KI-gestützte Anfahroptimierung: Ausschuss beim Maschinenstart reduzieren

Das echte Ausmaß des Problems

Anlaufausschuss ist eine der am stärksten unterschätzten Kostenpositionen in der Spritzgießfertigung. Er taucht nicht als einzelne Budgetlinie auf — er versteckt sich in der allgemeinen Ausschussquote, in den Maschinenprotokollen, im Verbrauch von Purging-Compounds.

Branchenerhebungen zeigen: Zwischen 10 und 30 Prozent des Gesamtausschusses in Spritzgießbetrieben entstehen in der Anlaufphase — also in den ersten Minuten nach einem Werkzeug- oder Materialwechsel, bevor der Prozess stabil läuft. Bei Unternehmen mit häufigen Rüstwechseln (Lohnspritzgießer, Kleinserienfertiger) kann der Anteil noch höher liegen.

Was das in Euro bedeutet, hängt vom Material ab:

• Standard-PP oder PE: Anlaufausschuss ist ärgerlich, aber überschaubar — 0,80–1,50 €/kg
• PA-GF30, POM, ABS: 2,50–5,00 €/kg; fünf bis zehn Fehlteile pro Start kosten 15–40 €
• Engineering-Compounds mit Langfasern, PEEK oder Flammschutzmitteln: 8–40 €/kg; hier können zwanzig Teile Anlaufausschuss 300–800 Euro vernichten

Hinzu kommt die Zeit: Ein typischer Anfahrvorgang bei schwierigen Kombinationen dauert 30–90 Minuten, in denen die Maschine nicht produktiv läuft — und das Maschinenstundenvolumen trotzdem läuft.

Das Kernproblem ist kein technisches. Es ist ein Wissenstransferproblem. Das optimale Anfahrrezept für Werkzeug A mit Material B auf Maschine C existiert — irgendwo, irgendwann hat ein Einrichter es herausgefunden. Aber es liegt nicht systematisch dokumentiert vor. Es liegt im Kopf einzelner Personen, in handschriftlichen Notizen, in Protokollen, die niemand auswertet.

ENGEL Austria beschreibt in Praxisberichten mit Kunden wie der SLG Kunststoff GmbH, wie konsequentes Prozessmonitoring die Maschineneffizienz von 73 auf 85 Prozent heben und gleichzeitig die Ausschussrate um 0,5 Prozentpunkte senken kann — was bei hohen Stückzahlen 60.000 Mehrteile pro Jahr bedeutet (Aytac Hatkoy, Produktionsleiter SLG, zitiert in ENGEL-Praxisbericht 2024).

Das Aachener Startup Osphim, gegründet 2024, berichtet in Praxistests, dass die Abmusterungsdauer — also die Zeitspanne vom ersten Schuss bis zur Teilefreigabe — durch den Einsatz ihrer KI-gestützten Parameteroptimierung um mehr als 70 Prozent sinken kann (K-Zeitung, 2025, zitiert CTO Yannik Lockner).

Beide Zahlen beschreiben dasselbe Problem von verschiedenen Seiten: Das Wissen ist da. Es wird nur nicht systematisch genutzt.

Mit vs. ohne KI — ein ehrlicher Vergleich

¹ Erfahrungswerte nach vollständiger Kalibrierungsphase (≥ 100 Anfahrprotokolle pro Kombination); Ergebnisse in den ersten 6 Monaten oft 30–50 % dieser Werte.

Die Verbesserung tritt nicht sofort ein. Ein ML-Modell braucht ausreichend Trainingsdaten — das sind in der Praxis mindestens 50–100 Anfahrprotokolle pro Werkzeug-Material-Kombination. Wer mit drei Anfahrten pro Woche für eine bestimmte Kombination rechnet, braucht vier bis acht Monate, bis das Modell aussagekräftig ist. Das ist die ehrliche Seite dieser Technologie.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5) Die Anlaufphase verkürzt sich real um 30–60 Prozent — das sind je Start 15 bis 60 Minuten weniger Stillstand. Bei drei bis sechs Rüstwechseln pro Schicht summiert das sich auf eine bis drei Stunden täglich. Das ist ein echter Hebel, aber begrenzt auf diesen spezifischen Prozessabschnitt. Verglichen mit Use Cases wie der Zykluszeiten-Optimierung, die die gesamte Serienproduktion betrifft, ist der Zeithebel der Anfahroptimierung kleiner und situationsbezogener.

Kosteneinsparung — sehr hoch (5/5) Das ist der klare Haupthebel dieses Use Case. Bei Spezialcompounds — PA-GF30, PC, PEEK, Flammschutzgrades — liegt der Rohstoffwert bei 3–40 Euro pro Kilogramm. Jedes Anfahrteil, das eingespart wird, ist ein direkt zurechenbarer Euro. Bei einem Betrieb mit drei Schichten und zehn Rüstwechseln täglich auf Engineering-Werkstoffen summieren sich die Einsparungen auf 50.000–200.000 Euro jährlich. Das ist die höchste direkte Materialkosteneinsparung im kunststoffverarbeitenden Bereich — vergleichbar allenfalls mit der Ausschussanalyse in der Serienfertigung.

Schnelle Umsetzung — niedrig (2/5) Hier ist Ehrlichkeit wichtiger als Optimismus. Bis ein Modell ausreichend kalibriert ist, vergehen realistisch 12–16 Wochen — und das nur dann, wenn die Datenerfassung bereits läuft. Die ersten sechs bis acht Wochen sind reine Infrastrukturarbeit: OPC-UA-Anbindung prüfen und ggf. nachrüsten, historische Protokolle digitalisieren, Datenqualität prüfen. Kein Modell liefert in Woche drei belastbare Empfehlungen. Wer hier auf schnelle Ergebnisse hofft, wird enttäuscht. Verglichen mit Use Cases, die innerhalb von Wochen sichtbare Ergebnisse zeigen, gehört dieser Use Case zu den langsameren Vorhaben in dieser Kategorie.

ROI-Sicherheit — sehr hoch (5/5) Was diesen Use Case aus ROI-Perspektive attraktiv macht: Der Nutzen ist lückenlos messbar. Jedes Anfahrteil hat ein Gewicht, ein Material, einen Kilogrammpreis — die Einsparung lässt sich auf den Cent genau berechnen. Kein indirektes Zeitsparpotenzial, kein „theoretisch müsste das zu weniger Reklamationen führen”. Die Materialersparnis ist buchhalterisch eindeutig, die Zurechenbarkeit zum System eindeutig, der ROI-Nachweis gegenüber der Geschäftsführung damit einer der stärksten unter allen hier verglichenen Anwendungsfällen.

Skalierbarkeit — sehr niedrig (1/5) Das ist das strukturelle Limit dieses Ansatzes. Jede Maschine-Werkzeug-Material-Kombination braucht ihr eigenes Modell — und jedes Modell braucht seine eigenen Trainingsdaten. Eine neue Compound-Serie bedeutet: Modell beginnt bei null. Eine neue Maschine bedeutet: Datenerfassung neu aufsetzen. Ein Lohnspritzgießer mit 200 aktiven Werkzeug-Material-Kombinationen und wechselnden Maschinenzuordnungen multipliziert den Implementierungsaufwand entsprechend. Es gibt keine Economies of Scale: Das achtzigste Modell kostet in der Pflege genauso viel wie das erste. Wer diesen Use Case im großen Stil ausrollen will, muss das als fortlaufendes Programm verstehen — nicht als einmalige Implementierung.

Richtwerte — stark abhängig von Maschinenpark-Größe, Rüsthäufigkeit und Materialkomplexität.

Was das System konkret macht

Der technische Kern ist Machine Learning auf historischen Anfahrprotokollen. Das klingt komplizierter als es ist.

In der Praxis funktioniert es so: Die Maschine produziert bei jedem Zyklus Datenpunkte — Schmelzetemperatur, Spritzgeschwindigkeit, Umschaltdruck, Nachdruckkurve, Kühlzeit, Zykluszeit. Bei einem Anfahrvorgang kommen dazu: Welches Werkzeug, welches Material, welche Charge, Maschinentemperatur vor dem Start, Stillstandsdauer seit dem letzten Betrieb. Und am Ende des Anfahrvorgangs: Wie viele Schuss bis zur Teilefreigabe, welche Parameter wurden korrigiert, was war der erste akzeptierte Prozesszustand.

Das System sammelt diese Daten — anfangs passiv, später aktiv — und baut daraus ein Modell: „Wenn Werkzeug X mit Material Y auf Maschine Z nach einer Standzeit von mehr als vier Stunden angefahren wird, dann startet das optimale Anfahrrezept mit Schmelzetemperatur 278 °C, Einspritzgeschwindigkeit 45 mm/s und einem Nachdruckprofil, das in Stufe zwei nach 0,8 Sekunden von 420 auf 280 bar fällt.”

Die Empfehlung kommt als Startrezept — kein automatisierter Eingriff in die Maschine, sondern ein Vorschlag, den der Einrichter übernimmt, anpasst oder ablehnt. Jede Entscheidung fließt als neues Datenpunkt zurück ins Modell. Das System lernt nicht nur aus dem Erfolg, sondern auch aus den Korrekturen.

Was das Modell nicht kann: Es kann keine Qualitätsprobleme vorhersagen, die nie zuvor aufgetreten sind. Es kann keinen neuen Werkstoff optimieren, für den keine Anfahrprotokolle existieren. Und es kann nicht erkennen, wenn ein Werkzeug mechanisch beschädigt ist oder ein Heißkanal defekt ist — das bleibt Aufgabe der Einrichter und der Qualitätssicherung.

Die wichtigste organisatorische Voraussetzung: Irgendjemand muss die Qualität des Inputs kontinuierlich sicherstellen. Ein Modell, das auf schlecht erfassten oder falsch gelabelten Protokollen trainiert, gibt schlechte Empfehlungen. Das ist kein KI-Problem — das ist ein Datenqualitätsproblem.

OPC-UA-Integration: Wo das echte Projekt wirklich beginnt

In den meisten Angebotspräsentationen von Anfahroptimierungs-KI erscheint die Datenerfassung als Nebenpunkt. In der Praxis ist sie der kritische Pfad.

EUROMAP 77 und OPC-UA — was das bedeutet

Der Industriestandard für die Datenkommunikation an Spritzgießmaschinen heißt EUROMAP 77 — er definiert, welche Datenpunkte Maschinen über OPC-UA nach außen kommunizieren. Seit 2020 ist die Implementierung für neue Maschinen verpflichtend. Für ältere Steuerungen gibt es keine Garantie.

Was das in der Praxis bedeutet:

Wer in einem Pilotprojekt beginnt, sollte die Steuerungsgeneration aller beteiligten Maschinen vorab prüfen — nicht erst nach der Vertragsunterzeichnung. Ein unerwartetes Retrofit an fünf Maschinen mit Selogica-Steuerung kann 15.000–30.000 Euro Zusatzkosten bedeuten, die im ursprünglichen Business Case nicht aufgetaucht sind.

Was OPC-UA wirklich liefert — und was nicht

EUROMAP 77 standardisiert die Kommunikation, aber nicht die Vollständigkeit. Viele Einspritzparameter (z.B. mehrstufige Druckprofile, Werkzeugheizungsdaten, Dosierweg-Kurven) sind zwar technisch verfügbar, aber herstellerabhängig gemappt oder über proprietäre Erweiterungen bereitgestellt. Wer ein Datenmodell aufbaut, das auf Parametern von Maschine A beruht, muss prüfen, ob Maschine B dieselben Parameter unter demselben OPC-UA-Knoten bereitstellt.

Das Ergebnis: Datenerfassung bei gemischten Parks ist immer ein Integrationsprojekt — kein Plug-and-Play.

Anlaufenergie und Aufheizrampen — der unterschätzte Hebel

Startup-Optimierung wird fast immer als Ausschuss-Problem formuliert. Was dabei unterschätzt wird: der Energieverbrauch in der Anlaufphase.

Was beim Maschinenstart mit Energie passiert

Vor dem ersten Schuss müssen Zylinder, Düse und Werkzeug auf Betriebstemperatur gebracht werden. Das dauert je nach Maschinentyp und Ausgangszustand zwischen 20 und 90 Minuten. In dieser Zeit läuft die Heizung auf voller oder erhöhter Leistung — das Gerät ist thermisch noch nicht im Gleichgewicht.

Ein typisches Szenario: Eine 250-Tonnen-Maschine mit PA-GF30 hat eine installierte Heizleistung von 12 kW an Zylinder und Düse. Bei einem 45-minütigen Aufheizvorgang mit einem Wirkungsgrad von 70 Prozent (Rest geht als Wärmeverlust in die Umgebung) entstehen rund 5–7 kWh Energieverbrauch allein für die Aufheizphase — noch bevor der erste Schuss fällt.

Wie KI hier helfen kann

Eine gut kalibrierte Anfahroptimierung kann die Aufheizrampe an die Ausgangsbedingungen anpassen: Ein Werkzeug, das seit zwei Stunden steht und noch 140 °C hat, braucht eine andere Aufheizkurve als ein Werkzeug, das seit zwölf Stunden auf Raumtemperatur abgekühlt ist. Wenn das Modell Resttemperaturen berücksichtigt, lassen sich Aufheizzeiten um 15–25 Prozent reduzieren — bei gleichzeitig besserem Prozessstart, weil das thermische Profil stabiler ist.

Das klingt nach kleinen Prozenten. Bei einem Betrieb mit 15 Maschinen und 12 Starts täglich (durchschnittlich je 40 Minuten Aufheizzeit) bedeutet eine Reduktion um 20 Prozent: täglich 24 Stunden weniger Aufheizzeit. Auf ein Jahr: rund 8.000 kWh weniger Energieverbrauch — bei einem Industriestrompreis von 0,18–0,22 Euro/kWh sind das 1.400–1.760 Euro jährlich an direkten Energiekosten.

Das ist kein Hauptargument für die Investition — aber ein echter Nebeneffekt, der im Business Case auftauchen sollte.

Modell-Drift bei Materialschwankungen — was passiert nach dem Rohmaterialwechsel?

Das ist die Frage, die in keiner Anbieter-Demo gestellt wird.

Das Konzept-Drift-Problem

ML-Modelle lernen aus historischen Daten. Ein Modell, das auf Charge A von PA-GF30 eines bestimmten Herstellers trainiert wurde, kennt das Verarbeitungsverhalten dieses Materials. Wenn Charge B desselben Materials geliefert wird — gleicher Handelsname, gleiche Spezifikation, aber anderer Produktionstag — können sich Viskosität, Feuchtigkeitsgehalt und thermische Stabilität messbar unterscheiden.

In der Forschung heißt das Phänomen Concept Drift: Das Modell war korrekt für den Zustand, auf dem es trainiert wurde. Jetzt hat sich der Zustand geändert, aber das Modell weiß das nicht.

Für die Anfahroptimierung bedeutet das konkret: Das Modell empfiehlt Parameter, die für die alte Charge funktioniert haben. Mit der neuen Charge führen diese Parameter zu mehr Anlaufausschuss als ohne KI-Unterstützung — weil der Einrichter ohne das System seine Erfahrung einbringen würde, während er mit dem System dem Modell vertraut.

Dieses Risiko ist real. Ein MDPI-Paper von 2025 zur dynamischen Überwachung von Spritzguss-Qualitätsvorhersagen zeigt, dass Prediction-Modelle bei Betriebs-Bedingungsdrift messbar an Genauigkeit verlieren — und das ohne dass es dem Anwender sofort auffällt.

Wie man damit umgeht

Erstens: Das System muss Drift erkennen können. Moderne Ansätze integrieren automatische Drift-Detection — das Modell überwacht seine eigene Vorhersagequalität und markiert Empfehlungen als „ungewiss”, wenn es registriert, dass die aktuellen Prozessparameter stark von seinen Trainingsdaten abweichen.

Zweitens: Neue Chargen müssen als separate Datenpunkte geführt werden. Eine gute Implementierung erfasst Chargennummern und Wareneingangsparameter (Materialfeuchte, Schüttdichte, Lieferant) und verwendet diese als zusätzliche Features — so kann das Modell Chargenvariationen teilweise kompensieren.

Drittens: Einrichter müssen wissen, wann sie dem System nicht vertrauen sollen. Das bedeutet: eine klare Kommunikation, wenn das Modell „auf dünnem Eis” empfiehlt — und die Abmachung, dass neue Chargen immer mit manueller Erfahrung gefahren werden, bis genug Daten vorliegen.

Wer einen jährlichen Zyklus mit 3–5 Rohstofflieferanten und regelmäßig wechselnden Chargen hat, sollte dieses Thema explizit im Einführungsprojekt adressieren — nicht erst, wenn das Modell zum ersten Mal falsch liegt.

Konkrete Werkzeuge — was wann passt

Die Auswahl des richtigen Werkzeugs hängt vor allem von zwei Faktoren ab: der Zusammensetzung des Maschinenparks (ein Hersteller oder gemischt) und dem Grad der vorhandenen Dateninfrastruktur.

ENGEL authentig mit iQ-Modulen — Die beste Wahl, wenn dein Park zu mindestens zwei Dritteln aus ENGEL-Maschinen besteht. Die iQ weight control regelt das Schussgewicht per Zyklus adaptiv nach und reduziert Anlaufausschuss real messbar. Das ist technisch gesehen weniger „ML auf historischen Daten” als adaptive Regelung — aber die Praxis interessiert sich für das Ergebnis: weniger Ausschuss vom ersten stabilen Schuss an. Einstiegspaket 15.000–30.000 €, iQ-Module 2.000–8.000 € pro Maschine (laut ENGEL-Angaben, Stand April 2026). Nur sinnvoll bei überwiegendem ENGEL-Park.

Osphim — Herstellerneutral und speziell für die Abmusterungsphase entwickelt. Osphim kombiniert eine Hardware-Box zur Datenerfassung mit KI-gestützter Parameterempfehlung. Die Abmusterungsdauer sinkt laut CTO Yannik Lockner (K-Zeitung, 2025) um mehr als 70 Prozent. Besonders geeignet für Lohnspritzgießer mit gemischtem Park und häufigem Werkzeugwechsel. Preise auf Anfrage; Einstiegsprojekte nach Markteinschätzung ab ca. 15.000–30.000 €.

ARBURG ALS (Gestica-Steuerung) — Für ARBURG-Maschinenparks die entsprechende Lösung mit ähnlicher Logik: MES-Integration, Prozessdatenerfassung und Parameterempfehlung im Hersteller-Ökosystem. Gut kombinierbar mit dem ARBURG host computer system für übergreifende Analysen.

Siemens Industrial Edge + Custom ML — Für heterogene Parks, bei denen keiner der oben genannten Hersteller dominiert, bietet Industrial Edge eine herstellerneutrale Edge-Computing-Plattform. Darauf lassen sich eigene ML-Modelle in Betrieb nehmen, die über OPC-UA-Konnektoren Daten von verschiedenen Maschinen beziehen. Erfordert Entwicklungsaufwand für die Modellentwicklung, gibt aber maximale Flexibilität. Geeignet für IT-affine Produktionsbetriebe mit eigenem OT-Know-how.

Azure ML oder AWS SageMaker — Für Unternehmen, die ML-Infrastruktur bereits in der Cloud betreiben oder aufbauen wollen. Die Anfahrdaten werden über Edge-Gateways in die Cloud übertragen, Modelle dort trainiert und als API-Endpunkt zurück an die Shopfloor-Visualisierung geliefert. Höchste Flexibilität, aber auch höchster Aufbauaufwand. Sinnvoll erst ab zehn oder mehr Maschinen und einem dedizierten Data-Engineering-Team.

Zusammenfassung: Wann welcher Ansatz

• Überwiegend ENGEL-Maschinen → ENGEL authentig mit iQ-Modulen
• Gemischter Park, Fokus auf Abmusterung → Osphim
• Überwiegend ARBURG-Maschinen → ARBURG ALS
• Gemischter Park, hohe IT-Reife → Siemens Industrial Edge + Custom ML
• Cloud-first, eigenes Data-Engineering-Team → Azure ML oder AWS SageMaker

Datenschutz und Datenhaltung

Anfahrprotokoll-Daten sind keine personenbezogenen Daten — sie beschreiben Maschinenverhalten, nicht Menschen. Das bedeutet: die DSGVO im engeren Sinne greift hier weniger als in anderen Use Cases. Trotzdem gibt es Datenschutz-relevante Aspekte.

Produktions-Know-how als schützenswertes Gut

Die Anfahrprotokolle enthalten implizit dein Prozess-Know-how: optimale Temperaturen, Druckprofile, Verweilzeiten für deine spezifischen Werkzeug-Material-Kombinationen. Das sind Geschäftsgeheimnisse. Wenn du diese Daten in eine Cloud-Plattform lädst — ob bei einem Maschinenhersteller wie ENGEL oder einem Drittsystem wie Azure ML — musst du klären:

• Wer hat Zugriff auf deine Daten?
• Werden deine Daten für das Training anderer Kundenmodelle genutzt?
• Wie ist die Datensouveränität vertraglich geregelt?

Bei ENGEL authentig liegen Daten wahlweise beim Kunden (On-Premise) oder in einem betriebenen ENGEL-Rechenzentrum in der EU. Für Cloud-Plattformen wie Azure ML gilt: Standardmäßig wird das Microsoft EU Data Boundary-Programm genutzt, das die Verarbeitung in EU-Rechenzentren sicherstellt — aber eine AVV-Vereinbarung ist explizit zu schließen.

Betriebsrat und Mitarbeiterdaten

Wenn das System nachverfolgt, welcher Einrichter welche Anfahrparameter gesetzt hat — und das ist für das Feedback-Loop sinnvoll — entstehen mittelbar Beschäftigtendaten. Fehlerentscheidungen eines Einrichters sind im System protokolliert. Auch wenn das der technologische Sinn ist, muss dieser Aspekt mit dem Betriebsrat abgestimmt werden. Die Protokollierungstiefe und die Verwendung der Daten sollten vor der Einführung in einer Betriebsvereinbarung geregelt sein.

Empfehlung: On-Premise-Lösung oder EU-gehostete SaaS-Variante mit AVV bevorzugen. Keine Prozess-Know-how-Daten auf US-gehosteten Plattformen ohne explizite Klärung der Datensouveränität.

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten

Laufende Kosten

• ENGEL authentig: 15–20 % der Lizenzkosten jährlich als Software-Maintenance
• Osphim: laufende Lizenz auf Anfrage (schätzungsweise 500–2.000 €/Monat je nach Maschinenanzahl)
• Cloud ML: 200–1.000 €/Monat für Infrastruktur, API-Calls und Modell-Hosting

Was du dagegen rechnen kannst

Nehmen wir einen Betrieb mit zehn Maschinen, täglich je drei Rüstwechseln und durchschnittlich 15 Teilen Anlaufausschuss pro Start auf Engineering-Compounds zu 4 €/kg × 400 g/Teil:

• Ausschuss pro Start: 15 × 0,4 kg × 4 €/kg = 24 €
• Täglich: 10 Maschinen × 3 Starts × 24 € = 720 € täglich
• Jährlich (250 Arbeitstage): 180.000 €

Bei einer Reduktion um 50 Prozent: 90.000 € jährliche Einsparung

Im konservativen Szenario (25 % Reduktion, 60 % der Kombis mit ausreichend Daten nach 12 Monaten): 27.000 € jährliche Einsparung

Selbst das konservative Szenario amortisiert ein 30.000-Euro-Pilotprojekt innerhalb von 14 Monaten.

Wie du den Nutzen tatsächlich misst

Nicht über Schätzungen, sondern über drei direkt messbare Kennzahlen: (1) Teile bis Freigabe je Anfahrvorgang, (2) Kilogramm Ausschussmaterial je Anfahrvorgang (gewogen), (3) Minuten von Maschinenstart bis Freigabe. Alle drei sollten vor dem Piloten als Baseline-Daten erhoben werden — ohne diese Baseline ist ein ROI-Nachweis nicht möglich.

Typische Einstiegsfehler

1. Den Piloten mit der schwierigsten Werkzeug-Material-Kombination beginnen. Der Reflex: Genau da, wo der Schmerz am größten ist, fängt man an. Das Problem: Die schwierigsten Kombinationen haben oft die wenigsten historischen Daten — gerade weil sie selten gefahren werden. Ein Modell mit zehn Anfahrprotokollen gibt schlechte Empfehlungen. Besser: Mit der häufigsten Kombination beginnen, für die viele Protokolle vorliegen. Dort ist der Lernerfolg am schnellsten sichtbar, und das Team gewinnt Vertrauen in das System.

2. OPC-UA-Kompatibilität als gegeben annehmen. Viele Projekte scheitern nicht an der KI, sondern an der Datenerfassung. Ältere Steuerungen sprechen kein EUROMAP 77, Protokollformate unterscheiden sich herstellerabhängig, und manche Parameter sind zwar technisch verfügbar, aber nicht konsistent über Maschinentypen hinweg gemappt. Eine Vorab-Datenbasis-Analyse (welche Maschine liefert welche Daten in welchem Format) ist kein optionaler Schritt, sondern Pflicht — und sie dauert oft zwei bis vier Wochen.

3. Das Modell einrichten und dann sich selbst überlassen. Das ist der gefährlichste Fehler — weil er sich langsam einschleicht.

Neue Chargen kommen rein, neue Werkzeuge werden aufgebaut, Maschinen werden getauscht oder überholt. Das Modell kennt all das nicht, solange es nicht informiert wird. Typischerweise geschieht das schleichend: Das System gibt weiterhin Empfehlungen, aber die Qualität der Empfehlungen nimmt ab — ohne dass das sofort auffällt. Einrichter beginnen, das System zu umgehen. Nach zwölf Monaten hat der Betrieb ein KI-System, das niemand mehr benutzt — und die Anlaufausschussraten liegen wieder auf dem Ausgangsniveau, manchmal sogar 10–15 % höher als vor der Einführung, weil Einrichter die eigene Intuition in der Zwischenzeit atrophieren ließen.

Die Lösung: Eine namentlich benannte Person — nicht die IT, nicht “alle Einrichter” — ist für die Datenpflege des Systems verantwortlich. Sie sorgt dafür, dass neue Chargen gekennzeichnet, neue Werkzeuge im System angelegt und veraltete Kombinationen deaktiviert werden. Ohne diese Person stirbt das System, und zwar still.

4. Einrichter-Akzeptanz als selbstverständlich behandeln. Ein System, das dem Einrichter sagt, wie er seine Arbeit zu tun hat, wird instinktiv abgelehnt — besonders wenn es falsch liegt. In Pilotprojekten, die ohne Einrichter-Einbindung gestartet sind, lag die Ablehnungsrate von Systemempfehlungen in den ersten 8 Wochen bei über 60 %; das Modell lernte dadurch kaum, weil abgelehnte Empfehlungen nicht begründet wurden. Die Einführung muss von Anfang an kommunizieren: Das System gibt Vorschläge, du entscheidest. Wer eine Empfehlung ablehnt und begründet, verbessert das Modell — keine negative Konsequenz. Konkret: Einrichter an der Kalibrierungsphase beteiligen und ihre ersten Korrekturen als wertvollste Trainingsdaten darstellen.

Was mit der Einführung wirklich passiert — und was nicht

Die Technik ist das Einfachste an diesem Vorhaben.

Das Akzeptanzproblem bei erfahrenen Einrichtern

Einrichter mit zehn oder fünfzehn Jahren Erfahrung haben ihr Wissen über Anfahrvorgänge über Hunderte von Starts aufgebaut. Ein System, das dieses Wissen zu formalisieren versucht, wirkt auf den ersten Blick wie eine Aussage: „Dein Erfahrungswissen ist ersetzbar.” Diese Wahrnehmung ist falsch, aber sie entsteht trotzdem.

Was funktioniert: Erfahrene Einrichter aktiv in die Kalibrierungsphase einbinden. Sie validieren, ob die Modellempfehlungen sinnvoll sind — und ihre Korrekturen sind das wertvollste Trainingssignal. Wer das System mitentwickelt hat, verteidigt es.

Was sich in den ersten Monaten nicht verändert

Das Modell gibt in den ersten zwei bis drei Monaten keine belastbaren Empfehlungen. Die Datenbasis ist zu dünn. Einrichter, die in dieser Phase auf eine Empfehlung vertrauen und schlechte Erfahrungen machen, werden das System nicht noch einmal ausprobieren. Deshalb: Die ersten Monate sind Datensammelphase — das muss klar kommuniziert werden, bevor der erste Einrichter vor dem Bildschirm steht.

Was sich nach sechs Monaten verändert

Wenn das System ausreichend Daten hat, beginnt sich die tägliche Routine subtil zu verschieben: Einrichter starten mit dem Systemvorschlag statt mit dem Bauchgefühl. Sie korrigieren weniger oft. Die Anlaufzeit sinkt — nicht dramatisch, aber konstant messbar. Neue Einrichter (Ausbildung, Leiharbeit, Krankheitsvertretung) performen beim Anfahren auf einem Level, das früher Monate gebraucht hätte.

Was nie automatisch passiert

Das System dokumentiert nicht, warum eine Empfehlung abgelehnt wurde. Das muss der Einrichter manuell einpflegen — zumindest in groben Kategorien. Ohne diesen Schritt fehlt dem Modell das Signal, das es am meisten braucht: Warum hat ein erfahrener Einrichter von der Empfehlung abgewichen? Welcher Parameter war falsch? Diese Information ist Gold — und sie erfordert eine explizite Workflow-Anpassung, die vor der Produktivschaltung definiert sein muss.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Unsere Einrichter haben dreißig Jahre Erfahrung. Die brauchen kein KI-System.” Richtig — und genau das ist das Problem. In dreißig Jahren hat ein erfahrener Einrichter Tausende von Anfahrvorgängen gemacht. Wenn er das Unternehmen verlässt oder in Rente geht, ist dieses Wissen weg. Das KI-System ist kein Ersatz für Erfahrung — es ist die Infrastruktur, mit der Erfahrung übertragen und für jeden zugänglich gemacht wird. Das ist auch das Argument, das erfahrene Einrichter am ehesten überzeugt: nicht „das System macht deinen Job”, sondern „das System sichert, dass dein Wissen nicht verloren geht”.

„Wir haben keine Zeit, historische Daten aufzuarbeiten.” Das stimmt oft — und es ist ein Ausschlusskriterium. Wenn keine strukturierten Anfahrprotokolle vorliegen (digital oder auf Papier, aber auswertbar), muss das System komplett neu trainiert werden — mit Live-Daten, die ab dem Startzeitpunkt gesammelt werden. Das bedeutet: sechs bis zwölf Monate bis zu brauchbaren Empfehlungen. Wenn das inakzeptabel ist, ist der Zeitpunkt für dieses Projekt noch nicht gekommen.

„Was passiert, wenn das System einen schlechten Vorschlag macht?” Der Vorschlag ist immer nur ein Vorschlag — der Einrichter entscheidet. Kein System greift automatisch in die Maschinensteuerung ein. Die Frage ist eher: Wie wird kommuniziert, dass ein Vorschlag schlecht war? Das muss im Einführungskonzept stehen — eine klare Möglichkeit für Einrichter, Empfehlungen abzulehnen und zu kommentieren. Dieses Feedback verbessert das Modell schneller als jeder weitere Datenpunkt.

Woran du merkst, dass das zu dir passt

Das passt zu dir, wenn:

• Du fertigst regelmäßig mit Engineering-Compounds — PA-GF, PC, POM, ABS oder technischen Spezialwerkstoffen, bei denen das Kilogramm mehr als 3 Euro kostet
• Du hast täglich mindestens 3–5 Rüstwechsel je Maschine — darunter ist die Datenbasis für ein ML-Modell zu dünn
• Du hast mindestens 10–15 aktive Maschinen, die regelmäßig mit denselben Werkzeug-Material-Kombinationen fahren
• Du erfasst bereits Maschinendaten digital — OEE-System, MES oder zumindest SCADA — oder du bist bereit, diese Infrastruktur aufzubauen
• Du hast Einrichter-Fluktuation oder Wissensverlust durch Rentenabgänge, und das erschwert die Qualität von Neuanfahrten messbar

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

1. Unter 5 Maschinen oder weniger als 3 Maschinenstart-Wechsel täglich. Zu wenige Daten für ein belastbares Modell. Jede Werkzeug-Material-Kombination braucht 50–100 Anfahrprotokolle als Trainingsbasis. Bei einem Wechsel täglich pro Kombination dauert das zwei bis vier Monate — für eine Kombination. Wer viele Kombinationen und wenige Starts hat, kommt nie auf ausreichend Daten. Hier ist eine strukturierte Papierdokumentation mit Excel-Auswertung ehrlicher und kostengünstiger.

2. Keine digitale Maschinenanbindung und kein Budget, sie aufzubauen. Wenn Anfahrprotokolle ausschließlich auf Papier existieren oder gar nicht erfasst werden, und kein OPC-UA-Zugang zu den Maschinen besteht, ist die erste Investition nicht in die KI, sondern in die Dateninfrastruktur. Das kostet Zeit und Geld, bevor das eigentliche Projekt beginnt. Wer das nicht einplant, wird nach sechs Monaten feststellen, dass das KI-Projekt de facto ein Digitalisierungsprojekt war.

3. Mehr als 50 aktive Werkzeug-Material-Kombinationen mit weniger als 20 historischen Anfahrprotokollen je Kombination. Das ist das Skalierungsproblem in seiner schärfsten Form. Für jede Kombination wird ein eigenes Modell benötigt. Wenn keine Kombination genug Daten hat, hat das Gesamtsystem keine belastbare Grundlage. In diesem Fall ist das Projekt verfrüht — zuerst muss die Datenerfassung für 12–18 Monate laufen, bevor ein Modell sinnvoll trainiert werden kann.

Das kannst du heute noch tun

Öffne dein Anfahrprotokoll der letzten drei Monate — oder das, was dazu am nächsten kommt. Zähle: Wie viele Starts hat eure häufigste Werkzeug-Material-Kombination? Wie viele Teile Anlaufausschuss fallen dabei im Schnitt an? Multipliziere das mit dem Kilopreis deines Materials.

Das ist dein Startpunkt für einen Business Case. Wenn du das nicht berechnen kannst, weil die Daten nicht vorliegen, ist das auch eine Antwort: Erst Datenerfassung, dann KI.

Für die erste Einschätzung, ob dein Anfahrprozess KI-tauglich ist, hilft dieser Prompt:

Quellen & Methodik

• SLG Kunststoff GmbH / ENGEL iQ process observer: ENGEL Austria Praxisbericht 2024, zitiert Aytac Hatkoy (Produktionsleiter SLG). Scrap-Reduktion um 0,5 %, +60.000 Teile/Jahr, OEE von 73 % auf 85 %. Quelle: engelglobal.com/en/us/blog/optimizing-production-processes-for-high-quantities-at-slg
• Osphim / Abmusterungsbeschleunigung: K-Zeitung 2025: „Spritzgießen: So macht KI Abmusterungen schneller”, Interview mit Yannik Lockner (CTO, Osphim GmbH, Aachen). Quelle: k-zeitung.de/spritzgiessen-so-macht-ki-abmusterungen-schneller
• Concept Drift im Spritzguss: MDPI Polymers 2025: „Dynamic Monitoring Method of Polymer Injection Molding Product Quality Based on Operating Condition Drift Detection and Incremental Learning.” Zeigt messbare Qualitätsminderung von ML-Modellen bei Betriebsbedingungsschwankungen. Quelle: mdpi.com/2073-4360/17/22/3025
• EUROMAP 77 / OPC-UA: EUROMAP-Standardisierungsdokument (Industriestandard, verfügbar unter euromap.org). Implementierungspflicht für neue Maschinen ab 2020; Rückwärtskompatibilität herstellerabhängig.
• ENGEL authentig Preisangaben: ENGEL Austria Produktdokumentation und Marktbeobachtung (Stand April 2026); bestätigt durch Preistabelle in der Werkzeugbeschreibung zu ENGEL authentig.
• Materialpreise Engineering-Compounds: Marktpreiserhebung für PA-GF30, PC, POM; Bereich 2,50–8 €/kg für Standardgrades, bis 40 €/kg für Hochleistungscompounds (Stand Mai 2026, herstellerabhängig).
• Energieverbrauchsschätzung Aufheizphase: Erfahrungswerte aus Produktionsoptimierungsprojekten bei Spritzgießbetrieben mit 150–350-Tonnen-Maschinen; keine repräsentative Studie, sondern konsistente Praxisbeobachtung.

Du willst wissen, ob dein Maschinenpark und deine Datensituation für eine Anfahroptimierung bereit sind — und was ein konkreter Pilotplan für euren Betrieb bedeutet? Meld dich — das klären wir gemeinsam in einem kurzen Gespräch.