Werkzeugwartung im Spritzguss vorausschauend planen

Das echte Ausmaß des Problems

Ein ungeplanter Werkzeugausfall in der Kunststoffverarbeitung kostet Ausschuss, Stillstand, Eilreparatur, Lieferverzug und im schlimmsten Fall eine Vertragsstrafe. Im Beispiel oben sind es 18.000 Euro Ausschuss und sechs Wochen ohne Werkzeug; das Ersatzwerkzeug selbst wäre am Ende der Standzeit ohnehin fällig gewesen. Wie viele solcher Ausfälle ein Betrieb im Jahr hat, dazu haben wir keine belastbare Branchenzahl gefunden. Deine Zahl steht in der Instandhaltungshistorie der letzten zwei Jahre.

Das ist kein Geheimnis: Werkzeuge verschleißen schneller, wenn:

• Formtemperaturen schwanken
• die Schließkraft zwischen den Schüssen schwankt
• der Nachdruck driftet (verursacht innere Spannungen in den Cavities)
• abrasives Material verarbeitet wird (Glasfasern, Mineralfüller)

Was der Status quo kostet, und wo du es nachzählst:

• Ungeplante Werkzeugausfälle: Anzahl pro Jahr mal Mehrkosten gegenüber einem geplanten Eingriff (Ausschuss, Stillstand, Eilzuschläge)
• Präventive Überwartung: Wer sicherheitshalber früh wartet, zahlt Wartungen, die noch nicht nötig wären
• Lieferverzüge und Vertragsstrafen: je nach Auftragslage, in der Reklamations- und Mahnhistorie
• Ungeplante Arbeitsstunden: Notfall-Reparatur, Sondermontage, Improvisation in der Qualitätskontrolle

Die Datenlage: Wie verbreitet Condition Monitoring an Spritzgusswerkzeugen ist und wie viele Ausfälle es nachweislich verhindert, dazu haben wir keine abrufbare Erhebung gefunden. Die Rechnung unten arbeitet deshalb mit ausdrücklichen Annahmen.

Mit vs. ohne KI, ein ehrlicher Vergleich

Alle Zahlen sind Annahmen für ein Rechenbeispiel, keine Messung und keine Branchenstatistik. Die 18.000 Euro sind der Ausschuss aus dem Beispiel oben, ohne die sechs Wochen Lieferzeit. Ersetze sie durch deine Instandhaltungshistorie der letzten zwei Jahre: Anzahl der ungeplanten Werkzeugausfälle, je Ausfall Ausschuss, Stillstand und Reparatur.

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, mittel (3/5) Das ist der Hauptgrund für das System, aber kleiner, als er auf den ersten Blick aussieht. Gespart wird nicht der ganze Ausfall, sondern die Differenz zum geplanten Eingriff: Gewartet oder am Ende der Standzeit ersetzt wird das Werkzeug trotzdem. Und jede Warnung kostet eine vorgezogene Wartung, auch die falschen. Unter den Annahmen der Rechnung unten bleiben rund 26.000 Euro im Jahr. Bei mehr Ausfällen oder teurerem Ausschuss mehr, bei einem Ausfall im Jahr fast nichts.

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, niedrig (2/5) Messbar ist, ob Warnungen und tatsächliche Verschleißbefunde zusammenpassen. Ob das System Ausfälle verhindert hat, lässt sich bei drei bis vier Ereignissen im Jahr dagegen kaum belegen: Ob in einem Jahr zwei oder vier Werkzeuge brechen, kann reiner Zufall sein. Eine belastbare Vorher-nachher-Aussage braucht mehrere Jahre oder einen großen Park. Dazu kommt die Akzeptanz: Ein Werkzeugbauer, der Warnungen ignoriert, macht jedes Modell wertlos.

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 ein Predictive-Maintenance-Modell aus euren Maschinenparameter-Daten trainieren. Integriert mit Power BI für Dashboards. Kosten: Für den Dienst selbst nichts, du zahlst Rechenzeit und Speicher, etwa 0,266 US-Dollar je Stunde für eine DS3-v2-VM in der Region Germany West Central. Läuft sie rund um die Uhr, sind das 0,266 mal 720 Stunden, rund 190 US-Dollar im Monat. Voraussetzung: Daten müssen in Azure SQL oder Data Lake liegen.

BigQuery ML , Googles Lösung für Modelle direkt in der Datenbank. SQL-basiert, ihr schreibt eine Query, die das Modell trainiert. Sehr schnell für Proof-of-Concept. Kosten: nach gescannter Datenmenge, 6,25 US-Dollar je TiB, das erste TiB im Monat frei; die Prozessdaten eines Werkzeugparks sind meist deutlich kleiner. Gut für Betriebe, die Daten in BigQuery haben oder dorthin migrieren.

DataRobot , Enterprise-Plattform mit AutoML, No-Code-Modelltraining und MLOps. Für einen einzelnen Spritzgussbetrieb mit diesem Anwendungsfall zu groß: Öffentliche Preise gibt es nicht, laut Beschaffungsplattform Vendr liegen Verträge im Median bei rund 212.000 US-Dollar im Jahr, kleinere ab etwa 100.000. Das trägt die Rechnung unten nicht.

Siemens Insights Hub (früher MindSphere), die industrielle IoT-Plattform von Siemens mit Predictive-Maintenance-Apps. Naheliegend, wenn der Park Siemens-Steuerungen hat und das Unternehmen ohnehin auf Siemens setzt. Ein fertiges Verschleißmodell für Spritzgusswerkzeuge darfst du nicht voraussetzen, lass es dir an deinen Daten zeigen. Preise nur auf Anfrage.

Arburg ALS/ALSkey , das Leitrechnersystem (MES) von Arburg: Schusszahlen pro Werkzeug und Kavität, Parameter-Historie und Wartungsauslöser nach Schusszahl, ALSkey ist die Nutzer- und Rechteverwaltung dazu. Das ist die Datenbasis, kein fertiges Predictive Maintenance: Ein vollständiges Vorhersagemodul hat ALS laut unserer Toolseite noch nicht. Kosten projektbasiert, typisch 20.000 bis 150.000 Euro für die Installation mit Maschinenanbindung.

ENGEL authentig , das MES von ENGEL mit Werkzeugstatus, Rückverfolgbarkeit und den iQ-Assistenzsystemen, die je Zyklus nachregeln. Auch hier: Datenbasis und Prozessregelung, keine Verschleißprognose von der Stange. Einstiegspaket typisch 15.000 bis 30.000 Euro, dazu jährlich 15 bis 20 Prozent der Lizenz für die Software-Wartung.

Make.com , Wenn ihr ein Custom-Modell habt oder mit BigQuery/Azure ML arbeitet: Make.com kann als Orchestrierungs-Schicht dienen. Holt Daten aus eurem MES oder Datenspeicher, sendet sie an das ML-Modell, wartet die Vorhersage ab und schreibt das Ergebnis zurück in eure Planung. Kosten: Core 9 US-Dollar, Pro 16 US-Dollar im Monat bei jährlicher Zahlung. Gut für Betriebe, die ein DIY-System zusammensetzen wollen.

Zusammenfassung:

• Arburg/Engel im Park → ALS bzw. authentig als Datenbasis, das Vorhersagemodell kommt obendrauf (Azure ML, BigQuery ML oder ein Dienstleister)
• Siemens im Park → Insights Hub (native Integration, EU-Hosting)
• Daten bereits in Cloud (Azure/GCP) → Azure ML / BigQuery ML (schneller Einstieg)
• Hybrid-Lösung basteln → Make.com + Custom-Modell (maximale Flexibilität)
• Konzern mit Data-Science-Budget für viele Anwendungsfälle → DataRobot, für diesen allein nicht

Was nicht passt:

• Für nur 5–10 Werkzeuge: Ausfälle sind zu selten, die Einführung amortisiert sich nicht
• 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 EU-Hosting bevorzugt: Ein Custom-Modell auf eigenem Server hält die Daten im Betrieb. Arburg ALS hostet laut unserer Toolseite in Deutschland, Siemens Insights Hub und ENGEL authentig in der EU.

US-Anbieter mit Vorsicht: Azure ML und BigQuery gehören Microsoft und Google. Beide bieten EU-Regionen (Azure etwa Germany West Central), die Konzernzugehörigkeit bleibt. Für nicht-kritische Piloten ok, als Produktionssystem für sensible Prozess-IP nur mit EU-Region und expliziten Datenverträgen.

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): Sobald die Daten Schichten oder Personen zugeordnet werden können (siehe Betriebsrat), sind es personenbezogene Daten. Gehen sie dann an einen Cloud-Anbieter (Azure, BigQuery), 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)

• Datenanbindung der Steuerungen, falls noch kein MES die Daten liefert: Arburg ALS typisch 20.000–150.000 € für die Installation mit Maschinenanbindung, ENGEL authentig im Einstieg 15.000–30.000 €. Wer schon ein MES hat, spart diesen Posten.
• Trainingsdaten zusammenstellen (4–8 Wochen sammeln, Ausfallhistorie digitalisieren): interne Zeit
• Modell trainieren, validieren und in die Wartungsplanung einbinden: intern mit eigenem Data Engineer oder über einen Dienstleister, der Betrag steht in seinem Angebot

Laufende Kosten (Betrieb & Wartung)

• Rechenzeit Azure ML für eine Dauer-VM: 0,266 mal 720 Stunden, rund 190 US-Dollar im Monat
• Rechenzeit BigQuery ML: nach gescannter Datenmenge, meist im Freikontingent
• MES-Wartung, falls neu angeschafft: bei authentig 15–20 % der Lizenz im Jahr
• Modell-Nachtraining alle 3–6 Monate und Pflege der Datenanbindung: interne Zeit oder Dienstleister

Rechenbeispiel, alle Werte Annahmen: Betrieb mit 60 aktiven Werkzeugen, 3 ungeplante Ausfälle im Jahr. Je Ausfall 18.000 Euro Mehrkosten gegenüber einem geplanten Eingriff, das ist der Ausschuss aus dem Beispiel oben. Ersatzwerkzeug und Reparatur fallen auch bei geplanter Wartung an und zählen deshalb nicht.

• Das Modell erkennt zwei von drei Ausfällen rechtzeitig: 2 mal 18.000 = 36.000 Euro vermiedene Mehrkosten.
• Vier Fehlalarme im Jahr kosten je eine vorgezogene Wartung, Annahme 2.500 Euro wie die Reparatur im Beispiel: 4 mal 2.500 = 10.000 Euro.
• Bleiben 26.000 Euro im Jahr, davon gehen gut 2.000 Euro Rechenzeit ab: rund 24.000 Euro, also rund 2.000 Euro im Monat.

Damit lässt sich ausrechnen, was die Einführung höchstens kosten darf. Soll sie sich in drei Jahren bezahlt machen, liegt die Grenze bei rund 72.000 Euro für Datenanbindung, Modell, Integration und Nachtraining zusammen. Mit einem vorhandenen MES ist das machbar. Muss das MES erst angeschafft werden, frisst es einen großen Teil davon, bei ALS im oberen Bereich alles. Und bei nur einem Ausfall im Jahr bleibt nach Fehlalarmen und Rechenzeit praktisch nichts, dann lohnt es sich nicht.

Die sechs Wochen ohne Werkzeug aus dem Beispiel sind in dieser Rechnung nicht enthalten. Wenn sie bei dir Lieferverzug oder Vertragsstrafen bedeuten, ist der Nutzen größer, rechne sie mit deinen eigenen Zahlen dazu.

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 sind weg, und die Datenbereinigung kostet zusätzlich. 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.” Für die Werkzeuge, die er täglich anfasst, stimmt das meistens. Aber es gibt die Ausnahmen: 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 oft bestätigt er, was er selbst schon geahnt hat.

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”. Weil die Euro-Rechnung oben auf Annahmen steht, kann diese Planbarkeit am Ende das stärkere Argument sein.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„Unser Werkzeugpark läuft zuverlässig, wir haben kaum Ausfälle.” Kann sein, und dann ist das eine gute Nachricht. Prüf es an drei Stellen. (A) Wartet ihr sehr sicherheitshalber? Dann zahlt ihr Wartungen, die noch nicht nötig wären, und ein Modell könnte Intervalle strecken. Das ist ein eigener Nutzen, aber erst, wenn das Modell sich an euren Daten bewährt hat. (B) Gibt es versteckte Ausfälle, Ausschuss-Spitzen, die nicht als “Werkzeugausfall” dokumentiert werden, sondern als “Material-Charge war suboptimal”? (C) Habt ihr wirklich weniger als einen Ausfall pro Jahr? Dann lohnt sich das System nicht, die Rechnung oben zeigt es.

„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. Wo schon ein MES die Daten sammelt, ist die Anbindung eher eine Sache von Wochen als von Monaten. 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. Wie gut das Modell trifft, weißt du erst nach dem Pilot, eine allgemeine Trefferquote können wir nicht nennen. Miss es so, dass Techniker damit etwas anfangen können: Von zehn Warnungen, wie viele endeten mit einem echten Verschleißbefund? Und von den Ausfällen, wie viele hatte das System vorher gemeldet? Eine einzelne “Genauigkeit” sagt bei seltenen Ausfällen nichts, denn ein Modell, das nie warnt, liegt fast immer richtig. Diese beiden Zahlen offen zu zeigen, schafft mehr Vertrauen als jedes Versprechen.

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 mindestens 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 Maschinensteuerungen sind älter als 2010 und haben keine digitale Schnittstelle
• 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. Zähl dabei zuerst nur eins: Wie viele ungeplante Ausfälle waren es pro Jahr? Liegt die Zahl unter zwei, kannst du hier aufhören. Liegt sie darüber, zeige die Tabelle einem Data-Analyst oder Dienstleister: “Kann ich ein Modell aus diesen Daten trainieren?” Einen ersten eigenen Blick bekommst du mit dem Prompt unten.

Quellen & Methodik

• Funktionen und Preise Arburg ALS/ALSkey, ENGEL authentig, Siemens Insights Hub, DataRobot, Azure ML, BigQuery ML, Make.com: unsere Toolseiten, Stand Juni bis Oktober 2026. DataRobot-Vertragswerte dort nach Vendr.
• § 87 Abs. 1 Nr. 6 BetrVG: Betriebsrat-Mitbestimmung bei Überwachungstechnik, anwendbar, wenn Schichtparameter-Auswertung möglich ist
• Ausfallzahlen, Mehrkosten je Ausfall, Erkennungs- und Fehlalarmquote: keine Quelle, Annahmen des Rechenbeispiels. Eine abrufbare Branchenerhebung zu Werkzeugausfällen und Condition Monitoring im Spritzguss haben wir nicht gefunden.