch.

Ausschussrate bei Präzisionslinsen um 40–60% reduzierbar. Polierzyklen von 5–8 auf 2–3 Durchläufe reduzierbar. Expertenwissen erfahrener Meister wird im Modell konserviert.

Python + MLflow (eigener ML-Stack)Dataiku (Managed-ML-Plattform)Interferometrie + CNC + Custom-ML-Pipeline

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 SPC-CUSUM-Regelkreismodell 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.

Tiama oder Heye HiShield (Komplettsystem)AGR International (Pharma-Fokus)Laser-Inline + PLC + ML-Drift-Erkennung

Hochwertige Sonnenschutz- und Low-E-Beschichtungen 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 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.

Cognex oder Keyence (Standard-Vision)Dr. Schenk oder ISRA VISION (Glas-Spezialist)Multispektral + CNN + MES-Anbindung

Glasurfarben reagieren empfindlich auf minimale Schwankungen in Rohstoffcharge, Brenntemperatur und Ofenbeladung. Liegen Fliesen zweier Chargen nebeneinander, fallen schon kleine Farbabweichungen auf und führen bei Mischlieferungen zu Reklamationen. Sichtprüfer erkennen subtile Farbshifts erst bei direktem Vergleich, nicht, wenn Chargen zeitlich versetzt anlaufen.

Spektrophotometrische Messung nach dem Brennen erfasst L*a*b*-Farbwerte je Fliese und berechnet ΔE gegen die Zielfarbe. Eine statistische Regelkarte mit CUSUM, einem Verfahren, das kleine, anhaltende Verschiebungen früher meldet als ein Einzelgrenzwert, erkennt schleichende Farbdrift über mehrere Brennzyklen und alarmiert, bevor das Toleranzband überschritten wird.

Fehlchargen werden innerhalb desselben Produktionstages erkannt statt beim Endkunden, Drift fällt auf, bevor die nächsten Chargen aus der Toleranz laufen. Wie stark die Farbreklamationen sinken, zeigt der Vorher-nachher-Vergleich mit eurem Reklamationsregister.

Datacolor Tools (Farbdatenbank-Software)Labor-Spektrophotometer + SPC-AuswertungInline-Spektrophotometrie + ML-Trending

Industrieöfen in der Keramikproduktion verbrauchen 30–50% des Gesamtstrombedarfs eines Werks. Feste Schichtpläne ignorieren dynamische Börsenpreise 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.

Zeitreihenprognose mit Prophet (oder LSTM) modelliert Lastprofil je Ofen aus ERP-Auftragsdaten und historischen Verbrauchsprofilen. Gradient-Boosting-Optimierungsschicht plant Brennfenster so, dass Pflichtlieferdaten eingehalten und Lastspitzen sowie EPEX-Spot-Teuerungszeiten gemieden werden.

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

ecoplanet (deutsche SaaS-Lösung)Prophet + scikit-learn (eigene Python-Lösung)Azure ML + EPEX Spot + ERP-Integration

Wenn eine Glasscheibe bricht, beginnt oft ein monatelanger Reklamationsstreit: Hersteller, Glaserei, Transporteur und Auftraggeber schieben die Verantwortung hin und her. Gutachter kosten je Fall einen vierstelligen Betrag 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.

Erste Ursachenhypothese in Minuten statt Wochen. Ob und wie viele Gutachten dadurch wegfallen, ist offen, die Gegenseite kann trotzdem eines verlangen. In Geld trägt sich das System erst bei vielen Gutachten im Jahr und braucht Fälle, die ein einzelner Lieferant oft nicht hat.

Roboflow oder Landing AI (kein eigener ML-Stack)Azure ML auf EU-Servern (Microsoft-Umgebung)Custom PyTorch-Build (eigene ML-Kompetenz vorhanden)

Pharmabehälter aus Borosilikatglas (Injektionsfläschchen, Karpulen, Ampullen) sind Primärpackmittel für Arzneimittel. Jede Rohstoff- oder Prozessänderung löst Änderungsmitteilungen an Pharmakunden aus, jedes Kundenaudit einen Fragebogen, jede Zulassung beim Kunden eine Anfrage nach Nachweisen. Regulatory-Affairs-Teams suchen dafür Unterlagen zusammen, formatieren und gleichen Versionen ab, statt inhaltlich zu arbeiten.

RAG-basierter KI-Assistent auf den eigenen Unterlagen und den lizenzierten Regelwerken (Ph. Eur. 3.2.1, USP <660>, ISO 4802, ISO 15378, bei Spritzen und Karpulen für Kombinationsprodukte zusätzlich Anhang I MDR). Beantwortet Fragen mit Fundstelle, stellt Kundendossiers zusammen, prüft sie gegen die Checkliste des Kunden und entwirft Änderungsmitteilungen und Auditantworten.

Weniger Such- und Formatierzeit je Kundendossier und Auditfragebogen, weniger vergessene Nachweise. Wie viel Zeit das spart, zeigt eine Zeiterfassung im Pilot. Die fachliche Verantwortung und jede Freigabe bleiben bei Regulatory Affairs.

Gemini Notebook / Claude mit öffentlichen Texten (kein Setup)ChatGPT- oder Claude-Business-Tarif mit eigenen UnterlagenEigene RAG-Pipeline (Azure OpenAI + LlamaIndex)

Glasrezepteure kombinieren SiO₂, Na₂O, CaO, B₂O₃ und Zusatzstoffe nach Erfahrungswissen und teuren Probeschmelzen. Eine Rezepturoptimierung bei schwankenden Rohstoffpreisen erfordert Neuberechnungen, die Wochen dauern, und mehrere Probeschmelzen, von denen jede einen vier- bis fünfstelligen Betrag kostet. 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.

Weniger Probeschmelzen je Optimierung, weil das Modell die aussichtsreichsten Kandidaten zuerst vorschlägt; wie viele weniger, zeigt die erste Optimierungsrunde. Rohstoffsubstitutionen werden rechenbar statt geraten. Rezepturwissen wird systematisch dokumentiert statt in Expertenkopf zu verbleiben.

Optuna + GPyTorch (internes Python-Team)Ax-Bibliothek mit externem Data-ScientistCustom-Entwicklung mit scikit-learn / GPyTorch

Premium-Kristallglas wird nach dem Schleifen und Polieren per Hand geprüft, ein Prozess, dessen Aufmerksamkeit 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. Jede Reklamation ist bei Premiumpreis-Produkten mit Imageschaden verbunden.

Mehrere Lichtverfahren kombiniert: Strukturiertes Licht (3D-Scanner) erfasst die Oberflächengeometrie, Streulicht macht Risse sichtbar, Durchlicht Einschlüsse im Glas. Ein CNN-Modell klassifiziert Defektart und -kritikalität in Echtzeit. Produktionsintegration über Förderband-Trigger.

Gleichbleibende Prüfqualität über die ganze Schicht, jeder Fund mit Bild dokumentiert, weniger übersehene Defekte beim Kunden. Wie stark die Erkennungsrate steigt, misst die Parallelphase an euren Formen; Geld spart das System vor allem über vermiedene Reklamationen und nur dann über Personal, wenn Prüferstellen tatsächlich wegfallen.

Keyence / Cognex Prüfstation (ab 60 T€ mit Integration)ISRA VISION (vollintegrierte Linie, ab 120 T€)Custom CNN auf PyTorch (eigenes ML-Team, 12–24 Monate)

Formen in IS-Maschinen, wie sie Behälterglashersteller von O-I über Verallia bis Ardagh betreiben, halten je nach Produkt einige Hunderttausend 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. Random-Forest- bzw. XGBoost-Regressionsmodell schätzt Restlebensdauer je Form und empfiehlt Tauschzeitpunkt für den nächsten geplanten Maschinenstopp.

Formen laufen so lange, wie sie gut sind, statt nach fester Hubzahl getauscht zu werden. Kritische Formen fallen auf, bevor Ausschuss oder Abfüller-Reklamationen entstehen, Notfall-Tausche werden seltener. Wie viel Standzeit und Ausschuss das bringt, zeigt das Standzeit-Tracking.

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

Glasschmelzwannen mit Feuerfestauskleidungen laufen viele Jahre in einer Kampagne. Gegen Ende wird die verbleibende Wand dünn und die Reserve klein. Thermocouples und manuelle Außenwandtemperatur-Messungen liefern punktuelle Daten, lokale Schwachstellen im Mauerwerk werden oft zu spät erkannt. Ein Wannendurchbruch kann Millionen kosten, wie oft er passiert, ist nicht systematisch publiziert.

Dichtes Netz aus Außenwand-Thermocouple-Arrays + Infrarot-Thermografiekameras liefert kontinuierliche Temperaturdaten. LSTM-Zeitreihenmodell (alternativ: Isolation Forest) lernt normale Erosionsmuster und erkennt anomale Hot Spots, die auf lokale Wandverdünnung oder Risse hindeuten. Restlebensdauer-Prognose fließt in Großreparatur-Planung ein.

Kritische Hot Spots werden früher sichtbar, sodass eine geordnete Abschaltung oder Reparatur möglich wird statt eines Notfalls. Das spart die Differenz zwischen Notfall und geplanter Maßnahme, nicht die ganze Wanne. Großreparaturplanung auf Datenbasis statt Erfahrungsschätzung.

Bestehende Thermocouple-Daten automatisch auswerten (kein Hardware-Investment)Thermocouple-Array nachrüsten + Zeitreihen-ML (LSTM/Isolation Forest)Flächenthermografie + ML + 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 verwaltet.

Qualifikationsmatrix + Constraint Programming+ ML-Ausfallprognose+ Integration in HR-System

Manuelle Sichtprüfung erkennt Mikrodefekte oft erst nach dem Zuschnitt. Bis dahin sind Schneiden, Schleifen und Vorspannen schon in die fehlerhafte Scheibe geflossen, und die Ursache lässt sich kaum noch einem Schmelzzeitpunkt zuordnen.

KI-Kamerasysteme scannen das Glasband kontinuierlich. Ein auf Fehlerbildern trainiertes Convolutional Neural Network (CNN) klassifiziert Blasen, Einschlüsse, Kratzer und Beschichtungsfehler in Echtzeit, mit Positionsangabe und Fehlertyp. Die Fehlerdaten erlauben einen Prozesseingriff noch während der Produktion.

Fehler werden vor dem Zuschnitt gefunden statt danach, die Bearbeitung fehlerhafter Scheiben entfällt, und weniger Fehler erreichen den Kunden. Weniger Ausschuss entsteht erst, wenn jemand die Fehlerdaten nutzt und in der Schmelze nachsteuert.

PoC mit Landing AI (kein Hardware-Invest)Cognex/Keyence Custom-Setup (ab 40.000 €)ISRA VISION Inline-System (ab 80.000 €, ganze Floatlinie ab 300.000 €)