Zykluszeiten im Spritzguss datengetrieben optimieren

Das echte Ausmaß des Problems

Der typische Spritzgießzyklus teilt sich in drei Phasen: Einspritzen (5–15 % der Zykluszeit), Nachdruck (10–20 %) und Kühlen (60–70 %), so die gängigen Lehrbuch-Richtwerte. Das heißt: Der größte Hebel für Optimierung ist die Kühlzeit, und gleichzeitig der Bereich, in dem Erfahrungswissen am häufigsten zu “sicheren” Aufschlägen führt. Die physikalische Grenze setzt die Wanddicke: Die nötige Kühlzeit wächst ungefähr mit ihrem Quadrat, doppelte Wand heißt rund vierfache Kühlzeit. Software kann einen Puffer über dieser Grenze finden, die Grenze selbst verschiebt nur eine andere Wanddicke oder Werkzeugtemperierung.

Wie viel Puffer drinsteckt, ist von Artikel zu Artikel verschieden, und unabhängige Messungen aus der Serie haben wir dafür nicht gefunden. Eine Studie in Scientific Reports (2023) optimierte ein PP-Bauteil in der Simulation mit neuronalem Netz und genetischem Algorithmus und kam auf 12 Prozent kürzere Zykluszeit. Das ist ein Simulationsergebnis für ein Teil, keine Zusage für deinen Artikel. Wer dir deutlich mehr ohne Werkzeugänderung verspricht, sollte zeigen, wo der Puffer sitzt. Was 12 Prozent bedeuten würden:

• Eine Maschine mit 20-Sekunden-Zyklus produziert mit 17,6 Sekunden statt 20 rund 14 % mehr Teile je Stunde, ohne Investition in neue Kapazität
• Hochgerechnet auf einen Drei-Schicht-Betrieb mit 8 Maschinen gleicher Konfiguration: Das entspricht annähernd einer zusätzlichen Maschine, und die ersetzt eine Investition, aber nur, wenn du diese Kapazität auch brauchst und verkaufst
• Für Lohnspritzgießer, die nach Maschinenstunden abrechnen, ist es umgekehrt: Ein Auftrag braucht weniger Stunden, der Umsatz je Auftrag sinkt. Mehr Umsatz entsteht nur, wenn die frei gewordenen Stunden mit zusätzlichen Aufträgen gefüllt werden

Das eigentliche Problem ist nicht die Technik, Kavitätsdrucksensoren und Maschinendaten existieren. Das Problem ist die fehlende Datenbasis, um sicher zu entscheiden, welche Parameter-Änderungen die Qualität gefährden und welche nicht. Machine Learning kann genau diese Datenbasis aufbauen.

Wichtige Abgrenzung: Zykluszeit-Optimierung ist nicht dasselbe wie Qualitätssicherung oder Predictive Maintenance. Während Qualitätssicherung fragt “Ist dieses Teil gut?”, fragt Zykluszeit-Optimierung: “Kann ich das gleiche gute Teil in 1,5 Sekunden weniger produzieren?” Wer beide Themen vermischt, bekommt keines richtig.

Mit vs. ohne KI, ein ehrlicher Vergleich

Die rechte Spalte beschreibt, was ein Modell leisten kann. Wie viel Zeit bei deinem Artikel wirklich drin ist, zeigt erst der Versuch an der Maschine.

Einschätzung auf einen Blick

Zeitersparnis, niedrig (2/5) Niemand sitzt weniger am Schreibtisch, weil das System läuft. Die Zykluszeit-Optimierung spart keine Arbeitszeit des Teams, sie verkürzt die Taktzeit der Maschinen. Das bedeutet Kapazitätsgewinn, nicht direkten Zeitgewinn für Einrichter oder Schichtführer. Im Vergleich zu Rüstzeit-Reduktion oder Qualitätsprüfprotokollen, die echte Personenstunden einsparen, ist die Bewertung hier klar niedriger.

Kosteneinsparung, hoch (4/5) Wer in Maschinenstunden denkt, versteht die Arithmetik: 10 % mehr Teile pro Stunde senken den Maschinenanteil der Stückkosten um gut 9 Prozent (1 minus 1/1,1). Das Material, oft der größere Teil der Stückkosten, bleibt gleich. Zu Geld wird das nur, wenn die Maschine ausgelastet ist und du die Mehrmenge verkaufst; sonst sparst du etwas Energie und Verschleiß, nicht den Stundensatz. Wo die Voraussetzung stimmt, ist der Hebel groß, siehe Rechnung unten. Nicht 5/5, weil sie selten für den ganzen Maschinenpark gilt.

Schnelle Umsetzung, niedrig (2/5) Zwischen Projektstart und erstem validiertem Modell liegen realistisch 14–22 Wochen: Sensor-Hardware installieren, Datensammlung strukturieren, Modell trainieren, Prozessfreigabe nach Qualitätsstandards. Kein Spritzgießbetrieb darf Parameteränderungen ohne Freigabeprozess (insbesondere in Automotive oder Medizintechnik) einfahren, das allein verlängert die Einführungszeit um Wochen. Im Branchenvergleich ist das eher langsam.

ROI-Sicherheit, hoch (4/5) Die Zykluszeit ist einfach zu messen, jeder Zyklus ist dokumentiert, die Veränderung ist direkt abzulesen. Wenn ein Modell die Kühlzeit um 0,8 Sekunden reduziert und die Ausschussrate nicht steigt, ist der Kapazitätsgewinn klar berechenbar, und an einer ausgelasteten Maschine auch der ROI. Die Unsicherheit liegt anderswo: Das Modell muss stabil bleiben, wenn Materialchargen wechseln oder das Werkzeug altert.

Skalierbarkeit, hoch (4/5) Ein Modell gilt für einen Artikel mit seinem Werkzeug und Material. Läuft derselbe Artikel auf mehreren gleichen Maschinen, überträgt es sich mit kurzer Kalibrierungsphase, und die Ausweitung kostet wenig. Jeder neue Artikel braucht aber eigene Trainingsdaten (siehe Ausschlusskriterien). Gut skalierbar in der Großserie, nicht im Lohnspritzguss mit wechselnden Artikeln.

Richtwerte, stark abhängig von Maschinenpark-Zusammensetzung, Seriengröße und vorhandenem Kavitätsdrucksensor-Setup.

Was das System konkret macht

Die technische Basis ist Predictive Analytics auf Maschinendaten, kein generativer Ansatz, kein Chatbot, sondern klassisches Regressionsmodell oder Bayes’sche Optimierung auf numerischen Prozessparametern.

Phase 1: Datenerfassung. Das System verbindet sich mit der Maschinensteuerung (über OPC-UA, Euromap 63/77 oder direkte Schnittstelle) und erfasst je Zyklus: Einspritzzeit, Nachdruckzeit, Kühlzeit, Schmelzetemperatur, Werkzeugtemperatur, Einspritzdruck, Kavitätsdruck (wenn Sensoren vorhanden), Schussgewicht und Maschinenparameter. Jeder Zyklus bekommt einen Zeitstempel und eine Teile-ID.

Phase 2: Baseline-Analyse. Nach rund 2.000 Zyklen erstellt das Modell eine statistische Baseline: Welche Parameter variieren wie stark? Welche Korrelationen bestehen zwischen Kühlzeit und Schussgewicht? Wo sind die tatsächlichen Grenzen des Prozesses, nicht die historischen Sicherheitspuffer?

Phase 3: Optimierungsvorschläge. Der Kern: Das Modell sucht Parameterkombinationen, die die Zykluszeit verkürzen, unter der Nebenbedingung, dass Qualitätskennzahlen (Schussgewicht, Kavitätsdruck-Profil, Ausschussrate) im Zielbereich bleiben. Typische Ansätze sind Bayes’sche Optimierung (besonders effizient bei wenig Daten: in einer Studie an einer industriellen Spritzgießmaschine brauchte sie für ein Ziel fast 50 Prozent weniger Versuche als klassische Verfahren) und neuronale Netzwerke für komplexere Zusammenhänge. Das Ergebnis: “Reduziere Kühlzeit um 0,6 Sekunden auf Maschine 7, erwartete Qualitätsveränderung liegt innerhalb der Spezifikation.”

Phase 4: Validierung und Freigabe. Kein System fährt Parameteränderungen autonom ein, zumindest kein System, das in einem zertifizierten Betrieb (Automotive, Medizintechnik) läuft. Der Einrichter prüft die Empfehlung, führt Probeschüsse durch und gibt die Änderung frei. Das System dokumentiert die Freigabe. Erst nach mehreren Freigabezyklen kann (optional) ein Closed-Loop-Modus aktiviert werden, der innerhalb vorab definierter Grenzen autonom nachregelt.

Was es nicht tut: Das System erkennt keine Werkzeugschäden, löst keine Wartungsaufträge aus und verbessert keine Bauteilgeometrie. Es optimiert Maschinenparameter innerhalb eines bestehenden Prozesses, nicht den Prozess selbst. Wer hofft, mit ML einen grundsätzlich schlecht eingestellten Prozess zu retten, wird enttäuscht.

Prozessüberwachung: Welches Hardware-System passt?

Die KI kann nur so gut sein wie die Daten, auf denen sie arbeitet. Der häufigste Engpass ist nicht der Algorithmus, es ist die Sensorinfrastruktur. Drei Systeme dominieren den Markt für prozessnahes Kavitätsdruckmonitoring im Spritzguss:

Kistler ComoNeo , wenn maschinenunabhängige Hochgenauigkeit gefragt ist Kistler ist der Marktführer bei Kavitätsdrucksensoren und liefert mit dem ComoNeo-System die präziseste Datenbasis: direkte Druckmessung in der Kavität, bis 32 Sensoreingänge pro Einheit, automatische i.O./n.i.O.-Klassifikation je Zyklus. Das Modul ComoNeoPREDICT sagt aus den Druckprofilen die Teilequalität je Zyklus voraus. Genau diese Qualitätsvorhersage braucht eine Zykluszeit-Optimierung als Nebenbedingung; die Parameter optimiert das Modul aber nicht selbst, dafür braucht es die Analyseebene weiter unten. Typische Investition: 15.000–30.000 € pro Werkzeug (Sensor-Hardware + ComoNeo-Einheit). Stärke: herstellerunabhängig, funktioniert mit jeder Maschine. Schwäche: Werkzeugmodifikation für direkte Sensoren oft nötig.

RJG eDART , wenn Prozessübertragbarkeit zwischen Maschinen Priorität hat RJGs Ansatz ist die Decoupled-Molding-Methodik: Prozessrezepte werden an das Werkzeug gebunden, nicht an die Maschine. Das eDART-System steuert die Umschaltung Füllen → Nachdruck über Kavitätsdruck statt über Zeit oder Maschinenparameter. Ergebnis: Ein Prozess kann ohne Neueinrichten von Presse zu Presse migriert werden, kritisch für Betriebe mit häufigen Kapazitäts-Umschiebungen. eDART läuft im Kern on-premise im Werksnetz, Schulungen gibt es auch deutschsprachig über RJG Germany. Wichtiger: eDART ist das Altsystem, RJG setzt auf den Nachfolger CoPilot, dessen Modul CoPilot MAX KI-gestützte Prozessempfehlungen liefert. Wer neu anfängt, lässt sich CoPilot anbieten.

ENGEL authentig mit iQ-Modulen , wenn der Maschinenpark überwiegend aus ENGEL-Maschinen besteht ENGELs iQ weight control, iQ flow control und iQ melt control sind tiefgreifend in die ENGEL-Maschinensteuerung integriert und regeln den Prozess pro Zyklus adaptiv nach. Vorteil: Die kürzeste Datenleitung zwischen Sensor und Regeleingriff. Nachteil: Optimaler Nutzen nur mit ENGEL-Maschinen, Fremdmaschinen im gleichen Park bleiben im zweiten Rang. Preis: 2.000–8.000 € je Maschine für die iQ-Zusatzmodule, ein Marktrichtwert, ENGEL listet keine Preise.

Wann kein dediziertes System nötig ist: Viele moderne Spritzgießmaschinen (ab Baujahr 2018–2020) liefern bereits Zyklusdaten über OPC-UA. Wer nur Maschinenparameter ohne Kavitätsdruckmessung analysieren will, kann mit einer Datenplattform (z.B. Siemens Industrial Edge im Werk oder Siemens Insights Hub in der Cloud, beides kein MES) und einer darübergelegten Analyse-Schicht starten, ohne Sensorhardware-Investment. Beide lohnen sich laut unseren Toolseiten erst bei größeren Parks. Die Optimierungspräzision ist geringer, der Einstiegsaufwand deutlich kleiner.

Parametrische vs. ML-Optimierung, wann was besser ist

Diese Entscheidung verdient eine ehrliche Tabelle, weil sie in der Praxis zu oft ausgeblendet wird:

Ehrliche Empfehlung: Für Betriebe mit unter 5.000 Zyklen pro Artikel und Jahr ist eine strukturierte DoE-Optimierung durch den Prozess-Ingenieur oft schneller, günstiger und genauso wirksam wie ein ML-Modell. ML lohnt sich ab hohem Serienvolumen, variabler Materialqualität und dem Wunsch nach kontinuierlicher Anpassung.

Konkrete Werkzeuge, was wann passt

Die Werkzeuge lassen sich in drei Ebenen unterteilen: Sensorebene (was misst?), Analyseebene (was lernt?) und Steuerungsebene (was regelt?).

Sensorebene, Kavitätsdruckmonitoring

• Kistler ComoNeo : Marktführer, maschinenunabhängig, ComoNeoPREDICT für KI-Vorhersagen
• RJG eDART : Stark bei Prozessübertragbarkeit, Decoupled Molding, breite Maschinenkompatibilität; für Neuanschaffungen den Nachfolger CoPilot prüfen
• ENGEL authentig iQ : Beste Integration für ENGEL-Parks, adaptive Closed-Loop-Regelung pro Zyklus

Analyseebene, ML-Modell und Optimierung

• Siemens Industrial Edge : Edge-Computing-Plattform, die Maschinendaten lokal verarbeitet und ML-Modelle on-premise laufen lässt, relevant für Betriebe mit Datensouveränitäts-Anforderungen
• Siemens Insights Hub (ehem. MindSphere): Cloud-Plattform für werksübergreifende Analyse, wenn mehrere Standorte verglichen werden sollen
• Azure Machine Learning : Für Betriebe mit eigenem Data-Science-Team, die eigene Modelle entwickeln und in Betrieb nehmen wollen

Kein dediziertes ML-Paket ohne Sensorinfrastruktur: Wer heute keine Kavitätsdruckdaten erfasst, braucht zuerst Sensorhardware, danach kann jedes Analyse-Tool trainiert werden. Die Reihenfolge ist entscheidend.

Zusammenfassung: Wann welcher Weg

• ENGEL-Park, Closed-Loop-Regelung sofort: ENGEL authentig iQ-Module
• Herstellergemischter Park, Hochgenauigkeit: Kistler ComoNeo + eigene Analyse-Schicht
• Datensouveränität, on-premise: Siemens Industrial Edge + lokale ML-Pipeline
• Multi-Standort, Cloud-Analyse: Siemens Insights Hub oder Azure Machine Learning

Datenschutz und Datenhaltung

Kavitätsdruckdaten und Maschinenprozessdaten enthalten in der Regel keine personenbezogenen Daten, es sind Maschinen- und Werkzeugdaten, keine Mitarbeiterdaten. Die DSGVO greift direkt erst, wenn Schicht-IDs oder Bediener-IDs mit den Prozessdaten verknüpft werden (etwa für “Einrichter X hat Parameter Y gesetzt”).

Was trotzdem schutzbedürftig ist, nur nicht nach der DSGVO: Betriebsgeheimnisse und Rezepturen. Sie schützen das Geschäftsgeheimnisgesetz und die NDAs mit deinen Kunden. Wenn Prozessparameter proprietäre Herstellungsverfahren repräsentieren (etwa für Automotive-OEM-Zulieferer mit NDAs), ist die Frage des Cloud-Hostings eine Geschäftsstrategie-Frage. Keine US-Cloud darf proprietäre Rezepturen ohne Prüfung aufnehmen.

Datenhaltung nach Tool:

• ENGEL authentig : On-Premise beim Kunden oder gemanagte Instanz im ENGEL-Rechenzentrum in Österreich, AVV nach Art. 28 DSGVO Standard, gute Wahl für Betriebe mit strengen Vorgaben
• Kistler ComoNeo : Lokale Datenspeicherung auf der ComoNeo-Einheit, Datentransfer nur auf explizite Freigabe, kein Cloud-Zwang
• RJG eDART : im Kern on-premise, die Prozessdaten bleiben im Werksnetz auf dem eigenen Data Manager
• Siemens Industrial Edge : Verarbeitung lokal auf dem Edge-Gerät, Rohdaten bleiben im Werk

Für IATF-16949-zertifizierte Betriebe (Automotive): Parameteränderungen durch KI-Systeme erfordern eine dokumentierte Freigabe im Qualitätsmanagementsystem. Ob eine Regelung innerhalb freigegebener Grenzen selbst nachregeln darf, legen dein QMS und die kundenspezifischen Anforderungen der OEMs (Customer Specific Requirements) fest. Adaptive Regelungen wie ENGEL iQ laufen in der Praxis innerhalb validierter Grenzen; jede Änderung außerhalb dieser Grenzen, auch eine Empfehlung aus dem Optimierungsmodell, braucht eine dokumentierte Freigabe.

Was es kostet, realistisch gerechnet

Einstiegsvariante: Maschinenparameter-Analyse ohne neue Hardware Wenn Maschinen ab Baujahr ~2018 OPC-UA-Daten liefern, genügt:

• Datenanbindungs-Gateway oder direkter OPC-UA-Zugriff: 0–5.000 €
• ML-Analyse-Plattform (Eigenentwicklung auf Azure/AWS oder spezialisiertes Tool): 500–3.000 €/Monat laufend
• Implementierungsdienstleister (Datenmodell, erste Modelle): 10.000–25.000 € einmalig
• Ohne Sensorhardware: Gesamteinstieg ca. 15.000–35.000 € einmalig + laufend

Vollausbau: Kavitätsdruckmonitoring + ML-Optimierung

• Kistler ComoNeo -System inkl. Sensoren pro Werkzeug: 15.000–30.000 €
• Für 5 Werkzeuge/Maschinen: 75.000–150.000 € Sensorinfrastruktur
• ML-Analyse-Schicht und Integration: 15.000–40.000 € einmalig
• Laufende Software-Lizenz und Wartung: 5.000–15.000 €/Jahr
• Gesamtinvestition Vollausbau 5 Maschinen: 90.000–190.000 €

ROI-Rechnung, unter einer harten Voraussetzung:

• 5 Maschinen, je 25-Sekunden-Zyklus, 20 h/Tag Produktion
• 8 % Zykluszeit-Reduktion → 25 s auf 23 s → rund 12,5 Schüsse mehr je Stunde und Maschine (3.600/23 − 3.600/25)
• 5 Maschinen × 12,5 Schüsse × 20 h × 250 Tage = 312.500 zusätzliche Schüsse im Jahr
• Angenommen 0,40 € Deckungsbeitrag je Schuss, also Erlös minus Material und variable Kosten: 312.500 mal 0,40 €, rund 125.000 € zusätzlicher Deckungsbeitrag im Jahr. Der Materialeinsatz gehört nicht dazu, er ist Kosten, kein Beitrag
• Einstiegsvariante: 15.000–35.000 € einmalig, laufend 12 mal 500 bis 12 mal 3.000 € im Jahr. Es bleiben 89.000–119.000 € im Jahr, amortisiert in anderthalb bis fünf Monaten, sofern auch ohne Kavitätsdruck-Sensorik die 8 Prozent erreicht werden, und das ist unsicherer
• Vollausbau: 90.000–190.000 € einmalig, laufend 5.000–15.000 € im Jahr. Es bleiben 110.000–120.000 € im Jahr, amortisiert in 9 bis 21 Monaten

Die Voraussetzung: Alle fünf Maschinen sind ausgelastet, und du verkaufst die 312.500 zusätzlichen Schüsse. Läuft eine Maschine heute nur 16 statt 20 Stunden, weil Aufträge fehlen, bringen kürzere Zyklen ihr nur früheren Stillstand: etwas weniger Energie und Verschleiß, keinen Deckungsbeitrag. Dann trägt die Rechnung die Einstiegsvariante kaum und den Vollausbau nicht.

Diese Rechnung ist eine Orientierung. Deckungsbeitrag je Schuss, Auslastung und die erreichbare Zykluszeitverkürzung sind Annahmen, setze deine eigenen Zahlen ein.

Fünf typische Einstiegsfehler

1. Mit Zykluszeit-Optimierung starten, ohne zuerst den Prozess zu stabilisieren. Das größte Missverständnis: ML findet das Optimum eines instabilen Prozesses. Wenn Schussgewicht und Ausschussrate stark schwanken (>2 % Ausschuss), liegt das Problem nicht an der Zykluszeit, sondern an einem instabilen Grundprozess. Erst Stabilisierung, dann Optimierung, in dieser Reihenfolge. Wer das umdreht, trainiert ein Modell auf Rauschen und bekommt Rauschen zurück.

2. Kühlzeit reduzieren, ohne die thermische Randbedingung zu verstehen. Kühlzeit ist nicht beliebig reduzierbar. Sie hängt von Wanddicke, Kunststofftyp (Wärmeleitfähigkeit, Schmelzetemperatur), Werkzeugtemperierung und Entformungstemperatur ab. Ein Modell, das nur auf Zykluszeit optimiert ohne diese physikalischen Grenzen zu kennen, empfiehlt Kühlzeiten, die zu heißen Teilen beim Entformen führen, Verzug, Einfallstellen, Maßfehler. Die Qualitätskennzahlen müssen explizit als Nebenbedingung im Optimierungsmodell stehen. Jede Empfehlung lässt sich grob gegenrechnen: Die Mindestkühlzeit folgt aus Wanddicke (ungefähr im Quadrat), Material, Werkzeug- und Entformungstemperatur, die Kühlzeitformeln dafür stehen in jedem Spritzgieß-Handbuch. Liegt eine empfohlene Kühlzeit darunter, ist sie ein Risiko, keine Optimierung.

3. Das Modell einmalig trainieren und vergessen. Spritzgießprozesse sind nicht statisch. Werkzeugverschleiß, neue Materialchargen, saisonale Temperaturunterschiede in der Halle, all das verändert die optimalen Parameter. Ein Modell, das im März auf eine Charge kalibriert wurde und im September mit einer Charge anderer Viskosität läuft, empfiehlt Parameter, die nicht mehr passen, und die Ausschussrate steigt schleichend, ohne dass der Zusammenhang sofort klar ist. Abhilfe: Chargenwechsel als expliziten Retraining-Auslöser definieren und jeden Materiallieferschein mit dem Prozessprotokoll verknüpfen.

4. Den Freigabeprozess unterschätzen. In IATF-16949- oder ISO-13485-Umgebungen braucht jede Parameteränderung eine dokumentierte Freigabe. Wer diesen Prozess nicht vorher mit dem Qualitätsmanagement und dem Kunden abgestimmt hat, steckt fest, das Modell läuft, aber niemand darf die Empfehlungen umsetzen. In Automotive-Zulieferbetrieben können Prozessänderungen an OEM-kritischen Merkmalen Erstmusterprüfungen erfordern. Das kann Monate dauern.

5. Einen herstellerspezifischen Optimierer kaufen und dann den Maschinenpark mischen. ENGEL authentig iQ funktioniert exzellent auf ENGEL-Maschinen. Kistler ComoNeo funktioniert auf allen Maschinen, aber braucht Sensor-Einbau ins Werkzeug. Wer einen gemischten Park aus ENGEL, Arburg und KraussMaffei-Maschinen betreibt und mit einem herstellerspezifischen System startet, hat nach zwei Jahren ein Flickenteppich aus verschiedenen Systemen mit verschiedenen Datenformaten. Herstellerunabhängige Schicht von Anfang an planen.

Was mit der Einführung wirklich passiert, und was nicht

Die Technik ist lösbar. Das Schwierige ist das Verhalten im Betrieb.

Die Einrichter-Reaktion. Wer seit 15 Jahren Prozesse einstellt und dabei ein gutes Gespür entwickelt hat, reagiert auf KI-Empfehlungen nicht automatisch mit Vertrauen. “Das Modell sagt 23,2 Sekunden, aber ich kenn die Maschine, bei Charge B läuft die anders.” Dieses Misstrauen ist nicht irrational. Es ist berechtigt, solange das Modell noch keine Chargen-Varianz gelernt hat. Die Lösung ist nicht, das System ohne Rückkopplung zu betreiben, sondern einen Feedback-Mechanismus einzubauen: Einrichter kann Empfehlung ablehnen und Begründung eingeben, dieses Feedback verbessert das Modell.

Das Qualitätsteam und die Freigabewut. In zertifizierten Betrieben hat das QM-Team Mitsprache bei Prozessänderungen. Eine typische Reaktion: “Bevor wir das freigeben, wollen wir 1.000 Teile sehen.” Das ist legitim, und sollte im Projektplan stehen. Wenn der erste Freigabeaufwand 3–4 Wochen dauert, ist das kein Systemfehler, sondern Betrieb.

Die stille Drift nach 12 Monaten. Das System macht seine Empfehlungen. Niemand prüft mehr, ob das Modell noch aktuell ist. Ein neuer Materiallieferant bringt andere Viskositäten, das Modell merkt das nicht, weil niemand ihm gesagt hat, dass sich etwas geändert hat. Nach einigen Monaten können die Empfehlungen subtil falsch sein, während der Ausschuss noch knapp im Toleranzbereich liegt. Wenn dann Qualitätsprobleme auftauchen, denkt niemand sofort an das KI-System als Ursache. Wer keine Person und kein Ereignis benennt, die das Modell regelmäßig prüfen, baut eine Zeitbombe.

Was konkret hilft:

• Monatliches Modell-Review durch einen Process Engineer: Sind die empfohlenen Parameter noch innerhalb der freigegebenen Grenzen? Sind neue Materiallosen angeliefert worden?
• Chargenwechsel als Trigger für Modell-Retraining definieren, nicht Kalender, sondern Ereignisse
• Einrichter-Feedback als Pflichtfeld, nicht als Option, in das Monitoring-Interface einbauen
• Freigabeprozess mit QM vor Projektstart abgestimmt, nicht danach

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„Wir haben die Zykluszeiten schon optimiert, der Einrichter weiß, was er tut.” Das stimmt, und das Modell sagt das auch nicht ab. Der Punkt ist: Der Einrichter optimiert einmalig, das Modell optimiert kontinuierlich. Was im Februar optimal war, ist im August bei anderem Material und anderem Werkzeugverschleiß eventuell nicht mehr optimal. Das Erfahrungswissen des Einrichters ist unverzichtbar, es gehört als Startpunkt ins Modell, nicht als Gegenposition dazu.

„Bei uns laufen zu viele verschiedene Teile, ein Modell passt nicht für alle.” Das ist der entscheidende Unterschied zwischen Serienfertigung und Lohnspritzguss: ML rechnet sich bei Serienteilen mit hohem Volumen. Für Lohnspritzgießer mit 50 verschiedenen Artikeln à 1.000 Stück lohnt sich das Modell für den einzelnen Artikel nicht, dazu unter “Woran du merkst, dass das zu dir passt” mehr.

„Wenn das System Fehler macht, wer haftet dann?” Das ist die richtige Frage, die zu früh aufgegeben wird. Die Antwort: Parameteränderungen werden immer durch einen Menschen freigegeben, das System empfiehlt, der Einrichter entscheidet. Kein Seriengerät verlässt das Werk auf Basis einer KI-Empfehlung, die niemand gesehen hat. Haftung liegt beim Unternehmen, wie bei jeder anderen Prozessänderung. Was sich ändert: Die Entscheidung ist datengestützt statt erfahrungsgestützt.

„Unsere Maschinen sind zu alt für OPC-UA.” Maschinen ab Baujahr 2010 können oft über Euromap-63- oder herstellerspezifische Datenschnittstellen angebunden werden. Für ältere Maschinen gibt es Nachrüstlösungen ( Siemens Industrial Edge als Gateway). Eine vollständige Bestandsaufnahme der Steuerungsgenerationen ist der erste Schritt, pauschal ausschließen gilt selten.

Woran du merkst, dass das zu dir passt

Grünes Licht, diese Faktoren sprechen dafür:

• Du hast mindestens 3–5 Maschinen, die regelmäßig dasselbe Teil produzieren, oder einen dominanten Artikel mit hohem Serienvolumen (>50.000 Schüsse/Jahr pro Artikel)
• Deine Zykluszeiten wurden zum letzten Mal vor mehr als 2 Jahren systematisch überprüft
• Deine Maschinensteuerung gibt Zyklusdaten über OPC-UA (meist ab Baujahr 2018) oder Euromap 63 aus
• Dein Ausschuss liegt stabil unter 2 %, der Grundprozess ist kontrolliert, aber nicht optimiert
• Die Maschinen, um die es geht, sind ausgelastet, und du könntest mehr Teile verkaufen
• Du hast einen Prozess-Ingenieur oder Einrichter, der Kapazitäten hat, Empfehlungen zu prüfen und umzusetzen

Harte Ausschlusskriterien, wann sich dieser Aufwand nicht rechnet:

1. Lohnspritzgießer mit mittleren Seriengrößen unter 5.000 Schüsse pro Artikel. Ein ML-Modell braucht 2.000–5.000 Zyklen Trainingsdata pro Artikel. Wenn ein Artikel nie wieder kommt oder nur selten läuft, hat sich das Modell nicht amortisiert, bevor es schon wieder veraltet ist. Für diese Betriebe ist eine strukturierte DoE-Optimierung beim Werkzeuganfahren wirtschaftlicher.

2. Betriebe mit Ausschussrate über 2 % oder instabilem Grundprozess. Wenn der Prozess selbst schwankt, unabhängig von der Zykluszeit, ist Zykluszeit-Optimierung das falsche Instrument. Zuerst Prozessstabilität herstellen (Kavitätsdrucküberwachung als Qualitätsregelung), danach Optimierung. Wer diesen Schritt überspringt, optimiert auf einem wackligen Fundament.

3. Kein OPC-UA-Zugang und keine Bereitschaft, Sensor-Hardware zu installieren. Ohne Maschinendaten kein Modell. Wer weder Maschinen-Schnittstellen anbinden noch Kavitätssensoren einbauen kann oder will, hat keine Datenbasis für ML-Optimierung. Papierdokumentierte Zykluszeiten reichen nicht.

Das kannst du heute noch tun

Bevor du einen Dienstleister oder ein System kaufst: Mach eine eigene Analyse der Ist-Zykluszeiten auf deinen Top-5-Maschinen (nach Auslastung oder Teilekosten). Exportiere die Produktionsdaten der letzten 3 Monate, die meisten modernen Maschinensteuerungen können das als CSV. Wenn du nicht weißt, ob deine Steuerung das kann, frag heute noch beim Maschinenhersteller-Service nach.

Was du in dieser Analyse suchst: Varianz. Wenn dieselbe Maschine an verschiedenen Tagen 5–10 % verschiedene Ist-Zykluszeiten produziert, liegt entweder ein instabiler Prozess oder ungenutztes Optimierungspotenzial vor. Beides ist ein klares Signal.

Für die erste KI-unterstützte Prozessanalyse kannst du diesen Prompt nutzen, wenn du rohe Zyklusdaten als CSV vorliegen hast:

Quellen & Methodik

• Bayes’sche Optimierung an einer industriellen Spritzgießmaschine: Kariminejad, M. u. a. (2024), “Single and multi-objective real-time optimisation of an industrial injection moulding process via a Bayesian adaptive design of experiment approach”, Scientific Reports, DOI 10.1038/s41598-024-80405-2. Fast 50 % weniger Versuche für ein Einzelziel, knapp 30 % weniger bei mehreren Zielen, bei vergleichbaren Optima.
• 12 % kürzere Zykluszeit in der Simulation: “A hybrid optimization approach for intelligent manufacturing in plastic injection molding by using artificial neural network and genetic algorithm”, Scientific Reports (2023), DOI 10.1038/s41598-023-48679-0. Neuronales Netz (Backpropagation) mit genetischem Algorithmus, simulationsbasierte Fallstudie an einem PP-Bauteil: 12 % Zykluszeit, 16 % Energie, 2 % Material.
• Kistler ComoNeo, RJG eDART, ENGEL authentig, Siemens Industrial Edge und Insights Hub: Funktionen, Hosting und Preise laut unseren Toolseiten. Die Preise für ENGEL-iQ-Module und Kistler sind Marktrichtwerte, beide Hersteller listen keine Preise.
• Kühlzeit-Anteil und Wanddickenabhängigkeit: Lehrbuchliteratur Spritzgießen (Johannaber/Michaeli, “Handbuch Spritzgießen”, Hanser Verlag).
• ROI-Rechnung: Deckungsbeitrag je Schuss, Auslastung und Zykluszeitverkürzung sind Annahmen dieser Seite, keine gemessenen Werte.