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 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. 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-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 (GPT-4o, 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.

Erstellungszeit je Produktdatenblatt (Aktualisierung) sinkt von 2–4 Stunden auf 30–60 Minuten; Neuerstellung von 4–8 auf 1–2 Stunden. Übersetzungskosten für technische Dokumente um 50–70% geringer.

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. 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 Messung nach dem Brennen erfasst L*a*b*-Farbwerte je Fliese. Ein SPC-CUSUM-Trendmodell (statistisches Regressionsmodell auf Chargenmessungen) vergleicht jede Charge mit der Zielcharge und berechnet ΔE. Schleichende Farbdrift über mehrere Brennzyklen wird erkannt und alarmiert, bevor das Toleranzband überschritten wird.

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

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 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 40–60% senkbar durch Vorab-Klassifikation (Schätzwert aus Praxisberichten). Kulanzquote durch fairere Ursachenzuordnung messbar veränderbar.

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 (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.

NotebookLM / Claude.ai Pro (kein Setup)Custom GPT mit Regelwerk-WissensbasisEigene RAG-Pipeline (Azure OpenAI + LlamaIndex)

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.

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, 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 Mikrorisse von 40–60% (manuelle Sichtprüfung) auf >97% (3D-Scan + CNN) steigerbar; Einschlüsse von 70–85% auf 95–98%. Prüfdurchsatz verdoppelt sich. Reklamationsquote durch übersehene Defekte um 60–80% reduzierbar (Schätzwert aus Praxisberichten).

Keyence IV3 / Cognex In-Sight (Komplettsystem, ab 60 T€)ISRA Vision SMASH (vollintegrierte Linie, ab 120 T€)Custom CNN auf PyTorch (eigenes ML-Team, 12–24 Monate)

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. Random-Forest- bzw. XGBoost-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.

Kamera + MES-Formhistorie+ Regressionsmodell (Random Forest)+ 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. 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.

Wannendurchbrüche mit typischen Schadenskosten von 5–50 Mio. € durch rechtzeitige Hot-Spot-Erkennung vermeidbar. Kampagnenlaufzeit bis zur letzten sicheren Grenze ausschöpfbar. 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 erst nach dem Zuschnitt. Ausschuss ist dann unabwendbar, Ursachenzuordnung unmöglich. Pro Stunde Fehlproduktion können Verluste von 5.000–30.000 € entstehen.

KI-Kamerasysteme scannen das Glasband kontinuierlich. Ein auf Fehlerbildern trainiertes Convolutional Neural Network (CNN) klassifiziert Blasen, Einschlüsse, Kratzer und Beschichtungsfehler in unter 100 ms, mit Positionsangabe und Fehlertyp. Frühwarnung ermöglicht Prozesseingriff noch während der Produktion.

Ausschussrate um 30–60% reduzierbar. Rückverfolgung auf Schmelzparameter möglich. Reklamationskosten sinken, weil fehlerhafte Einheiten den Kunden nicht mehr erreichen.

PoC mit Landing AI (kein Hardware-Invest)Cognex/Keyence Custom-Setup (ab 40.000 €)ISRA VISION Vollpaket-Inline-System (80.000–500.000 €)