Schweißnaht-Qualitätskontrolle mit KI

Das echte Ausmaß des Problems

Laut Daten der American Society of Mechanical Engineers (ASME) gehen rund 32 Prozent aller Schweißfehler auf Bedienerfehler zurück, weitere 41 Prozent entstehen durch schlechte Prozessbedingungen — beide Ursachen lassen sich durch automatisierte Sichtprüfung erfassen, bevor das Teil die Fertigung verlässt.

Das Problem ist nicht, dass Menschen schlecht schweißen. Das Problem ist, dass manuelle Sichtprüfung von Natur aus begrenzt ist:

• Ermüdung: Nach drei Stunden kontinuierlicher Sichtprüfung sinkt die Erkennungsrate messbar — unabhängig von Qualifikation oder Motivation
• Subjektivität: Unterschiedliche Prüfer klassifizieren dieselbe Naht teils unterschiedlich, besonders bei Grenzfällen nach DIN EN ISO 5817 Bewertungsgruppe C
• Beleuchtungsabhängigkeit: Einbrandkerben, flache Poren oder feine Risse sind bei seitlichem Licht sichtbar, bei Frontallicht nicht — die Prüfumgebung in der Fertigung ist selten optimal
• Geschwindigkeit: Bei Serienfertigung mit hohem Durchsatz werden Nähte im Sekundentakt geprüft — zu schnell für zuverlässige manuelle Kontrolle

Manuelle Sichtprüfung unter optimalen Bedingungen erreicht laut Felddaten aus der Fertigungspraxis eine Erkennungsrate von etwa 80 Prozent bei relevanten Schweißnahtfehlern. KI-basierte Bildverarbeitungssysteme erreichen heute 97–99 Prozent — bei 100 Prozent der produzierten Teile, rund um die Uhr.

Die wirtschaftliche Konsequenz eines übersehenen Fehlers nach DIN EN ISO 5817 Bewertungsgruppe B ist erheblich: Reparaturschweißung, erneute Prüfung, mögliche Verzögerung, bei sicherheitsrelevanten Bauteilen im Anlagen- oder Fahrzeugbau kommen Haftungsfragen dazu. Kosten von 50.000–200.000 Euro jährlich durch Nacharbeit und Reklamationen sind in produzierenden Betrieben ab 50 Schweißarbeitsplätzen keine Seltenheit.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Zahlen zur Erkennungsrate stammen aus Felddaten industrieller Bildverarbeitungsanbieter und akademischen Vergleichsstudien. Der Nacharbeitskosten-Vergleich ist ein Erfahrungswert aus Implementierungen bei Stahlbau- und Metallverarbeitungsbetrieben — die tatsächliche Reduktion hängt stark vom Ausgangs-Fehleraufkommen ab.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5) Das System spart 20–30 Minuten manuelle Prüfzeit pro Schicht ein — real, aber kein dominanter Hebel. Wichtiger ist, dass die 100-Prozent-Kontrolle überhaupt erst möglich wird: Bisher war lückenlose Prüfung bei hohen Stückzahlen nicht realistisch. Der Zeitgewinn ist ein Nebeneffekt, nicht der Hauptnutzen.

Kosteneinsparung — sehr hoch (5/5) Der stärkste Werthebel in dieser Kategorie: Jeder Fehler, der die Fertigung nicht verlässt, spart Reparatur, Rückruf und Haftung. Welcher Wert 97 Prozent Erkennungsrate gegenüber 80 Prozent entspricht, hängt vom eigenen Fehleraufkommen ab — aber selbst bei geringer Ausgangsrate rechnet sich das System in den meisten Serienfertigungen mit 200+ Schweißnähten täglich.

Schnelle Umsetzung — sehr gering (1/5) Dies ist die aufwändigste Einführung in dieser Kategorie. Kameraintegration an der Fertigungslinie, Modelltraining auf produktionsspezifischen Fehlerbildern, SPS-Anbindung, Validierung der Erkennungsqualität gegen die zutreffende Prüfnorm — das dauert 16–24 Wochen, auch wenn alles nach Plan läuft. Wer drei Monate nach Bestellung live sein will, wird enttäuscht.

ROI-Sicherheit — hoch (4/5) Die Einsparung ist direkt messbar: Anzahl erkannter Fehler, Reduktion der Nacharbeit, weniger Reklamationen. Der ROI-Pfad ist klar — die Unsicherheit liegt in der genauen Bezifferung, weil nicht jeder übersehene Fehler eine Reklamation auslöst. Erfahrungswerte zeigen ROI nach 12–18 Monaten bei typischem Schweißbetrieb.

Skalierbarkeit — mittel (3/5) Jede neue Schweißposition, jeder neue Nahttyp oder jede neue Bauteilgeometrie braucht entweder ein eigenes Kamera-Setup oder Nachtraining des Modells. Das System skaliert gut innerhalb einer Prüfstelle — aber nicht kostenlos über den gesamten Maschinenpark. Wer fünf verschiedene Nahttypen prüfen will, braucht fünf konfigurierte Prüfstellen.

Richtwerte — stark abhängig von Nahtgeometrie, Stückzahl, Fehleraufkommen und gewähltem System.

Was KI-Schweißnahtprüfung konkret macht

Computer Vision in der Schweißnahtprüfung funktioniert im Kern so: Eine oder mehrere Industriekameras nehmen die fertige Schweißnaht auf — direkt an der Linie, meist kurz nach dem Schweißen, sobald das Teil abgekühlt ist. Ein trainiertes neuronales Netz analysiert das Bild in Millisekunden und klassifiziert, ob eine Unregelmäßigkeit vorliegt und wenn ja, welchem Fehlertyp nach DIN EN ISO 5817 sie entspricht: Pore, Einbrandkerbe, Kerbriss, fehlende Durchschweißung, unzulässige Nahtüberhöhung.

Was das System dabei leistet, was menschliche Prüfer nicht können:

• Konsistente Helligkeitsanalyse: Strukturiertes Licht (Streifenprojektion, Laserlinienscanner) erzeugt reproduzierbare Beleuchtung, unabhängig von der Umgebung
• Submillimeter-Auflösung: Aktuelle 2D-/3D-Kameras erkennen Fehlstellen ab 0,1 mm — unter der manuellen Wahrnehmungsgrenze unter Produktionsbedingungen
• Klassifikation nach Norm: Das Modell wird auf die geltende Bewertungsgruppe trainiert — was die Norm als Ausschuss definiert, lehrt man dem System explizit
• Lückenlose Dokumentation: Jede geprüfte Naht wird mit Bild, Ergebnis, Zeitstempel und Chargen-ID gespeichert — ohne manuelle Eingabe, jederzeit auditfähig

Was das System nicht kann

Wichtig: Optische Prüfung erkennt nur Oberflächenfehler. Innere Fehler — Volumenporen, Bindungsmängel im Nahtinneren — bleiben unsichtbar. Für diese Aufgabe braucht es Röntgen, Ultraschall oder Magnetpulverprüfung. KI-Sichtprüfung ersetzt nicht die ZfP-Prüfung nach DIN EN 12062, sie ergänzt sie um die 100-Prozent-Kontrolle aller Außenmerkmale.

Was ihr hardware-seitig braucht

Das ist der kritischste Aspekt dieser Lösung — und der, der am häufigsten unterschätzt wird.

Kamera und Beleuchtung sind nicht das Problem. Das Problem ist die Integration in die Fertigungslinie. Damit das System zuverlässig funktioniert, braucht ihr:

• Feste, reproduzierbare Kameraposition: Das Teil muss bei der Prüfung immer in derselben Position, aus demselben Abstand und Winkel geprüft werden. Freihändige Positionierung funktioniert nicht — die Prüfposition muss mechanisch definiert sein, mit Halterung oder Roboter
• Definierte Beleuchtung: Umgebungslicht aus Produktionshallen ist nicht kontrollierbar. Die Lösung: eigene LED-Beleuchtung im Prüfbereich, abgekapselt gegen Streulicht
• Integriertes Kühlprotokoll: Frisch geschweißte Teile müssen auf eine reproduzierbare Temperatur abkühlen, bevor die Kamera zuverlässig prüft — Wärmestrahlung überbelichtet sonst das Bild
• SPS-Anbindung: Das System muss wissen, wann ein Teil zur Prüfung bereit ist, und es muss das Ergebnis (Gut/Ausschuss) zurückmelden — typisch via OPC UA oder Digitalsignal an die Steuerung

Systeme, die ohne diese Voraussetzungen eingeführt werden, liefern nach drei Monaten unzuverlässige Ergebnisse und werden stillgelegt.

Konkrete Werkzeuge — was wann passt

Cognex Vision — Der Industriestandard für reproduzierbare Serienfertigung mit hohem Durchsatz. Cognex liefert Hardware und Software aus einer Hand, die Erkennung ist ausgereift und langlebig. Die In-Sight-Baureihe ist für viele Schweißnaht-Prüfaufgaben erste Wahl. Einschränkung: hohe Gesamtinvestition (30.000–80.000 Euro pro Prüfstelle inkl. Integration), proprietäres Ökosystem, spezialisierter Integrator nötig.

KEYENCE Vision — Direkter Wettbewerber zu Cognex mit ähnlichem Angebot, teils einfacherer GUI-Konfiguration. Vorteil: lokaler Vor-Ort-Support in Deutschland, Leihgeräte für kostenlose Tests, kein Integrator-Zwang für Standardanwendungen. Preise ähnlich wie Cognex, Einzel-Vision-Sensor ab 2.000 Euro, Vollsystem 15.000–60.000 Euro.

Landing AI — KI-nativer Ansatz für flexiblere Defekterkennung, besonders wenn Fehlerbilder variieren oder selten auftreten. Niedrigerer Einstiegspreis als Cognex/Keyence, keine proprietäre Hardware, läuft auf Standardkameras. Einschränkung: keine SPS-Schnittstelle im Standard enthalten, US-gehostet (DSGVO-Prüfung nötig), Support auf Englisch.

Fraunhofer IDMT / Hochschulkooperationen — Für Betriebe, die eine akustische oder resonanzbasierte Prüfung als Ergänzung zur Sichtprüfung suchen: Das Fraunhofer IDMT hat in Zusammenarbeit mit der Industrie Systeme zur 100-Prozent-Qualitätsprüfung von Bolzenschweißverbindungen via Echtzeit-Akustikmonitoring entwickelt. Kein kommerzielles Produkt, sondern ein Forschungsprojekt — aber relevant als Hinweis, dass optische Prüfung nicht der einzige KI-Ansatz ist.

Zusammenfassung:

• Serienproduktion mit hohem Durchsatz, klare Fehlertypen, maximale Zuverlässigkeit → Cognex oder KEYENCE
• Wechselnde Bauteilgeometrien, flexibler Einstieg, geringeres Budget → Landing AI
• Bolzenschweißprüfung, akustischer Ansatz, Forschungskooperation → Fraunhofer IDMT

Datenschutz und Datenhaltung

Bildverarbeitungssysteme in der Schweißnahtprüfung verarbeiten in der Regel keine personenbezogenen Daten — sie prüfen Bauteile, nicht Menschen. Die DSGVO ist damit für den Kernbetrieb kein relevantes Thema. Ausnahmen:

• Arbeitszeitverfolgung via Kamera: Wenn Kamerabilder auch Mitarbeitende erfassen, gelten strenge Anforderungen — Betriebsrat einbinden, Zweckbindung definieren
• Fernwartung durch Systemintegratoren: Der Integrator greift bei Wartung typisch via VPN auf das System zu — das sollte vertraglich geregelt und protokolliert sein (AVV)
• Cloud-Anbindung: Cognex und Landing AI bieten optionale Cloud-Dienste für kollaboratives Modelltraining. Wer diese nutzt, muss Datentransfer und -verarbeitung mit dem Datenschutzbeauftragten klären

Grundsätzlich gilt: Lokale Verarbeitung ist in der Schweißnahtprüfung Standard und DSGVO-unkritisch. Die eigentliche Datenschutzfrage stellt sich erst, wenn Produktionsdaten an externe Clouds übertragen werden.

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten

Laufende Kosten

• Wartungsvertrag Systemintegrator: 2.000–8.000 €/Jahr
• Software-Updates und Nachtraining bei neuen Bauteiltypen: 1.000–5.000 €/Jahr
• Landing AI (SaaS): 250–2.000 USD/Monat je nach Volumen

Gegenrechnung im konservativen Szenario

Angenommen: 5 Reklamationen pro Jahr mit durchschnittlich 5.000 Euro Reparatur- und Folgekosten = 25.000 Euro/Jahr. Dazu 30 Minuten Prüfzeit pro Schicht eingespart × 250 Arbeitstage × 2 Schichten × 25 Euro/Stunde = 6.250 Euro/Jahr. Summe: 31.250 Euro/Jahr.

Bei 50.000 Euro Investition und 5.000 Euro laufenden Kosten beträgt die Amortisationszeit im konservativen Szenario etwa 18 Monate. Bei höherem Fehleraufkommen oder teureren Reklamationen entsprechend kürzer.

Wie du den Nutzen tatsächlich misst

Nicht in der Theorie, sondern in der Praxis: Vergleiche Nacharbeits- und Reklamationsquote für die erste volle Quartalsperiode nach Einführung mit dem Vorjahresquartal. Führe außerdem eine Zählung der durch das System erkannten Fehler, die die manuelle Prüfung übersehen hätte (über Stichproben-Nachprüfungen abschätzbar).

Typische Einstiegsfehler

1. Mit zu wenigen Trainingsbildern starten

Das häufigste technische Scheitern: Das Modell wurde mit 50–100 Fehlerbildern trainiert, weil im Projekt kein Ausschussmaterial vorhanden war. Das Ergebnis ist ein System mit hoher Falsch-positiv-Rate — es meldet Ausschuss, wo keiner ist — oder hoher Falsch-negativ-Rate, wo es echte Fehler übersieht. Für zuverlässige Ergebnisse braucht ein KI-Modell mindestens 200–500 Bilder je Fehlerklasse, und diese Bilder müssen aus der eigenen Produktion stammen — nicht aus Referenzdatenbanken.

2. Unterschätzte Mechanik-Anforderungen

Viele Projekte scheitern nicht an der Bildverarbeitung, sondern daran, dass die Prüfposition nicht reproduzierbar ist. Wenn ein Roboter das Teil mit ±2 mm Toleranz in den Prüfbereich legt, prüft das System jedes Mal eine leicht andere Nahtposition — und die Erkennungsqualität bricht ein. Die mechanische Präzision des Handling ist Voraussetzung, nicht Nachgedanke.

3. Das System wird eingeführt, aber nie nachtrainiert

Wenn das Unternehmen neue Bauteiltypen einführt, andere Schweißzusätze verwendet oder den Schweißprozess anpasst, ändert sich das Fehlerbild. Ein Modell, das nie aktualisiert wird, erkennt nach 18 Monaten zunehmend schlechter — weil die Realität von seinen Trainingsdaten abweicht. Wer ein KI-Sichtprüfsystem einführt, braucht eine namentlich benannte Person, die Modellpflege als laufende Aufgabe übernimmt — kein IT-Thema, sondern Qualitätsaufgabe.

Was mit der Einführung wirklich passiert — und was nicht

Die Technik ist komplex, aber lösbar. Das Schwierigere ist meistens die interne Diskussion darüber, was mit der Prüfertätigkeit passiert.

Erfahrungsgemäß gibt es zwei Widerstands-Muster:

„Das ersetzt unsere Prüfer.” Der Reflex ist verständlich — und die Antwort ist nicht trivial. In der Praxis werden Prüfer nicht entlassen, weil das System Fehler findet. Sie werden umbesetzt: weg von der ermüdenden Sichtprüfung jeder Naht, hin zu Ausnahmebehandlung, Ursachenanalyse und Prozessoptimierung. Das ist ehrlicher Mehrwert — aber nur, wenn diese Umbesetzung auch wirklich geplant und kommuniziert wird.

„Das System vertraut man nicht.” Besonders in der Anlaufphase wird jede Falsch-positiv-Meldung als Beweis dafür gesehen, dass das System nicht funktioniert. Das ist normal. Die Reaktion: Nicht das System verteidigen, sondern zeigen — zusammen mit dem Prüfer das Bild anschauen, die Klassifikation erklären, die Fehlergrenze diskutieren. Wer das System mitgestaltet, vertraut ihm eher.

Was konkret hilft:

• Prüfer früh einbinden — sie kennen die typischen Fehlerbilder besser als jeder Integrator
• Den Piloten an einer Linie starten, wo der Prüfer zustimmt, mitzumachen
• Falsch-positiv-Rate transparent halten und gemeinsam optimieren

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Wir brauchen das nicht, wir haben kaum Reklamationen.”

Das klingt gut — aber frag nach: Woher kommt diese Zahl? Reklamationen werden erfasst, übersehene Fehler nicht. Das eigentliche Maß ist nicht die Reklamationsquote, sondern wie viele Fehler die Fertigung verlassen, ohne erkannt zu werden. Das lässt sich nur durch eine Vergleichsprüfung einschätzen: Prüfer und System gleichzeitig, auf denselben Teilen. Was der Prüfer verpasst hat, zeigt das System — und umgekehrt.

„Das ist nur für die Automobilindustrie.”

Stimmt nicht mehr. Systeme wie Landing AI und KEYENCE sind heute auf Mittelstands-Budget kalibriert und laufen in Stahlbau, Anlagenbau und allgemeiner Metallverarbeitung. Der Einstieg mit einem auf eine Nahtposition fokussierten System ist realistisch für Betriebe mit 30+ Schweißarbeitsplätzen.

„Wir können die Einrichtungszeit nicht leisten.”

16–24 Wochen klingt viel. Die Alternative — jede weitere Reklamation kosten zu lassen — kostet in der Regel mehr. Die richtige Frage ist: Welche Schweißnahtposition hat das höchste Reklamationsrisiko? Dort anfangen, begrenzen auf eine Linie, Ergebnis messen. Danach weitersehen.

Woran du merkst, dass das zu dir passt

• Du schweißt täglich 200 oder mehr gleichartige Nähte, die alle geprüft werden müssten — aber 100-Prozent-Kontrolle ist manuell nicht realistisch
• In den letzten zwölf Monaten hatte dein Unternehmen mindestens drei Reklamationen mit Schweißnahtfehlern als Ursache
• Deine Kunden fordern lückenlose Prüfdokumentation — und ihr erstellt sie heute manuell, was Zeit kostet und Lücken lässt
• Du hast wiederkehrende Nahtgeometrien (keine Unikate), bei denen ein trainiertes Modell stabil funktionieren kann
• Du kannst die Fertigung für 1–2 Wochen für die mechanische Integration der Kamera teilweise einschränken

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

1. Unter 100 Schweißnähten täglich an einer Prüfposition. Die Amortisationszeit wird bei geringem Volumen zu lang — das Reklamationsrisiko rechtfertigt die Investition von 25.000–80.000 Euro nicht.

2. Keine zwei gleichen Teile. KI-Bildverarbeitung braucht reproduzierbare Geometrie und reproduzierbare Kameraposition. Unikate im Stahlbau, Schweißkonstruktionen mit stark wechselnden Positionen oder wechselnden Nahttypen erfordern entweder sehr viele Modelle oder sind nicht automatisierbar.

3. Kein Budget für die Systemintegration. Das Kamerasystem allein ist nicht die Herausforderung. Wer keinen Systemintegrator finanzieren kann oder keine eigene Machine-Vision-Kompetenz im Haus hat, wird das Projekt nicht erfolgreich abschließen — unabhängig davon, wie gut die Kamera ist.

Das kannst du heute noch tun

Der schnellste erste Schritt kostet nichts und setzt keine Hardware voraus: Nimm 30 Fotos von typischen Schweißnähten deiner Produktion — gute Nähte und, wenn verfügbar, bekannte Ausschussteile. Lade sie in Landing AI hoch (kostenloser Einstieg verfügbar) und trainiere ein erstes Modell. Du siehst in 90 Minuten, ob das System eure Nähte grundsätzlich voneinander unterscheiden kann.

Das ist kein Produktionssystem — aber es ist ein valider Realitätstest, bevor du 50.000 Euro investierst.

Für die Dokumentation erkannter Fehler durch das System kannst du heute schon einen strukturierten Prompt nutzen:

Quellen & Methodik

• Erkennungsrate manuelle vs. KI-Sichtprüfung: Felddaten aus industriellen Bildverarbeitungsprojekten (Vitronic, elunic, jidoka-tech) sowie akademische Vergleichsstudien; manuelle Erkennungsrate ~80 % unter Produktionsbedingungen ist ein Erfahrungswert aus der Fachliteratur
• ASME-Daten zu Fehlerursachen: American Society of Mechanical Engineers, Daten zu Schweißfehlerursachen (Bedienerfehler 32 %, Prozessbedingungen 41 %) aus branchenübergreifenden Felderhebungen
• ROI-Benchmarks (6–18 Monate): Implementierungsberichte von Systemintegratoren und industriellen Vision-Anbietern; eigene Erfahrungswerte aus Projekten im deutschen Mittelstand
• DIN EN ISO 5817: Deutsches Institut für Normung, aktuelle Fassung — Bewertungsgruppen B, C, D für Schmelzschweißverbindungen an Stahl
• KI-Bildverarbeitungsmarkt: Marktdaten aus Branchenberichten 2024 (Wachstum 13,8 % CAGR)
• Fraunhofer IDMT: Pressemitteilung „100-Prozent-Qualitätsprüfung von Bolzenschweißverbindungen mit Echtzeit-Monitoring”, 2024