FOD-Erkennung in der Endmontage: Kamera-KI findet Fremdkörper vor Auslieferung

Das echte Ausmaß des Problems

Foreign Object Debris (FOD) — in der Luftfahrt der Oberbegriff für Fremdkörper jeglicher Art, die nach Abschluss einer Montagephase in Flugzeugstrukturen, Triebwerken oder Hydrauliksystemen verbleiben — gehört zu den kostspieligsten Qualitätsproblemen der gesamten Branche.

Boeing schätzt, dass FOD weltweit jährlich rund vier Milliarden US-Dollar an Schäden verursacht — an Triebwerken und Airframes, die wegen FOD-Verdachts aus dem Betrieb genommen werden müssen. Unter Einbezug indirekter Kosten (Flugausfälle, Verspätungen, Reputationsschäden, Untersuchungsaufwand) taxieren neuere Studien den Gesamtschaden auf bis zu 22,7 Milliarden US-Dollar jährlich (FAA Cost-Benefit Analysis for FOD Detection Systems, 2023).

Das Problem ist nicht mangelnde Sorgfalt. Es ist strukturell:

• Sichtbarkeit: Eine moderne Airbus-Rumpfzelle hat tausende von Hohlräumen, Kabelführungen und Strukturbereichen, die nur eingeschränkt einzusehen sind. Selbst mit Taschenlampe und Spiegel ist eine vollständige Sichtprüfung physisch kaum möglich.
• Kognitive Last: Monteur- und Prüfteams arbeiten unter hohem Taktzeitdruck. Nach vier Stunden Inspektion ist die Aufmerksamkeit messbar reduziert — ein Effekt, der in der Unfallforschung als “inspection fatigue” dokumentiert ist.
• Werkzeugvielfalt: Eine moderne Endmontagezelle arbeitet mit mehreren Hundert verschiedenen Werkzeugen, Hilfsmaterialien und Teilen. Das visuelle Differenzieren eines 12-mm-Bohrers von einem Kabelschutz in einer dunklen Verkleidung überfordert auch erfahrene Inspektoren.
• Dokumentationslücken: Manuelle FOD-Protokolle erfassen, was entnommen wurde — aber nicht, was wo liegt. Ein vergessener Lappen im Leitwerk hinterlässt keine Spur in der Eingabeliste.

Das prominenteste Beispiel der jüngeren Geschichte: Im Februar 2020 entdeckte Boeing in den Kraftstofftanks von mehr als 400 gelagerten, noch unausgelieferten 737-MAX-Maschinen Fremdkörper — Werkzeuge, Lappen, Abdeckmaterialien. Die Flugzeuge standen bereits fertig auf dem Hof. Boeing musste eine konzernweite Prüfkampagne starten, die FAA und DOJ wurden eingeschaltet. Der Reputationsschaden war erheblich — und das in einem Moment, in dem der 737-MAX nach zwei tödlichen Abstürzen ohnehin unter extremer Beobachtung stand.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Zahlen in der Tabelle sind ehrliche Einschätzungen aus Branchenberichten und Systemanbieterdokumentation, keine garantierten Herstellerversprechen. Die Prüfpflicht entfällt nicht — das KI-System unterstützt die Inspektion, ersetzt sie aber nicht. Der zugelassene Prüfer (gemäß Part-21G oder FAR Part 21) bleibt verantwortlich.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5) Ein KI-gestützter Kamerascan einer Montagezelle dauert Sekunden bis wenige Minuten. Der manuelle Walkdown-Anteil reduziert sich, weil Prüfer nur noch markierte Auffälligkeiten nachkontrollieren statt den gesamten Bereich systematisch abzuleuchten. Trotzdem bleibt ein qualifizierter Prüfer Pflicht — der Zeitgewinn ist real, aber begrenzt. Verglichen mit reinen Software-Use-Cases (Wartungsdokumentation, EASA-Compliance-Dokumente) ist die tatsächliche Zeitersparnis je Inspektion moderat.

Kosteneinsparung — hoch (4/5) Ein einziger verhindeter FOD-Schaden mit Triebwerksausbau und Freigabeprozess kann 500.000 bis 2 Millionen Euro kosten — zuzüglich Auslieferungsverzögerung und Kundenvertragsstrafen. Ein Kamera-KI-System, das über fünf Jahre ein bis zwei solcher Ereignisse verhindert, hat sich mehrfach amortisiert. Die Kosteneinsparung ist damit einer der stärksten Hebel in dieser Branche. Lediglich die AOG-Ersatzteilbeschaffung und Triebwerksprognosen haben einen ähnlich direkten finanziellen Wirkzusammenhang.

Schnelle Umsetzung — sehr niedrig (1/5) Das ist der kritische Ehrlichkeitspunkt. Die Integration eines Kamera-KI-Systems in eine zertifizierte Endmontagelinie dauert realistisch 6 bis 12 Monate: Werkzeugkatalog aufnehmen, Trainingsbilder erstellen, Kameraarray montieren (Kabeltrassen, Beleuchtung, Netzwerk), Modell trainieren, QMS-Dokumentation anpassen, Kalibrierung validieren, FOD-Protokoll-SOPs aktualisieren und — entscheidend — die Änderung im Quality Management System nach AS9100D dokumentieren. Dieser Score ist der niedrigste im gesamten Branchenvergleich, weil kein anderer Use Case in der Luft- und Raumfahrt so viele zertifizierungsrelevante Integrationsschritte hat.

ROI-Sicherheit — hoch (4/5) Anders als Effizienzgewinne im Bürobereich lässt sich der Nutzen hier direkt messen: Wie viele FOD-Alarme hat das System ausgelöst? Wie viele davon waren echte Befunde? Was hätte jeder Befund bei späterer Entdeckung gekostet? Interne Qualitätsdaten — die in AS9100D-zertifizierten Unternehmen ohnehin vorliegen müssen — erlauben eine saubere Before-After-Analyse. Der ROI ist damit klarer messbar als bei wissensbasierten KI-Anwendungen.

Skalierbarkeit — niedrig (2/5) Jede neue Montagezelle, jeder neue Flugzeugtyp, jeder erweiterte Werkzeugkatalog erfordert eine eigene Kamerainstallation, eine Neukalibrierung und potenziell neues Modelltraining. KI-Software skaliert mit; Kamerahardware nicht. Wer fünf Zellen ausrüsten will, zahlt fünfmal. Das ist wesentlich weniger skalierbar als reine Softwarelösungen wie Dokumenten-KI oder Wartungsprognosen.

Richtwerte — stark abhängig von Betriebsgröße, Flugzeugtyp und vorhandener Werkzeug-Tracking-Infrastruktur.

Was das System konkret macht

Ein Computer Vision-gestütztes FOD-System besteht aus drei Schichten, die zusammenarbeiten:

Schicht 1 — Kameraarray und Bilderfassung. Mehrere Kameras (typisch 4–16 je Montagezelle, je nach Größe) sind fest an Deckenhänger, Portalkranen oder Montagebühnen montiert. Nach Abschluss einer Montagephase oder auf Anforderung des Prüfers scannt das System den gesamten Bereich automatisch. Moderne Systeme wie Virtek Vision Iris AI nutzen Edge-Computing-Kameras, die die Bildverarbeitung direkt an der Kamera durchführen — keine Übertragung von Rohbildern zum Server, was die Latenz reduziert und die Datenlast senkt.

Schicht 2 — Objekterkennung mit trainiertem KI-Modell. Das Modell — typischerweise eine YOLO-Architektur (YOLO) oder eine spezialisierte Variante davon — ist auf den vollständigen Werkzeug- und Materialkatalog der Produktion trainiert: Schraubendreher in 12 Varianten, Bohrer nach Größe, Kabelbinder, Lappen, Backing Paper aus dem CFK-Lagenaufbau. Bei der Inspektion vergleicht das System das Kamerabild mit dem erwarteten Zustand der Zelle. Alles, was nicht erwartet wird, wird als Verdachtsfall markiert — mit Bildausschnitt, Koordinaten und Konfidenzscore.

Schicht 3 — Abgleich und Dokumentation. Das System gleicht die Alarme mit dem Werkzeug-Tracking-Protokoll ab: Wurde dieses Werkzeug entnommen? Wurde es zurückgegeben? In integrierten Systemen läuft das gegen ein RFID-basiertes Tracking (Werkzeugwesten oder Werkzeugschränke mit RFID-Erkennung). Jeder Scan wird mit Zeitstempel, Benutzer, erkannten Objekten und Koordinaten im QMS archiviert — als AS9100D-kompatibler Audittrail.

Was das System nicht macht: Es erfindet keine Befunde. Der Algorithmus meldet Verdachtsfälle; die Entscheidung, ob ein Befund ein echter FOD-Treffer ist, trifft immer ein zugelassener Prüfer. Das System ist ein Werkzeug — keine autonome Freigabeinstanz.

Regulatorischer Rahmen: Was EASA, FAA und AS9146 verlangen

Dieser Abschnitt ist eine fachliche Orientierung, keine Rechts- oder Luftfahrtzertifizierungsberatung. Für verbindliche Einschätzungen zur EASA-Compliance wende dich an einen zugelassenen Luftfahrt-Betrieb nach Part-21G oder einen Compliance-Manager.

FOD-Prävention ist in der Luft- und Raumfahrt nicht optional — sie ist dokumentationspflichtiger Bestandteil mehrerer übereinanderliegender regulatorischer Anforderungen:

AS9146 — der spezifische FOD-Standard. Während AS9100D (die allgemeine Qualitätsmanagementsystem-Norm für die Luft- und Raumfahrt) FOD-Prävention als Anforderung benennt, definiert AS9146 spezifische Mindestanforderungen für FOD-Prävention-Programme: Trainingsanforderungen für Mitarbeitende, Prozessdokumentation, Inspection-Sweep-Records und Corrective-Action-Protokolle für FOD-Funde. Jede Einführung eines KI-gestützten FOD-Systems muss in den bestehenden AS9146-konformen Prozess eingebettet werden — das System ist ein Werkzeug im Programm, nicht ein Ersatz für das Programm.

EASA Part-21G — Produktionsbetrieb. Unternehmen mit EASA Part-21G-Zulassung (Herstellung von Luftfahrzeugen) unterliegen einem genehmigten Produktionssystem, dem “Production Organisation Exposition” (POE). Jede Änderung an Prüfprozessen — auch die Einführung eines KI-Systems — muss im POE dokumentiert und vom Quality Manager freigegeben werden. Bei wesentlichen Prozessänderungen kann eine Meldung an die zuständige Behörde (LBA, Luftfahrt-Bundesamt in Deutschland) erforderlich sein.

FAA AC 65-15A — Leitfaden für Aviation Mechanics. Für US-amerikanische Betriebe oder Betriebe, die für US-Behörden produzieren (z.B. Embraer, Dassault Falcon mit FAA-Zulassung), ist das Advisory Circular 65-15A Referenzrahmen für FOD-Präventionspraxis. KI-gestützte Systeme müssen als Unterstützungswerkzeug (nicht als Ersatz) für qualifizierte Mechaniker dokumentiert sein.

Dieser Abschnitt ist eine fachliche Orientierung, keine Rechts- oder Luftfahrtzertifizierungsberatung. Für verbindliche Einschätzungen zur EASA-Compliance wende dich an einen zugelassenen Luftfahrt-Betrieb nach Part-21G oder einen Compliance-Manager.

Was ihr hardware-seitig braucht — bevor die KI kommt

Dieser Abschnitt verdient Aufmerksamkeit, weil ihn viele Projekte zu spät lesen.

Ein Kamera-KI-System für FOD-Erkennung setzt eine saubere Werkzeugkontrolle vor der Kamera voraus. Ohne diese Grundlage erkennt die KI zwar Fremdkörper — kann aber nicht feststellen, ob sie planmäßig da liegen oder vergessen wurden. Konkret braucht ihr:

1. Inventarisierter Werkzeugkatalog. Jedes Werkzeug, das in der Montagezelle verwendet werden darf, muss erfasst, nummeriert und — idealerweise — fotografisch dokumentiert sein. Ohne diesen Katalog kann das Modell nicht trainiert werden.

2. Werkzeug-Tracking-System. Shadow Boards (Schattenbretter mit Konturen für jedes Werkzeug) oder RFID-basierte Werkzeugschränke, die protokollieren, was entnommen und zurückgegeben wurde. Das KI-Kamerasystem kann diesen Abgleich dann automatisieren — aber das Tracking selbst muss davor stehen.

3. Kontrollierte Beleuchtung. Kamerabasierte Erkennung funktioniert nur, wenn Beleuchtungsbedingungen stabil sind. Schattenwurf durch sich bewegende Montageausrüstung oder stark variierende Tageslichtverhältnisse in offenen Hallen degradieren die Erkennungsqualität erheblich. Indirektes, gleichmäßiges LED-Licht ist Voraussetzung.

4. Netzwerkinfrastruktur. Mehrere Kameras je Zelle, Edge-Computing-Geräte und ein zentrales QMS-Dashboard brauchen eine durchgängige Netzwerkinfrastruktur — in vielen Produktionshallen fehlen die Kabeltrassen oder die Netzwerksicherheitsfreigaben für neue Geräteklassen.

Wer diesen Hardware-Rucksack unterschätzt, verzögert das Projekt typischerweise um 3–6 Monate.

Konkrete Werkzeuge — was wann passt

Virtek Vision Iris AI — wenn Aerospace-Composite-Fertigung im Mittelpunkt steht. Das einzige Werkzeug in dieser Liste, das ursprünglich für FOD-Erkennung in der Luft- und Raumfahrtfertigung entwickelt wurde. Besonders stark bei Composite-Lagenaufbau (erkennt Backing Paper, Fremdmaterialien im Laminat) und in Montagezellen für CFK-Strukturteile. AS9100D-Audittrail und annotierte Bilddokumentation sind out-of-the-box vorhanden. Kein Self-Service, keine Listenpreise — Projekte ab mittlerem fünfstelligen Bereich. Für Tier-1-Lieferanten und OEMs die erste Rechercheoption.

KEYENCE Vision — wenn bestehende Fertigungsautomatisierung erweitert werden soll. KEYENCE ist der pragmatische Einstieg für Unternehmen, die bereits industrielle Bildverarbeitung kennen. Das CV-X- und XG-X-Produktportfolio lässt sich für FOD-ähnliche Anwendungen konfigurieren — vor allem für strukturierte Montagezellen mit definierten Prüfbereichen. Stärke: lokaler Vor-Ort-Support in Deutschland, Leihgeräte für Tests, keine Programmierung für Grundkonfiguration. Schwäche: kein AS9100D-spezifisches FOD-Modul; das muss der Quality Manager selbst in den Prozess einbauen. Investition: 10.000–80.000 EUR je Prüfstation.

Cognex Vision — wenn höchste Prüfgeschwindigkeit bei Serienteilen gefragt ist. Für Zulieferer, die hochvolumige Kleinteilprüfung (Nieten, Clips, Hülsen) in schnellen Taktzeiten brauchen, ist Cognex die ausgefeilteste Lösung. VisionPro Deep Learning ermöglicht unstrukturierte Defekterkennung ohne feste Regeln — relevant für komplexe Oberflächen. In reinen FOD-Szenarien (große Räume, Werkzeugsuche) ist Cognex jedoch eher der Spezialist für Kleinteilprüfung als für das Scannen ganzer Montageräume.

Landing AI — wenn ein flexibles, plattformunabhängiges Modell gebaut werden soll. Landing AI (Andrew Ng’s Unternehmen) bietet eine Plattform für industrielle Computer Vision ohne proprietäre Hardware. Mit eigenen Trainingsbildern lässt sich ein FOD-Erkennungsmodell aufbauen, das auf Standard-IP-Kameras läuft. Vorteil: günstigerer Einstieg, keine Hardwarebindung. Nachteil: kein AS9100D-Modul, kein Aerospace-Support, Datenhosting in den USA (DSGVO-Prüfung erforderlich). Geeignet für technisch versierte Teams, die eine eigene Lösung aufbauen wollen.

YOLO (Open Source) — wenn ein Entwicklungsteam die volle Kontrolle haben soll. Die Basis vieler kommerzieller Systeme — YOLO-Modelle können auf eigene Werkzeugkataloge trainiert werden und laufen auf Standard-GPU-Hardware lokal. Kostenlos. Volle Anpassbarkeit. Kein QMS-Modul, kein Support, kein Compliance-Audit-Trail. Für Teams mit Machine Learning-Erfahrung ein realistischer Einstieg in die Technologie — für den zertifizierten Produktivbetrieb in einer Part-21G-Umgebung ohne erhebliche Eigenentwicklung nicht ausreichend.

Zusammenfassung: Wann welcher Ansatz

• Composite-OEM oder Tier-1 mit AS9100D → Virtek Vision Iris AI
• Mittelständischer Zulieferer mit KEYENCE-Erfahrung → KEYENCE Vision
• Hochvolumen-Kleinteilprüfung → Cognex Vision
• Eigene Modellentwicklung, Entwicklungsteam vorhanden → Landing AI oder YOLO
• Proof-of-Concept ohne Budget → YOLO auf Standard-Kamera als Evaluierung

Datenschutz und Datenhaltung

In der Luft- und Raumfahrtfertigung sind die verarbeiteten Bilddaten eine Besonderheit: Sie zeigen Produktionsbereiche, Flugzeugstrukturen und möglicherweise Mitarbeitende. Das schafft zwei getrennte rechtliche Felder:

Produktionsdaten (Strukturbilder, Werkzeugkataloge): Keine Personenbezogenheit, wenn Personen auf den Bildern konsequent ausgeblendet oder nicht aufgenommen werden. Viele Systeme scannen in definierten “Scanzeiträumen” ohne anwesendes Personal — das löst das Problem an der Wurzel. Diese Daten unterliegen der DSGVO nicht, können aber als sicherheitsrelevante Produktionsdaten unter anderen Schutzanforderungen (Geheimhaltung, Exportkontrolle) stehen.

Mitarbeiterbilder: Sobald Personen auf Bildern erkennbar sind, gilt DSGVO-Pflicht. Das betrifft Systeme, die laufend scannen statt nur in Pausen. Lösung: Technische Maßnahmen (Scan nur bei leerer Zelle), organisatorische Maßnahmen (Betriebsvereinbarung für Bilderfassung in Produktionsbereichen), oder — bei kontinuierlichem Scannen — Gesichtsunkenntlichmachung in Echtzeit.

Hosting der Bilddaten:

• Virtek Vision: On-Premise-Betrieb möglich, Daten verlassen die Produktion nicht. Empfohlene Option für sicherheitsrelevante Luft- und Raumfahrtfertigung.
• KEYENCE Vision: Lokale Verarbeitung auf dem Controller; keine Cloud-Pflicht, optionale Cloud-Konnektivität für Ferndiagnose.
• Cognex Vision: Grundsätzlich lokal; neue Cloud-Erweiterungen müssen datenschutzrechtlich separat bewertet werden.
• Landing AI: Datenhosting in den USA (kein EU-Hosting). Für zivile Luftfahrtfertigung mit ITAR- oder EAR-relevantem Produktionswissen kritisch prüfen.

Für die meisten Luft- und Raumfahrtfertiger mit EASA Part-21G-Zulassung ist On-Premise-Betrieb oder eine zertifizierte Private Cloud in der EU die einzig praktikable Option.

Was es kostet — realistisch gerechnet

Einmalige Investitionen

Laufende Kosten (jährlich)

• Wartungsvertrag (Software-Updates, Kameraservice): typisch 8–15 % der Investition
• Jährliche Modell-Rekalibrierung bei Werkzeugkatalogänderungen: 5.000–15.000 EUR intern oder extern
• QMS-Audit-Pflege und Dokumentation: abhängig von bestehenden Prozessen

Was du dagegenrechnen kannst

Ein einziger FOD-Schaden mit Triebwerksausbau (Worst Case) kostet 500.000 bis 2.000.000 EUR — zuzüglich Vertragsstrafe bei Lieferverzug und potenziellem Lizenzrisiko. Ein System, das in fünf Jahren zwei solche Ereignisse verhindert oder auf Bodenniveau belässt, zahlt sich dreifach aus.

Realistischere Heuristik: Unternehmen, die historisch 1–3 ernsthafte FOD-Ereignisse pro Jahr verbuchen (Nacharbeit, Dokumentation, Fristverzug), haben eine Schadensbase von 100.000–500.000 EUR/Jahr. Wenn das System diese Häufigkeit auch nur halbiert, ist die Investition in weniger als drei Jahren amortisiert.

Die konservative Rechnung muss jedoch zwei Abstriche einkalkulieren: Nicht jedes KI-System erhält die Zertifizierungsfreigabe im ersten Anlauf, und die Effizienzgewinne treten langsam ein, während das Team lernt, mit den Falsch-Positiv-Raten umzugehen.

Vier typische Einstiegsfehler

1. Das KI-System soll den Prüfer ersetzen — nicht unterstützen. Das ist der gefährlichste Grundirrtum. In einer EASA Part-21G-Umgebung ist ein zugelassener Prüfer am Ende des Montageprozesses verpflichtend — kein KI-System kann diese Signatur ersetzen. Wer das System als “Autopilot für FOD” kauft, scheitert beim Zertifizierungsaudit und muss typischerweise 3–6 Monate Prozessdokumentation neu aufsetzen, bevor eine Freigabe möglich ist. Abhilfe: Die SOPs von Anfang an so formulieren, dass das KI-System explizit als “Unterstützungswerkzeug für den zugelassenen Prüfer” klassifiziert ist — mit dokumentierter Prüfer-Signatur als Pflichtschritt nach jedem KI-Scan.

2. Der Werkzeugkatalog ist nicht Projekt-eins. Viele Projekte beginnen mit der Kamerahardware und scheitern an der Trainingsdatenbasis. Ein trainiertes Modell braucht pro Werkzeugtyp typisch 200–500 Bilder unter verschiedenen Winkeln, Beleuchtungen und Hintergrundkontexten. Wer den Katalog erst nach der Hardwareinstallation aufnimmt, verliert 6–8 Wochen. Die Katalogaufnahme ist Projekt-eins — noch vor Hardwarebeschaffung.

3. Die Falsch-Positiv-Rate wird unterschätzt — und torpediert die Akzeptanz. Ein System, das in den ersten Wochen zehn Alarme pro Schicht auslöst, von denen neun Fehlalarme sind, wird vom Team ignoriert. “Wieder ein Kamera-Alarm” ist das Todesurteil für jedes Assistenzsystem. Die Lösung: Akzeptanzmetriken definieren (z.B. “maximal 2 Fehlalarme je Walkdown”) und die Betriebsfreigabe an diese Schwelle koppeln. Das verlängert die Trainingsphase, rettet aber die Akzeptanz.

4. Die Modellwartung nach Werkzeugänderungen wird nicht eingeplant. Wenn die Produktion auf neue Werkzeugtypen umstellt — was in der Luftfahrt bei jedem Programmwechsel passiert — muss das Modell nachtrainiert werden. Ein Werkzeug, das das Modell nicht kennt, wird schlicht nicht erkannt. Das FOD-Protokoll hat eine Lücke, ohne dass irgendjemand es merkt. Lösung: Prozess definieren, der bei jeder Werkzeugneueinführung automatisch ein Modell-Update-Ticket öffnet.

Was mit der Einführung wirklich passiert — und was nicht

Die Technik ist in diesem Use Case selten das größte Hindernis. Das Schwierigere sind die organisatorischen Anpassungen.

Der Quality Manager steht zwischen zwei Stühlen. Er muss das neue System gegenüber dem Betrieb verteidigen (“Das macht uns schneller”) und gleichzeitig gegenüber dem Zertifizierungsauditor (“Das ist konform und nachvollziehbar”). Diese Doppelrolle kostet Zeit — und wer den Quality Manager zu spät einbindet, riskiert, dass das System erst nach dem nächsten Audit in den Produktivbetrieb darf.

Inspektoren fühlen sich kontrolliert, nicht unterstützt. Das Kamerasystem protokolliert jeden Durchgang, jeden Alarm, jede Bestätigung. Für erfahrene Prüfer, die ihre Arbeit gewissenhaft machen, kann das wie Misstrauensbekundung wirken. Abhilfe: Das Team in die Auswertung der Alarme einbeziehen — welche Alarme sind echte Hinweise, welche Muster sind Fehlalarme? Inspektoren, die das Modell mitformen, identifizieren sich mit dem System.

Was konkret hilft:

• Den Quality Manager und den FOD-Prevention-Beauftragten von Tag eins einbinden — nicht informieren, sondern mitgestalten lassen
• Einen 90-Tage-Pilotbetrieb mit definierten Erfolgsmetriken ankündigen, bevor endgültige Entscheidungen fallen
• Transparente Auswertung: Wie viele Alarme, wie viele Bestätigungen, wie viele Fehlalarme — wöchentlich für das Team sichtbar machen
• Früh klären, wer für Modell-Updates zuständig ist — die IT, ein externer Integrator oder ein interner ML-Engineer

Realistischer Zeitplan mit Risikohinweisen

Wichtig: Ein Parallelzeitraum mit manuellem Walkdown ist nicht optional. Vor der Freigabe des KI-Systems als alleiniger Scan-Methode muss statistisch nachgewiesen sein, dass die Erkennungsrate den vorherigen Prozess nicht unterschreitet. Das ist kein technisches Problem — es ist eine Dokumentationsaufgabe.

Häufige Einwände — und was dahintersteckt

„Wir haben FOD-Protokolle und qualifizierte Prüfer — das System ist überflüssig.” Das Boeing-737-MAX-Beispiel zeigt, dass FOD-Protokolle und qualifizierte Prüfer allein nicht ausreichen. Nicht weil die Menschen versagen, sondern weil die Aufgabe — tausende Hohlräume in einem modernen Flugzeug prüfen — die Kapazitäten menschlicher Wahrnehmung übersteigt. Das System macht Protokolle nicht überflüssig; es macht sie zuverlässiger.

„Das Kamera-KI-System wird nie alle FOD-Typen erkennen.” Richtig. Kein System ist vollständig. Aber der Vergleich ist nicht “KI versus Perfektion” — sondern “KI plus Inspektor versus Inspektor allein”. Wenn das System 90 % der trainierten Werkzeugtypen in typischen Sichtverhältnissen erkennt und der Prüfer die verbleibenden 10 % per Walkdown prüft, ist das Gesamtergebnis besser als ohne KI — und die Dokumentation ist vollständiger.

„Das ist zu teuer für unsere Stückzahlen.” Das stimmt für viele Betriebe — und ist ein valides Ausschlusskriterium (siehe nächsten Abschnitt). Bei Herstellern, die mehr als 10 Flugzeuge pro Monat produzieren oder Teile in sicherheitskritische Primärstrukturen einbauen, ist die Kostenabwägung anders. Wer einmal den Wert eines einzigen verhinderten FOD-Schadens mit Triebwerksausbau in seine Kalkulation eingesetzt hat, denkt anders über die Investition.

Woran du merkst, dass das zu dir passt

• Ihr produziert oder montiert Flugzeugteile in sicherheitskritischen Bereichen (Primärstruktur, Triebwerksverkleidungen, Hydrauliksysteme, Kraftstoffsysteme) mit dokumentierten FOD-Präventionsprogrammen nach AS9146
• Ihr habt einen inventarisierten Werkzeugkatalog und ein Werkzeug-Tracking-System (Shadow Boards oder RFID), das als Basis für das KI-Modell genutzt werden kann
• Ihr habt historisch mindestens 2–3 ernsthafte FOD-Ereignisse pro Jahr (oder habt begründeten Verdacht, dass eure Erkennungsrate unter der Fehlertoleranz liegt) — das gibt der Kostenkalkulation eine reale Basis
• Euer Quality Management ist AS9100D-zertifiziert, und ihr habt einen Quality Manager, der die Zertifizierungsarbeit für den KI-Einsatz führen kann
• Ihr habt eine stabile Montagezellen-Infrastruktur mit kontrollierbarer Beleuchtung und der Möglichkeit, Kameraarrangements dauerhaft zu montieren

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

1. Keine AS9146-konformen FOD-Präventionsprogramme vorhanden. Wer noch keine dokumentierten FOD-Prevention-Prozesse (Toolkontrolle, Inspection Sweeps, Mitarbeiterschulungen) betreibt, sollte nicht mit einer KI-Kamera beginnen. Die Kamera ist die Ergänzung zu einem funktionierenden Programm — kein Ersatz für das Fundament. Zuerst: AS9146-konformes Programm etablieren. Danach: KI-Ergänzung evaluieren.

2. Unter 5 Flugzeuge oder Hauptbaugruppen pro Monat und keine historische FOD-Schadensbasis. Bei sehr kleinen Stückzahlen ist die Amortisation schwer darstellbar, es sei denn, ein einziger FOD-Schaden hätte katastrophische Konsequenzen (Rückruf, Zertifizierungsverlust). In diesem Fall lohnt sich eher eine intensive manuelle Inspektion mit professionellem Lichtequipment und Endoskop als eine vollautomatisierte Kamerainfrastruktur.

3. Kein ML-kompetentes Team und kein Budget für externe Integration. Ein FOD-Erkennungssystem in einer zertifizierten Umgebung einzuführen ist kein “Kamera hinhängen, fertig”-Projekt. Es braucht einen Systemintegrator mit Aerospace-Erfahrung, einen Quality Manager, der die regulatorischen Anforderungen versteht, und jemanden, der das Modell langfristig betreibt. Wer keinen dieser drei Stakeholder hat, sollte das Projekt nicht beginnen, bevor er sie hat.

Das kannst du heute noch tun

Bevor du auch nur eine Kamera bestellst, lohnt sich ein interner Assessment-Sprint: Wie sieht eure aktuelle FOD-Schadensbasis aus, welche Werkzeugkategorien fehlen im Tracking, und wo lagen die letzten FOD-Funde — vor oder nach Auslieferung?

Das folgende Prompt-Template hilft dir, diesen Assessment-Sprint zu strukturieren und die Datenbasis für ein Business-Case-Dokument aufzubauen:

Quellen & Methodik

• FOD-Schadenskosten weltweit — 4 Mrd. USD jährlich: Boeing-Schätzung, zitiert in: FAA, “Foreign Object Debris (FOD)” (faa.gov/newsroom/foreign-object-debris-fod); National Aerospace FOD Prevention Estimate. Höhere Schätzung (22,7 Mrd. USD) aus: FAA, “Foreign Object Debris Detection System Cost-Benefit Analysis” (airporttech.tc.faa.gov, 2023).
• Boeing 737 MAX FOD-Fund 2020: Bloomberg, “Boeing Inspects 737 Max for Fuel-Tank Debris in New Setback” (18. Februar 2020); NBC News, “Boeing orders ‘robust’ probe after potentially damaging debris found in 737 Max fuel tanks” (Februar 2020). Dokumentiertes Ereignis: >400 Maschinen, Fremdkörper in Kraftstofftanks, konzernweite Prüfkampagne.
• Virtek Vision Iris AI — FOD-Erkennung in Aerospace-Fertigung: AINonline, “AI-based Camera System Pinpoints Foreign Object Debris in Manufacturing” (22. Oktober 2024, ainonline.com); Virtek Vision, Produktseite IRIS AI Composite Inspection (virtekvision.com, Stand Mai 2026).
• AS9146 — FOD-Prevention-Standard: AS9100 Store, “What is FOD – Foreign Object Detection?” (as9100store.com). Standard der International Aerospace Quality Group (IAQG) für FOD-Präventionsprogramme in der Luft- und Raumfahrtfertigung.
• Integrations- und Hardwarekosten: Orientierungswerte aus Marktrecherche (averroes.ai, instrumental.com, Stand 2026); Anbieterangaben KEYENCE und Cognex (Stand April 2026). Keine veröffentlichten Listenpreise für Virtek Vision — Projektwert aus Brancheneinschätzung.
• Triebwerksausbau-Kosten bei FOD-Schaden (500.000–2 Mio. EUR): Branchenübliche Erfahrungswerte aus MRO-Referenzberichten; im Einklang mit dem ursprünglichen Use-Case-Stubs dieses Artikels und allgemeiner Luftfahrtliteratur.

Willst du wissen, ob eure bestehende Tooling-Infrastruktur für ein KI-FOD-System ausreicht, oder wie ihr den Business Case intern rechtfertigt? Meld dich — das analysieren wir gemeinsam in einem kurzen Gespräch.