Floatglas-Blasenerkennung: Mikrodefekte inline erkennen
Winzige Gasblasen im Floatglas-Band entstehen unvorhersehbar im Zinnbad und machen großformatige Architektur- und Solarscheiben unverkäuflich. KI-Bildverarbeitung erkennt Defekte in Echtzeit direkt am Band.
Das Problem
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.
Die Lösung
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.
Der Nutzen
Ausschussrate um 40–60% reduzierbar durch Frühalarme mit Ursachenzuordnung. Rüstzeiten für Qualitätsprüfung sinken um ~70%. Reklamationskosten durch nicht erkannte Defekte bis zu 80% rückläufig.
Produktansatz
Hyperspektral-Inline-Kamera + CNN-Klassifikator (z.B. ISRA Vision FLOATSCAN, Dr. Schenk GlassInspect, Cognex VisionPro Deep Learning) + MES-Integration via OPC UA
Diesen Inhalt teilen:
Die vollständige Analyse enthält
- Kosten- & ROI-Vergleich
- Konkrete Tool-Empfehlungen
- Praxisszenario aus der Beratung
- Häufige Einstiegsfehler
- Realistischer Zeitplan
- DSGVO-Hinweise für DE
Passt das zu dir?
- Ihr betreibt mindestens eine Floatglaslinie mit mehr als 600 m²/Stunde Durchsatz
- Eure aktuelle Ausschussquote liegt bei mehr als 1,5% an der Linie
- Ihr habt ein MES-System mit strukturierten Prozessdaten aus dem Zinnbad
- Ihr könnt ein Kamerainstallationsfenster von 2–4 Wochen im nächsten Relining-Zyklus einplanen
- Ihr habt interne oder externe Machine-Vision-Kompetenz für Training und Wartung
Vollständige Analyse anfragen
Schreib uns kurz — wir schauen gemeinsam, ob dieser Use Case zu deiner Situation passt, und schicken dir die vollständige Analyse. Kostenlos und unverbindlich.
Weitere Use Cases
KI-Bildverarbeitung für automatische Glasfehler-Erkennung
Blasen, Kratzer und Einschlüsse im Glas werden manuell zu spät erkannt — erst nach dem Zuschnitt, wenn nichts mehr zu retten ist. KI-gestützte Inline-Inspektion klassifiziert Defekte in Echtzeit direkt am Band.
Mehr erfahrenML-gestützte Brennprozess-Optimierung in der Keramikindustrie
Temperaturschwankungen im Tunnelofen erzeugen Ausschuss, den niemand vorhersagt. ML-Modelle lernen das optimale Temperaturprofil für jeden Produktmix — und reduzieren gleichzeitig Ausschuss und Energieverbrauch.
Mehr erfahrenKI-Assistenz für Produktdatenblätter und technische Spezifikationen
Technische Keramik und Spezialglas erfordern präzise Produktspezifikationen, Zertifikate und Datenblätter — in mehreren Sprachen, für unterschiedliche Kunden und Normen. KI reduziert den Erstellungsaufwand um 60–80%, ohne die technische Präzision zu opfern.
Mehr erfahren