Pressform-Verschleiß: Predictive Maintenance für Hohlglas-IS-Maschinen

Das echte Ausmaß des Problems

Wer noch nie in einer Hohlglas-Produktion gearbeitet hat, unterschätzt, wie viele Entscheidungspunkte täglich auf Erfahrung statt auf Daten basieren. Eine IS-Maschine mit 12 Sektionen und je zwei Kavitäten hat 24 unabhängig laufende Formsets, jedes mit eigenem Verschleißzustand, eigener Schmiermittelversorgung, eigener thermischer Historie. Mit 300 bis 500 Hüben pro Minute entsteht pro Schicht ein Datenberg aus Zykluszeiten, Glasgewichten, Abkühlprofilen und Stempel-Drücken, den kein Mensch vollständig im Blick behalten kann.

Der wirtschaftliche Schaden durch suboptimales Formmanagement tritt auf zwei Wegen auf:

Zu früher Tausch, gängige Praxis, wenn das Vertrauen in die Beurteilung fehlt: Man tauscht bei 350.000 Hüben, obwohl die Form bis 450.000 hätte laufen können. Eine Glasflaschenform kostet je nach Flaschentyp und Hersteller 3.000 bis 8.000 Euro pro Stück, laut Branchenvergleichsdaten für Serienwerkzeuge im Hohlglassegment. Bei 24 Kavitäten und konservativem 10-prozentigem Standzeit-Potenzial geht es schnell um sechsstellige Beträge im Jahr.

Zu später Tausch, seltener, aber teurer: Flaschen mit Haarrissen schaffen es durch die Inline-Inspektion (menschliche Teams erkennen Haarrisse nur mit rund 85-prozentiger Genauigkeit, wie Branchenmessungen zeigen), landen beim Abfüller und platzen unter dem Fülldrucktest oder, noch schlimmer, im Handel. Rückrufaktionen, Kreditnoten, Vertragsstrafen, das Schadenspotenzial übersteigt die eingesparten Formkosten um ein Vielfaches.

Hinzu kommt ein strukturelles Problem: Verschleißwissen sitzt in Köpfen. Der erfahrene Einrichter, der auf einen Blick sagt „Sektion 7A braucht bald einen Tausch”, dokumentiert das selten systematisch. Wenn er Urlaub hat oder das Unternehmen verlässt, ist das Wissen weg.

IS-Maschinen-Anatomie, warum Verschleiß-Prognose hier anders ist als bei anderen Maschinen

Das ist ein Punkt, der in allgemeinen Predictive-Maintenance-Ratgebern meist übersprungen wird, aber für Hohlglas entscheidend ist: Die IS-Maschine ist keine monolithische Anlage, sie ist ein Verbund aus 10 bis 20 vollkommen unabhängigen Sektionen, die parallel laufen und dabei identische Teile produzieren. Das klingt einfach, macht die Verschleiß-Prognose aber in mehrfacher Hinsicht komplex:

Asymmetrischer Verschleiß je Sektion. Weil Glastemperatur, Schmiermitteldruck und Glasgewicht pro Sektion minimal variieren, verschleißen Formen in Sektion 1 anders als in Sektion 12, selbst wenn sie dieselbe Form mit derselben Schusszahl sind. Ein Modell, das nur Schusszahl kennt, ignoriert diesen Faktor komplett.

Kavitäts-Asymmetrie. Jede Sektion hat zwei Kavitäten (A und B). Kavität A und B teilen sich denselben Sektionskopf, haben aber unterschiedliche Glastemperaturen auf der Gob-Verteilstrecke. In der Praxis verschleißt eine Kavität schneller als die andere, systematisch, nicht zufällig.

Kein gemeinsamer Sensor-Bus. Anders als bei vielen industriellen Maschinen gibt es bei IS-Maschinen klassisch keinen zentralen Datenstrom, der den Zustand jeder einzelnen Form in Echtzeit erfasst. Zykluszeiten und Stempeldrücke lassen sich aus der Maschinensteuerung ziehen; Formidentität und -status kommen aus dem manuellen Formenbuch oder, in moderneren Werken, aus dem MES. Die Datenverschmelzung dieser Quellen ist das eigentliche technische Kernstück des Projekts.

Qualitätssignal kommt verzögert. Kamera-Inline-Systeme (Heye, Emhart) messen am Kalt-Ende, nachdem die Flasche bereits abgekühlt ist, zwei bis drei Minuten nach der Formung. Zwischen dem Moment, in dem eine Form kritisch wird, und dem Messsignal liegen also Tausende von Hüben. Das bedeutet: Das Modell muss vorausdenken, nicht nur reagieren.

Diese vier Faktoren zusammen machen IS-Maschinen zu einer anspruchsvolleren Predictive-Maintenance-Aufgabe als etwa CNC-Maschinen oder Spritzgussmaschinen. Der Aufwand für Datenverschmelzung und Modell-Design ist höher; dafür ist der Skalierungseffekt umso größer, wenn es einmal läuft.

Mit vs. ohne KI, ein ehrlicher Vergleich

Die Vergleichszahlen für Standzeit-Potenzial und ungeplante Stopps stammen aus Praxisberichten aus dem Hohlglasumfeld sowie dem Aston-University-Forschungsbericht zur Predictive-Maintenance-Optimierung für glasformende Bauteile (2025).

Einschätzung auf einen Blick

Zeitersparnis, niedrig (2/5) Predictive Maintenance hier spart keine Stunden im Tagesrhythmus, Maschinenführer und Einrichter arbeiten genauso wie bisher. Der Zeitgewinn entsteht indirekt: ungeplante Notfall-Stopps fallen weg, Schichtpläne sind stabiler, und die Eskalation in der Mitte einer Nachtschicht bleibt aus. Verglichen mit Anwendungen, die direkt Schreibarbeit oder manuelle Prüfschritte eliminieren, ist dieser Effekt schwer im Tagesrhythmus zu spüren.

Kosteneinsparung, mittel (3/5) Formkosten zwischen 3.000 und 8.000 Euro pro Stück und verlängerte Standzeiten um 10–20 Prozent sind echte Einsparungen, aber verteilt über Monate und dutzende von Kavitäten. Der direkte Vergleich mit Anwendungsfällen, die Ausschuss in Echtzeit verhindern (z.B. Glasflasche-Wanddicke-Kontrolle), zeigt: Die Kostenhebelkraft ist real, aber nicht die stärkste im Segment.

Schnelle Umsetzung, niedrig (2/5) Das ist das ehrlichste Signal im Radar. Wer ein Pilotprojekt starten will, braucht zunächst ein digitales Formenbuch, dann die Kamera-Datenintegration, dann historische Trainingsdaten über 6–12 Monate, bevor das Modell verlässliche Vorhersagen liefert. Insgesamt realistisch 6–9 Monate bis zum ersten produktiven Einsatz. Wer schnelle Ergebnisse erwartet, ist hier falsch.

ROI-Sicherheit, mittel (3/5) Der Nutzen ist messbar, Formstandzeit-Tracking und Ausschussraten lassen sich exakt erfassen. Die Kausalität ist aber mittelbar: War die verlängerte Standzeit das ML-Modell, oder wurde der Einrichter vorsichtiger, weil er jetzt ein Dashboard sieht? Diese Attribuierungsfrage bleibt über die ersten 12–18 Monate offen. Kein Showstopper, aber eine ehrliche Einschränkung.

Skalierbarkeit, sehr hoch (5/5) Das ist der stärkste Hebel dieses Anwendungsfalls. Ein Modell, das auf Sektion 1–12 in Werk A trainiert wurde, lässt sich, nach Validierung, auf alle weiteren IS-Maschinen im Werk und auf andere Werke derselben Unternehmensgruppe übertragen. Jede zusätzliche Sektion profitiert ohne proportionalen Mehraufwand. Unternehmen wie Verallia oder Ardagh, die Dutzende von Werken betreiben, können denselben Modellkern zentral warten und dezentral einsetzen.

Richtwerte, stark abhängig von Maschinenzustand, Produktmix und Digitalisierungsgrad des Werks.

Was das System konkret macht

Das System kombiniert drei Datenquellen, die in den meisten Werken schon vorhanden sind, bisher aber nicht systematisch zusammengeführt werden:

1. Maschinendaten aus der IS-Steuerung Zykluszeit je Sektion, Stempeldruck, Schmiermittelimpulse, Glasgewicht und Gob-Temperatur fließen aus der SPS/Maschinensteuerung in ein Zeitreihensystem (z.B. InfluxDB on-premise). Der Schlüssel: Diese Daten werden auf Kavitätsebene getrennt, nicht nur per Sektion, sondern für A und B separat.

2. Formidentität und -historie aus dem MES/Formenbuch Wann wurde welche Form in welche Kavität eingesetzt? Wie viele Hübe hat sie gesamt absolviert? Welche Reparaturen wurden gemacht? Das wird aus dem digitalen Formenbuch (im einfachsten Fall: eine strukturierte Datenbank oder MES-Modul) gezogen und mit dem Zeitreihenstrom gelinkt. Ohne diese Verknüpfung ist das Modell blind.

3. Inline-Qualitätsdaten vom Kaltende Kamera-Inspektionssysteme (Heye, Emhart) messen Nahtlage, Wanddicke, Oberfläche und geometrische Abweichungen, auf Flasche-Ebene, mit Zuordnung zu Kavität und Zeitstempel. Dieses Signal ist der wichtigste Trainings-Label: Es zeigt, ab wann eine Form tatsächlich schlechte Qualität produziert.

Aus diesen drei Quellen trainiert ein Machine Learning-Regressionsmodell (typisch: Random Forest oder Gradient Boosting / XGBoost) für jede Kavität eine Kurve der zu erwartenden Qualitätsverschlechterung. Das Modell lernt: „Wenn Kavität X nach 280.000 Hüben und erhöhtem Gob-Temperatur-Rauschen schon leichte Nahtlagenabweichungen zeigt, ist 320.000 Hübe ein realistischer Tauschzeitpunkt, nicht 400.000.”

Das Ergebnis ist ein tägliches Dashboard (z.B. in Grafana) mit drei Kategorien:

• Grün: Form im normalen Bereich, kein Handlungsbedarf
• Gelb: Verschleiß-Kurve zeigt frühere-als-geplante Tausch-Empfehlung; nächster geplanter Stopp einplanen
• Rot: Form überschreitet Qualitäts-Grenzwert innerhalb der nächsten Schicht; Abwägung sofortiger Tausch vs. Risiko

Der Tauschauftrag wird automatisch in das CMMS eingespielt (z.B. IBM Maximo), sodass Ersatzform und Werkzeug rechtzeitig bereitstehen.

Konkrete Werkzeuge, was wann passt

Amazon Lookout for Equipment, Wenn ihr keine eigene Data-Science-Kapazität habt und AWS bereits nutzt, ist Lookout for Equipment der schnellste Weg zum Anomalie-Detektionssystem. Das System trainiert automatisch auf Basis historischer Sensordaten und erkennt multivariate Anomaliemuster, ohne dass ihr ein eigenes Modell bauen müsst. Preis: Pay-as-you-go, typisch 0,15 EUR/Stunde Inferenz je Modell; EU-Frankfurt verfügbar. Einschränkung: kein Formidentitäts-Tracking eingebaut, das muss separat verwaltet werden.

Azure Machine Learning, Wenn ihr eigene Data-Science-Ressourcen habt oder einen externen Dienstleister einbindet, ist Azure ML die flexiblere Wahl. Ihr baut ein maßgeschneidertes Modell, das Maschinendaten, Formhistorie und Qualitätssignale gleichzeitig verarbeitet und eine echte Restlebensdauer-Schätzung je Kavität ausgibt. Kostet je nach Compute-Bedarf 300–800 EUR/Monat für Training und Batch-Inferenz. EU-Region Germany West Central verfügbar.

InfluxDB, Als Zeitreihendatenbank für die Rohdaten aus der IS-Steuerung: Zykluszeiten, Drücke, Temperaturen. Open-Source-Variante on-premise, damit Produktionsdaten das Werk nicht verlassen. Kombiniert mit Grafana für Dashboards (ebenfalls open-source, on-premise).

Siemens Insights Hub, Wenn die IS-Maschinen bereits über eine Siemens-Steuerung (SIMATIC S7) verfügen und ihr eine IIoT-Plattform für mehrere Werke aufbauen wollt. Insights Hub bringt fertige Konnektoren für Siemens-Equipment und EU-Hosting, aber erfordert einen SI-Partner und ein Enterprise-Budget. Lohnt sich erst ab 3+ Werken mit IS-Maschinen.

IBM Maximo, Als CMMS für die Wartungsintegration. Wenn das Modell einen Tauschauftrag empfiehlt, erzeugt Maximo automatisch den Arbeitsauftrag inklusive Ersatzteilreservierung. Das schließt den Loop zwischen KI-Empfehlung und operativer Ausführung.

Zusammenfassung: Wann welcher Ansatz

• Kein eigenes Data-Science-Team, AWS-Infrastruktur → Amazon Lookout for Equipment
• Data-Science-Kapazität vorhanden oder extern eingebunden → Azure Machine Learning mit Custom-Modell
• Siemens-Maschinenpark, mehrere Werke → Siemens Insights Hub
• Daten-Hosting muss on-premise bleiben → InfluxDB OSS + Grafana + lokales ML-Framework
• CMMS-Integration gewünscht → IBM Maximo als Empfänger der Tausch-Empfehlungen

Datenschutz und Datenhaltung

Produktionsdaten aus IS-Maschinen enthalten in der Regel keine personenbezogenen Daten im Sinne der DSGVO, Zykluszeiten und Drücke sind Maschinenzustandsdaten. Trotzdem sind drei Datenschutzaspekte relevant:

Betriebsgeheimnisse. Formhistorien, Produktionskapazitäten und Qualitätsparameter sind Wettbewerbsinformationen. Für viele Glaswerke ist die Übertragung dieser Daten an eine US-gehostete Cloud-Plattform vertraglich oder intern politisch nicht möglich. Lösungen: InfluxDB on-premise, Grafana self-hosted, Azure Machine Learning mit Germany-West-Central-Region, oder Siemens Insights Hub mit EU-Hosting.

Mitarbeiterdaten in Formhistorien. Wenn Schichtpläne und Maschinenführer-IDs mit den Formdaten verknüpft werden (z.B. „Welcher Einrichter hat Form X eingesetzt?”), wird das DSGVO-relevant. Die einfachste Lösung: Einrichter-IDs nur in aggregierter Form analysieren, nicht auf Personenebene.

AVV-Pflicht bei Cloud-Tools. Wer Amazon Lookout for Equipment, Azure Machine Learning oder Siemens Insights Hub nutzt, muss in jedem Fall einen Auftragsverarbeitungsvertrag abschließen, auch wenn die Daten keine Personendaten enthalten, falls es sich um kritische Betriebsdaten handelt, die datenschutzrechtlich relevant sein können. AWS, Microsoft und Siemens stellen AVV-Vorlagen bereit; für die Unterzeichnung sollte der Datenschutzbeauftragte des Werks einbezogen werden.

Empfehlung für die meisten Mittelständler: On-premise für Zeitreihendaten (InfluxDB), Cloud-Plattform nur für das Modelltraining in EU-Region, Ergebnisse laufen zurück ins Werk. So bleiben Rohdaten im Haus, während die Rechenleistung der Cloud genutzt wird.

Was es kostet, realistisch gerechnet

Einmalige Projektkosten (typisches Mittelstandswerk, 12-Sektionen-IS-Maschine)

• Digitalisierung Formenbuch (falls noch Papier): 10.000–25.000 EUR (einmalig, interner oder externer Aufwand)
• Kamera-Datenintegration (sofern Kamera vorhanden, nur Schnittstelle): 5.000–15.000 EUR
• Kamera-System (falls nicht vorhanden): 50.000–120.000 EUR, das ist der größte Kostentreiber
• ML-Modell-Entwicklung (interner Data Scientist oder externer Dienstleister, 3–4 Monate): 30.000–60.000 EUR
• Dashboard und CMMS-Integration: 5.000–15.000 EUR

Ohne vorhandenes Kamera-System: Gesamtkosten 100.000–230.000 EUR (Amortisation in 2–4 Jahren bei mittlerem Formkostenvolumen) Mit vorhandenem Kamera-System: Gesamtkosten 50.000–115.000 EUR (Amortisation in 1–2 Jahren)

Laufende Kosten (monatlich)

• Cloud-Inferenz (Amazon Lookout oder Azure ML Batch): 200–600 EUR
• Grafana Cloud oder OSS-Hosting: 0–50 EUR
• Modell-Monitoring und Retraining (vierteljährlich, externer Dienstleister): 1.000–2.000 EUR/Quartal

Wie du den Nutzen tatsächlich misst Zwei Kennzahlen, die du vor Projektbeginn als Baseline erfassen solltest:

1. Durchschnittliche Formstandzeit je Kavität (in Hüben), getrennt nach Flaschentyp
2. Ausschussrate durch Formfehler, aus dem Inline-Kamerasystem, aufgeschlüsselt nach Sektion/Kavität

Der Nachweis des ML-Nutzens entsteht durch den Vergleich dieser Kennzahlen vor und nach Einführung, über mindestens 6 Monate Laufzeit, da Formtauschzyklen lang sind.

ROI-Beispielrechnung (konservativ):

• 24 Kavitäten × 5.000 EUR Formkosten × 12% verlängerte Standzeit = 14.400 EUR/Jahr
• 3 vermiedene Notfall-Stopps × 4 Stunden × 8.000 EUR Produktionsausfall/Stunde = 96.000 EUR/Jahr
• 1 vermiedene Abfüller-Reklamation × 20.000 EUR = 20.000 EUR/Jahr

Gesamtnutzen (konservativ): ~130.000 EUR/Jahr, bei Amortisationskosten von 50.000–115.000 EUR eine klare Rechnung, sofern alle Faktoren eintreten. In der Praxis tritt jeder dieser Faktoren nur bei einem Teil der Anlagen auf, rechne mit 50–70% dieses Szenarios im ersten Jahr.

Typische Einstiegsfehler

1. Mit dem Modell starten, ohne das Formenbuch zu digitalisieren. Das häufigste Scheitern dieser Projekte: Man kauft eine Predictive-Maintenance-Plattform, installiert Sensoren, und stellt dann fest, dass die Formhistorie im Papierformenbuch steckt. Ohne zu wissen, welche Form gerade in Kavität 7B läuft und seit wann, hat das Modell keinen Anker. Die Digitalisierung des Formenbuchs muss vor allem anderen kommen. Sie ist langsam (4–8 Wochen), mühsam und wird oft unterschätzt.

2. Annehmen, dass Schussanzahl allein als Merkmal ausreicht. Interval-basierte Prognosen (“tausche nach X Hüben”) hat man auch ohne ML. Der Mehrwert entsteht erst, wenn Glastemperatur, Schmiermittelqualität, Produktwechsel und Sektionsposition als zusätzliche Features einfließen. Wer das Modell auf reine Schusszahl-Regression baut, bekommt eine aufwendige Excel-Tabelle.

3. Das Modell einmal trainieren und dann laufen lassen. Das ist der gefährlichste Fehler, und der leiseste. Ein Modell, das auf Klarglas-Flaschen trainiert wurde, verliert seine Vorhersagekraft, wenn das Werk auf Braunglas oder eine neue Flaschengröße umstellt. Glasrezeptur, Formdesign und Temperaturprofil ändern sich; das Modell aber nicht. Pflichtintervall: Retraining nach jedem größeren Produktionswechsel, mindestens vierteljährlich prüfen. Wer kein Budget für regelmäßiges Retraining einplant, sollte das Projekt nicht starten.

4. Den Einrichter nicht einbeziehen. Die Person mit dem tiefsten Formwissen im Werk ist der Einrichter, nicht der Produktionsleiter, nicht der IT-Verantwortliche. Wenn das Modell eine Tausch-Empfehlung ausspricht, die dem Einrichter widersinnig erscheint, wird er sie ignorieren. Nicht aus Sturheit, sondern weil er Informationen hat, die das Modell nicht kennt (letzte Formreparatur, sichtbarer Schmierungsfehler, untypische Glascharge). Das Modell sollte als Entscheidungshilfe positioniert werden, nicht als Autorität. Einrichter in die Modellvalidierungsphase einzubinden, ihre Vorab-Urteile mit Modellaussagen zu vergleichen, ist essenziell für Akzeptanz.

Was mit der Einführung wirklich passiert, und was nicht

Der typische Projektverlauf teilt sich in drei Phasen, die so nicht im Projektplan stehen:

Phase 1: Das Datenprojekt vor dem KI-Projekt. Die ersten drei bis vier Monate des Projekts sind kein KI-Projekt, sondern ein Daten-Infrastruktur-Projekt. Formenbuch digitalisieren, Datenpipeline aufbauen, Kamera-Schnittstelle herstellen, Qualitätssignale mit Formidentitäten verknüpfen. Diesen Aufwand unterschätzen fast alle Teams. Wer das Budget und den Zeitplan nur für das ML-Modell plant, wird hier überrascht.

Phase 2: Das Modell sagt erst mal unbequeme Dinge. Wenn das erste trainierte Modell läuft, werden Formen als “kritisch” markiert, die der Einrichter noch für gut hält, und umgekehrt. Das ist keine Fehlfunktion, sondern der normale Kalibrierungsprozess. In dieser Phase ist strukturiertes Feedback entscheidend: Wenn Einrichter und Modell abweichen, wird der tatsächliche Verschleißzustand der Form gemessen und das Modell entsprechend angepasst. Diese Phase dauert erfahrungsgemäß 6–10 Wochen und erfordert aktive Moderation.

Phase 3: Akzeptanz kommt durch Treffsicherheit. Wenn das Modell dreimal hintereinander richtig liegt, eine Form, die es als “bald tauschen” markiert hat, zeigt tatsächlich schlechte Qualität, beginnt das Schichtpersonal, dem Dashboard zu trauen. Dieser Vertrauensaufbau ist nicht planbar, aber förderbar: Zeige bei jedem Treffer transparent, was das Modell vorhergesagt hat und was eingetreten ist.

Was nicht passiert: Das System eliminiert keine Fachkompetenz. Einrichter mit 20 Jahren Erfahrung sind nach der Einführung genauso wichtig wie davor, das Modell gibt ihnen bessere Informationen, ersetzt aber nicht ihr Urteilsvermögen. Wer den Mitarbeitenden kommuniziert, dass das System sie “ersetzen” werde, sabotiert das Projekt.

Realistischer Zeitplan mit Risikohinweisen

Realistischer Gesamtzeitraum bis erstem produktivem Einsatz: 6–9 Monate. Wer nach 3 Monaten erste Ergebnisse erwartet, wird enttäuscht. Das Projekt ist eine Infrastruktur-Investition, kein Quick Win.

Häufige Einwände, und was dahintersteckt

„Unsere Einrichter kennen ihre Formen, die brauchen kein System.” Stimmt, für die Formen, die sie kennen, an den Schichten, an denen sie arbeiten. Das Problem ist die Nacht, das Wochenende und der Urlaub. Und es ist der Produktwechsel auf eine neue Flasche, bei dem das akkumulierte Wissen für das alte Produkt nicht mehr gilt. Das Modell ersetzt nicht den Einrichter-Instinkt; es macht das Wissen der besten Einrichter verfügbar, wenn diese nicht da sind.

„Die Kamera läuft schon, die zeigt uns doch, wenn etwas falsch ist.” Die Kamera zeigt, wenn Qualität bereits schlecht ist. Das Modell soll zeigen, wann Qualität in 2–3 Schichten schlecht werden wird. Das ist der entscheidende Unterschied zwischen reaktiver Qualitätskontrolle und vorausschauender Wartungsplanung.

„Das rechnet sich nicht, wir haben nur eine IS-Maschine.” Bei einer einzigen 12-Sektionen-Maschine mit 24 Kavitäten und einem Formkostenvolumen von 100.000–200.000 EUR pro Jahr (typisch für mittlere Serienfertigung) ist der ROI eng. Die Rechnung kippt, sobald die Maschine mindestens einmal pro Jahr einen ungeplanten Notfallstopp hatte, oder sobald ihr regelmäßig Abfüller-Reklamationen durch Formfehler bekommt. Beides zusammen reicht für eine klare Amortisationsrechnung. Für kleinere Werke mit weniger als 8 Sektionen und wenig Produktwechsel gilt: eher nicht, die Datengrundlage ist zu schmal.

Woran du merkst, dass das zu dir passt

• Ihr produziert auf einer IS-Maschine mit mindestens 8–10 Sektionen und mehreren Produkten, genug parallele Kavitäten für eine sinnvolle Datengrundlage
• Ihr hattet in den letzten 12 Monaten mindestens einen ungeplanten Formtausch in der laufenden Schicht, der Leidensdruck ist vorhanden
• Inline-Kamera-Inspektion läuft bereits (Heye Inspector, Emhart InfraCheck oder vergleichbar), das Qualitätssignal existiert, muss nur für das Training genutzt werden
• Ihr habt Abfüller-Reklamationen erhalten, die nachträglich auf Formfehler zurückgeführt wurden, das zeigt, dass das Problem über die Werksgrenzen hinaus sichtbar ist
• Ein Formenbuch existiert, auch wenn es noch auf Papier ist, braucht ihr die historische Basis zum Digitalisieren

Wann es sich (noch) nicht lohnt, drei harte Ausschlusskriterien:

1. Weniger als 4 IS-Maschinen-Sektionen oder ein einziges Produkt auf der Maschine. Bei zu wenigen Kavitäten und zu wenig Produktvarianz ist die Datenbasis für ein ML-Modell zu schmal, die Zahl der dokumentierten Formausfälle pro Jahr reicht nicht aus, um eine verlässliche Restlebensdauer-Kurve zu lernen. Intervall-basierter Tausch ist in diesem Fall die sinnvollere Lösung.

2. Kein digitales Formenbuch vorhanden und keine Ressourcen für die Digitalisierung. Ein ML-Modell ohne Formidentitäts-Tracking ist ein Modell ohne Anker. Die Datenbeschaffung vor dem Modell ist das eigentliche Fundament des Projekts. Wer diesen Schritt nicht leisten kann oder will, sollte das Projekt zurückstellen.

3. Keine Inline-Kamera-Inspektion und kein Budget dafür. Ohne Qualitätssignal am Kaltende fehlt der wichtigste Trainings-Label. Das Modell könnte auf Maschinendaten allein basieren, aber die Verlässlichkeit sinkt erheblich. Ein Kamera-System für 50.000–120.000 EUR als Vorprojekt ist eine eigenständige Investitionsentscheidung, die von diesem Projekt entkoppelt bewertet werden muss.

Das kannst du heute noch tun

Bevor ihr auch nur über ML-Modelle nachdenkt, beantworte diese drei Fragen für eure aktuelle Situation:

1. Wie viele Formtausche in den letzten 12 Monaten waren ungeplant (Notfall in laufender Schicht)?
2. Wie viele Abfüller-Reklamationen ließen sich im Nachhinein auf Formfehler zurückführen?
3. In welchem Format liegt eure Formhistorie, Papier, Excel, MES?

Wenn du die ersten zwei Fragen nicht mit sicheren Zahlen beantworten kannst, ist das selbst schon ein Befund: Ihr habt kein systematisches Formkosten-Tracking. Das ist der erste Schritt, nicht das ML-Modell.

Für einen schnellen ersten Überblick, ob euer aktuelles Formmanagement Potenzial hat, kannst du folgendes Werkzeug nutzen:

Quellen & Methodik

• Amaitik, Xu, Liu (2025): „Advancing Sustainable Glass Manufacturing through Optimized Predictive Maintenance Planning of Critical Forming Components.” 11th IFAC Conference on Manufacturing Modelling, Management and Control (MIM), Trondheim, Norwegen. Verfügbar über Aston University Research Explorer und ScienceDirect (doi:10.1016/j.ifacol.2025.03.XXX). Hintergrund zu Verschleißmustern an glasformenden Bauteilen und Optimierungspotenzial durch vorausschauende Wartungsplanung.
• Verallia IS Watch Dog (2025): KI-Projekt zur Echtzeit-Anomalieerkennung an IS-Maschinen-Produktionslinien, ausgezeichnet mit dem AI Transformations Award 2025 in der Kategorie „Efficience”. Einsatz von Cerrion-Video-KI zur Erkennung von Produktionsstörungen in Echtzeit. Quelle: GlassOnline.com, April 2025.
• Formkosten (3.000–8.000 EUR/Stück): Orientierung an Branchenvergleichsdaten für Hohlglas-Serienwerkzeuge, angelehnt an internationale Marktdaten für kundenspezifische Glasflaschen-Formen (Stand: 2025).
• Inline-Inspektions-Genauigkeit: Automatisierte Systeme erreichen laut Branchenangaben rund 99,7% Genauigkeit bei Flaschenfehler-Detektion gegenüber ca. 85% bei menschlicher Inspektion. Quelle: Jidoka Tech, Bottle Inspection Guide.
• Mold Change Downtime (2–6 Stunden): Aus Fachliteratur zu IS-Maschinen-Wartung sowie ISS (Individual Section Systems) Dokumentation, verfügbar über Emhart Glass und ISS Machines.
• Projektkosten und ROI-Bandbreiten: Schätzwerte basierend auf industriellen Predictive-Maintenance-Projekten im Fertigungsumfeld; keine repräsentative Erhebung, aber konsistent mit Erfahrungen aus vergleichbaren Anlagenprojekten im Mittelstand.
• AWS Lookout for Equipment Pricing: aws.amazon.com/lookout-for-equipment, Stand Mai 2026.

Du willst prüfen, ob das Konzept auf eure spezifische Maschine und euren Produktmix passt, und nicht drei Monate in ein Projekt investieren, das an der Datenbasis scheitert? Dann reden wir lieber vorher kurz darüber.