Glasfaser-Fadenriss: ML-Prognose aus Schmelzviskositätsdaten

Das echte Ausmaß des Problems

Glasfaserspinnen ist eines der sensibelsten kontinuierlichen Fertigungsverfahren überhaupt. Die Schmelze verlässt das Bushing mit tausenden von Einzeldüsen bei 1.200 bis 1.350 °C, und jeder der hauchdünnen Fäden (Zieldurchmesser: 9 bis 24 Mikrometer) muss die Strecke vom Düsenmund bis zur Aufwicklung unbeschadet überstehen, bei Abzugsgeschwindigkeiten bis 4.000 m/min.

Dass dabei etwas reißt, ist nicht die Ausnahme. Es ist das charakteristische Risikoprofil eines Hochgeschwindigkeitsprozesses, der an thermodynamischen und rheologischen Grenzen operiert.

Was ein Fadenriss wirklich kostet:

Der Riss selbst dauert Millisekunden. Die Konsequenz dauert eine Viertelstunde bis zu einer Stunde:

• Maschine stoppen, Schmelzefaden kontrolliert abreißen lassen
• Düsenblock reinigen (bei schlechtem Riss: angehärtetes Glas auspiksen)
• Neu-Anfahren: Temperaturstabilisierung abwarten, jeden der Düsenstränge einzeln aufführen
• Qualitätskontrolle: erste Produktion verwerfen, bis das Titer-Profil stimmt

Bei 8 bis 15 Rissen pro Schicht und 15 bis 30 Minuten Verlust pro Vorfall entstehen 2 bis 7 Stunden Produktionsausfall täglich, bezogen auf eine einzige Spinnlinie. Eine mittelgroße Hütte mit vier bis sechs Linien verliert so täglich 8 bis 42 Maschinenstunden.

Zum Vergleich: Eine Spinnlinie produziert bei Vollbetrieb 2 bis 6 Tonnen Glasfaser pro Tag, je nach Produkttyp. Jede Stunde Ausfall kostet, bei einem Marktpreis von 1,50 bis 3,50 Euro pro Kilogramm und den entgangenen Maschinenkapazitäten, 2.000 bis 8.000 Euro. Für eine Viererschicht-Hütte bedeutet das Fadenrissproblematik auf Jahressicht: 2 bis 6 Millionen Euro direkte und indirekte Verluste. Die Zahlen schwanken stark je nach Glastyp (E-Glas, S-Glas, AR-Glas), Ziehabzugsgeschwindigkeit und Produktpreis.

Was die Ursache ist:

Circa 60 bis 70 Prozent aller Fadenrisse sind auf Viskositätsanomalien zurückführbar, die aus drei Quellen stammen:

1. Chargenschwankungen bei Rohstoffen, SiO₂-Gehalt ±0,2 %, Boroxidgehalt, Aluminiumoxid-Reinheit, Feuchtegehalt der Zuschlagstoffe
2. Lokale Temperaturinhomogenitäten im Bushing, einzelne Heizzonen, die driften oder unterschiedlich altern
3. Düsenverschleiß und -verstopfung, kristallisiertes Glas (Entglasung) an einzelnen Düsenspitzen

Die verbleibenden 30 bis 40 Prozent haben mechanische Ursachen (Fadenhaken, Spulerwechsel, Kühlluftströmung) und lassen sich durch Sensorik allein schwerer vorhersagen.

Mit vs. ohne KI, ein ehrlicher Vergleich

¹ Erfahrungswerte aus Pilotprojekten und industriellen ML-Implementierungen in der Prozessindustrie; keine repräsentative Studie für E-Glas-Spinnereien, aber konsistente Beobachtungen. Der tatsächliche Effekt hängt stark von Rissursachen-Verteilung, Sensorqualität und Modellreife ab.

Der größte Hebel ist nicht das Verhindern des letzten Risses, sondern die Entkopplung von Nacht- und Tagschicht-Performance. Nachts und am Wochenende fehlt die intuitive Erfahrung, die ein alter Hase in der Tagschicht nach zehn Jahren mitbringt. Ein ML-Frühwarnsystem gibt der Nachtschicht denselben Informationsstand.

Einschätzung auf einen Blick

Zeitersparnis, hoch (4/5)
Jede Frühwarnung, die einen Riss verhindert, spart 15 bis 30 Minuten Neuanlaufzeit plus 15 bis 40 Kilogramm Ausschuss. Bei einer Rissrate von 8–15 Ereignissen pro Schicht und einer Präventionsrate von 40 bis 60 Prozent sind das 1 bis 3 Stunden täglich je Linie, ein substanzieller Effekt. Höher als 4 rechtfertigt das vorliegende Profil nicht: Das System warnt vor, aber nicht alle Warnungen führen zu erfolgreicher Gegensteuerung; der Bediener muss noch handeln.

Kosteneinsparung, hoch (4/5)
Produktionsausfall von 5.000 bis 20.000 Euro pro Tag je Linie, wovon 35 bis 55 Prozent durch Frühwarnung vermeidbar sind, das ergibt einen messbaren Jahresbeitrag von 500.000 bis 2.000.000 Euro für eine mittelgroße Mehrlinien-Hütte. Das ist einer der stärksten wirtschaftlichen Hebel in dieser Kategorie. Der Abzug gegenüber einem möglichen 5er: Der Effekt hängt an der Rissursachen-Verteilung, mechanische Risse lassen sich nicht durch Viskositätssensorik verhindern.

Schnelle Umsetzung, sehr niedrig (1/5)
Das ist der ehrlichste Wert auf dieser Seite. Inline-Sensorik nachrüsten, Historiendaten aufbauen, Modell trainieren, validieren, pilotieren, das dauert in der industriellen Realität 12 bis 24 Monate. Kein Cloud-Tool, das man in einem Nachmittag einrichtet. Kein Pilotbetrieb nach vier Wochen. Das ist der komplexeste Einstieg in dieser Kategorie.

ROI-Sicherheit, hoch (4/5)
Der Kausalzusammenhang Viskositätsdrift → Fadenriss ist physikalisch gut verstanden und statistisch belegbar, sobald die Datenlage stimmt (Huang et al., ScienceDirect 2024, bestätigt für Basaltfasern; analoge Physik für E-Glas). Der ROI ist vor-nach-messbar: Rissrate vor Pilotbetrieb versus danach, über identische Linien, mit identischen Rohstoffchargen. Das macht die Kausalattribution einfacher als bei vielen anderen ML-Use-Cases. Kein 5er, weil der Trainingsaufwand und die Seltenheit von Extremereignissen die Modellgenauigkeit in der Anfangsphase begrenzen.

Skalierbarkeit, niedrig (2/5)
Das ist die strukturelle Begrenzung: Jede Spinnlinie braucht ein eigenes Modell. Unterschiedliche Bushing-Geometrien, verschiedene Ziehabzugsgeschwindigkeiten, unterschiedliche Düsenanzahlen (200 bis 8.000 je Bushing), abweichende Produktrezepturen, ein Modell von Linie 3 überträgt sich nicht auf Linie 7. Transfer Learning kann diesen Aufwand partiell reduzieren, ist aber noch keine ausgereifte Praxislösung. Horizontal über Standorte skaliert das System kaum, wenn unterschiedliche Produktionsequipments und Glastypen im Einsatz sind.

Richtwerte, stark abhängig von Linientyp, Glassorte, vorhandener Sensorinfrastruktur und Rissursachen-Verteilung in eurer Produktion.

Was das Frühwarnsystem konkret macht

Das System verknüpft vier Datenströme, die in einer klassischen Hütte meist separat vorliegen:

Strom 1: Inline-Prozessdaten (kontinuierlich, sekündlich)
Bushing-Temperaturen je Heizzone, Ziehkraft an der Spule (indirekte Viskositätsmessung), Schmelztemperatur im Vorherd, Kühlluftvolumen und -temperatur, Fadendurchmesser-Optik (falls vorhanden).

Strom 2: Rohstoff-Chargendaten (diskret, je Chargeneingang)
SiO₂-Gehalt, Al₂O₃, B₂O₃, Alkalioxidgehalte, Feuchte, Partikelgrößenverteilung, aus dem LIMS der Eingangskontrolle.

Strom 3: Riss-Ereignisdaten (historisch, labeled)
Zeitstempel, Risstyp (soweit protokolliert), betroffene Bushing-Sektion, Reaktionsmaßnahme, Neuanlaufdauer.

Strom 4: Produktionsparameter (semistatisch)
Rezepturnummer, Zieldurchmesser, Sollziehgeschwindigkeit, Schlichterezept.

Ein Machine Learning-Modell, in der Regel ein LSTM (Long Short-Term Memory) oder ein Gradient-Boosting-Ensemble auf Zeitreihen-Features, lernt aus den historischen Daten das charakteristische Signalmuster der 3 bis 8 Minuten vor einem Riss. Im Produktivbetrieb vergleicht das Modell den aktuellen Sensorstrom in Echtzeit mit diesem Muster und gibt einen Risikowert aus.

Der Risikowert ist kein binäres Ja/Nein. Er ist eine Wahrscheinlichkeit auf einer Skala, die im Dashboard als Ampel dargestellt wird. Grün: Normal. Gelb: Leicht erhöhtes Risiko, Bediener informiert. Rot: Kritisches Muster erkannt, sofortige Handlungsempfehlung (typisch: Schmelztemperatur um X Kelvin erhöhen, Abzugsgeschwindigkeit reduzieren, Bushing-Sektion beobachten).

Das Modell lernt über die Zeit nach. Jeder Riss, der trotz Gelb-Warnung eintritt, wird mit dem genauen Signalmuster verknüpft und verbessert die nächste Modellversion. Jede erfolgreiche Gegensteuerung wird ebenfalls erfasst, als positives Trainingsbeispiel.

Fadenriss-Taxonomie: drei Typen, drei Ursachen, drei Sensorstellen

Nicht jeder Fadenriss hat dieselbe Ursache. Die Unterscheidung ist entscheidend, weil sie bestimmt, welche Sensordaten für die Prognose des jeweiligen Typs relevant sind.

Typ 1: Ziehabriss (Pulling Break)
Der Faden reißt zwischen Bushing-Düse und Aufwicklung, nicht am Düsenmund selbst. Ursache: zu hohe Ziehgeschwindigkeit relativ zur Schmelzviskosität, oder plötzliche Schwankung in der Kühlstreckenlänge. Der Viskositäts-Ziehkraft-Quotient gerät außerhalb des stabilen Fensters.
Relevante Sensoren: Ziehkraftmessung, Kühllufttemperatur, Fadendurchmesser-Optik, Abzugsgeschwindigkeit.

Typ 2: Spinndüsenabriss (Bushing Break / Tip Break)
Das Glas reißt direkt am Düsenmund ab, die Schmelze ist zu zähflüssig (zu hohe Viskosität) oder die Düsenspitze ist verstopft (Entglasung). Häufigster Risstyp bei Rohstoffchargenwechsel mit erhöhtem SiO₂- oder erniedrigtem B₂O₃-Gehalt.
Relevante Sensoren: Bushing-Heizzonentemperatur je Sektion, Inline-Viskosität (wenn vorhanden), LIMS-Rohstoffparameter der aktuellen Charge.

Typ 3: Umlenkpunktabriss (Guide Break)
Der Faden reißt an einem mechanischen Umlenkelement, Fadenführer, Schlichtebad, Quetschwalze, durch Kontaktfehler, Fadenvibration oder unzureichende Schlichtbenetzung. Sensorisch schwieriger zu erfassen, weil die Ursache außerhalb des Schmelzbereichs liegt.
Relevante Sensoren: Schlichtetemperatur und -viskosität, Fadenvibrationssensor (selten vorhanden), mechanische Verschleißinspektion.

Warum die Taxonomie für das ML-Modell zählt:
Ein einziges Modell, das alle drei Typen zusammen prognostizieren soll, wird schlechter performen als drei spezialisierte Modelle, oder ein Multi-Task-Modell mit Typ-Classifier vorgeschaltet. Die Ereignis-Protokollierung in der Hütte muss daher den Risstyp erfassen, nicht nur den Zeitstempel. Das ist oft die erste organisatorische Änderung, die vor dem ML-Projekt kommen muss.

Schmelzviskosität und Spinndüsentemperatur: der physikalische Tradeoff

Die entscheidende Größe für stabiles Fadenziehen ist nicht die Temperatur, es ist die Viskosität an der Düsenspitze. Und Viskosität ist eine nicht-lineare Funktion von Temperatur und Glaschemie.

Für E-Glas gilt grob: Der stabile Spinnbereich liegt bei einer Viskosität von 10² bis 10³ Poise (Pa·s × 10). Die Faserbildungstemperatur, der Punkt, bei dem die Viskosität 10³ Poise erreicht, liegt typischerweise zwischen 1.240 und 1.350 °C, je nach Glasrezeptur. Die Liquidustemperatur (unter der Entglasung einsetzt) liegt oft nur 80 bis 120 °C darunter. Das stabile Spinnfenster ist damit weniger als 100 Kelvin breit.

Der Tradeoff: Wenn du die Temperatur erhöhst, um zu niedrige Viskosität zu korrigieren:

• Effekt 1: Viskosität sinkt → Fluss wird besser, Gefahr des Ziehabrisses sinkt
• Effekt 2: Schmelze ist flüssiger → Oberflächenspannung zieht Tropfen an Düsenmündungen → Tropfenabriss statt Faden (bei Überkorrektur)
• Effekt 3: Zu hohe Temperatur → erhöhte Verdampfung von B₂O₃ → Schmelzechemie verändert sich → nächster Riss aus anderer Ursache

Wenn du die Temperatur senkst, um einen Tropfenabriss zu verhindern:

• Effekt 1: Viskosität steigt → Spinndüsenabriss-Risiko steigt
• Effekt 2: Energieeinsparung (positiv)
• Effekt 3: Risiko der Entglasung im Vorherd steigt

Das ML-Modell muss daher nicht nur den aktuellen Viskositätswert überwachen, sondern den Abstand zum stabilen Spinnfenster in beide Richtungen schätzen, und die Gegensteuerungsempfehlung muss diesen Tradeoff abbilden. Einfache Anomaliedetektoren (Schwellwertüberschreitung) scheitern hier, weil der Schwellwert selbst von Charge zu Charge variiert.

Implikation für das Modell: Der wichtigste Input-Feature ist nicht die absolute Temperatur, sondern das Delta zwischen gemessener Bushing-Temperatur und der aus der aktuellen Chargenchemie berechneten Faserbildungstemperatur. Dieser chemisch-normalisierte Abstandswert ist von Charge zu Charge vergleichbar, und wird zum robustesten Frühindikator.

Sensorauswahl für Echtzeitdaten

Die Qualität des ML-Modells steht und fällt mit der Qualität der Eingangsdaten. Welche Sensoren du brauchst, hängt vom Risstyp-Profil deiner Hütte ab, aber hier ist die Mindestausstattung für ein funktionsfähiges Prognosemodell:

Pflicht-Sensorik (ohne diese: kein Modell möglich)

Sinnvolle Erweiterung (verbessert Modellgüte deutlich)

Häufige Fehler bei der Sensorauswahl:

Zu wenige Thermoelemente pro Bushing. Vier Zonen-Thermoelemente an einem 4.000-Düsen-Bushing geben dir Durchschnittswerte, keine lokalen Hotspots. Lokale Hotspots (einzelne Heizzone mit +15 K Abweichung) sind häufige Auslöser von Sektions-Rissen. Empfehlung: Mindestens acht Thermoelemente für Bushings ab 2.000 Düsen.

Zu lange Sensorleitungen ohne Kalibrierung. Thermoelementdrift von 2–5 K über sechs Monate ist normal, verfälscht aber systematisch den Abstand zum Spinnfenster. Kalibrierungsprotokoll (quartalsweise) muss Teil des Wartungsplans sein, nicht nur der Sensoreinbau.

Inline-Viskosimeter für Hochtemperaturschmelze falsch dimensioniert. Standardviskosimeter aus der Polymer-Extrusion funktionieren bei Glasschmelzen nicht, Temperaturen um 1.300 °C erfordern Spezialausführungen aus Platin-Rhodium-Legierung. Die Messgenauigkeit bei diesen Temperaturen ist technisch herausfordernd; für viele Hütten ist der Fadenzugkraft-Sensor als indirekter Proxy zuverlässiger und deutlich günstiger.

Übernahme bestehender SCADA-Signale:
Die meisten Spinnlinien haben bereits Thermoelemente und SPS-Signale in einem SCADA-System (Siemens S7, Beckhoff, Rockwell). Der erste Schritt ist nicht neue Hardware, es ist die Anbindung der bestehenden Signale an eine Zeitreihendatenbank. Dieser Schritt ist oft einfacher als befürchtet: Ein OPC-UA-Gateway (oft schon vorhanden oder kostengünstig nachrüstbar) überträgt die Prozesssignale an eine lokale Instanz von InfluxDB oder direkt in eine Cloud-Zeitreihenumgebung.

Produktionslinien-Integration: wo die echte Arbeit steckt

Das ML-Modell selbst ist oft der kleinste Aufwand. Die echte Herausforderung ist die Datenintegration.

Schicht 1: OT-Daten aus dem Shopfloor
SCADA-Signale → OPC-UA-Adapter → Zeitreihendatenbank (InfluxDB oder AVEVA PI System). Für Linien mit Siemens-SPS ist Siemens Industrial Edge ein direkter Weg: Edge-Hardware am Schaltschrank, OPC-UA-Anbindung der S7-SPS, Vorverarbeitung am Edge, Weiterleitung nur der relevanten Features in die Cloud. Vorteil: Die Schmelzdaten verlassen die Produktionshalle nicht unverarbeitet, DSGVO-relevant ist das nicht (Maschinendaten), aber IT-Sicherheitsrichtlinien in der OT-Umgebung können das erfordern.

Schicht 2: LIMS-Rohstoffdaten
Rohstoff-Qualitätsdaten aus dem Eingangslabor müssen zeitlich mit den Spinnliniendaten verknüpft werden. Der kritische Schritt ist das Zeitstempeln: Ab wann ist eine Charge in der Schmelze aktiv? Die Laufzeit durch Gemengeanlage, Schmelzwanne und Vorherd beträgt typischerweise 8 bis 36 Stunden, je nach Wannenvolumen. Diese Totzeitkorrektur ist eine der häufigsten Fehlerquellen in der Modellentwicklung.

Schicht 3: Riss-Ereignisse als Labels
Historische Rissereignisse müssen als Label-Datensatz vorliegen, Zeitstempel, Risstyp, betroffene Linie, Bushing-Sektion. In den meisten Hütten existiert das als handschriftliches Schichtbuch oder Excel-Tabelle. Diese Daten müssen digitalisiert und bereinigt werden. Erfahrungsgemäß kosten die ersten drei Monate des Projekts hauptsächlich diese Arbeit, nicht die Modellentwicklung.

Schicht 4: Alerting und Feedback-Loop
Modell-Output → Dashboard (Grafana oder werksinternes System) → Bediener-Alert (Ampel, optional SMS/Teams-Nachricht) → Bediener handelt → Ergebnis wird zurück ins System geschrieben (Gegensteuerung erfolgreich: Riss verhindert / Gegensteuerung nicht erfolgreich: Riss trotzdem). Dieser Feedback-Loop ist die Grundlage für das kontinuierliche Modell-Retraining.

Die häufigste Integrations-Falle:
Daten aus OT (Maschinenebene) und IT (LIMS, ERP) liegen oft in inkompatiblen Zeitformaten, mit unterschiedlichen Zeitzonen-Einstellungen oder Sommerzeitsprüngen, die historische Daten verschieben. Das klingt banal, in der Praxis kostet es Wochen. Plane dafür explizit Zeit ein.

Konkrete Werkzeuge, was wann passt

Der Werkzeugstack für ein Glasfaser-Fadenriss-Prognosemodell ist immer maßgeschneidert, kein Out-of-the-Box-SaaS löst das. Die Frage ist, welche Schichten du selbst baust und wo du auf verwaltete Dienste setzt.

Zeitreihendatenbank und Monitoring-Infrastruktur

InfluxDB (Open Source, selbst gehostet) eignet sich als lokale Zeitreihendatenbank für den Shopfloor-Historian, hohe Write-Performance, schlanke Ressourcenanforderungen, gute OPC-UA-Connector-Unterstützung über Telegraf. Für Hütten, die ihre Schmelzdaten nicht in die Cloud übertragen wollen oder können, ist InfluxDB On-Premises die erste Wahl. Kosten: nur Hardware und Betrieb, keine Lizenzgebühr.

AVEVA PI System ist die Alternative für Hütten, die bereits einen PI-Historian im Einsatz haben oder die Prozessindustrie-Standards erfüllen müssen. PI bietet 450+ industrielle Protokoll-Interfaces und ist für Glasschmelz-Anwendungen erprobt. Der Nachteil: Preismodell intransparent, Implementierung dauert Monate, und externe PI-Administratoren sind rar.

Für die Dashboard-Visualisierung (Risiko-Ampel, Trendanzeige, Riss-Event-Protokoll) bietet Grafana eine exzellente Open-Source-Lösung mit direktem InfluxDB-Connector. Es gibt Industrieprojekte, die Grafana direkt am Shopfloor-Terminal einsetzen, robust, konfigurierbar, keine Lizenzkosten.

ML-Plattform für Training und Deployment

Amazon SageMaker (EU-Region Frankfurt) oder Azure Machine Learning (EU-Region Frankfurt/Amsterdam) sind die zwei etablierten verwalteten ML-Plattformen mit DSGVO-konformer Datenverarbeitung in Europa. Beide bieten:

• Verwaltetes LSTM/Transformer-Training auf GPU-Clustern
• Model Monitoring für Drift-Erkennung (wichtig: das Modell muss auf Rohstoffchargenwechsel reagieren)
• Experiment-Tracking und Modellversionierung

SageMaker ist die bessere Wahl für AWS-Hütten; Azure ML passt besser zu Unternehmen im Microsoft-Ökosystem mit Azure IoT Hub für die Sensor-Anbindung. GPU-Trainingsjobs kosten je nach Modellgröße und Datensatz 50 bis 500 Euro pro Trainingslauf, bei quartalsweisem Retraining ein überschaubarer Posten.

Für Hütten mit eigenem Data-Science-Team und On-Premises-Anforderung: PyTorch (Open Source) ist das Industrie-Standardframework für LSTM-Zeitreihenmodelle. Selbst gehostet auf einem GPU-Server (z. B. NVIDIA-A100-Workstation, ca. 10.000–20.000 Euro Anschaffung) für die, die keine Cloud-Abhängigkeit wollen.

Wann welcher Ansatz:

Kein Tool auf dieser Liste:
Amazon Lookout for Equipment wurde zum Zeitpunkt der Erstellung dieser Seite von AWS zur Einstellung angekündigt (Abschaltung Oktober 2026). Wer diesen Dienst bisher betreibt, sollte Migration zu SageMaker planen.

Datenschutz und Datenhaltung

Glasfaser-Produktionsdaten sind primär Maschinendaten, Temperaturen, Drücke, Abzugsgeschwindigkeiten. Personenbezogene Daten im Sinne der DSGVO entstehen nur dann, wenn Schichtprotokoll-Daten (Bediener-IDs, handschriftliche Schichtbücher) in das Modell einbezogen werden.

Was das bedeutet:

Rohstoff-Chargendaten aus dem LIMS enthalten keine personenbezogenen Daten. Schmelz-Sensordaten enthalten keine personenbezogenen Daten. Eine DSGVO-Folgenabschätzung ist damit für den ML-Kernbetrieb in der Regel nicht erforderlich.

Wenn jedoch Bediener-Logs (wer hat welche Gegensteuerung durchgeführt?) zur Modellvalidierung oder für Performance-Monitoring genutzt werden sollen, entsteht Personenbezug. Dann greift DSGVO Art. 88 (Beschäftigtendatenschutz), und Betriebsrat-Mitbestimmung nach §87 Abs. 1 Nr. 6 BetrVG ist zu prüfen.

Praktische Empfehlungen:

• Maschinendaten: On-Premises oder Cloud EU-Region (Frankfurt), beide Optionen sind DSGVO-konform, wenn kein Personenbezug entsteht
• LIMS-Chargendaten: Idealerweise On-Premises oder EU-Cloud; sie können Geschäftsgeheimnisse (Rezepturen, Lieferantenbeziehungen) enthalten
• Keine Cloud-Verarbeitung von Rohstoffrezepturen auf US-Servern ohne Standardvertragsklauseln (SCCs) und AVV mit dem Anbieter
• Bei AWS SageMaker oder Azure ML: explizit die EU-Region (eu-central-1 / West Europe) konfigurieren; Standardauswahl kann US-Region sein

Was es kostet, realistisch gerechnet

Ein ML-Fadenriss-Prognosemodell ist kein SaaS-Abonnement. Die Kostenstruktur ist anders als bei Software-Tools.

Einmalige Projektkosten (typisches Mittelfeld-Projekt)

Diese Spanne hängt stark davon ab, was bereits vorhanden ist. Hütten mit bestehendem AVEVA-PI-Historian und guter LIMS-Abdeckung starten in der unteren Hälfte; Hütten ohne digitale Infrastruktur zahlen deutlich mehr.

Laufende Kosten (pro Jahr, pro Linie)

• Cloud ML-Plattform (SageMaker/Azure ML): 3.000–12.000 €/Jahr (Training quartalsweise, Inference kontinuierlich)
• Zeitreihendatenbank (InfluxDB Cloud oder On-Premises-Betrieb): 500–5.000 €/Jahr
• Sensor-Wartung und Kalibrierung: 2.000–8.000 €/Jahr
• Data-Science-Kapazität für Modell-Reviews: 0,1–0,3 FTE/Jahr

Was du dagegen rechnen kannst:

Spinnlinie mit 8 Rissen/Schicht, 15 Minuten Verlust/Riss, drei Schichten/Tag: 6 Stunden Verlust täglich. Bei 250 Produktionstagen/Jahr: 1.500 Stunden verlorene Kapazität. Zu einem Opportunity-Cost von 2.000 bis 6.000 Euro/Stunde: 3 bis 9 Millionen Euro Jahresverlust, konservativ für eine Linie mit hochwertigem Produkt.

Bei 40 Prozent Rissreduktion durch das System: 1,2 bis 3,6 Millionen Euro/Jahr gerettete Kapazität. Selbst die oberste Kostenschätzung (265.000 € Einrichtung + 25.000 € laufend) amortisiert sich innerhalb weniger Monate, wenn die Rissursachen-Verteilung zur Sensorik passt.

Der konservative Gegenbeweis: Wenn 60 Prozent der Risse mechanische Ursachen haben (Umlenkpunktabrisse, Fadenhaken), die kein Viskositätssensor vorhersagen kann, halbiert sich der Effekt. Vor dem Projekt muss eine Rissursachen-Analyse über mindestens drei Monate stehen, sonst kaufst du ein System, das nur einen Teil des Problems löst.

Wie du den ROI tatsächlich misst:
Das Werkzeug der Wahl ist die Kontrolllinien-Methode: Eine Linie bekommt das System, eine identische Parallellinie läuft weiter ohne System (oder als Basislinie mit historischen Werten). Rissrate, Ausschuss und Neuanlaufzeiten werden über 90 Tage parallel erfasst. Dieser Vergleich ist gerichtsfest, valide und zeigt auch, ob das System für eure spezifische Rissursachen-Verteilung funktioniert.

Drei typische Einstiegsfehler

1. Modell trainieren, bevor der Label-Datensatz stimmt.
Der häufigste und teuerste Fehler. Ein Riss-Ereignis im Schichtbuch mit Uhrzeit „ca. 02:30” ist für das Training wertlos, das Modell lernt dann die 10 Minuten vor „ca. 02:30”, nicht die Minuten vor dem tatsächlichen Riss. Präzise Zeitstempel auf 30 Sekunden sind Minimum; auf 10 Sekunden ideal. Das bedeutet: Bevor das Projekt startet, muss die Riss-Protokollierung digital und zeitpräzise sein, mindestens drei Monate lang, um einen brauchbaren Datensatz aufzubauen. Viele Projekte starten mit dieser Arbeit, ohne es als ML-Arbeit zu bezeichnen, und sparen damit später Wochen.

2. Rohstoff-LIMS-Daten nicht zeitkorrigiert mit Schmelzdaten verknüpfen.
Eine Charge Rohstoff, die am Montag um 06:00 Uhr eingewogen wird, ist frühestens Dienstag Abend in der Spinnlinie aktiv, abhängig von Wannenvolumen und Durchsatz. Wer diesen Zeitversatz nicht korrekt modelliert, trainiert das Modell auf der falschen Charge. Ergebnis: Das Modell korreliert die Rohstoffqualität mit Rissen der Vorgängercharge. Prognosequalität: nahe null.

3. Das System wird pilotiert und dann vergessen.
Das ist der gefährlichste Fehler, weil er still passiert. Nach sechs bis neun Monaten hat sich die Rohstoffbasis verändert (neuer Lieferant, Rezepturoptimierung), die Bushing-Geometrie wurde partiell erneuert, ein neues Produkt mit anderem Glastyp ist auf der Linie. Das Modell, das mit alten Daten trainiert wurde, gibt weiterhin Risikowerte aus, aber die gelten nicht mehr für die aktuelle Produktionssituation.

Konzeptdrift ist in der Glasfaserspinnerei besonders ausgeprägt, weil Rohstoffchargen, Düsengeometrien und Produktrezepturen sich kontinuierlich verändern. Wer kein quartalsweises Modell-Review und Retraining-Budget einplant, hat nach 18 Monaten ein System, das Fehlalarme produziert und damit die Bediener-Akzeptanz untergräbt, schlimmer als kein System.

Was mit der Einführung wirklich passiert, und was nicht

Die erste Reaktion in der Schichtmannschaft ist meistens Skepsis, gefolgt von Interesse, dann, in Woche drei bis vier, von Frustration über Fehlalarme.

Das Frühwarnsystem wird in den ersten Wochen Risiko-Warnungen ausgeben, bei denen kein Riss folgt. Das ist kein Systemfehler, es ist ein Kalibrierungsproblem, das mit mehr Daten besser wird. Aber für den Bediener an der Maschine bedeutet es: Er hat auf Gelb reagiert, Temperatur angepasst, und der Faden lief weiter. Hat das System geholfen oder hat der Riss ohnehin nicht stattgefunden? Das ist die grundlegende Attribution-Schwierigkeit, die jedes Präventionssystem hat.

Die drei Widerstandsmuster in der Praxis:

Die erfahrenen Schichtführer. Jemand, der seit 15 Jahren an der Spinnlinie steht und fühlt, wann die Maschine Stress hat, vertraut seinem Instinkt mehr als einem Ampelsignal. Das ist legitim, dieser Instinkt ist oft besser als das Modell in der Anfangsphase. Was hilft: Diesen Personen zeigen, dass das System genau die Muster formalisiert, die sie intuitiv kennen. Und: Ihre Erfahrungswerte aktiv in das Modell einbringen (welche Situationen sie als riskant einschätzen, als zusätzliche Labels).

Die Nachtschicht, die dem System nicht traut, weil sie es nicht versteht. Das System zeigt eine Wahrscheinlichkeit. Was bedeutet 73 % Rissrisiko in Praxis? Sollte man sofort handeln oder abwarten? Ohne klare Handlungsanweisung führt das zu Lähmung oder Ignoranz. Die Lösung ist einfach: Das Ampelsystem braucht protokollierte Handlungsempfehlungen für jede Farbe. Nicht „erhöhtes Risiko erkannt”, sondern „Bushing 4-Nordseite: Heizzone 3 um 8 Kelvin erhöhen”.

Die Produktionsleitung, die nach drei Monaten Pilotbetrieb auf ROI-Nachweis besteht. Drei Monate sind zu kurz für eine statistisch valide Aussage über Rissreduktion, wenn die Rissrate wetterbedingt, chargenseitig und saisonalen Schwankungen unterliegt. Was hilft: Schon vor dem Pilotstart eine Daten-Baseline über mindestens drei Monate erfassen, damit der Vergleich nach dem Pilotstart auf gleicher methodischer Basis steht.

Realistischer Zeitplan mit Risikohinweisen

Das ist kein Wasserfall. Phasen 2 und 3 laufen parallel, Modellentwicklung beginnt schon mit ersten Daten. Die Zeitangaben sind Mindestzeiten, Hütten ohne bestehende Digitalinfrastruktur rechnen mit dem oberen Ende.

Häufige Einwände, und was dahintersteckt

„Unsere Bediener kennen das Muster schon, das brauchen wir nicht.”
Das ist teilweise richtig. Erfahrene Schichtführer der Tagschicht haben ein echtes, intuitives Sensorium für Viskositätsanomalien. Das Problem ist die Nacht- und Wochenendschicht, und der Wissenstransfer, wenn diese Person in Rente geht. Das ML-Modell macht genau das, was langjährige Erfahrung tut: Muster in Zeitreihen erkennen. Der Unterschied: Es vergisst nicht, schläft nicht, und kann gleichzeitig sechs Spuren überwachen.

„Zu viele Variablen, ein Modell kann das nicht lernen.”
Das ist das Gegenteil der Wahrheit. Zeitreihen-Anomaliemodelle sind genau für hochdimensionale, stark korrelierte Eingaben entwickelt worden. Die Herausforderung ist nicht die Komplexität der Daten, sie ist die Qualität der Labels. Mit präzisen Riss-Ereignis-Zeitstempeln und 12 bis 18 Monaten Historiendaten ist das Problem lösbar. Die zitierte Studie (Huang et al. 2024) demonstriert für Basaltfasern, dass Machine-Learning-Modelle (Random Forest, GBDT) Melt-Viskosität mit hoher Genauigkeit aus Oxid-Komposition vorhersagen können, die analoge Physik gilt für E-Glas.

„Das ist zu teuer für unsere Größe.”
Das Kostenargument ist valide, für kleine Einlinien-Betriebe. Für Hütten mit drei oder mehr Spinnlinien übersteigt der Jahresverlust durch Fadenrisse schon bei konservativ gerechneten 30 Prozent Rissreduktion die Systemkosten im ersten Jahr. Die ehrliche Gegenfrage ist: Wie hoch ist eure aktuelle dokumentierte Rissrate, und welcher Anteil davon ist auf Viskositätsanomalien zurückführbar? Wenn das niemand weiß, ist die Rissursachen-Analyse (Phase 1, ca. 10.000–20.000 Euro) der sinnvolle erste Schritt, unabhängig davon, ob danach ein ML-System kommt.

Woran du merkst, dass das zu dir passt

Das Frühwarnsystem lohnt sich, wenn alle der folgenden Punkte zutreffen:

• Deine Hütte hat mindestens drei Spinnlinien oder eine sehr hohe Produktivität je Linie, unter diesem Schwellwert übersteigen die Einrichtungskosten die realistische Einsparung
• Viskositäts- und temperaturbedingte Risse machen mindestens 40 Prozent eurer Rissursachen aus, wenn die Mehrheit mechanischer Natur ist, ist Sensorik das falsche Werkzeug
• Ihr habt (oder könnt aufbauen) eine digitale Riss-Protokollierung mit Zeitstempel-Präzision unter einer Minute, ohne diese ist kein brauchbarer Label-Datensatz möglich
• Nacht- und Wochenendschichten zeigen deutlich höhere Rissraten als die Tagschicht, das ist das stärkste Indiz dafür, dass Erfahrungswissen formalisierbar ist
• Ihr habt ein LIMS oder zumindest strukturierte Rohstoff-Eingangsdaten, ohne Chargendaten fehlt ein zentrales Eingangs-Feature des Modells
• Ein internes oder externes Data-Science-Team steht für das Projekt zur Verfügung, das ist kein No-Code-Projekt

Drei harte Ausschlusskriterien, wann ihr jetzt noch nicht anfangen solltet:

1. Unter fünf bis zehn Rissen pro Schicht und einliniger Betrieb. Der statistische Datensatz ist zu dünn und die Gesamteinsparung deckt die Projektkosten nicht. Investiert stattdessen in bessere Rohstoff-Eingangskontrolle (präziseres LIMS, mehr Analyseparameter), das zahlt sich schneller aus.

2. Keine digitalen Rohstoff-Chargendaten. Wenn eure Rohstoff-Eingangskontrolle auf Lieferscheinen und Stichproben basiert, die nicht digital im LIMS landen, fehlt der entscheidende Input für die Chargen-Korrelation. Das Modell wird dann nur auf Prozessdaten trainieren, und wird Chargenwechsel nicht vorhersagen können. Schritt davor: LIMS einführen.

3. Kein Budget für das Modell-Retraining. Ein einmalig trainiertes Modell ohne kontinuierliche Pflege ist nach 12 bis 18 Monaten wertlos oder schlimmer, es gibt Fehlalarme, weil sich Rohstoffbasis und Liniengeometrie verändert haben. Wer nicht bereit ist, 0,1 bis 0,3 FTE Data-Science-Kapazität dauerhaft einzuplanen, sollte das Projekt nicht starten.

Das kannst du heute noch tun

Ohne einen einzigen Euro für Sensorik oder Software auszugeben, kannst du in den nächsten zwei Wochen prüfen, ob das Vorhaben Sinn ergibt.

Schritt 1, Rissursachen-Analyse starten: Bitte einen Schichtführer pro Schicht, zwei Wochen lang jeden Fadenriss zu protokollieren: Uhrzeit auf die Minute, betroffene Linie, Schätzung der Ursache (Viskosität/Temperatur, mechanisch, unklar). Das kostet fünf Minuten pro Schicht und gibt dir das Wichtigste: die Rissursachen-Verteilung.

Schritt 2, LIMS-Abfrage: Welche Rohstoffparameter werden für jede eingehende Charge dokumentiert? Sind diese Daten zeitlich auflösbar (Chargen-Eingang, Einschmelzungsdatum)? Wenn ja: Liegt bereits ein Zusammenhang zwischen bestimmten Rohstoffparameter-Ausschlägen und erhöhter Rissrate vor? Eine einfache Korrelationsanalyse in Excel reicht für eine erste Einschätzung.

Schritt 3, Datenlage prüfen: Fragt eure SPS/SCADA-Verantwortlichen: Welche Prozesssignale liegen historisch vor, mit welcher Auflösung, seit wann? Gibt es bereits einen Historian (PI, InfluxDB, oder auch schlicht SQL)? Wie präzise sind die Zeitstempel?

Diese drei Schritte sind die Voraussetzung für jedes weitere Gespräch, mit internem IT-Team, mit einem ML-Dienstleister, oder mit Maschinenbauern, die Sensorik nachrüsten.

Wenn ihr die oben genannte Rissursachen-Analyse bereits habt oder machen wollt, hilft dieser Prompt als Ausgangspunkt für eine erste explorative Datenanalyse:

Quellen & Methodik

• ML-Viskositätsprognose für Mineralfasern: Huang et al., „Predicting the viscosity of basalt melt by data-driven and interpretable machine learning”, Journal of Non-Crystalline Solids, ScienceDirect, Dezember 2024. Random Forest und GBDT erzielen für Basaltschmelzen Vorhersagegenauigkeiten, die klassische VFT-Gleichungen in der Kalibrierungszone übertreffen. Analoge Physik für E-Glas anwendbar.

• Konzeptdrift in industriellen ML-Modellen: Schmidt & Rempe, „Machine Learning based Concept Drift Detection for Predictive Maintenance”, Computers & Industrial Engineering, ScienceDirect, 2019. Zeigt, dass Predictive-Maintenance-Modelle ohne Drift-Monitoring innerhalb von 6 bis 12 Monaten nach Betriebsregimewechsel signifikant an Genauigkeit verlieren.

• Owens Corning Predictive Maintenance: SAPinsider, Las Vegas 2025: Owens Corning berichtete 2 Millionen USD Jahreseinsparung pro Werk durch KI-gestützte Predictive Maintenance (SAP Intelligent Asset Management + Wireless-Sensor-Netz). Größter Glasfaser-Hersteller weltweit; methodisch ähnlicher Ansatz für Anlagen-Anomalieerkennung.

• Glasfaser-Spinnphysik und Viskositätsfenster: Madehow.com (CompositesWorld-Grundlagenartikel „The making of glass fiber”) sowie Wikipedia-Eintrag „Glasfaser”; Viskositäts-Temperaturfenster für E-Glas zwischen 10² und 10³ Poise bei 1.240–1.350 °C; Spinngeschwindigkeiten 2.000–20.000 feet/min.

• AWS-Preise: Amazon SageMaker Pricing (aws.amazon.com/sagemaker/pricing), Stand Mai 2026. GPU-Instances ab ca. 0,05 USD/Stunde (CPU) bis 4+ USD/Stunde (P3/P4). Inference-Endpoints ab ca. 0,05 USD/Stunde.

• Produktionskosten-Schätzungen: Eigene Hochrechnungen auf Basis industrieller Schätzdaten für Glasfaserpreis (1,50–3,50 €/kg, E-Glas; Stand 2024–2025), Spinnlinien-Kapazitäten (2–6 Tonnen/Tag/Linie), und Stillstandskosten (Erfahrungswerte aus Vergleichsprojekten in der Prozessindustrie). Keine repräsentative Studie für Glasfaserspinnereien, die Zahlen sind als Orientierungsrahmen zu verstehen.

Wollt ihr wissen, welcher Anteil eurer Fadenrisse überhaupt durch Viskositätssensorik vermeidbar wäre, bevor ihr in Infrastruktur investiert? Das lässt sich aus bestehenden Schichtprotokollen und LIMS-Daten in wenigen Wochen abschätzen. Meld dich für ein erstes Gespräch.