Optiklinsen-Polierung: KI-gestützte Pfadoptimierung auf Nanometer-Präzision

Das echte Ausmaß des Problems

Hochpräzisionsoptik ist ein Handwerk, das Jahrzehnte braucht. Wer Linsen auf λ/10 oder enger polieren kann — das entspricht Oberflächenabweichungen unter 55 Nanometern beim sichtbaren Licht — gehört zu einer kleinen Gruppe spezialisierter Fachkräfte. In Deutschland sind das wenige Hundert, in ganz Europa wenige Tausend.

Das Problem ist strukturell: Der Polierprozess reagiert auf Variablen, die sich mit den Standardmitteln einer CNC-Maschine nicht vollständig erfassen lassen.

• Pad-Verschleiß: Ein Polierkissen verändert seine Materialabtragcharakteristik innerhalb von 50–300 Stunden Betriebszeit. Der Abtrag in der Mitte und am Rand verschiebt sich — unmerklich für die Steuerung, spürbar für einen erfahrenen Polierer.
• Thermische Drift: Poliermaschinen erwärmen sich im Betrieb. Die Ausdehnung von Spindel und Werkzeughalter verändert den effektiven Anpressdruck im Nanometerbereich — über einen 8-Stunden-Tag kumuliert sich das zu messbaren Formfehlern.
• Materialchargen: Optisches Glas ist kein homogenes Material. Schott BK7 aus unterschiedlichen Schmelzchargen kann subtile Härteschwankungen aufweisen, die den Abtrag beeinflussen.
• Abrasivum-Konzentration: Das Poliermittel (CeriumOxid, Al₂O₃ oder kolloidales Siliziumdioxid) verändert seine Abrasivität im Verlauf des Prozesses durch Temperaturschwankungen und Verdampfung.

Die Folge: Ein Polierprogramm, das am Montagmorgen ein perfektes Ergebnis liefert, ist am Freitagnachmittag möglicherweise nur noch mit aktiver manueller Kompensation brauchbar.

Laut Berichten aus der Präzisionsoptikfertigung (SPIE Optifab Conference, 2023) liegen Ausschuss- und Nacharbeitsquoten bei Hochpräzisionslinsen mit RMS-Toleranzen unter 5 nm im Bereich 10–25%. Bei Stückwerten von 500–5.000 Euro im Rohglas bedeutet das: Bei 500 Linsen pro Jahr und 15% Ausschuss sowie 1.500 Euro Rohglaskosten pro Stück verlässt man die Fertigung mit 112.500 Euro Materialverlust — bevor Maschinenzeit, Energie und Arbeitskosten eingerechnet werden.

Mit vs. ohne KI — ein ehrlicher Vergleich

¹ Erreichbar bei einem gut trainierten Modell mit ausreichend historischen Prozessdaten derselben Linsenklasse; Werte aus akademischen Studien zu neuronalen Netzen für Material-Abtragsmodellierung (u. a. Springer Nature Discover Applied Sciences, 2021).

Der Vergleich hat eine wichtige Einschränkung: Diese Verbesserungen gelten für die Linsentypen, auf denen das Modell trainiert wurde. Bei neuen Geometrien oder Materialien fängt man von vorne an.

Einschätzung auf einen Blick

Zeitersparnis — niedrig (2/5) Die einzelne Linse verlässt die Poliermaschine schneller — weniger Durchläufe bedeutet kürzere Maschinenbelegung. Im Gesamtdurchlauf bleibt der Effekt aber begrenzt: Interferometrische Messung nach jedem Zyklus braucht Zeit, die Auswertung und Pfadgenerierung ebenfalls. Im Vergleich zu anderen Anwendungsfällen in dieser Kategorie — etwa Blasenerkennung bei Floatglas, die Stunden pro Schicht freisetzt — ist der Nettogewinn an Gesamtzeit pro Schicht bescheiden. Die Zeitersparnis kommt primär aus weniger Ausschuss-Nacharbeit, nicht aus einem schnelleren Grundprozess.

Kosteneinsparung — hoch (4/5) Das ist die stärkste Achse. Hochpräzisionslinsen binden Rohglaskosten von 500–5.000 Euro, Maschinenzeit von 2–8 Stunden und Spezialisten-Arbeitszeit. Eine Ausschussreduktion von 15% auf 7% bei 500 Linsen jährlich und 1.500 Euro Rohglaskosten bedeutet 60.000 Euro weniger Rohglasverlust — ohne Maschinenzeit. Kein anderer Anwendungsfall in dieser Kategorie hat vergleichbar direkte und große Hebel auf die Fertigungskosten.

Schnelle Umsetzung — sehr niedrig (1/5) Diese Einschätzung ist bewusst konservativ und ehrlich. Du brauchst: funktionsfähige Inline-Interferometrie (oft ein Investitionsprojekt für sich), eine CNC-Maschine mit offener Steuerungsschnittstelle, einen ML-Engineer mit Prozesskenntnissen, und mehrere Monate Trainingsdaten mit vollständig protokollierten Polierakten. Bis ein erstes Modell produktionsreif ist, vergehen realistisch 18–36 Monate. Das ist keine Schätzung nach oben, sondern die Untergrenze für ernsthafte Implementierungen in vergleichbarer Präzisionsfertigung.

ROI-Sicherheit — mittel (3/5) Der Nutzen ist real und messbar — Ausschuss ist greifbar, Maschinenzeit ist kalkulierbar. Aber er hängt stark von der Stückzahl, dem Linsenwert und der Fähigkeit des Modells ab, auf dem eigenen Linsenmix tatsächlich zu generalisieren. Bei 200 Linsen pro Jahr rechnet sich das Projekt kaum; bei 2.000 Linsen pro Jahr sehr deutlich. Deshalb Mittelfeldposition: sicherer als ein spekulativer Nutzen, aber mit mehr Bedingungen als eine direkte Prozessautomatisierung.

Skalierbarkeit — niedrig (2/5) Das ist der Wermutstropfen dieser Technologie. Ein Modell, das auf Zeiss-Objektiv-Elementen aus BK7-Glas trainiert wurde, funktioniert nicht einfach für Jenoptik-Asphären aus Schott N-BK7 mit anderem Krümmungsradius. Jeder neue Linsentyp, jede neue Glassorte, jede neue Poliermaschine braucht eigene Trainingsdaten und ein eigenes oder neu angepasstes Modell. Das begrenzt die Skalierbarkeit erheblich.

Richtwerte — stark abhängig von Linsenstückzahl, Glas-Typenvielfalt und vorhandener Messinfrastruktur.

Vom Interferogramm zum Polierbefehl — der Datenfluss im Detail

Das ist die Kernmechanik, ohne die der Rest des Textes abstrakt bleibt.

Schritt 1 — Messen. Nach jedem Polierdurchgang wird die Linse in ein Interferometer eingelegt. Das Messsystem (z. B. ein Zygo Fizeau-Interferometer oder ein 4D Technology-System) erzeugt ein Interferogramm: ein Bild der Phasendifferenz zwischen der Testlinse und einer Referenzfläche. Diese Messung dauert typischerweise 5–30 Sekunden.

Schritt 2 — Zernike-Zerlegung. Das Interferogramm wird mathematisch in eine Summe von Zernike-Polynomen zerlegt. Zernike-Polynome sind eine Standardbasis für Wellenfrontaberrationen: Z₄ ist Defokus, Z₅/Z₆ sind Astigmatismus, Z₇/Z₈ sind Koma, Z₁₁ ist sphärische Aberration. Die Messsoftware (in der Fertigung oft MetroPro oder ein 4D-Analyse-System) gibt typischerweise 37–100 Zernike-Koeffizienten aus.

Schritt 3 — ML-Modell. Das Machine Learning-Modell nimmt den aktuellen Vektor aus Zernike-Koeffizienten und vergleicht ihn mit der Ziel-Spezifikation. Dazu kommen Zustandsvariablen: Pad-Betriebsstunden, Maschinentemperatur, Poliermittelkonzentration, bisherige Zyklusanzahl. Das Modell — typischerweise ein Gradientboosting-Regressor oder ein neuronales Netz — gibt als Ausgabe den optimierten Polierpfad für den nächsten Durchgang aus: Andruck in verschiedenen Zonen, Geschwindigkeit, Polierbahn-Geometrie.

Schritt 4 — CNC-Kommando. Das berechnete Polierprogramm wird automatisch in CNC-Steuerungsbefehle übersetzt und an die Poliermaschine übertragen. Dieser Schritt setzt eine offene Maschinensteuerung voraus — oder eine kundenspezifische OPC-UA-Anbindung.

Die Qualität des Modells steht und fällt mit der Qualität der Trainingsdaten: Jede historische Poliersitzung muss lückenlos dokumentiert sein — Eingangs-Zernikes, Maschinenstatus, Programm, Ausgangs-Zernikes. Wer heute keine strukturierten Polierprotokolle führt, hat kein Datenfundament für ein Modell.

Was die ML-gestützte Pfadoptimierung konkret macht

Das Modell löst keine Gleichung — es lernt Muster. In der Trainingsphase sieht es tausende historischer Polierpaare: Ausgangszustand der Linse (Zernike-Vektor) + Maschinenparameter → Ergebnis nach Polierdurchgang. Es lernt, welche Parameterkombinationen welchen Materialabtrag erzeugen, und extrapoliert auf neue Ausgangslagen.

Ein konkret trainiertes Modell kann Aussagen wie diese treffen: “Wenn Zernike Z₇ (horizontale Koma) 0,08 λ beträgt, Pad-Verschleiß bei 180 Betriebsstunden liegt und die Maschinentemperatur 23,4°C zeigt — erhöhe den Randzonendruck auf 180 mN und verlangsame die Polierbahn am Äquator um 15 Prozent.”

Der wesentliche Unterschied zur klassischen CNC-Steuerung: Das Modell kompensiert implizit alle Variablen, ohne sie explizit zu modellieren. Es braucht kein physikalisches Modell des Preston’schen Gesetzes, keinen Pad-Verschleiß-Algorithmus. Es lernt die Gesamtfunktion aus Daten.

Was das Modell nicht tut: Es ersetzt keine Messung. Nach jedem Poliergang wird neu gemessen, neu berechnet, neu gesteuert. Das System ist nicht “einmal einstellen und vergessen” — es ist ein Closed-Loop-Regelkreis, bei dem jeder Zyklus neue Information einbringt.

Für den Fertigungsalltag bedeutet das: Ein Einspringer kann die Maschine bedienen, ohne das Pad-Kompensationswissen mitzubringen. Das Modell übernimmt den Teil der Aufgabe, der bislang in der Erfahrung des Polierers steckte.

Generalisierungsproblem: Ein Modell, eine Linsenklasse

Das ist der wichtigste Risikohinweis dieses Anwendungsfalls — und er wird in der Anbieter-Kommunikation gerne weichgezeichnet.

Ein ML-Modell ist so gut wie seine Trainingsdaten, und Trainingsdaten aus Linsentyp A helfen wenig bei Linsentyp B.

Das liegt an der Physik: Verschiedene Glasmaterialien (BK7, N-SF11, Schott Suprasil, Fused Silica) haben unterschiedliche Härtekennwerte (Vickers-Härte), was sich direkt auf den Materialabtrag auswirkt. Verschiedene Linsengeometrien (sphärisch, asphärisch, Freiform) erzeugen unterschiedliche Druckverteilungen beim Polieren. Verschiedene Poliermaschinen (CNC-Plan, MRF, Ion Beam Figuring) haben vollständig unterschiedliche Abtragmechanismen.

Ein Modell, das auf 800 Polierakten einer plankonvexen BK7-Linse für ein Kameraobjektiv trainiert wurde, wird bei einer aspherischen N-SF6-Linse für ein Linsensystem von Grund auf neu trainiert werden müssen. Die Zernike-Struktur ist eine andere, der Abtrag-Charakter ist anders, selbst die relevanten Zustandsvariablen können sich verschieben.

Was das für dein Unternehmen bedeutet:

Wenn du 5 Linsentypen in kleinen Stückzahlen produzierst (50–100 Stück pro Jahr pro Typ), ist die Datenlage für ein verlässliches Modell pro Typ dünn. Du brauchst typischerweise 200–500 vollständig dokumentierte Polierakten, bevor ein Regressionsmodell stabil genug für den Produktionseinsatz ist.

Wenn du 2 Linsentypen in hohen Stückzahlen produzierst (1.000+ pro Jahr), ist die Datenlage gut — und das Modell lohnt sich auch ökonomisch.

Wenn du einen breiten Mix produzierst und häufig neue Geometrien einführst, brauchst du nicht ein Modell, sondern ein systematisches Programm für Modellaufbau und -pflege — und die Infrastruktur dafür.

Es gibt Ansätze, das Generalisierungsproblem zu mildern: Transfer Learning (Vortraining auf einer Linsenklasse, Feinabstimmung auf einer anderen) und physik-informierte neuronale Netze (Einbindung des Preston’schen Gesetzes als Prior) zeigen in der Forschung Potenzial. Produktionsreife ist das aber noch nicht bei den meisten Optikbetrieben.

Konkrete Werkzeuge — was wann passt

Der Technologie-Stack für diesen Anwendungsfall besteht aus mehreren Schichten. Nicht alle müssen gleichzeitig investiert werden.

Messschicht — Interferometrie-Software Die Messsoftware (Zygo MetroPro, 4D AccuFiz, Trioptics OptiSpheric) läuft in der Regel direkt auf dem Messgerät. Sie erzeugt die Zernike-Ausgaben, die als Modelleingabe dienen. Wenn dein Messgerät diese Daten nicht automatisch exportiert, ist eine API-Anbindung oder eine manuelle Exportroutine der erste Schritt — bevor irgendetwas am ML-Stack sinnvoll ist.

ML-Entwicklungsstack — Python Python ist die Standardwahl für die Entwicklung des Regressionsmodells. Die relevanten Bibliotheken (XGBoost, LightGBM für Gradientboosting; Keras/PyTorch für neuronale Netze) sind Open Source und kostenlos. Ein ML-Engineer benötigt etwa 2–4 Monate, um ein erstes produktionstaugliches Modell zu entwickeln — vorausgesetzt, die Trainingsdaten liegen strukturiert vor.

Experiment-Tracking und Modellverwaltung — MLflow MLflow (Open Source) ist der empfohlene Standard für die Verwaltung von Trainingsexperimenten, Modellversionen und Deployment-Zyklen. Wenn Pad-Typ, Glassorte oder Poliermaschine wechseln, entstehen neue Modellvarianten — MLflow hält den Überblick, welches Modell auf welcher Maschine für welchen Linsentyp läuft. Self-hosted auf eigener Infrastruktur ohne Lizenzkosten.

Managed ML-Plattform — Dataiku Dataiku bietet eine visuelle ML-Plattform, die den Schritt von der Prototypentwicklung zur Produktionsinfrastruktur vereinfacht. Besonders wertvoll, wenn das Team keinen dedizierten MLOps-Engineer hat: Dataiku übernimmt Deployment, Monitoring und Retraining-Workflows als geführter Prozess. Enterprise-Preisgestaltung auf Anfrage (typisch ab 60.000–180.000 Euro/Jahr laut Vendr 2025) — lohnt sich erst bei mehreren parallelen ML-Projekten im Unternehmen.

Maschinenanbindung — Siemens Insights Hub Für Fertigungsbetriebe mit Siemens-Automatisierungsinfrastruktur bietet Siemens Insights Hub eine bewährte Plattform für die strukturierte Erfassung von Maschinendaten (Druck, Temperatur, Geschwindigkeit, Zyklusstatus) — die Zustandsvariablen, die das Modell neben den Zernike-Koeffizienten benötigt. EU-Datenhaltung verfügbar.

Zusammenfassung: Wann welcher Ansatz

• Einstieg ohne ML-Engineer → erst Messinfrastruktur aufbauen, Daten sammeln, dann externe Hilfe holen
• ML-Engineer intern vorhanden → Python + MLflow, Siemens Insights Hub für Maschinendaten
• Mehrere parallele ML-Projekte → Dataiku als übergreifende Plattform
• Kein Inline-Interferometer → diesen Use Case zurückstellen, erst Messtechnik-Investment

Datenschutz und Datenhaltung

Optik-Fertigungsdaten fallen nicht in die klassischen DSGVO-Kategorien personenbezogener Daten. Zernike-Koeffizienten, Maschinendruck und Poliertemperaturen sind Prozessdaten ohne Personenbezug — solange keine personenbezogenen Mitarbeiter-IDs in den Logs stecken.

Trotzdem gibt es relevante Datenschutz- und Datensicherheitsaspekte:

Industriespionage-Risiko. Die Polierparameter, das Modell und die Trainingshistorie sind Betriebs-Know-how. Wer diese Daten an Cloud-Dienste übergibt, muss sicherstellen, dass der Anbieter keine Trainingsdaten-Nutzungsrechte erhält und keine Modellgewichte weitergeben kann. Siemens Insights Hub bietet EU-Hosting mit On-Premise-Option. MLflow läuft self-hosted ohne externe Datenweitergabe. Dataiku bietet On-Premise-Deployment.

DSGVO-Relevanz. Wenn in Polierprotokollen Benutzer-IDs von Maschinenbedienenden erfasst werden (was für das Modell sogar nützlich sein kann, um operatoren-spezifische Stile zu erkennen), gilt DSGVO. In diesem Fall Auftragsverarbeitungsvertrag (AVV) mit Cloud-Anbietern prüfen und Betriebsvereinbarung mit Betriebsrat klären.

Exportkontrolle. Optische Daten und Fertigungsparameter für bestimmte Anwendungen (Militär, Halbleiterlithographie, Weltraumoptik) können Exportkontrollregelungen unterliegen. Wer Daten in eine Cloud außerhalb der EU transferiert, sollte das mit der Rechtsabteilung klären — nicht aus DSGVO-Gründen, sondern aus Dual-Use-Erwägungen.

Was es kostet — realistisch gerechnet

Einmalige Investitionen (Aufbauphase 18–36 Monate)

• Inline-Interferometrie-Upgrade (falls noch nicht vorhanden): 30.000–150.000 Euro — stark abhängig von Präzisionsanforderungen und Apertur
• CNC-Maschinenanbindung / OPC-UA-Interface: 15.000–40.000 Euro Ingenieurleistung
• ML-Modellentwicklung (ML-Engineer, intern oder extern): 60.000–120.000 Euro für erste zwei Linsenklassen
• Infrastruktur (Server, MLflow, Datenspeicher): 10.000–25.000 Euro einmalig

Summe Aufbauphase: 115.000–335.000 Euro. Das ist keine KMU-Hausnummer, sondern ein Investitionsprojekt.

Laufende Kosten (nach Pilotphase)

• ML-Engineer-Anteil für Modellpflege: 0,3–0,5 FTE-Anteil oder externer Dienstleister ~3.000–6.000 Euro/Monat
• Infrastruktur (Server, Cloud): 500–2.000 Euro/Monat
• Periodisches Retraining bei Maschinenänderungen oder neuen Linsentypen: projektweise

Was du dagegenrechnen kannst

Beispielrechnung für einen mittelgroßen Optik-Fertigungsbetrieb (1.500 Präzisionslinsen/Jahr, Ø 2.000 Euro Rohglaskosten, 15% Ausschuss vor KI):

• Rohglasverlust vorher: 1.500 × 15% × 2.000 € = 450.000 €/Jahr
• Rohglasverlust nachher (8% Ausschuss): 1.500 × 8% × 2.000 € = 240.000 €/Jahr
• Rohglas-Einsparung: 210.000 €/Jahr

Dazu kommen Maschinenzeiteinsparung durch weniger Polierzyklen (konservativ 30.000–60.000 Euro/Jahr) und entlastete Experten-Kapazität. Gesamteinsparung: 240.000–270.000 Euro/Jahr. Amortisationszeit bei 200.000 Euro Aufbauinvestition: unter zwölf Monate. Bei 500 Linsen/Jahr statt 1.500: Amortisationszeit vier bis sechs Jahre — zu lang für viele Unternehmen.

Wie du den Nutzen tatsächlich misst: Ausschussrate ist der sauberste Indikator. Dokumentiere die Rate vor dem Pilotbetrieb über 6 Monate, dann im Pilotbetrieb. Maschinenzykluszahl pro Linse ist der zweite Indikator. Beide sind objektiv, messbar und im ERP oder MES ablesbar.

Drei typische Einstiegsfehler

1. Mit dem Modell anfangen, bevor die Daten da sind. Der häufigste Fehler: Ein Unternehmen entscheidet sich für KI-gestützte Polieroptimierung und fragt erst dann, welche Daten es gibt. Das Ergebnis: Polierprotokolle liegen auf Papier oder in Excel-Tabellen ohne konsistente Maschinenstatus-Daten. Das Modell hat kein Fundament. Korrekte Reihenfolge: Erst drei bis sechs Monate lang strukturierte, vollständige Polierprotokolle anlegen — Eingangs-Zernikes, Maschinenstatus, Programm, Ausgangs-Zernikes, Bediener-ID. Dann mit dem ML-Projekt beginnen.

2. Ein Modell für alle Linsen. Die intuitive Annahme ist, dass ein Modell, das gut für Typ A funktioniert, mit ein bisschen Anpassung auch für Typ B funktioniert. Das stimmt selten. Verschiedene Glasmaterialien, Geometrien und Polierprogramme bedeuten fundamental unterschiedliche Physik. Wer mit einem Modell für die gesamte Produktion rechnet, wird enttäuscht. Korrekte Erwartung: Pro Linsenklasse ein Modell, mit 200–500 Trainingsdatenpunkten pro Modell.

3. Das Modell wird trainiert und sich selbst überlassen. Pad-Typ wechselt, Poliermittel-Lieferant wechselt, Maschine wird überholt — das Modell weiß von alledem nichts. Ein Modell, das unter alten Bedingungen gelernt hat, gibt unter neuen Bedingungen fehlerhafte Polierempfehlungen. Das ist der gefährlichste Fehler, weil er sich schleichend einschleicht: Die Ausschussrate steigt langsam, niemand weiß zunächst warum, und das Vertrauen in das System erodiert.

Lösung: Retraining-Trigger definieren — wann wird das Modell nachtrainiert? Wenn Pad-Nummer wechselt? Wenn Ausschussrate um mehr als zwei Prozentpunkte steigt? Diese Trigger müssen Teil der Projektplanung sein, nicht ein Nachgedanke.

Was mit der Einführung wirklich passiert — und was nicht

Der technisch aufwendigste Teil ist nicht das ML-Modell — es ist die Schnittstellenarbeit. CNC-Steuerungen für Poliermaschinen sind oft proprietäre Systeme mit geschlossener API. Hersteller öffnen diese nur unter bestimmten Bedingungen, manchmal gegen Gebühr, manchmal gar nicht.

Gleichzeitig entstehen menschliche Widerstände, die oft unterschätzt werden:

Die Meister-Polierer sind skeptisch. Das ist verständlich. Ein System, das ihre langjährige Expertise in ein Modell übersetzt, wirkt wie eine Bedrohung — auch wenn das nicht die Intention ist. Was hilft: Polierer aktiv in die Trainingsdaten-Erfassung einbinden. Sie sind die Experten, die Protokolle validieren und die Modellempfehlungen zuerst im Handversuch prüfen sollten. Ihr Urteil ist die Kontrolle, nicht der Konkurrent.

Die Qualitätsabteilung will Nachvollziehbarkeit. Bei λ/20-Optik hat das QM-Team berechtigte Fragen: Warum empfiehlt das Modell genau diesen Druck? Ist das nachprüfbar? Gradientboosting-Modelle lassen sich über SHAP-Werte erklären — für jede Empfehlung kann gezeigt werden, welche Inputvariablen den größten Beitrag hatten. Das gehört in die Systemdokumentation.

Die Produktion wartet nicht. Während Daten gesammelt werden und das Modell trainiert wird, laufen Aufträge weiter. Der realistische Betrieb ist deshalb hybrid: Modell für die Linsentypen, die genug Daten haben; Experten-Polierer für alles andere. Die vollständige Ablösung manueller Kompensation durch das Modell ist ein Drei-Jahres-Projekt, nicht ein Jahres-Projekt.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Unsere Poliermaschinen sind zu alt für eine digitale Schnittstelle.” Das ist oft ein echtes Problem, kein Vorwand. Ältere CNC-Poliermaschinen aus den 1990er und frühen 2000er Jahren haben keine Netzwerk-Schnittstelle, keine OPC-UA-Unterstützung und manchmal nicht einmal serielle Kommunikation. Nachrüstung ist möglich — Retrofit-Lösungen von Spezialanbietern kosten 15.000–50.000 Euro je Maschine, je nach Komplexität. Wenn dieses Investment nicht tragbar ist, beginnt der Use Case mit einem Maschinen-Upgrade, nicht mit ML.

„Wir haben zu wenig Stückzahlen für ein Modell.” Das ist manchmal berechtigt. Unter 200 vollständig dokumentierten Polierakten pro Linsentyp wird das Modell nicht robust. Wenn du 80 Linsen pro Jahr eines Typs produzierst, dauert die Datenbasis-Aufbauphase allein 2,5 Jahre — zu lang, um Projektimpuls zu halten. Ehrliche Empfehlung: Transfer Learning auf vergleichbare Linsentypen untersuchen, oder zunächst mit datenintensiven Typen beginnen.

„KI ersetzt unsere besten Polierer.” Nein — jedenfalls nicht kurzfristig. Das Modell kompensiert Routinevariablen wie Pad-Verschleiß und thermische Drift. Für neue Geometrien, Sondermaterialien und Grenzfälle braucht es weiterhin menschliche Expertise. Der realistischere Effekt: Erfahrene Polierer werden von Routine-Kompensationsarbeit entlastet und können sich auf die schwierigen Fälle konzentrieren. Das Wissen wird außerdem konserviert — nicht ersetzt.

Woran du merkst, dass das zu dir passt

Das passt, wenn:

• Dein Betrieb produziert mehr als 500 Präzisionslinsen pro Jahr in 1–3 Hauptlinsenklassen
• Ihr habt bereits ein Inline-Interferometer oder plant den Kauf aus Qualitätsgründen
• Eure aktuellen Polierprotokolle erfassen Maschinenstatus, Zernike-Messwerte und Programm-Identifikation — oder ihr seid bereit, das einzuführen
• Ihr verliert mehr als 10% der Linsen durch Ausschuss oder Nacharbeit bei Präzisionstoleranzen unter λ/10
• Eine Person in der Produktion ist technisch in der Lage, Python-Skripte zu bedienen oder ihr habt Zugang zu einem ML-Engineer

Drei harte Ausschlusskriterien — wann sich das nicht lohnt:

1. Zu kleines Volumen pro Linsentyp (unter 200 Stück/Jahr je Klasse). Das Modell braucht Trainingsdaten. Unter dieser Schwelle wächst die Datenbasis zu langsam, um ein verlässliches Modell aufzubauen, bevor Investition und Momentum verloren gehen. In diesem Fall ist systematische Prozessdokumentation und eine gut geführte Masterkurve sinnvoller als ML.

2. Keine Inline-Interferometrie vorhanden und kein Investment geplant. Offline-Messung (Linse aus der Maschine nehmen, separat messen, zurücklegen) unterbricht den Closed-Loop-Charakter des Systems. Ohne automatisierte Messung nach jedem Zyklus hat das Modell keine Feedbackschleife — es wird zur Blindsteuerung. Diesen Use Case erst umsetzen, wenn Messinfrastruktur steht.

3. Hohe Typenvielfalt mit häufigen Neuentwicklungen (mehr als 5 neue Linsengeometrien pro Jahr). Jede neue Geometrie braucht eigene Trainingsdaten und ein eigenes Modell. Bei hoher Entwicklungskadenz entsteht ein Dauerprojekt für Modellaufbau, das die Produktionsplanung überlastet. Erst dann sinnvoll, wenn eine systematische ML-Operations-Infrastruktur aufgebaut ist.

Das kannst du heute noch tun

Noch bevor ein Euro in Infrastruktur oder ML-Engineering fließt, gibt es einen wertvollen ersten Schritt: Prüfe, ob deine Polierprotokolle der letzten 12 Monate so vollständig sind, dass sie als Trainingsdaten taugen.

Konkret heißt das: Gibt es pro Poliersitzung eine Aufzeichnung von Eingangs-Interferogramm (oder Zernike-Exportdatei), verwendetem Polierprogramm, Maschinenparametern (Druck, Geschwindigkeit, Temperatur) und Ausgangs-Interferogramm? Wenn nein — oder wenn die Daten in Papierform vorliegen — ist das der eigentliche erste Projektschritt.

Du kannst einem ML-Engineer heute folgendes mitgeben:

Quellen & Methodik

• Neuronale Netze für Material-Abtragsmodellierung: Springer Nature, „Material removal predictions in the robot glass polishing process using machine learning”, Discover Applied Sciences, 2021. Berichtet Vorhersagegenauigkeit von 99,22% für Materialabtrag bei robotergeführter Glaspolierung, deutet aber auf Einschränkungen bei Generalisierung hin.

• Tiefes Lernen für Werkzeugeinfluss-Funktionen: Min-kyu Janss et al., „Deep Learning-Based Prediction of Tool Influence Function for Nanometric Control in Space Optical Material”, Journal of Astronomical and Space Sciences (JANSS), 2025. Erreichte einen Test-MAE von 3,99 nm bei der Vorhersage von Werkzeugeinfluss-Funktionen für Siliziumkarbid-Spiegel — ein Beleg für die Machbarkeit von ML-Ansätzen auf Nanometer-Ebene.

• MRF-Technologie und Zykluszeit-Reduktion: QED Technologies, Case Study: „Aspheric Form Generation Using MRF Technology” (qedtech.com), abgerufen Mai 2026. Belegt Materialabtrag >30 µm/Minute und vereinfachte Prozesskette bei asphärischer Optik.

• Ausschussraten in der Präzisionsoptikfertigung: SPIE Optifab Conference-Berichte (2021–2023) sowie Erfahrungswerte aus öffentlich zugänglichen Unternehmensberichten von Optimax, Apollo Optical Systems und Edmund Optics.

• Zernike-Polynome als Standardbeschreibung: ISO 10110-5 (Optik und Photonik — Angabe von Wellenfrontaberrationen mit Zernike-Polynomen); Edmund Optics Wissensdatenbank: „Understanding Surface Quality Specifications” (Mai 2026).

• Generalisierungsgrenzen von ML-Modellen für Optik: Wang et al., „Efficient lens design enabled by a multilayer perceptron-based machine learning scheme”, Optics and Lasers in Engineering, 2022: „Models trained on specific lens scenarios may not be directly applicable to other optical lens scenarios because the input features may be dissimilar.”

• Kostenschätzungen Inline-Interferometrie und Systemintegration: Erfahrungswerte aus vergleichbaren Präzisionsfertigungs-Projekten (anonymisiert). Keine Originalprimärquellen für Preisangaben verfügbar — Angaben als Orientierungsrahmen verstehen.

• Dataiku Enterprise-Pricing: Vendr 2025 Benchmark-Daten laut Tool-Eintrag von Dataiku (KI-Syndikat Tools-Datenbank, April 2026).

Du willst wissen, ob dein Linsenportfolio und deine Datenlage für einen Piloten reichen? Meld dich — das lässt sich in einem kurzen Gespräch klären, bevor du in Infrastruktur investierst.