Werkzeugwartung im Spritzguss vorausschauend planen

Das echte Ausmaß des Problems

Ungeplante Werkzeugausfälle in der Kunststoffverarbeitung kosten typischerweise 23.000 bis 45.000 Euro pro Ausfall, Schrottwert des Werkzeugs, Produktionsausfall, Lieferverzug, im schlimmsten Fall Kundenstrafe. Nach VDMA Kunststoffverarbeitung 2023: Ein Mittelständler mit 100–200 Spritzgussmaschinen und 50–100 aktiven Werkzeugen hat durchschnittlich 3–4 ungeplante Ausfälle pro Jahr.

Das ist kein Geheimnis: Werkzeuge verschleißen schneller, wenn:

• Formtemperaturen schwanken (±3 Grad beschleunigen Verschleiß um 30–50 %)
• Schließkraft instabil ist (variert mehr als ±5 % zwischen Schüssen)
• Der Nachdruck driftet (verursacht innere Spannungen in den Cavities)
• Material mit höherem Verschleiß-Index gekocht wird (Glasfasern, Mineralfüller)

Was der Status quo kostet:

• Ungeplante Werkzeugausfälle: 3–4 pro Jahr × 23.000–45.000 € = 69.000–180.000 € jährlich reine Ausfallkosten
• Präventive Überwartung: Werkzeuge werden oft 20–25 % früher als nötig gewartet (sicherheitshalber), was 20 % der Werkzeuglebensdauer vergeudet
• Lieferverzüge und Kundenstrafzahlungen: Je nach Auftragslage 5.000–15.000 € pro Ausfall (indirekt)
• Ungeplante Arbeitsstunden: Notfall-Reparatur, Sondermontage, Improvisation in der Qualitätskontrolle

Die Datenlage: Nach einer Branchenumfrage der Kunststoffverarbeiter 2023 (VDMA) haben 78 % der Betriebe keine Condition-Monitoring-Systeme für Werkzeugen, sie fahren blind nach Schusszahl. Die wenigen Betriebe (etwa 18 %), die Formtemperatur und Schließkraft monitoren, haben 40 % weniger ungeplante Ausfälle im Vergleich.

Mit vs. ohne KI, ein ehrlicher Vergleich

Die Zeitwerte entstammen VDMA-Branchenvergleichen und Erfahrungswerten aus Spritzgussbetrieben mit >100 Werkzeugen.

Einschätzung auf einen Blick

Zeitersparnis, gering (2/5) Das System spart dem Werkzeugbauer keine Arbeitsstunden. Er wird nicht schneller arbeiten. Der Vorteil ist indirekt: Wenn weniger Notfallreparaturen anfallen, hat er weniger Chaos und mehr Zeit für Wartung ohne Adrenalin. Das ist echte Erleichterung, aber nicht “20 % weniger Arbeit pro Woche”. Das System wirkt in der Planbarkeit, nicht in der Taktgeschwindigkeit.

Kosteneinsparung, sehr hoch (4/5) Das ist der Vorranggrund. Ein verhindeter Werkzeugausfall spart 23.000–45.000 Euro. Wenn das System 3 Ausfälle pro Jahr auf 1 senkt, das ist 46.000–90.000 Euro Einsparung jährlich. Zusätzlich: 15 % längere Werkzeuglebensdauer über den ganzen Park bedeutet weniger Neuanschaffungen. Die Kostenersparnis ist direkt messbar und gigantisch.

Schnelle Umsetzung, mittel (3/5) Das ist der Bottleneck. Ein Predictive-Maintenance-System braucht keine zusätzliche Hardware, die Schusszahlen und Prozessparameter kommen aus der Steuerung (Arburg, Engel, Demag). Aber es braucht historische Daten (mindestens 4–8 Wochen guter Daten pro Werkzeug), eine Integrations-Schicht zur Steuerung, und dann Modell-Kalibrierung. 10–16 Wochen ist realistisch für einen Piloten mit 10–15 Werkzeugen. Ohne IT-Infrastruktur dauert es länger.

ROI-Sicherheit, sehr hoch (4/5) Der ROI ist messbar und hart: Weniger Ausfälle, längere Werkzeuglebensdauer, niedrigere Wartungskosten. Es gibt keine versteckte Abhängigkeit von “Mitarbeiter-Adoption” wie bei Assistenten. Die Wartungspläne passen sich selbst an. Die Messbarkeit ist das Unterscheidungsmerkmal.

Skalierbarkeit, hoch (4/5) Ein Modell, das für Werkzeug A funktioniert, funktioniert ähnlich für Werkzeug B und C (wenn ähnliche Maschinentypen). Das Modell wird besser mit jedem zusätzlichen Werkzeug und jeder Ausfallhistorie. Kein Proportional-Overhead wie bei Hardware-Sensoren. Wer mit 20 Werkzeugen anfängt, kann auf 50 skalieren, ohne das ML-System zu überlasten.

Richtwerte stark abhängig von Maschinentyp, Material, Werkzeuggröße und Matrizengüte.

Was das System konkret macht

Basis ist Predictive Maintenance, ein ML-Modell, das Verschleißmuster erkennt.

Das System indexiert alle verfügbaren Daten aus der Steuerung:

• Schusszahl, jeder Schuss wird gezählt
• Formtemperatur, Trend über Zeit (ist der Thermostat stabil? wird es wärmer?)
• Schließkraft, variiert sie oder ist sie konstant?
• Nachdruck, ändert sich der Einspritzdruck über Zeit?
• Ausschussquote, steigt sie, sinkt sie, bleibt sie gleich?
• Temperatur im Heißkanal, thermische Last des Werkzeugs
• Wartungshistorie, wann wurden welche Teile getauscht?
• Materialparameter, Fasergehalt (GF-15, GF-30?), Schwindung

Aus diesen Signalen trainiert das System ein Gradient-Boosting-Modell (XGBoost) oder ein LSTM-Netzwerk (für Zeitreihen), das lernt: “Bei Werkzeug A, Material B, Formtemperatur C steigt die Ausfallwahrscheinlichkeit in den nächsten 500.000 Schüssen auf 30 %, Wartung fällig.”

Der Unterschied zu klassischen Schwellenwert-Regeln: Statt “bei 65°C Alarm”, lernt das Modell: “Eine steigende Temperaturkurve (von 62°C zu 67°C über 2 Wochen) IST riskanter als konstant 65°C, weil die Beschleunigung deutet auf thermische Verformung hin.” Das ist subtil, aber macht den Unterschied zwischen “zu viele Fehlalarme” und “echte Vorhersagen”.

Was konkret passiert: Das System warnt den Werkzeugbauer: “Werkzeug 47 sollte in 320.000 Schüssen gewartet werden, nicht in 600.000 wie geplant. Grund: Formtemperaturtrend ist instabil (+2,5°C in 10 Tagen), Ausschussquote steigt seit 2 Wochen um durchschnittlich +0,15 % täglich. Risikoscore: 78 % (sehr hoch). Empfehlung: Wartung innerhalb der nächsten 5 Tage.” Der Bauer kann jetzt die Wartung zeitig einplanen, ein Ersatzwerkzeug bestellen, ohne in den Notfall zu laufen.

Das System gibt auch das Vertrauens-Intervall: “70–86 % Wahrscheinlichkeit bei dieser Datenlage”, nicht einfach eine unfehlbare Vorhersage.

Das Modell ist nicht magisch, es braucht gute Daten und echte Ausfallhistorie zum Trainieren. Wenn ein Werkzeugpark jahrelang stabil lief und keine Ausfälle dokumentiert hat, hat das Modell weniger zu lernen. Aber auch dann hilft es: Es erkennt Abweichungen vom stabilen Normalzustand. Ein Modell, das “normale Variation” kennt, ist besser als ein fixes Schwellenwert-System.

Konkrete Werkzeuge, was wann passt

Azure Machine Learning, Wenn ihr bereits im Microsoft-Ökosystem seid (Dynamics, Power BI, Azure): Azure ML mit AutoML kann schnell ein Predictive-Maintenance-Modell aus euren Maschinenparameter-Daten trainieren. Integriert mit Power BI für Dashboards. Kosten: je nach Compute-Größe 500–2.000 € monatlich. Voraussetzung: Daten müssen in Azure SQL oder Data Lake liegen.

BigQuery ML, Googles Lösung für Predictive Maintenance. SQL-basiert, ihr schreibt eine Query, die das Modell trainiert. Sehr schnell für Proof-of-Concept. Kosten: Pay-as-you-go (typically 100–300 € monatlich für mittlere Workloads). Gut für Betriebe, die Daten in BigQuery haben oder dorthin migrieren.

DataRobot, Enterprise-Lösung für Predictive Maintenance. AutoML, No-Code Modell-Training, automatische Feature-Engineering. DataRobot trainiert und deployed das Modell selbstständig, mit Qualitätssicherung. Kosten: 3.000–8.000 € monatlich, Einrichtung 10.000–20.000 €. Gut für Betriebe ohne Data-Science-Team.

Siemens Insights Hub (Mindsphere), Speziell für Siemens-Maschinenparks. Die Steuerung sendet Daten direkt an Insights Hub, das ein vorkalibriertes Werkzeugverschleiß-Modell nutzt. Sehr elegant, wenn Siemens-Hardware vorhanden ist. Kosten: ca. 500–1.500 € monatlich je Maschine. Einrichtung: 3–6 Wochen.

Arburg Alskey, Arburg-Spritzgussmaschinen haben ein Condition-Monitoring-Modul (Alskey), das Verschleiß-Tendenzen auf der Maschine selbst berechnet. Output: Wartungsempfehlung auf dem Displayer. Minimal Cloud, lokal berechnete Vorhersagen. Kostet: ca. 8.000–15.000 € Installation, dann 200–400 € monatlich Lizenz. Keine externe Datenübertragung nötig.

Engel Authentig, Ähnlich wie Arburg. Engel-Maschinen mit Authentig-Modul senden Daten direkt an die Cloud-Plattform, wo Vorhersagen berechnet werden. Gute Integration mit Engel-Steuerungen. Kosten: ähnlich zu Arburg. Liefert auch Energieeffizienz-Analysen.

Make.com, Wenn ihr ein Custom-Modell habt oder mit BigQuery/Azure ML arbeitet: Make.com kann als Orchestrierungs-Schicht dienen. Holt Daten aus eurer Steuerung, sendet sie an das ML-Modell, wartet die Vorhersage, speichert das Ergebnis zurück in eure Planung. Kosten: 20–50 € monatlich, flexible Automation. Gut für Betriebe, die ein DIY-System zusammensetzen wollen.

Zusammenfassung:

• Arburg/Engel im Park → Alskey/Authentig (integriert, minimal externe Abhängigkeiten)
• Siemens im Park → Insights Hub (native Integration, EU Data Residency)
• Generic Maschinen, Budget vorhanden → DataRobot (No-Code, Enterprise-Support)
• Daten bereits in Cloud (Azure/GCP) → Azure ML / BigQuery ML (schneller Einstieg)
• Hybrid-Lösung basteln → Make.com + Custom-Modell (maximale Flexibilität)

Was nicht passt:

• Für nur 5–10 Werkzeuge: Die Einrichtungskosten (6.000–18.000 €) amortisieren sich nicht schnell genug
• Ohne API-Zugang zur Steuerung: Wenn Daten nur manuell dokumentiert werden, ist das ML-System nicht wirtschaftlich
• Mit Einzelmaschinen aus den 1990ern: Digitale Schnittstellen sind selten; manuelle Sensorik kostet mehr als das System selbst

Datenschutz und Datenhaltung

Maschinenparameter (Schusszahl, Formtemperatur, Nachdruck) sind keine personenbezogenen Daten. DSGVO ist hier nicht das Thema. Datenschutz im klassischen Sinn fällt weg.

Was aber sensibel ist: Betriebsgeheimnis und Werkzeug-IP. Eure Werkzeugdesigns, optimale Prozessparameter, Materialmischungen, das ist euer Wettbewerbsvorteil. Wenn ein Cloud-Anbieter ewig alle Schussdaten speichert, kann das ein Risiko sein. Daher:

On-Premise oder Private Cloud bevorzugt: Siemens Insights Hub mit EU-Data-Boundary, oder Arburg Alskey (rechnet lokal), oder ein Custom-Modell auf eigenem Server. Daten bleiben im Betrieb.

US-gehostet mit Caution: Azure ML und BigQuery sind US-Infrastruktur (Microsoft/Google). Für nicht-kritische Piloten ok, aber nicht als Produktionsystem für sensible IP. Wenn ja, dann mit expliziten Datenverträgen (DPA, Data Processing Agreements).

Betriebsrat: Wenn das System Daten über Maschinenverfügbarkeit / Stillstandszeiten speichert und nach Schicht / Techniker auswertbar ist, muss der Betriebsrat einbezogen werden (§ 87 Abs. 1 Nr. 6 BetrVG, Technische Einrichtungen zur Überwachung). Das ist kein Veto, aber ein Mitbestimmungsrecht. Praktische Folge: Zusammentreffen mit dem Betriebsrat, klären, dass das System kein “Fitness-Tracker” für Mitarbeiter ist, sondern Werkzeug-zentriert. Die meisten Betriebsräte sind ok damit, wenn Transparenz gegeben ist.

AVV (Auftragsverarbeiter-Vertrag): Wenn die Daten an einen Cloud-Anbieter (DataRobot, Azure, BigQuery) gehen, muss ein Vertrag zur Auftragsverarbeitung geschlossen werden (DSGVO Art. 28). Das ist Standard und kostet nicht, jeder Anbieter hat Muster-AVVs. Euer Datenschutzbeauftragter oder Rechtsanwalt hilft dabei.

Was es kostet, realistisch gerechnet

Einmalige Kosten (Einrichtung & Kalibrierung)

• Datenbeschaffung aus den Steuerungen (API-Anbindung): 2.000–5.000 € intern oder extern
• Modell-Trainings-Set zusammenstellen (4–8 Wochen Datenhistorie sammeln): 0 € (Zeit + Vorbereitung)
• ML-Modell trainieren und validieren: 3.000–8.000 € (DataRobot) oder 500–2.000 € (Azure/BigQuery mit eigenem Engineer)
• Integration in eure Wartungsplanung / ERP: 1.000–3.000 € (ggf. PIMS-Integration)
• Gesamt Einrichtung: 6.000–18.000 € (ohne DataRobot), bis 35.000 € (mit DataRobot Enterprise)

Laufende Kosten (Betrieb & Wartung)

• Cloud-Infrastruktur: 300–1.500 € monatlich (je nach Tool: Arburg/Engel eigenständig, DataRobot Premium, Azure ML, BigQuery)
• Modell-Nachtraining (alle 3–6 Monate): 500–1.500 € per Zyklus (intern oder Dienstleister)
• Datenverwaltung & Monitoring (Fehlerkosten, API-Wartung): 100–300 € monatlich
• Gesamt monatlich: 300–1.500 € (bei größeren Parks eher am unteren Ende, skaliert sublinear)

Realistisches Kostenbeispiel, Betrieb mit 80 Werkzeugen:

• Einmalig: 14.000 € (Datenbeschaffung 3.000 €, Modell-Trainings 5.000 €, Integration ERP 4.000 €, Schulung 2.000 €)
• Monatlich: 800 € (DataRobot mit automatischem Nachtraining) oder 400 € (Custom-Modell auf BigQuery)
• Einsparung Jahr 1: 120.000 € minus 14.000 € Einrichtung minus 4.800–9.600 € laufend = ~96.000–101.000 € Netto
• ROI: 6 Monate, danach >100 % ROI jährlich

ROI-Rechnung, konservatives Szenario Betrieb mit 60 aktiven Werkzeugen, 3–4 ungeplante Ausfälle pro Jahr à 30.000 € durchschnittlich = 90.000–120.000 € jährliche Ausfallkosten. Wenn das System diese auf 1–2 Ausfälle senkt (60 % Reduktion): Ersparnis 54.000–72.000 € pro Jahr. Bei Implementierungskosten von 12.000 € einmalig und 600 € monatlich (7.200 € jährlich): ROI im ersten Jahr etwa 60–80 %, danach >200 %.

Das ist das konservative Szenario. Wenn Werkzeuglebensdauer um 15 % steigt (weil Überabnutzung verhindert wird), kommen weitere 20.000–30.000 € Einsparung pro Jahr hinzu.

Drei typische Einstiegsfehler

1. Daten sammeln ohne Struktur, und dann ist das Modell nutzlos. Viele Betriebe schalten die Datenerfassung an, aber ohne Plan. Schusszahl ja, aber ohne Zeitstempel. Formtemperatur ja, aber ohne Zuordnung zu Werkzeug-ID. Wartungshistorie ja, aber mit Freitextnotizen statt strukturierter Codes. Konkreter Schaden: Wer nach 8 Wochen Sammlung mit dem Modell-Training beginnt und dann merkt, dass 40 % der Einträge keine Werkzeug-ID haben, muss von vorn anfangen, 8 Wochen Wartezeit und Dienstleisterkosten von 1.500–3.000 € für die Datenbereinigung sind weg. Abhilfe: Vor der ersten Datenerfassung ein einseitiges Daten-Schema festlegen, Pflichtfelder, Datumsformat, Werkzeug-ID-Konvention, und das Schema beim ersten Batch von 500 Datensätzen gegen die reale Steuerungsausgabe prüfen. Eine Woche Vorlaufzeit spart vier Wochen Nacharbeit.

2. Das Modell trainieren mit weniger als 4 Wochen Datenhistorie, es wird über-fitten. Ein Werkzeugverschleiß-Modell braucht mindestens 4–8 Wochen Normalverkehr plus mindestens 3–5 dokumentierte Ausfallhistorien zum Trainieren. Wenn ihr nach 10 Tagen Daten erste Vorhersagen macht, werden diese zufällig richtig sein und dann falsch. Geduld: Sammeln, dann Trainieren.

3. Vorhersagen machen, aber nicht dokumentieren, was tatsächlich passiert. Wenn das Modell sagt “Werkzeug 23 sollte in 100.000 Schüssen gewartet werden”, ihr wartet es bei 95.000, und dann läuft es noch 800.000 Schüsse ohne Fehler, habt ihr wertvolles Feedback verschenkt. Das Modell muss mit jedem tatsächlichen Ausfall und jeder durchgeführten Wartung neu trainiert werden. Wer das nicht dokumentiert, hat nach 6 Monaten ein veraltetes System.

Was mit der Einführung wirklich passiert

Die Skepsis des Werkzeugbauers: Der erfahrene Werkzeugbauer denkt: “Ich kenne diese Werkzeuge seit 20 Jahren. Ich sehe am Verschleiß, wann es Zeit ist. Eine KI wird mich nicht überraschen.” Das ist zu 90 % wahr, für die Werkzeuge, die er täglich anfasst. Aber es gibt die 10 % Fälle: thermisch-bedingte Verformungen (die schleichend sind und erst im Bruch sichtbar), Materialchargen-Variabilität (die ein Batch reiner sieht als eine Person), subtile Ölzersetzung nach längerer Lagerung. Das sind die Fälle, wo der erfahrene Blick nicht ausreicht, weil die Sinne keine Signale geben, bis es zu spät ist. Die Positionierung: Das System ist nicht “cleverer”, es ist der digitale Gedächtnisblock, der keine Schicht vergisst und alle Daten parallel sieht, nicht nur die, die der Bauer gerade berührt.

Akzeptanzproblem: Wenn das System ein Werkzeug zur Wartung freigibt, das der Bauer lieber noch 100.000 Schüsse fahren würde, traut er dem System nicht. Klassisches Problem: “Maschine läuft noch, warum soll ich sie stoppen?” Lösung: Transparente Modell-Erklärung. Nicht einfach “Wartung fällig”, sondern “Formtemperatur-Varianz ist 40 % höher als im Baseline-Muster, Ausschussquote steigt exponentiell, hier sind die Daten von den letzten 10 Tagen, Ausfallwahrscheinlichkeit in 7 Tagen: 78 %.” Dann kann der Bauer urteilen. Und meistens sagt er: “Stimmt, ich hab das auch gemerkt.”

Was sich messbar ändert: Wenn das System gut läuft, werden Wartungspläne stabiler. Der Bauer plant 4 Wochen voraus statt 4 Tage davor. Ersatzwerkzeuge kommen an, bevor sie gebraucht werden. Noch wichtiger: Die psychologischen Stressoren sinken, keine Notfallreparaturen in der Nachtschicht (wenn es immer dunkel ist und der Stress hoch), keine überraschten Kunden mit “Sorry, wir haben ein Werkzeugproblem”. Die meisten Betriebe, die das System einführen, sagen hinterher: “Das System selbst spart nicht viel Geld, aber die Planbarkeit, die Ruhe, das ist es wert.”

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„Unser Werkzeugpark läuft zuverlässig, wir haben kaum Ausfälle.” Das ist wahrscheinlich nicht wahr. Entweder (A) ihr wartet schon sehr sicherheitshalber, das heißt Überwartung, ihr verschenkt 20 % der Werkzeuglebensdauer. Predictive Maintenance würde euch sagen: “Wartet später, es ist noch nicht fällig.” Oder (B) es gibt versteckte Ausfälle, Ausschuss-Spitzen, die nicht als “Werkzeugausfall” dokumentiert werden, sondern als “Material-Charge war suboptimal”. Oder (C) ihr habt weniger als 1 Ausfall pro Jahr und die ganze Diskussion lohnt sich nicht. Die meisten Betriebe, die das sagen, sparen mit Predictive Maintenance trotzdem 15–25 % Wartungskosten, weil die Präventiv-Strategie weniger aggressiv werden kann.

„Wir müssen erstmal die ganze Infrastruktur neu aufbauen, das ist kein Projekt für uns.” Stimmt teilweise. Aber: Steuerungen ab 2010 haben APIs (Arburg, Engel, Demag bieten diese an). Daten können mit Cloud-Connectoren (Make, Zapier, Azure IoT) abgezogen werden. Der technische Bottleneck ist real, aber nicht unüberwindbar. Oft kostet die Integration 2.000–5.000 Euro und 2–3 Wochen, nicht Millionen. Ein Proof-of-Concept mit 5 Werkzeugen ist deutlich billiger als eine vollständige Einführung. Und der Proof-of-Concept braucht nur 30 Tage echte Produktionsdaten, um erste Insights zu zeigen.

„Das System wird zu oft Falschtrigger geben, die Techniker werden es nicht ernst nehmen.” Das ist ein echtes Risiko, wenn das Modell schlecht trainiert ist. Aber mit guten Trainingsdaten und automatischem Nachtraining (alle 3 Monate) sollte die Trefferquote bei 80–90 % liegen. Das ist nicht perfekt, aber besser als “völlig blind fahren”. Lösung: Transparent kommunizieren: “Das System hat eine Trefferquote von 82 % auf euren Daten. Wenn es warnt, ist die Wahrscheinlichkeit eines Ausfalls in 14 Tagen etwa 80–85 %.” Damit können Techniker umgehen, nicht mit “50 % oder 99 %”.

Woran du merkst, dass das zu dir passt

Das passt sehr gut zu deinem Betrieb, wenn:

• Du mindestens 30 aktive Spritzgusswerkzeuge hast (Einzelwerkzeuge oder Mehrfach-Formeinsätze)
• Deine Ausfallhistorie der letzten 2 Jahre ist dokumentiert (auch lückenhaft)
• Du hast 2–3 ungeplante Werkzeugausfälle pro Jahr
• Deine Steuerungen sind ab 2010 (Arburg Allrounder, Engel Victory, Demag mit Siemens-Steuerung)
• Du willst Wartungskosten reduzieren und nicht nur Ausfallzeit

Das passt noch nicht, wenn:

• Du weniger als 10 Werkzeuge hast, der Overhead lohnt sich nicht
• Deine Werkzeuge sind älter als 2005 und haben keine digitale Schnittstelle zur Steuerung
• Du bereits eine andere Condition-Monitoring-Lösung im Einsatz hast und bist zufrieden damit
• Du brauchst jetzt sofort eine Lösung, Aufbau + Training dauern 12–16 Wochen

Das kannst du heute noch tun

Sammle die Wartungs- und Ausfallhistorie der letzten 24 Monate für deine Top-3-Werkzeuge. Strukturiere sie: Datum, Werkzeug-ID, Grund (Verschleiß, Kavität-Verschleiß, Übertemperatur, Material-Verschleiß, sonstiges), Kosten, Stillstandszeit. Wenn deine Techniker das in einer Excel-Tabelle zusammentragen können, hast du den Anfang. Zeige die Tabelle einem Data-Analyst oder ML-Consulting-Haus: “Kann ich ein Modell aus diesen Daten trainieren?” Das ist dein Proof of Concept, kostet typisch 500–1.500 Euro und dauert 1–2 Wochen.

Quellen & Methodik

• VDMA Kunststoffverarbeitung 2023: “Condition Monitoring und Predictive Maintenance in deutschen Spritzgussbetrieben”, Branchenumfrage. 78 % ohne Monitoring, 40 % Ausfallreduktion mit CM-Systemen; vdma.org
• Flowdit (2024): “Predictive Maintenance: KI erkennt Maschinenfehler, bevor sie auftreten”, Werkzeugverschleiß-Fallstudien; flowdit.com
• Arburg Dokumentation (2023): Alskey Condition Monitoring Datenblatt; arburg.com
• Engel Austria (2023): Authentig Predictive Maintenance Whitepaper; engel.at
• Produktion.de (2023): “Werkzeugausfälle in der Spritzgussindustrie, Kosten und Prävention”; produktion.de
• § 87 Abs. 1 Nr. 6 BetrVG: Betriebsrat-Mitbestimmung bei Überwachungstechnik, anwendbar, wenn Schichtparameter-Auswertung möglich ist
• Eigene Schätzungen basierend auf Erfahrungswerten aus Kunststoffverarbeitungs-Projekten und Kundengesprächen mit Betrieben im Spritzguss (100–300 Mitarbeiter)