Werkzeugverschleiß-Mustererkennung (Akustik)

Das echte Ausmaß des Problems

In einem typischen mittelständischen Zerspanungsbetrieb mit zehn CNC-Maschinen und einer Jahresproduktion von 80.000 Teilen entfallen schätzungsweise 3–7 Prozent der Gesamtfertigungskosten auf Werkzeugkosten. Davon werden nach Schätzungen aus der Praxis 15–25 Prozent verschwendet — durch Frühwechsel bei noch brauchbarem Werkzeug oder durch Ausschuss, der entsteht, weil ein Werkzeug länger als sinnvoll im Einsatz bleibt.

Das klingt abstrakt. Konkret bedeutet das:

• Frühwechsel: Eine Wendeschneidplatte mit theoretischen 100 Teilen Standzeit wird nach 70 Teilen gewechselt, weil der Schichtführer auf Nummer sicher gehen will. 30 Prozent Reststandzeit landen im Ausschussbehälter — bezahlte Schneidfähigkeit, ungenutzt.
• Spätwechsel: Eine Platte, die nach 80 Teilen bereits Verschleißanzeichen zeigt, läuft bis zum Intervall bei 100. Die letzten 15 Teile haben Maßabweichungen, die erst in der Qualitätssicherung auffallen.
• Werkzeugbruch in unbemannten Schichten: Kleinstbohrer unter 3 mm brechen ohne Vorwarnung. In einer Nachtschicht ohne Personal läuft die Maschine am gebrochenen Bohrer weiter — mit Sachschaden im vierstelligen Bereich.

Hinzu kommt der organisatorische Aufwand: Ein erfahrener Einrichter erkennt Verschleiß oft am Klang und am Spanbruch. Dieses Wissen ist personengebunden, nicht transferierbar und fällt weg, wenn die Person in Urlaub ist. Laut einer Auswertung im Fachmagazin IT&Production (2022) schätzen mittelständische Zerspanungsbetriebe ihren Ausschuss durch Werkzeugprobleme auf 2–6 Prozent der Jahresfertigung — eine Zahl, die sich fast vollständig mit zuverlässiger Zustandsüberwachung adressieren ließe.

Mit vs. ohne KI — ein ehrlicher Vergleich

¹ Wert bei eingespieltem System nach abgeschlossener Einlernphase; in der Anlaufphase und bei Materialwechsel höher.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5)
Der Hauptnutzen liegt nicht in eingesparten Arbeitsstunden, sondern in verhinderten Ausfallzeiten. Eine einzelne Alarm-ausgelöste Maschinenstopp-Vermeidung spart nicht eine Stunde Sucharbeit, sondern zwei bis vier Stunden ungeplanten Stillstand plus Nacharbeitsaufwand. In Betrieben, die heute manuelle Werkzeugzustandskontrolle durch Einrichter fahren, spart das System 20–45 Minuten je Maschine und Schicht an manuellen Prüfgängen. Das ist real — aber nicht der dominante Nutzenkanal. Verglichen mit Dokumentationsautomation oder KI-gestützter Angebotserstellung, die direkte Bürostunden einsparen, ist der Zeiteffekt hier indirekter.

Kosteneinsparung — hoch (4/5)
Das ist der Kern-ROI. Wer heute bei 70–80 Prozent Standzeit wechselt, kann durch bedarfsorientierte Wechsel 15–30 Prozent Werkzeugkosten sparen — bei einem Betrieb mit 50.000 Euro Jahreswerkzeugbudget sind das 7.500–15.000 Euro direkte Einsparung. Dazu kommt die Ausschussreduktion: Jedes verhinderte Ausschussteil aus Verschleißdurchläufern hat einen Materialwert, einen Maschinenstundenwert und häufig einen Terminverlust. Diese Kostenposition ist messbar — du zählst Werkzeugwechsel und Ausschussteile vor und nach der Implementierung. Damit ist dieser Anwendungsfall einer der wenigen im Maschinenbau, bei dem sich der ROI direkt in der Finanzbuchhaltung nachverfolgen lässt.

Schnelle Umsetzung — mittel (3/5)
Der Sensor ist in einem Arbeitstag montiert — kein Maschinenumbau, keine CNC-Modifikation. Das Modell braucht 2–4 Wochen Einlernphase mit Gutteilen, bevor es zuverlässig unterscheidet. Hinzu kommen Schwellwert-Validierung und gegebenenfalls CNC-Integration. Realistischer Zeitrahmen bis zum produktiven Pilotbetrieb an einer Maschine: 4–8 Wochen. Das ist schneller als ein vollständiges IIoT-Rollout — aber langsamer als SaaS-Anwendungen, die in einem Tag laufen. Zur Einordnung: Predictive Maintenance auf Anlagenebene braucht typischerweise 3–6 Monate für den ersten Piloten; akustische Werkzeugüberwachung ist deutlich agiler.

ROI-Sicherheit — mittel (3/5)
Der ROI ist messbar und real — aber vom Modell-Kalibrierungserfolg abhängig. Ein Modell mit zu vielen Fehlalarmen erzeugt unnötige Wechsel und kostet mehr als es spart. Ein Modell mit zu wenigen Alarmen schützt nicht. Die Erfahrung aus der Praxis zeigt: In der Einlernphase sind Fehlalarmraten von 10–30 Prozent normal — das Modell lernt noch. Nach 6–8 Wochen Betrieb sollte die Fehlalarmrate unter 5 Prozent liegen. Das Risiko: Wer bei den ersten Fehlalarmen das System abschaltet, kommt nie in den ROI-Bereich. Wer die Einlernphase durchhält und systematisch validiert, bekommt verlässliche Zahlen.

Skalierbarkeit — unter dem Schnitt (2/5)
Jede Maschine braucht einen eigenen Sensor und typischerweise ein eigenes Modell — denn Verschleißsignaturen hängen von Spindeltyp, Werkzeuggeometrie, Material und Maschinendynamik ab. Ein Modell, das auf einer DMG Mori funktioniert, ist nicht direkt auf eine Mazak übertragbar. Die Kosten skalieren damit annähernd linear mit der Maschinenzahl. Das ist fundamentaler Unterschied zu Software-SaaS-Produkten, die mit mehr Nutzern kaum teurer werden. Mittelfristig bieten Plattformen wie Siemens Industrial Edge Transfer-Learning-Ansätze, bei denen ein Basismodell maschinentypabhängig verfeinert wird — aber diese sind noch nicht Standard.

Richtwerte — stark abhängig von Maschinentyp, Werkzeugspektrum und Anteil manuell gefertigter Sonderteile.

Was das System konkret macht

Das Grundprinzip ist alt, die Umsetzung neu. Erfahrene Einrichter wissen seit Jahrzehnten: Ein stumpfes Werkzeug klingt anders als ein scharfes. Vibrationsfrequenz, Körperschall und Spindelleistung verändern sich mit zunehmendem Verschleiß — messbar, reproduzierbar, lernbar.

Ein akustisches Werkzeugüberwachungssystem macht daraus eine maschinell auswertbare Messung:

Datenerfassung: Ein piezoelektrischer Körperschallsensor, montiert auf dem Spindelgehäuse oder dem Werkzeughalter, misst hochfrequente Schwingungen im Bereich von 50 bis 500 kHz. In diesem Frequenzbereich sind die Verschleißsignaturen am deutlichsten — und am besten von Umgebungsgeräuschen trennbar. Das Signal wird mit 20.000–100.000 Abtastungen pro Sekunde erfasst, in Echtzeit ausgewertet.

Signalverarbeitung: Die Rohdaten werden einer Frequenzanalyse unterzogen — Fast Fourier Transform (FFT) oder Wavelets extrahieren charakteristische Merkmalsvektoren. Aus dem Zeitverlauf entstehen Features wie Root Mean Square (RMS), Kurtosis und dominante Frequenzbänder. Diese Merkmale beschreiben den aktuellen Zustand der Schneide numerisch.

Machine Learning-Modell: In der Einlernphase nimmt das System Signale von nachweislich guten Werkzeugen auf. Ein Klassifikationsmodell — häufig Random Forest, Support Vector Machine oder ein neuronales Netz — lernt: “So klingt ein neues Werkzeug, so ein 50-Prozent-verschlissenes, so kurz vor dem Bruch.” Akademische Studien (MDPI, 2024) belegen für Random-Forest-Modelle auf kombinierten Kraft-Akustik-Daten Vorhersagegenauigkeiten von bis zu 94 Prozent für den Verschleißzustand.

Ausgabe: Das Modell liefert kontinuierlich eine Zustandsbewertung — “Werkzeug in Ordnung”, “Verschleiß erhöht”, “Wechsel empfohlen”, “Werkzeugbruch”. Je nach Konfiguration stoppt die Maschine automatisch, sendet eine Benachrichtigung ans Bediener-Panel oder protokolliert den Zustand für die nächste Inspektion.

Sensorik und Montage: Der entscheidende erste Schritt

Wo der Sensor sitzt, entscheidet maßgeblich darüber, ob das System funktioniert. Das ist kein Detail — es ist die technische Grundlage für alles Folgende.

Drei Montagepositionen, drei Kompromisse:

Spindelgehäuse: Die häufigste und praktischste Wahl. Der Sensor wird auf das äußere Gehäuse der Motorspindel aufgeschraubt — keine Maschinenmodifikation, keine Werkzeughalter-Anpassung. Vorteil: nachrüstbar in einer Stunde. Nachteil: Das Signal läuft durch mehrere Maschinenteile und verliert Hochfrequenzanteile. Für Standard-Zerspanungsprozesse (Drehen, Fräsen ab 8 mm Werkzeugdurchmesser) ausreichend.

Werkzeughalter-integriert: Der Sensor sitzt direkt im Werkzeughalter, möglichst nah an der Schnittzone. Deutlich besseres Signal-Rausch-Verhältnis, aber: Jeder Werkzeugwechsel erfordert entweder einen Sensor-integrierten Halter oder ein Telemetrie-System für rotierende Teile. Für Hochpräzisions-Anwendungen oder fragile Werkzeuge unter 3 mm sinnvoll.

Werkstückaufspannung: Der Sensor misst die Körperschallübertragung ins Werkstück. Nützlich, wenn der Sensor nicht nahe an die Spindel kann — etwa bei Langdrehmaschinen. Signal ist stark werkstückmaterial- und geometrieabhängig, erfordert aufwändigere Kalibrierung.

Das Übersprechen-Problem in Mehrmaschinen-Hallen:

In Hallen mit mehreren gleichzeitig arbeitenden Maschinen überlagern sich Körperschallsignale. Maschine 3 fräst Alu, Maschine 4 dreht Stahl, Maschine 5 bohrt Guss — alle Signale reisen durch den Maschinenfußboden und können von Sensoren benachbarter Maschinen empfangen werden. Ergebnis: erhöhte Fehlalarmrate, weil das Modell auf fremde Prozesssignale reagiert.

Abhilfe: Schwingungsdämpfer unter der Maschine, Sensormontage möglichst nah an der Spindel (kurzer Signalweg), und zeitliche Synchronisation (das Modell wertet nur aus, wenn diese Spindel aktiv ist). Systeme wie Montronix berücksichtigen die Spindel-Ein/Aus-Signale aus der CNC-Steuerung als Masking-Layer — Auswertung nur während tatsächlichem Schnitt.

Kühlmittel und Sensor-Drift:

Piezoelektrische Sensoren sind temperaturempfindlich. Kühlmittel verändert die Temperatur im Spindelbereich messbar. Gut ausgewählte Industriesensoren (IP67-Schutz, keramische Schutzkappe) sind dafür ausgelegt — aber eine Kontrolle der Sensor-Baseline nach Kühlmittelwechsel oder Temperaturänderungen gehört zur Wartungsroutine.

Konkrete Werkzeuge — was wann passt

Montronix — wenn du eine spezialisierte Körperschall-Lösung für Zerspanung suchst
Das Münchner Unternehmen bietet steuerungsunabhängige Systeme für FANUC-, Siemens- und Heidenhain-Maschinen. Besondere Stärke: Die lernfähige KI erkennt Verschleißmuster ohne manuelle Schwellwert-Konfiguration. Probeinstallation an einer Maschine ab ca. 700 Euro. Vollsystem je Maschine typisch 2.000–6.000 Euro. Empfehlenswert als Einstieg für kleinere Betriebe mit ein bis fünf Maschinen, die keinen eigenen ML-Entwickler beschäftigen.

Siemens Industrial Edge — wenn du SINUMERIK-Maschinen hast und eine Plattform willst
Für Betriebe mit Siemens SINUMERIK 840D oder One CNC ist der Weg über Industrial Edge der tiefste: Spindellastsignale, NC-Achsdaten und externe Körperschallsensoren werden auf dem Edge Device lokal verarbeitet. Der “AI Inference Server” als App führt ONNX-Modelle direkt an der Maschine aus — keine Cloud-Latenz. Einstieg 10.000–30.000 Euro für einen Piloten an einer Maschinengruppe. Sinnvoll ab 5+ Maschinen in einem Siemens-Maschinenpark.

MachineMetrics — wenn du Maschinenpark-Transparenz und Werkzeugüberwachung kombinieren willst
MachineMetrics liest Spindellast, Vorschub und Maschinensignale herstellerunabhängig aus und bietet Condition-Monitoring-Funktionen. Für Werkzeugverschleiß-Mustererkennung ist die Plattform weniger tief als spezialisierte Körperschallsysteme — aber stärker als jede Einzellösung darin, den Maschinenpark-Überblick zu liefern. Datenhosting US-seitig — DSGVO-Prüfung vor Einsatz nötig. Empfehlenswert für Betriebe, die primär OEE-Transparenz wollen und Werkzeugüberwachung als Add-on betrachten.

Augury — wenn du Rotationsmaschinen überwachen willst (nicht primär Werkzeugverschleiß)
Augury ist stark bei rotierenden Aggregaten (Motoren, Pumpen, Ventilatoren) mit Vibrations- und Akustiksignalen — aber nicht auf Zerspanungsprozesse spezialisiert. Für Werkzeugverschleiß an CNC-Bearbeitungszentren ist es ein Kompromiss. Sinnvoll in Betrieben, die beides abdecken wollen und bereits eine Augury-Lizenz für andere Anlagen haben.

Eigenentwicklung mit MLflow + Python — wenn du in-house ML-Kapazität hast
Für Betriebe mit einem Data-Science-Team und eigener Sensorinfrastruktur lässt sich ein maßgeschneidertes System aufbauen: Sensordaten über OPC-UA einlesen, Merkmale mit Python (librosa, scipy) extrahieren, Modelle mit scikit-learn oder PyTorch trainieren, MLflow für Experiment-Tracking und Modell-Versionierung nutzen. Vollständige Kontrolle, kein Vendor-Lock-in, aber: Initialbau dauert 3–6 Monate, Wartungsaufwand dauerhaft intern. Kostenvorteil entsteht erst ab 10+ Maschinen.

Zusammenfassung: Wann welcher Ansatz

• 1–5 Maschinen, kein IT-Team → Montronix
• 5+ Maschinen, Siemens SINUMERIK → Siemens Industrial Edge
• Maschinenpark-Transparenz im Vordergrund → MachineMetrics
• Eigenes Data-Science-Team → Eigenentwicklung + MLflow

CNC-Integration in der Praxis: FANUC und Siemens SINUMERIK

Körperschallsensoren liefern das Signal — aber das volle Potenzial entsteht erst, wenn das System weiß, welches Werkzeug gerade im Einsatz ist, bei welchem NC-Programm, und wann der Schnitt beginnt und endet. Diese Kontextinformationen kommen aus der CNC-Steuerung.

FANUC-Maschinen (FOCAS API):
FANUC bietet mit dem FOCAS2-Protokoll eine standardisierte Schnittstelle für Datenabfragen aus der Steuerung. Über Ethernet lassen sich Spindeldrehzahl, aktives Werkzeug (T-Nummer), laufendes NC-Programm und Achspositionen in Millisekunden-Zyklen auslesen — ohne Maschinenumbau, ohne Siemens-Integrator. Softing Industrial bietet mit dem “Edgeplug Fanuc CNC” einen Docker-Container, der FOCAS-Daten direkt in OPC-UA und MQTT übersetzt und damit in Siemens Industrial Edge oder andere Plattformen einspielt.

Siemens SINUMERIK (OPC-UA-Server):
Neuere SINUMERIK-Versionen (840D sl ab SW4.8, ONE) haben einen eingebauten OPC-UA-Server. Maschinendaten stehen standardisiert in der OPC-UA-Adressstruktur bereit — Spindellast, T-Nummer, Programm, Achsdaten. Ältere 840D-Versionen brauchen einen Nachrüst-Adapter. Der direkte Vorteil der SINUMERIK-Integration: Das ML-Modell bekommt Kontextsignale synchron zu den Körperschalldaten, kann also genau dann auswerten, wenn Werkzeug X in Material Y mit Vorschub Z eingesetzt ist.

Die Herausforderung: Synchronisation
Das größte Integrationsproblem ist nicht die Datenübertragung, sondern die zeitliche Synchronisation. Körperschallsensoren tasten mit 50.000–100.000 Hz ab. OPC-UA-Leszyklen sind typisch 100–500 ms. Die Zeitstempel müssen präzise abgeglichen werden, damit das ML-Modell weiß, welche Schallsignale zu welchem Werkzeug gehören. In der Praxis: Jede Produktionslinie braucht einen definierten “Sync-Punkt” — häufig das NC-Programm-Startkommando — von dem aus beide Zeitreihen synchronisiert werden.

Für Betriebe ohne OPC-UA-fähige Maschinen:
Ältere CNC-Maschinen ohne Netzwerkanschluss lassen sich über Signalauswertung der SPS-Ausgänge (Kühlmittel EIN, Spindel EIN, Werkzeugwechsel) synchronisieren. Diese Signale liegen als Digitalausgänge an jedem Schaltschrank an — nachrüstbar ohne Maschinenumbau. Die Lösung ist weniger präzise, aber für viele Verschleißmuster ausreichend.

Datenschutz und Datenhaltung

Akustische Werkzeugüberwachung erzeugt keine personenbezogenen Daten — Sensorsignale, Werkzeugnummern und Maschinenzustände sind reine Maschinendaten. Die DSGVO ist hier kaum einschlägig, solange keine Mitarbeiterdaten verknüpft werden.

Relevanter für mittelständische Fertigungsbetriebe ist die Frage des Betriebsgeheimnisses: Produktionsdaten, Werkzeugstandzeiten und Fertigungsparameter sind wettbewerbssensibel. Wer die Daten in eine US-gehostete Plattform (MachineMetrics, teilweise Augury) überführt, sollte prüfen:

• Wer hat Zugriff auf die Rohdaten in der Cloud?
• Werden Modelle über Kundendaten hinweg geteilt (Federated Learning)?
• Sind die Daten für den Anbieter zur Produktverbesserung nutzbar?

Für Betriebe mit sicherheitsrelevanten Teilen (Rüstung, Medizintechnik, Luftfahrt): Lokale Verarbeitung ist Pflicht. Systeme wie Montronix und Siemens Industrial Edge verarbeiten ausschließlich lokal — die Daten verlassen das Werk nur bei expliziter Konfiguration. Wenn Cloud-Connectivity gewünscht ist, bieten beide EU-konforme Optionen.

AVV-Pflicht: Entsteht nur, wenn personenbezogene Daten verarbeitet werden — z.B. wenn du Werkzeugstandzeiten an Bediener-IDs oder Schicht-Zuordnungen knüpfst. In diesem Fall greift Art. 28 DSGVO und du brauchst einen Auftragsverarbeitungsvertrag mit dem Systemanbieter.

Was es kostet — realistisch gerechnet

Einmalige Kosten (pro Maschine)

• Körperschallsensor + Auswerteelektronik: 1.500–3.500 Euro je nach System und Sensoranzahl
• Montage und Inbetriebnahme: 500–1.500 Euro
• Einlernphase (eigenes Personal, Modell-Kalibrierung): intern 2–4 Wochen Aufmerksamkeit
• Systemintegration CNC-Schnittstelle: einmalig 1.000–5.000 Euro, abhängig von Steuerungstyp

Laufende Kosten (jährlich)

• Software-Lizenz: 500–2.000 Euro/Maschine/Jahr (systemabhängig)
• Modell-Nachpflege bei Werkzeug- oder Materialänderungen: ca. 3–8 Stunden intern
• Sensor-Wartung und Kalibrierung: einmal jährlich 1–2 Stunden

Nordmann-Referenzwert: Eine Probeinstallation eines Werkzeugüberwachungssystems an einer Drehmaschine kostete laut einem Praxisbericht von Nordmann GmbH bei einem Auftragsfertiger (Müller + Guski OHG) 700 Euro als Pauschalbetrag. Bereits nach einer Woche Testbetrieb ließ sich der Verschleiß der Wendeschneidplatten anhand der gemessenen Schnittkräfte exakt ablesen — der Betrieb konnte das Intervall präzisieren und einen ersten Kostenvorteil kalkulieren.

ROI-Rechnung für zehn Maschinen:

• Werkzeugbudget je Maschine: 5.000 Euro/Jahr = 50.000 Euro gesamt
• Einsparung durch Bedarfswechsel (konservativ 15 %): 7.500 Euro/Jahr
• Ausschussreduktion (3 % auf 0,5 % bei 500.000 Euro Jahresumsatz): ~12.500 Euro/Jahr
• Summe Einsparung: ~20.000 Euro/Jahr
• Systemkosten (Einmalig 25.000 + laufend 12.000/Jahr): Amortisation in 15 Monaten

Die tatsächliche Einsparung hängt stark vom aktuellen Verschwendungsgrad ab — wer heute perfekte Intervalle fährt, wird weniger sparen. Wer hohe Ausschussquoten hat, spart mehr.

Drei typische Einstiegsfehler

1. Den Sensor weit von der Schnittzone montieren und sich wundern.
Ein Körperschallsensor am Maschinenrahmen oder am Spannmittel liefert zu schwache und zu verrauschte Signale für zuverlässige Mustererkennung. Die Dämpfung durch Maschinenbauteile kann das Signal um das Zehnfache abschwächen. Lösung: Sensor so nah wie möglich am Prozess — Spindelgehäuse als Minimum, werkzeughalter-integriert für Präzisionsanwendungen.

2. Das Modell nach dem ersten Alarm abschalten.
In den ersten Wochen gibt es Fehlalarme. Das Modell kennt noch nicht alle Varianten des Normalbetriebs — leere Schnitte, unterschiedliche Zustelltiefen, Rüst-Geräusche. Wer bei den ersten drei Fehlalarmen die Anlage abschaltet, verliert den ROI. Lösung: Erste vier Wochen im Beobachtungs-Modus — das System alarmiert, aber die Maschine läuft weiter. Alle Alarme werden protokolliert und mit tatsächlichem Werkzeugzustand abgeglichen. Erst nach Fehlalarmrate unter 5 % in den Produktivbetrieb wechseln.

3. Das System wird eingerichtet — und nie wieder angefasst.
Das ist der gefährlichste Fehler, weil er stille Folgen hat. Ein akustisches Modell, das auf Stahlsorte S235 gelernt hat, verhält sich bei S355 oder Edelstahl wie ein Fremder in bekannter Umgebung. Die Signalmuster ändern sich — das Modell liefert weiter Bewertungen, die aber zunehmend falsch sind. Nach sechs Monaten mit drei neuen Materialien und einem Werkzeugwechsel im Sortiment arbeitet das System auf veralteter Basis.

Lösung: Modell-Aktualisierung als fester Prozess definieren, nicht als Ausnahme. Wann muss nachtrainiert werden? Bei Materialgruppen-Änderungen, bei neuen Werkzeugtypen und nach 6–12 Monaten Betrieb als Routinekontrolle. Mehr dazu im nächsten Abschnitt.

Modell-Neubewertung nach Prozessänderungen

Das ist das am meisten unterschätzte Thema bei der langfristigen Nutzung.

Ein ML-Modell für Werkzeugverschleiß ist kein universelles Werkzeugwissen — es ist ein präzises Muster einer spezifischen Prozess-Maschine-Material-Kombination. Verändert sich eine dieser Variablen, verändert sich das Muster. Das Modell degradiert — nicht sofort, nicht offensichtlich, sondern schleichend.

Was konkret eine Neubewertung auslöst:

Empfohlene Modell-Governance:

Halbjährliche Kontrolle: Vergleich der aktuellen Alarmtrefferquote mit dem historischen Benchmarkwert. Wenn die Trefferquote um mehr als 10 Prozentpunkte gefallen ist, ist Nachtraining fällig. Das braucht keine großen Ressourcen — es braucht eine definierte Zuständigkeit. Eine Person im Betrieb muss diese Aufgabe namentlich verantworten, nicht “die IT” oder “der Lieferant”.

Für Betriebe, die MLflow zur Modellverwaltung nutzen, ist der Audit trivial: Das Dashboard zeigt pro Modellversion die Validierungs-Genauigkeit über Zeit. Abweichungen werden sichtbar, bevor der Betrieb sie spürt.

Was mit der Einführung wirklich passiert — und was nicht

Die technischen Schritte sind überschaubar. Die menschliche Seite ist komplizierter.

Das Einrichter-Vertrauen-Problem. Erfahrene Einrichter haben jahrelang gelernt, Werkzeugverschleiß am Klang, am Spanbruch und am Bauchgefühl zu erkennen. Ein System, das ihnen sagt “Werkzeug wechseln”, wird in den ersten Wochen mit Misstrauen begegnet — zu Recht. Das Modell lernt noch. Wenn ein Einrichter das System dreimal widerlegt (er sieht, dass das Werkzeug gut ist, obwohl das System alarmiert), ist das Vertrauen weg. Strategie: Einrichter aktiv in die Einlernphase einbinden. Sie beurteilen das Werkzeug nach dem Alarm manuell — ihr Urteil wird Trainingsdaten für das Modell. Wer das System mitgebaut hat, vertraut ihm.

Der “Nach dem ersten Ausschuss”-Effekt. Wenn das System einen Alarm nicht ausgelöst hat und trotzdem Ausschuss entsteht, wird das System für alle als gescheitert abgestempelt — selbst wenn das Werkzeug gar nicht die Ursache war. Kommuniziere zu Projektbeginn klar: Das System reduziert Verschleißausschuss, eliminiert ihn nicht. Es überwacht die akustische Signatur, nicht die Maßhaltigkeit. Andere Fehlerursachen (Aufspannfehler, Programmierfehler, Rohteile) sind außerhalb seines Anwendungsbereichs.

Was konkret hilft:

• Eine Maschine als Pilot — nicht die schwierigste, sondern die mit dem größten Schmerz (höchste Ausschussquote durch Verschleiß)
• Dokumentation aller Alarme in den ersten 8 Wochen: ausgelöst? Richtig? Ursache? Das ist der Datensatz, aus dem das Vertrauen entsteht
• Ergebnis nach 90 Tagen dem Team präsentieren: wie viele Frühwechsel verhindert, wie viele Ausschussteile abgefangen, wie viel gespart

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

“Die CNC meldet mir doch schon Spindellast.”
Stimmt — aber Spindellast ist ein stumpfes Signal. Sie reagiert auf Verschleiß meist erst im mittleren bis starken Stadium, weil die Leistungsaufnahme bei moderatem Verschleiß kaum messbar zunimmt. Körperschall dagegen reagiert schon im Frühverschleiß — in der Phase, wo die Schneide noch nicht stumpf ist, aber charakteristische Ermüdungssignale zeigt. Das Fraunhofer IDMT hat in seinem Fräsamo-Projekt gezeigt, dass akustische Signale den Verschleiß deutlich früher detektierbar machen als Leistungsmessung allein. Die Spindellast bleibt trotzdem ein wertvolles Zusatzsignal, keine Alternative.

“Bei uns sind die Materialien zu unterschiedlich.”
Das ist der ehrlichste Einwand — und er ist berechtigt. Wenn dein Betrieb täglich zwischen acht verschiedenen Stahlsorten, Aluminium, Kunststoff und Guss wechselt, brauchst du für jede Kombination ein eigenes Modell oder ein sehr aufwendiges Multi-Klassen-Modell. Der Wartungsaufwand steigt proportional. In diesem Fall ist der ROI tatsächlich fraglich. Lösung: Erst prüfen, für welche Teile-Familie das Problem am größten ist — und nur für diese den Aufwand treiben.

“Das klingt teuer für etwas, das ich mit regelmäßigen Plattenwechseln auch lösen kann.”
Wenn dein Werkzeugbudget unter 10.000 Euro pro Jahr liegt und Ausschuss kein echtes Problem ist, dann stimmt das. Akustische Überwachung lohnt dort am meisten, wo ein einziger Werkzeugbruch in einer Nachtschicht mehr kostet als das Jahreswerkzeugbudget — oder wo Ausschuss in sicherheitsrelevanten Teilen (Luftfahrt, Medizintechnik) mit teuren Dokumentationspflichten verbunden ist.

Woran du merkst, dass das zu dir passt

Gute Zeichen:

• Dein Werkzeugbudget liegt über 20.000 Euro pro Jahr — Einsparungspotenzial rechtfertigt den Systemaufwand
• Du fährst bereits Nacht- oder Wochenendschichten mit reduziertem oder ohne Personal
• Werkzeugbruch in dünnen Kleinbohrern oder Gewindebohrern ist ein bekanntes Problem — der Schaden je Bruch übersteigt 200 Euro
• Dein Team wechselt “auf Verdacht” statt auf Basis von Messdaten
• Du hast eine stabile Teile-Familie mit 2–3 Materialgruppen, die regelmäßig gefertigt wird

Wann es sich noch nicht lohnt — drei harte Ausschlusskriterien:

1. Weniger als 5 CNC-Maschinen, die regelmäßig laufen. Die Systemkosten (Sensor, Lizenz, Einlernaufwand) pro Maschine amortisieren sich erst ab einem relevanten Durchsatz. Bei einer Maschine mit 20 Teilen pro Schicht ist die Rechnung negativ — es sei denn, du fertigst sicherheitsrelevante Hochpreisteile.

2. Produktionsprogramm mit mehr als 5 Materialgruppen und wöchentlichem Wechsel. Jede Materialgruppe braucht ein eigenes Modell. Bei schnellem Produktwechsel summiert sich der Einlernaufwand auf mehrere Personentage pro Monat. Für Lohnfertiger mit hoher Variabilität ist die Lösung wirtschaftlich kaum darstellbar.

3. Keine Netzwerkinfrastruktur an den Maschinen und keine IT-Ressourcen für Integration. Akustische Werkzeugüberwachung ist keine “Sensor einstecken und fertig”-Lösung. Die Signalleitung, die Auswerteeinheit und (für volle Funktionalität) die CNC-Schnittstelle brauchen minimale IT-Infrastruktur. Wer keine eigene IT und keine Bereitschaft für einen Systemintegrator hat, wird an der Integration scheitern — nicht an der KI.

Das kannst du heute noch tun

Fang mit dem kostenlosesten Schritt an: Vergleich deine aktuellen Werkzeugwechselprotokolle mit dem tatsächlichen Werkzeugzustand. Wie viel Reststandzeit haben die Werkzeuge im Schnitt, wenn du sie wechselst? Wenn du das nicht weißt, weil du keine systematische Aufzeichnung führst — das ist die erste Aufgabe.

Als zweiten Schritt: Berechne deinen jährlichen Werkzeugkostenverlust durch Frühwechsel. Nimm das Werkzeugbudget, schätze die tatsächlich genutzte Standzeit in Prozent, multipliziere mit der Verlustrate. Das ist der ROI-Pool, aus dem die Überwachungslösung schöpfen wird.

Für die technische Selbstbewertung: Montronix bietet Probeinstallationen an. Kistler und Marposs ebenfalls. Die Frage, die du beim Erstgespräch beantworten können solltest: “Welche drei Werkzeug-Maschinen-Kombinationen verursachen bei uns die meisten Probleme?”

Hier ist ein Prompt, der dir hilft, die Ausgangssituation für ein Gespräch mit einem Systemanbieter strukturiert zu erfassen:

Quellen & Methodik

• Fraunhofer IDMT “Fräsamo”-Projekt — Akustische Zustandsüberwachung von Fräswerkzeugen mit maschinellen Lernalgorithmen. Entwickelt am Fraunhofer-Institut für Digitale Medientechnologie (IDMT), Ilmenau. Zeigt, dass akustische Signalverarbeitung + KI Verschleißzustände zuverlässig und in Echtzeit erkennt, ohne zusätzliche Sensorik direkt am Werkzeug. https://www.idmt.fraunhofer.de/en/use-cases/acoustic-condition-monitoring-of-milling-tools-early-wear-detection-optimization-service-life.html
• Nordmann GmbH / Müller + Guski OHG Praxisbericht — Fallstudie über die Installation eines Werkzeugüberwachungssystems (Nordmann Tool-Monitor) bei einem Auftragsfertiger in Herscheid. Probeinstallation für 700 Euro Pauschalpreis; nach einer Woche Testbetrieb war Verschleißverlauf an Wendeschneidplatten präzise ablesbar. innovations-report.de, “Prozessüberwachung senkt Fertigungskosten”. https://www.innovations-report.de/html/berichte/maschinenbau/prozessueberwachung-senkt-fertigungskosten-141502.html
• IT&Production (2022) — Brancheneinschätzung: Mittelständische Zerspanungsbetriebe schätzen ihren Ausschuss durch Werkzeugprobleme auf 2–6 Prozent der Jahresfertigung. Basis für die Schadenskosten-Abschätzung im Abschnitt “Das echte Ausmaß des Problems”. Fachmagazin IT&Production, Ausgabe 2022.
• Voigt et al. (MDPI, 2024) — Random Forest Regression erreicht 94 % Vorhersagegenauigkeit für Werkzeugverschleiß auf kombinierten Kraft-Akustik-Daten gegenüber 85 % (SVM) und 84 % (LSTM). “Enhancing Machining Efficiency: Real-Time Monitoring of Tool Wear with Acoustic Emission and STFT Techniques”, Lubricants 2024.
• PMC-Review: Indirekte Werkzeugüberwachung — “A Review of Indirect Tool Condition Monitoring Systems and Decision-Making Methods in Turning: Critical Analysis and Trends” (PMC, 2021). Dokumentiert explizit: “One main drawback in applying AE techniques is the dependence of the response on cutting conditions” — Basis für den Modell-Degradations-Abschnitt. https://pmc.ncbi.nlm.nih.gov/articles/PMC7794675/
• Softing Industrial: FANUC-FOCAS-Integration — Softing dataFEED OPC Server CNC und Edgeplug Fanuc CNC für OPC-UA-Integration von FANUC-Daten in Siemens Industrial Edge. https://industrial.softing.com/en/news/news-details/softing-provides-a-solution-for-integrating-fanuc-cnc-data-into-siemens-industrial-edge.html
• Kostenangaben — Werkzeugbudget-Richtwerte und ROI-Berechnungen basieren auf Erfahrungswerten aus Zerspanungsbetrieben mit 5–50 Maschinen (Stand April 2026). Sensor- und Systemkosten aus veröffentlichten Anbieterangaben, wo verfügbar, sonst Projektrichtwerte.

Du willst abschätzen, ob sich akustische Werkzeugüberwachung für euren Maschinenpark lohnt — oder direkt mit einem spezialisierten Anbieter sprechen? Meld dich — das klären wir gemeinsam.