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 %). Das heißt: Der größte Hebel für Optimierung ist die Kühlzeit — und gleichzeitig der Bereich, in dem Erfahrungswissen am häufigsten zu “sicheren” Aufschlägen führt.

Laut einer Untersuchung von plus10 und Freudenberg Home and Cleaning Solutions (veröffentlicht 2023 auf en.plus10.de) lassen sich bei Serienspritzgießern durch datengetriebene Prozessoptimierung 6–18 Prozent der Zykluszeit pro Maschine einsparen, ohne die Teilequalität zu beeinträchtigen. Das klingt klein. In der Praxis bedeutet es:

• 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 neu gewonnenen Maschinenkapazität, die real mehrere Hunderttausend Euro Investition ersetzen kann
• Für Lohnspritzgießer, die Maschinenstunden direkt verrechnen, sind 14 % mehr Kapazität 14 % mehr fakturierbarer Umsatz

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 Vergleichswerte entstammen veröffentlichten Praxisberichten aus dem Spritzgießumfeld; eigene Schätzungen sind als solche gekennzeichnet.

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 (5/5) Wer in Maschinenstunden denkt, versteht die Arithmetik sofort: 10 % mehr Teile pro Stunde bedeutet 10 % niedrigere Stückkosten bei gleichen Fixkosten. Bei Maschinen mit 60–100 €/h Maschinenstundensatz ist das erheblich. Gegenüber anderen Anwendungsfällen im Spritzgussbereich, wo Kosteneinsparungen oft indirekter Natur sind, ist die Einsparung hier direkt über Stückkosten und Kapazität messbar und bei ausreichendem Volumen die größte in dieser Kategorie.

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 ROI klar berechenbar. Kein Interpretationsspielraum. Die Unsicherheit liegt anderswo: Das Modell muss stabil bleiben, wenn Materialchargen wechseln oder das Werkzeug altert.

Skalierbarkeit — hoch (5/5) Ein trainiertes Modell für Maschinentyp A ist auf jede weitere Maschine desselben Typs anwendbar — mit kurzer Kalibrierungsphase. Bei einem Park mit 15 gleichen Maschinen kostet die Ausweitung des Modells wenig. Das unterscheidet diese Anwendung klar von Use Cases, bei denen jede neue Instanz denselben Aufwand bedeutet.

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 500–2.000 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 Trainingsdaten) 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, Messung bis 32 Kavitäten pro Einheit, automatische i.O./n.i.O.-Klassifikation je Zyklus. Das ComoNeoPREDICT-Modul erlaubt KI-gestützte Prozessoptimierung auf Basis der Druckprofile. 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. Hauptnachteil: kein deutschsprachiger Support, US-Hosting (DSGVO prüfen).

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.

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 einem MES (z.B. Siemens Industrial Edge oder Siemens Insights Hub) und einer darübergelegten Analyse-Schicht starten — ohne Sensorhardware-Investment. 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
• 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 DSGVO-relevant ist: Betriebsgeheimnisse und Rezepturen. Wenn Prozessparameter proprietäre Herstellungsverfahren repräsentieren (etwa für Automotive-OEM-Zulieferer mit NDAs), ist die Frage des Cloud-Hostings eine Geschäftsstrategie-Frage, nicht nur eine DSGVO-Frage. Keine US-Cloud darf proprietäre Rezepturen ohne Prüfung aufnehmen.

Datenhaltung nach Tool:

• ENGEL authentig: EU-Hosting (Österreich), AVV nach Art. 28 DSGVO standardmäßig möglich — beste Wahl für Betriebe mit strengen Datenschutzvorgaben
• Kistler ComoNeo: Lokale Datenspeicherung auf der ComoNeo-Einheit, Datentransfer nur auf explizite Freigabe — kein Cloud-Zwang
• RJG eDART: US-Hosting wenn Cloud-Features genutzt werden — Datenschutz-Folgenabschätzung vor EU-Einsatz erforderlich
• Siemens Industrial Edge: On-premise-Option, Daten bleiben im Werk — EU AI Act-konform für industrielle Systeme der Risikokategorie minimal

Für IATF-16949-zertifizierte Betriebe (Automotive): Parameteränderungen durch KI-Systeme erfordern eine dokumentierte Freigabe im Qualitätsmanagementsystem. Autonome Closed-Loop-Regelung ohne menschliche Freigabe ist in der Regel nicht konform mit IATF-Kundenanforderungen (Customer Specific Requirements der OEMs). Das gilt auch für Kistler ComoNeo — der autonome Modus muss im QMS definiert und freigeschaltet sein.

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, konservativ:

• 5 Maschinen, je 25-Sekunden-Zyklus, 20 h/Tag Produktion, Maschinenstundensatz 65 €/h
• 8 % Zykluszeit-Reduktion → 25 s auf 23 s → ca. 13 Schüsse mehr/Stunde/Maschine (3.600/23 − 3.600/25 ≈ 13)
• 5 Maschinen × 13 Schüsse × 20 h × 250 Tage = 325.000 zusätzliche Schüsse/Jahr
• Bei 0,30 € Materialeinsatz + 0,40 € Deckungsbeitrag je Schuss = 227.500 € zusätzlicher Deckungsbeitrag/Jahr
• Amortisation Einstiegsvariante: unter 6 Monate
• Amortisation Vollausbau: 12–18 Monate (stark abhängig von Maschinenauslastung und Teilepreis)

Diese Rechnung ist eine Orientierung — stark abhängig von tatsächlichem Maschinenstundensatz, Auslastung und Seriengröße.

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.

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 Chargenviskosität X kalibriert wurde und im September mit Chargenviskosität X+15 % läuft, empfiehlt Kühlzeiten, die 0,8–1,5 Sekunden zu kurz sind — die Ausschussrate steigt subtil von 0,8 % auf 2,5 %, ohne dass der Zusammenhang sofort klar ist. Nissei Plastics hat 2024 ein Patent angemeldet, das automatisch auf Chargenwechsel reagiert — die Herausforderung ist real und anerkannt. 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. Die erfahrungsgemäße 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 6 Monaten sind die Empfehlungen subtil falsch, aber der Ausschuss liegt noch knapp im Toleranzbereich. Nach 12 Monaten gibt es Qualitätsprobleme, und niemand denkt 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
• Du nutzt eine moderne Maschinensteuerung (ab ca. Baujahr 2015) und kannst OPC-UA- oder Euromap-Daten abholen
• Dein Ausschuss liegt stabil unter 1,5 % — der Grundprozess ist kontrolliert, aber nicht optimiert
• 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 3 % 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

• Freudenberg / plus10 — 6–18 % Zykluszeit-Reduktion: en.plus10.de, Fallstudie “Spritzgießen 4.0 bei Freudenberg Home and Cleaning Solutions” (2023). Das System lernt das Maschinenverhalten vieler gleicher Maschinen und leitet automatisch Optimierungsvorschläge ab.
• PCI / Rosti — RJG eDart Transformation: rosti.com, Case Study “How RJG eDart Transformed PCI’s Injection Moulding Operation”. PCI stabilisierte über 100 verschiedene Resin-Typen mit schwankenden Viskositätsniveaus durch Kavitätsdrucksteuerung.
• Bayesian Optimization in Injection Molding: Scientific Reports, “Single and multi-objective real-time optimisation of an industrial injection moulding process via a Bayesian adaptive design of experiment approach” (2024), nature.com. Bayes’sche Adaptive Design-Ansätze ermöglichen Optimierung bei kleinen Datensätzen.
• GA-CatBoost hybrid — 4,5 % Zykluszeit-Reduktion: Scientific Reports, “A hybrid optimization approach for intelligent manufacturing in plastic injection molding by using artificial neural network and genetic algorithm” (2023), nature.com/articles/s41598-023-48679-0. Genetische Algorithmen mit CatBoost-Surrogatmodell, Baseline 56 Sekunden, Reduktion 4,5 %.
• Nissei Plastics — Chargen-adaptives Rezeptur-Management: US-Patent 2024 (Nissei Plastic Industrial Co.), automatische Neuberechnung von Formbedingungen bei Harzchargenwechsel.
• Preisangaben ENGEL iQ-Module: ENGEL authentig Tool-Seite ki-syndikat.de (Stand Mai 2026), basierend auf Marktbeobachtung im europäischen Spritzgießumfeld.
• Kühlzeit-Anteil 60–70 %: Industriekonsens, u.a. bestätigt durch Kistler-Dokumentation und Lehrbuchliteratur Spritzgießen (Johannaber/Michaeli, “Handbuch Spritzgießen”, Hanser Verlag).