Schweißnahtqualität automatisch prüfen

Das echte Ausmaß des Problems

Schweißnahtfehler, die beim Kunden auftauchen, kosten das 5- bis 20-fache einer Korrektur im Fertigungsprozess, das ist ein gut belegter Richtwert aus dem Qualitätswesen, der für Druckbehälter- und Apparatebau besonders schmerzhaft ist. Wer einen 15.000-Euro-Behälter zurücknehmen muss, zahlt realistisch 30.000 bis 80.000 Euro, wenn Logistik, Stillstandskosten des Kunden, Nacharbeit, Wiederholungsprüfung und die vertraglichen Konsequenzen zusammengerechnet werden.

Das strukturelle Problem liegt in der Natur der manuellen Sichtprüfung. Die Sichtprüfung (VT) nach DIN EN ISO 17637 kann nur das erkennen, was das Auge direkt sieht, Oberflächenporen, sichtbare Risse, Einbrandkerben, grobe Geometrieabweichungen. Innenliegende Fehler wie Bindefehler oder Gasblasen in der Nahtwurzel sind für die Sichtprüfung unsichtbar. Und selbst bei reinen Oberflächenfehlern schwankt die Trefferquote je nach Lichtverhältnis, Ermüdung des Prüfers und Prüfposition erheblich.

Hinzu kommt das Dokumentationsproblem: DIN EN ISO 5817 verlangt eine Bewertung nach Gruppen B, C oder D, aber in der Praxis erschöpft sich die Dokumentation oft in einem Prüfstempel und einer handschriftlichen Anmerkung. Was passiert war, mit welchem Schweißer, unter welchen Prozessparametern, an welcher Nahtposition, diese Rückverfolgbarkeit fehlt fast vollständig.

Das führt zu einem fatalen Feedback-Loop: Fehler werden nicht systematisch dokumentiert, also können Ursachen nicht systematisch behoben werden. Derselbe Fehler passiert wieder.

Bei Unternehmen mit 3.000 bis 10.000 Schweißnähten pro Tag liegt die nicht-korrekte Erkennungsrate bei manueller Sichtprüfung in der Praxis bei geschätzten 15–35 % für kleinere Oberflächenfehler, nach Branchenberichten deutlich höher als es die Qualitätsmanagementsysteme offiziell ausweisen. Das ist kein Versagen der Schweißfachleute, sondern ein Grundproblem: Keine menschliche Prüfung ist konsistent über 8 Stunden und 10.000 Nähte.

Mit vs. ohne KI, ein ehrlicher Vergleich

Die Vergleichszahlen zur Erkennungsrate stammen aus industriellen Validierungsstudien für kamerabasierte Inspektionssysteme. ¹ Die Stichprobenquoten bei manueller Prüfung basieren auf eigenen Erfahrungswerten aus Maschinenbaubetrieben mit 50–200 Mitarbeitenden, keine repräsentative Erhebung, aber konsistent in der Größenordnung.

Einschätzung auf einen Blick

Zeitersparnis, mittel (3/5) Die Zeitersparnis entsteht nicht direkt beim Schweißen, der Prozess selbst wird nicht schneller. Der Gewinn liegt in der Nacharbeit, die entfällt: Kein Wiederaufschmelzen, kein Überschweißen, keine Zusatzprüfungen. Prüfberichte entstehen automatisch statt manuell in 20–45 Minuten pro Bauteil. Bei sehr hohem Volumen übersteigt dieser Effekt die Einsparung bei anderen Anwendungsfällen, aber für die Mehrzahl der Maschinenbaubetriebe ist die Zeitersparnis kein täglicher Stundengewinn, sondern eine Reduktion von Ausnahmesituationen (Reklamationen, Wiederholungsprüfungen, Kundenbesuche).

Kosteneinsparung, hoch (5/5) Das ist der stärkste Hebel in der gesamten Maschinenbau-Kategorie. Eine einzige vermiedene Rücksendung eines Druckbehälters kann 30.000–80.000 Euro Folgekosten einsparen. Multipliziert mit 2–5 Vorfällen pro Jahr ergibt sich bei mittelgroßen Betrieben ein messbares Einsparpotenzial von 50.000 bis 400.000 Euro jährlich, klar nachweisbar, direkt im P&L buchbar. Laut elunic-Projektberichten amortisiert sich die Gesamtinvestition bei typischen Schweißvolumina in 12–18 Monaten. Dies ist die einzige Achse in dieser Kategorie, auf der eine klare branchenszenario-unabhängige Einsparung mit fünf Sternen zu rechtfertigen ist.

Schnelle Umsetzung, niedrig (1/5) Keine andere Anwendung in der Maschinenbau-Kategorie dauert länger. Kameraposition und Beleuchtung müssen für jede Nahtgeometrie einzeln ausgelegt werden. Ein Machine-Learning-Modell muss für jeden Nahttyp mit Hunderten von Referenzbildern (Gutteile und dokumentierte Fehler) trainiert werden. SPS-Anbindung, Förderanlagenintegration, Validierungsphase parallel zu manueller Prüfung, realistisch 6 bis 12 Monate bis zum ersten vollständig produktiven Einsatz. Wer in drei Monaten eine Lösung braucht, ist hier falsch.

ROI-Sicherheit, hoch (4/5) Anders als bei indirekten Nutzen-Anwendungsfällen ist der Nutzen hier direkt zählbar: Anzahl Reklamationen vorher/nachher, Nacharbeitskosten, Ausschussquote. Das macht den Business Case für Investitionsgespräche deutlich robuster als bei Prozessautomatisierungen, wo Nutzen in “eingesparter Suchzeit” liegt. Einen Stern Abzug gibt es, weil der ROI stark vom Produktionsvolumen abhängt, bei kleinen Losgrößen oder hoher Produktvarietät kann das System seine Kosten nicht einspielen.

Skalierbarkeit, niedrig (2/5) Das ist das wesentliche strukturelle Limit dieser Kategorie: Jede neue Bauteilgeometrie, jeder neue Nahttyp, jeder neue Stahl braucht erneute Kalibrierung und oft Modellretraining. Ein Betrieb mit 50 verschiedenen Schweißkonfigurationen skaliert nicht, er kalibriert immer neu. Wer Serien mit klaren, stabilen Nahtgeometrien hat (klassische Rohrverbindungen, Standardbehälter), skaliert gut. Wer Sondermaschinen baut, kämpft dauerhaft gegen dieses Limit.

Richtwerte, stark abhängig von Produktionsvolumen, Nahtgeometrievielfalt und Anforderung (Druckbehälter vs. allgemeiner Stahlbau).

Was ein KI-Inline-Prüfsystem konkret macht

Das Grundprinzip klingt einfach: Eine Kamera schaut auf die Schweißnaht und entscheidet, ob sie gut oder fehlerhaft ist. In der Praxis ist das ein komplexes Zusammenspiel aus Optik, Beleuchtung, Bildverarbeitung und Modellentscheidung.

Schritt 1, Bilderfassung: Eine oder mehrere Industriekameras nehmen jede Schweißnaht auf, entweder inline direkt nach dem Schweißkopf, oder in einer separaten Prüfstation nach dem Schweißen. 3D-Systeme wie VITRONIC VIRO WSI kombinieren einen Laserprofil-Sensor für Geometriemessung (Nahtbreite, -höhe, Einbrandtiefe) mit einer 2D-Kamera für Oberflächenmerkmale. 2D-Systeme wie Keyence CV-X oder elunic AI.SEE arbeiten rein mit Hellfeldaufnahmen und sind günstiger, haben aber weniger Tiefenauflösung.

Schritt 2, KI-Fehlererkennung: Ein Deep-Learning-Modell bewertet das Bild pixelweise. Es wurde auf Hunderten oder Tausenden von Referenzbildern aus deiner spezifischen Produktion trainiert, nicht auf Bildern aus anderen Betrieben. Poren, Kerben, Spritzer, Einbrandkanten, Nahtunterbrechungen: Das Modell lernt die charakteristischen Bildmerkmale jedes Fehlertyps für dein Material, deine Lichtverhältnisse, deinen Kameraaufbau.

Schritt 3, Bewertung gegen Norm: Das Ergebnis wird gegen die geforderte Bewertungsgruppe nach DIN EN ISO 5817 abgeglichen. Ist die gemessene Porendichte größer als in Gruppe C erlaubt? Überschreitet die Nahtüberhöhung den Grenzwert für Gruppe B? Das System entscheidet, und gibt entweder “IO” (in Ordnung) oder “NIO” mit Fehlerklassifikation und Nahtposition zurück.

Schritt 4, Dokumentation und Rückmeldung: Bei Inline-Systemen am Schweißroboter erfolgt die Rückmeldung sofort: Der Roboter stoppt oder markiert das Bauteil. Bei Post-Weld-Systemen wird das Bauteil für Nacharbeit ausgeschleust. In beiden Fällen entsteht automatisch ein Prüfbericht: Bauteil-ID, Nahtbild, Fehlerklassifikation, Nahtkoordinaten, Zeitstempel, TÜV-kompatibel, revisionssicher.

Was das System nicht kann, und warum das wichtig ist

Ein kamerabasiertes System sieht nur die Nahtoberfläche. Es kann keine:

• Bindefehler erkennen, die unter der Oberfläche liegen
• Warmrisse erkennen, die sich erst beim Abkühlen bilden
• Wurzelfehler bei doppelseitigen Nähten erkennen, wenn die Wurzelseite nicht zugänglich ist

Für diese Fehlerklassen braucht es Ultraschallprüfung (UT) oder Röntgen-/CT-Prüfung. Wer glaubt, mit einer Kamera die komplette ZfP zu ersetzen, unterschätzt das Fehlerspektrum.

Welche Fehlertypen KI sicher erkennt, und welche nicht

Das ist die ehrlichste Frage, die du vor einer Investitionsentscheidung stellen kannst. Die Antwort liegt nicht auf den Produktseiten der Anbieter, aber sie entscheidet über den tatsächlichen Nutzen des Systems in deinem Betrieb.

Sicher erkennbar durch Computer Vision:

• Oberflächenporen, runde Gaseinschlüsse an der Nahtoberfläche ab ca. 0,3 mm Durchmesser; gut erkennbar durch Hellfeldbeleuchtung, Erkennungsrate 95–99 % bei gut kalibriertem Modell (VITRONIC-Angaben; unabhängige Validierung variiert je nach Aufbau)
• Schweißspritzer, klassisches Merkmal, bei dem KI-Modelle von Anfang an auf tausenden Variationen vortrainiert sind
• Einbrandkerben, Unterschreitung der Nahtgeometrie; gut durch 3D-Lasersensor messbar
• Nahtgeometrieabweichungen, Breite, Höhe, Winkel; vollständig quantifizierbar per 3D-Messung
• Nahtunterbrechungen und fehlende Nähte, robustester Fall; selbst einfache Systeme erkennen das zuverlässig

Schwierig, aber mit ausreichend Trainingsdaten möglich:

• Oberflächenrisse, erkennbar, aber erfordert hohe Bildauflösung, gute Beleuchtung und viele Trainingsbeispiele; kleine Heißrisse können dem Modell entgehen
• Porengruppen und Porenzeilen, erkennbar, aber Bewertung gegen ISO-5817-Grenzwerte (maximale Porendichte, Verteilungsmuster) ist aufwändig zu parametrieren
• Unregelmäßige Nahtoberfläche, bei MIG/MAG mit wechselnden Drahtgeschwindigkeiten kann das Modell normale Varianz von echten Fehlern schlecht trennen, bis ausreichend Trainingsdaten vorliegen

Nicht erkennbar durch Kamerasysteme:

• Bindefehler (Lack of Fusion), unterhalb der Oberfläche, für Sichtprüfung grundsätzlich nicht zugänglich
• Innenliegende Poren, nur durch UT oder Röntgen detektierbar
• Warmrisse, entstehen beim Abkühlen, oft unter der Oberfläche
• Wurzeldurchhang / Wurzelrisse, bei einseitig zugänglichen Nähten

Praktische Konsequenz: Für Druckbehälter nach AD 2000, ASME VIII oder Apparate nach PED 2014/68/EU reicht Kamerainspektion allein nicht als zerstörungsfreies Prüfverfahren. Sie ergänzt UT und RT, sie ersetzt sie nicht. Wer das System als Ergänzung zur ZfP positioniert (Vollabdeckung der Sichtprüfung, automatische Dokumentation), argumentiert realistisch. Wer ZfP-Kosten durch Kamerainvestition einsparen will, hat die Fehlerspezifik nicht verstanden.

Kalibrierung auf neue Schweißnahtgeometrien: Der unterschätzte Aufwand

Das ist der Punkt, der in fast jeder Vertriebspräsentation fehlt, und der in der Praxis über Erfolg oder Scheitern des Projekts entscheidet.

Jeder neue Nahttyp braucht ein neues oder angepasstes Modell. Das bedeutet konkret:

Datenbeschaffung: Für jeden Nahttyp (Kehlnaht 4 mm, Kehlnaht 8 mm, Stumpfstoß V-Naht, HV-Naht usw.) braucht das Modell 200–500 Bilder je Klasse, Gutteile und Fehlteile mit dokumentierten Fehlern. Woher kommen die Fehlerbilder? Aus der laufenden Produktion, das heißt, du musst Wochen oder Monate warten, bis du genug dokumentierte Fehler aus deiner Linie gesammelt hast. Bei selten auftretenden Fehlertypen kann das Monate dauern.

Kalibrierung: Kameraposition, Beleuchtungswinkel und -intensität müssen für jeden Nahttyp und jede Bauteilgeometrie separat eingestellt werden. Ein Wechsel vom Behälterstutzen (rund, enge Geometrie) zur Flanschverbindung (flach, breit) kann eine vollständige Neukalibrierung erfordern.

Materialwechsel: Ein neuer Stahl (andere Legierung, andere Oberflächenbeschaffenheit nach dem Schweißen) kann Falsch-Positiv-Raten sprunghaft erhöhen, weil das Modell die veränderte Reflektivität oder Nahtfarbe als “Abweichung” wertet. Dann beginnt der Trainingszyklus von vorn. Für Betriebe mit 3–5 Stahlsorten kein Problem; für Lohnfertiger mit 20+ Materialien ein dauerhafter Pflege-Overhead.

Schweißprozessänderungen: Wenn der Drahtdurchmesser, die Schutzgaszusammensetzung oder die Stromkurve geändert wird, ändert sich das Nahtbild, auch wenn keine echten Fehler entstehen. Das Modell “sieht” diese Veränderung als Abweichung. Ergebnis: Falsch-Positiv-Flut bis zum nächsten Retraining.

Die Faustregel aus der Praxis: Für einen Betrieb mit 5–10 stabilen Nahtgeometrien ist der Initialaufwand einmalig und überschaubar. Für einen Sondermaschinenbauer mit 30+ wechselnden Nahtprofilen pro Quartal wird das System zu einem Dauerprojekt, dessen laufende Kosten den Nutzen aufzehren können.

Plane beim Systemkauf explizit: Wer im eigenen Betrieb trainiert und retraint? Was kostet Retraining beim Anbieter? Wie lange dauert es? Wenn diese Fragen nicht in der Vertragsdiskussion auftauchen, hole sie aktiv herein.

Konkrete Werkzeuge, was wann passt

Es gibt erhebliche Unterschiede zwischen den Systemen, in Preis, Ansatz und Eignung für verschiedene Betriebstypen im Maschinenbau.

VITRONIC VIRO WSI, Das Referenzsystem für Automotive und gehobenen Maschinenbau. Roboter mit 3D-Lasersensor fährt alle Nähte ab, misst Geometrie und Oberfläche in einem Durchlauf, Auflösung bis 0,0125 mm. Mehr als 30 Jahre Praxiserfahrung, vortrainierte Modelle für Schweißspritzer, direkter Weg zu TÜV-kompatibler Prüfdokumentation. Kosten: ab ca. 150.000 € für eine vollständige Roboter-Integration aufwärts. Sinnvoll ab ca. 5.000+ Nähten täglich und stabilen Geometrien. Für Automotive-Zulieferer mit Volumenproduktion erste Wahl.

elunic AI.SEE, Deutsche Lösung mit EU-Datenhaltung, speziell auf Mittelstand zugeschnitten. Arbeitet auf Standardkameras (kein proprietäres Hardware-Ökosystem), damit günstiger bei bestehender Kamerainfrastruktur. Typisches Gesamtprojekt: 80.000–130.000 € Erstinvestition. Für Druckbehälter- und Apparatebauer mit mittlerem Volumen (500–3.000 Nähte/Tag) und EU-Datenhaltungsanforderung empfehlenswert.

Cognex VisionPro Deep Learning, Flexibel und sehr ausgereift, aber proprietäre Hardware. Stärke liegt in der tiefen Integration mit bestehender Cognex-Bildverarbeitung (Barcode-Lesen, Maßkontrolle parallel zur Schweißnahtprüfung). Für Betriebe, die bereits Cognex-Systeme einsetzen, lohnt sich die Erweiterung. Kosten variieren stark je nach bestehender Infrastruktur.

Keyence CV-X, Pragmatischster Einstieg für Mittelstand ohne eigene CV-Abteilung. Kostenloser Vor-Ort-Test mit Leihgerät, GUI-basierte Konfiguration, keine Programmierkenntnisse für Standardfälle nötig. Eignet sich gut als Proof of Concept, bevor in ein Vollsystem investiert wird. KI-Tiefe geringer als bei Cognex oder VITRONIC, für einfache bis mittlere Nahttypen ausreichend, für komplexe Fehlermuster an Grenzen.

Landing AI LandingLens, Cloud-basierter No-Code-Ansatz, der sich für Pilotprojekte eignet, um überhaupt erst zu klären, ob KI-Sichtprüfung für die eigenen Nahttypen funktioniert. Kein US-Datentransfer vertraulicher Fertigungsdaten empfehlenswert für regulierte Anwendungen. Für erste Machbarkeitstests geeignet, für Produktivbetrieb in Druckbehälterbau nicht.

Zusammenfassung: Wann welcher Ansatz

• Automotive, hohes Volumen, Roboterschweißen → VITRONIC VIRO WSI
• Druckbehälter, Apparatebau, Mittelstand, EU-Daten → elunic AI.SEE
• Bereits Cognex im Haus → Cognex VisionPro erweitern
• Einstieg ohne CV-Expertise → Keyence mit kostenlosem Vor-Ort-Test
• Machbarkeitsstudie zuerst → Landing AI LandingLens als POC

DIN EN ISO 5817 und automatisierte Prüfberichte: Was das System dokumentiert

Für viele Betriebe im Druckbehälterbau, Apparatebau und Stahlbau ist der Prüfbericht kein Nice-to-have, er ist Voraussetzung für die Abnahme. TÜV-Gutachter, Abnahmeprüfstellen nach PED 2014/68/EU und Kundenaudits verlangen lückenlose Dokumentation der Qualitätsprüfung.

Ein gut implementiertes KI-System kann folgendes automatisch bereitstellen:

• Prüfprotokoll je Bauteil: Bauteil-ID (oder Seriennummer), Datum, Prüfer (System-ID), alle geprüften Nähte mit Ergebnis (IO/NIO), Fehlerklassifikation nach DIN EN ISO 6520
• Fehlerbild-Archiv: Jeder erkannte Fehler mit Nahtfoto, Fehlerklasse, Position auf dem Bauteil (x/y-Koordinaten oder Nahtnummer), gemessenem Wert vs. Grenzwert nach Bewertungsgruppe
• Statistische Auswertung: Ausschussquoten pro Nahttyp, Schweißer oder Schicht, die Basis für systematische Prozessverbesserung

Was das System nicht alleine leisten kann: Die formale Abnahme durch eine anerkannte Prüfstelle ersetzt es nicht. Ein ZfP-Prüfer oder ein leitender Schweißfachmann (SFI/SFE) muss die Systementscheidungen formal verantworten und ggf. stichprobenartig validieren. Das System produziert Prüfdaten, die formale Prüfverantwortung nach DIN EN ISO 9001 oder einer zugehörigen Verfahrensanweisung bleibt beim Menschen.

Technisch wichtig: Damit die automatisch generierten Prüfberichte TÜV-kompatibel sind, muss das System bei der Einführung durch eine qualifizierte Person (SFE oder anerkannte Prüfstelle) validiert und freigegeben werden. Ohne diese Validierung sind automatische Prüfberichte in regulierten Bereichen wertlos.

Datenschutz und Datenhaltung

DSGVO-Risiken sind bei Fertigungsinspektionssystemen im engeren Sinne gering: Das System fotografiert Schweißnähte, keine Personen. Ein klassischer Auftragsverarbeitungsvertrag (AVV) nach Art. 28 DSGVO wird nur relevant, wenn Bauteilbilder und Qualitätsdaten an einen Cloud-Anbieter übertragen werden.

Für regulierte Branchen (Druckbehälter, Apparatebau) ist der eigentlich relevante Punkt nicht der Datenschutz, sondern die Datensouveränität: Wo liegen die Prüfdaten? Können Kunden- oder Zertifizierungsstellen auf sie zugreifen? Wer darf die Prüfberichte sehen?

Empfehlung nach Systemtyp:

• VITRONIC VIRO WSI: Verarbeitung und Speicherung vollständig lokal on-premises, kein Cloud-Pflichtbetrieb. Datensouveränität beim Betreiber. Fernwartungszugriff über gesichertes VPN, sollte vertraglich geregelt sein.
• elunic AI.SEE: EU-Datenhaltung, deutsches Unternehmen. Bei Cloud-Anbindung für Modellretraining AVV mit elunic empfehlenswert.
• Cognex VisionPro: Lokale Verarbeitung Standard, optionale Cloud-Konfiguration separat bewertet.
• Keyence CV-X: Vollständig lokal. DSGVO-Risiko minimal.
• Landing AI LandingLens: US-Hosting, für Produktionsdaten aus regulierten Anwendungen nicht zu empfehlen.

Wichtig für Druckbehälter- und Apparatebauer: Prüfberichte nach PED oder AD 2000 müssen für die vereinbarte Aufbewahrungsfrist (typisch 10 Jahre) zugänglich und unveränderbar gespeichert sein. Das muss beim Systemkauf in die Architektur eingeplant werden, nicht nachträglich.

Was es kostet, realistisch gerechnet

Die ehrlichste Kostendarstellung geht von drei Szenarien aus:

Szenario A, Mittelstand, Post-Weld-Station, 2D-System

• Hardware (Kamera, Beleuchtung, Rechner, Handling): 30.000–50.000 €
• Software-Lizenzen: 20.000–30.000 €
• Integration, Inbetriebnahme, Modelltraining: 25.000–40.000 €
• Gesamtinvestition: 75.000–120.000 €
• Jährliche Betriebskosten (Lizenzen, Retraining, Support): 15.000–25.000 €
• Quelle: elunic-Projektkalkulation, Stand April 2026

Szenario B, Automobilzulieferer, Inline mit Roboter, 3D-System

• Hardware inkl. Roboter-Integration: 80.000–150.000 €
• Software: 30.000–60.000 €
• Integration und Inbetriebnahme: 40.000–80.000 €
• Gesamtinvestition: 150.000–290.000 €
• Jährliche Betriebskosten: 25.000–40.000 €

ROI-Rechnung (konservativ, Szenario A):

Ein Betrieb mit 180 Arbeitstagen/Jahr und durchschnittlich 2 Reklamationen/Monat à 20.000 € Folgekosten (Transport, Nacharbeit, Kundenverzug):

• Vorher: 24 × 20.000 € = 480.000 € Reklamationskosten/Jahr
• Angenommene Reduktion durch Inline-Prüfung: 70 % → eingesparte Kosten: 336.000 €/Jahr
• Gesamtinvestition (Szenario A, Mitte): 100.000 €
• Amortisation: unter 4 Monate (im Volllastbetrieb)

Das ist das Best-Case-Szenario. Ein realistischerer konservativer Ansatz: 1 Reklamation/Monat verhindert, à 15.000 € → 180.000 €/Jahr Einsparung → Amortisation nach 7–10 Monaten.

Wer das System vor allem für die Prüfberichtautomatisierung einsetzen will (keine kritischen Fehler, aber Dokumentationslast hoch): Rechne mit 2.000–4.000 € gesparter manueller Prüfzeit pro Monat → Amortisation in 3–4 Jahren. Das rechtfertigt die Investition nur, wenn andere Vorteile hinzukommen.

Wie du den Nutzen tatsächlich misst: Definiere vor der Einführung messbare Baseline-Werte: Anzahl Reklamationen/Monat, durchschnittliche Nacharbeitskosten/Monat, Prüfzeit manuell in Minuten/Bauteil. Messe nach 6 und nach 12 Monaten. Ohne Baseline ist kein valider ROI-Nachweis möglich, und das ist relevant für das nächste Investitionsgespräch.

Drei typische Einstiegsfehler

1. Das System wird als kompletter ZfP-Ersatz verkauft, und ist es nicht. Der häufigste Fehler: In der Kaufentscheidung kommuniziert der Anbieter Erkennungsraten von 97–99 %, und der Einkauf schließt daraus, dass manuelle ZfP-Prüfungen reduziert werden können. Bei Druckbehältern und Apparaten nach PED oder AD 2000 ist das schlicht nicht zulässig, Ultraschall- und Röntgenprüfung bleiben für die Bewertungsgruppe B Pflicht, unabhängig davon, was das Kamerasystem meldet. Kläre vor dem Kauf: Welche ZfP-Verfahren bleiben Pflicht, und wo ergänzt die Kamera sinnvoll?

2. Zu wenige Trainingsdaten, zu schnell live gegangen. Das Modell wird mit 80 Gutteilen und 30 Fehlteilen trainiert, ein Werksleiter ist begeistert, die Einführung erfolgt nach zwei Wochen. Sechs Wochen später häufen sich Falsch-Positiv-Meldungen (das System stoppt Linien für einwandfreie Nähte) oder, schlimmer, Falsch-Negativ-Fälle (Fehler werden nicht gemeldet). Ergebnis: das Team vertraut dem System nicht mehr, es wird abgestellt. Regel: Mindestens 200 Bilder je Fehlerklasse, parallele Validierungsphase von 4–8 Wochen, bevor das System autonom entscheidet.

3. Niemand ist zuständig für Modellpflege. Das ist der gefährlichste Fehler, weil er still passiert. Das System läuft, liefert gute Ergebnisse, alle sind zufrieden. Sechs Monate später wird ein neuer Schweißzusatz eingeführt. Die Nahtoberfläche sieht minimal anders aus. Die Falsch-Positiv-Rate steigt von 2 % auf 12 %, aber niemand bemerkt es systematisch, weil die Prüfer inzwischen gelernt haben, die häufigen NIO-Meldungen zu ignorieren (“das ist immer so”). Das System ist jetzt ein Dummy, es läuft, aber seine Entscheidungen werden nicht mehr ernst genommen.

Wer zuständig ist, Modellperformance monatlich zu überprüfen? Das muss bei der Einführung benannt werden, nicht irgendwann.

Was mit der Einführung wirklich passiert, und was nicht

Die Technik ist lösbar. Die drei Widerstände, die fast jede Einführung begleiten, sind es auch, wenn man sie kennt.

Widerstand 1: Der erfahrene Schweißfachmann. “Das System versteht nicht, was ich sehe. Es meldet Fehler, die keine sind.” Dieser Widerstand ist berechtigt, in der Anfangsphase. Er entsteht, weil das Modell noch nicht gut genug kalibriert ist. Der Weg aus diesem Widerstand: Den Schweißfachmann nicht als Gegner positionieren, sondern als Experten für das Trainingsdaten-Labeling. Er entscheidet, welche Bilder als “Fehler” gelabelt werden, das Modell lernt von seinem Urteil. Wer das System mitgebaut hat, verteidigt es.

Widerstand 2: Die Angst vor Transparenz. Ein automatisches Prüfsystem macht sichtbar, was vorher unsichtbar war: In welcher Schicht treten mehr Fehler auf? Bei welchem Schweißer häufen sich bestimmte Fehlertypen? Das sind legitime Fragen, aber sie erzeugen Unbehagen, wenn die Daten plötzlich da sind. Kommuniziere klar, wie die Daten genutzt werden: für Prozessverbesserung, nicht für personenbezogene Leistungsbeurteilung. Das muss vor dem Start kommuniziert werden.

Widerstand 3: Die anfänglichen Falsch-Positiv-Meldungen. Wenn das System in den ersten Wochen jede zweite Naht als “verdächtig” markiert, wird es nicht genutzt. Lieber einen konservativen Schwellwert setzen (weniger Meldungen, möglicherweise mehr Fehler durch) und dann schrittweise präziser werden, als das Team mit Fehlalarmen zu überfluten.

Was konkret hilft:

• Schulung des Prüfpersonals nicht als “KI erklärt was sie tun”, sondern als “ihr erklärt der KI was ihr wisst”
• 90-tägige Pilotphase mit klar definierten Erfolgskriterien
• Monatliche Prüfung der Modellperformance mit Anbieter und eigenem Team
• Fehlerberichte als Lernchance kommunizieren, nicht als Anklage

Realistischer Zeitplan mit Risikohinweisen

Realitätscheck: Der Zeitplan setzt voraus, dass Schweißfehler-Bilder aus der laufenden Produktion gesammelt werden können. Wer bisher kein systematisches Fehlerbildarchiv hat, startet oft drei Monate später als geplant.

Häufige Einwände, und was dahintersteckt

„Das können wir uns nicht leisten.” Eine Investition von 80.000–130.000 € ist für viele Mittelständler erheblich, und berechtigt kritisch zu hinterfragen. Die richtige Gegenfrage: Was kostet euch eine einzige Reklamation, die ihr heute nicht verhindern könnt? Wenn die Antwort “15.000–50.000 €” lautet, rechnet sich die Investition nach 3–8 Vorfällen. Wenn die Antwort “2.000 €” lautet, rechnet sie sich wahrscheinlich nicht. Das ist eine ehrliche Rechnung, nicht jeder Betrieb braucht dieses System.

„Unsere Schweißer sind qualifiziert, die sehen Fehler.” Das stimmt für viele Fehler. Aber keine qualifizierte Sichtprüfung kann 100 % Nahtabdeckung bei 3.000 Nähten täglich leisten. Die Frage ist nicht Qualifikation, sondern Kapazität. Ein System, das 100 % prüft und dokumentiert, macht qualifizierte Schweißfachleute besser, es ersetzt sie nicht.

„Das System meldet auch Gutteile als Fehler.” Ja, das wird passieren, besonders in der Anfangsphase. Die technische Frage ist, wie viel Falsch-Positiv-Rate akzeptabel ist. 2 % bedeutet: Von 500 Nähten täglich werden 10 einwandfreie Nähte zur manuellen Nachkontrolle ausgeschleust. Das ist handhabbar. 15 % bedeutet: Jede siebte Naht wird unnötig gestoppt, das lähmt die Linie. Die Kalibration des Schwellwerts ist Chefsache, keine technische Nebensache.

„Wir brauchen das für die Norm ohnehin nicht.” Das ist für allgemeinen Stahlbau (Bewertungsgruppe D) möglicherweise korrekt. Für Druckbehälter nach PED, Aufzüge, Krantragwerke, sicherheitskritische Schweißbaugruppen ist es eine Aussage, die du überprüfen solltest, und zwar bevor der nächste Kunde reklamiert.

Woran du merkst, dass das zu dir passt

• Ihr schweißt mindestens 1.000 bis 2.000 Nähte pro Tag an stabilen, wiederholenden Geometrien (Serienproduktion, nicht Einzelanfertigung)
• Ihr habt in den letzten zwei Jahren Reklamationen wegen Schweißnahtfehlern gehabt, mehr als eine pro Quartal
• Ihr müsst lückenlose Prüfdokumentation nachweisen, TÜV-Abnahme, DIN EN ISO 5817 Bewertungsgruppe B oder C, PED-Konformität
• Eure Prüfressourcen (SFE, ZfP-Prüfer) sind ein Engpass, mehr Volumen geht nur mit mehr Prüfkapazität, es sei denn, ihr automatisiert
• Ihr habt stabile Materialien und Schweißprozesse, keine wöchentlich wechselnden Stähle oder Verfahren

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

1. Unter 500–800 Schweißnähten täglich oder überwiegend Einzelstücke (Sondermaschinen, Einzelanfertigungen). Der Kalibrierungs- und Trainingsaufwand übersteigt den Nutzen bei kleinen Stückzahlen. Für einen Werkzeugmaschinenbauer, der 20 verschiedene Maschinen pro Jahr baut, lohnt sich die Investition nicht.

2. Kein dokumentierter Fehlerkatalog und keine archivierten Prüfbilder. Ohne historische Fehlerbilder ist kein Modell trainierbar. Wer von Null startet, braucht 6–12 Monate allein für die Trainingsdatenbeschaffung. Beginne dann mit manuellem Bildarchiv und systematischer Fehlerdokumentation, das KI-System kommt danach.

3. Sehr hohe Produktvarietät (30+ verschiedene Nahtgeometrien pro Quartal) ohne dediziertes Retraining-Budget. Jede neue Geometrie kostet Kalibrierungszeit und Trainingsdaten. Wer das nicht als laufende Aufgabe eingeplant hat, bekommt nach 12 Monaten ein System, das für die ursprünglichen Geometrien gut funktioniert und für alle neueren schlechte Erkennungsraten hat.

Das kannst du heute noch tun

Bevor du auch nur ein Angebot einholst: Erstelle in den nächsten zwei Wochen eine ehrliche Baseline.

Zähle für einen repräsentativen Monat: Wie viele Reklamationen wegen Schweißnahtfehlern hat dein Betrieb erhalten? Was haben sie jeweils gekostet (Nacharbeit, Transport, Kundenverzug, Mehraufwand)? Wie viel Zeit verbringt dein Prüfpersonal täglich mit Sichtprüfung und Prüfberichterstellung?

Diese Zahlen sind der eigentliche Business Case, nicht die Hochglanz-ROI-Berechnungen der Anbieter.

Wenn du dann ein erstes Gespräch mit einem Anbieter führst, kannst du diesen Prompt als Vorbereitung nutzen:

Quellen & Methodik

• TKMS / CAU Kiel KI-Schweißnahtprüfung: Pressemitteilung Schleswig-Holstein, Januar 2025, Förderbescheid 200.000 € für KI-gestützte visuelle Schweißnahtprüfung; thyssenkrupp Marine Systems und CAU Kiel kooperieren auf Basis von TKMS-Datenpool. (Schleswig-Holstein Pressemitteilung, 09.01.2025)
• Kosten KI-Qualitätskontrolle: elunic AG, „Was kostet KI-Qualitätskontrolle wirklich?” (2026), Breakdown: Hardware 40k €, Softwarelizenzen 25k €, Integration 30k €, Gesamt 95k €, TCO 5 Jahre 220k €. (elunic.com)
• Erkennungsrate und Fehlklassifikation: VITRONIC, Blogartikel „Schweißnahtprüfung mit KI”, CNN-Modelle, vortrainiert auf 50.000+ Spritzervariationen; Probabilistik-Hinweis zu Pseudofehlern und Schwellwert-Tradeoffs. (vitronic.com)
• Failure modes in production AI inspection: Edge AI and Vision Alliance, „What Happens When the Inspection AI Fails” (Februar 2026), dokumentierte Fälle bei Foxconn, Toyota, Samsung; 34 % Fehlerquote bei schlecht kalibrierten Systemen. (edge-ai-vision.com)
• Retraining-Aufwand bei Materialwechsel: Oxmaint / ScienceDirect Review „Data-driven AI methods for real-time welding defect diagnosis” (2026), für neue Stahlsorte bei ähnlichen Fehlerklassen: 50–200 neue Beispiele, 1–2 Tage Retraining; vollständig neues Produktszenario: 2–4 Wochen Datenbeschaffung + 1–2 Wochen Modellentwicklung.
• DIN EN ISO 5817: Aktuelle Fassung 2014-06. Bewertungsgruppen B (hohe Anforderung), C (mittlere), D (geringe) für Schmelzschweißverbindungen an Stahl, Nickel, Titan und deren Legierungen.
• Preisangaben Systeme: elunic AG (eigene Projektkalkulationen, Stand April 2026); VITRONIC (Marktrichtwerte aus öffentlicher Kommunikation, Listenpreise nicht verfügbar); Cognex, Keyence: Tool-DB ki-syndikat.de (April 2026).

Du willst wissen, ob ein Inline-System für eure spezifischen Nahttypen und euer Volumen wirtschaftlich ist, und von wem ihr ein ehrliches Angebot bekommt? Meld dich, das klären wir in einem kurzen Gespräch.