Ausschussanalyse Metallverarbeitung

Das echte Ausmaß des Problems

In der Metallverarbeitung gelten 2–5 Prozent Ausschuss als „normal”. Normal bedeutet: akzeptiert, eingepreist, nicht wirklich angegangen. Dabei sind die Kosten konkret greifbar.

Ein Automobilzulieferer mit 500.000 Stanzteilen pro Monat, einem Materialeinsatz von 1,18 Euro je Teil und einer Ausschussquote von 4,2 Prozent verliert 24.780 Euro monatlich, nur durch Ausschussteile. Nicht enthalten sind die Maschinenlaufzeit für die Ausschussteile, die Sortierkosten und der Lieferdruck, der entsteht, wenn die Tagesmenge nicht stimmt.

Warum wird das nicht systematisch angegangen? Weil es bisher schwer war. Ausschuss entsteht selten aus einer einzigen Ursache. Er ist ein Ergebnis von Kombinationen: Banddicke außerhalb der Toleranz plus leicht verschlissener Stempel plus Temperaturwechsel nach dem Schichtwechsel. Kein SPC-Chart zeigt das. Kein menschliches Gehirn hält 18 Monate Maschinendaten und die Korrelation zwischen Coil-Chargen, Schicht-IDs und Prüfergebnissen im Kopf.

Die Folge: Ausschussanalysen laufen wöchentlich, dauern eine Stunde, binden sechs Fachleute, und enden oft mit den gleichen Maßnahmen wie in der Vorwoche.

Laut einer Frontiers-Studie (2022) zu Machine Learning-Methoden für die Root-Cause-Analyse in der Fertigung identifizieren menschengeführte Analysen bei komplexen Wechselwirkungen systematisch Symptome statt Ursachen, was zu wiederkehrenden Qualitätsproblemen führt. Ein Automotive Tier-1-Stanzlieferant in einem Praxisfall der auxiliobits-Plattform (2024) berichtete von 4–7 Prozent Ausschuss, der nach KI-gestützter Analyse unter 2,5 Prozent fiel, durch drei gezielte Anpassungen, die die Analyse erst nach Auswertung von Maschinendaten, Materialdaten und Produktionsdaten gemeinsam sichtbar machte.

Mit vs. ohne KI, ein ehrlicher Vergleich

¹ Erfahrungswerte aus Praxisprojekten und Studiendaten; tatsächliche Werte hängen stark von Datenqualität und Maßnahmenumsetzung ab.

Einschätzung auf einen Blick

Zeitersparnis, niedrig (2/5) Die direkte Zeitersparnis ist real aber begrenzt: Ein wöchentliches Ausschussmeeting von sechs Personen für 60 Minuten kostet 6 Personenstunden, das System reduziert das auf Prüfaufgaben von 20 Minuten. Pro Monat sind das 16–18 Stunden zurückgewonnene Qualitätszeit. Im Vergleich zu anderen Anwendungsfällen dieser Kategorie, etwa Fertigungsdokumentation CNC, die tägliche Protokollaufgaben eliminiert, ist die direkte Zeitwirkung hier geringer. Der eigentliche Hebel ist der Kostenhebel, nicht der Zeithebel.

Kosteneinsparung, hoch (5/5) Das ist der dominierende Effekt. Bei einer Ausschussquote von 4,2 Prozent auf 500.000 Teilen und 1,18 Euro Kostenstruktur ergeben sich fast 25.000 Euro monatlicher Ausschuss. Gezielte Maßnahmen auf Basis der Root-Cause-Analyse (Lieferantensteuerung, Stempelpräventivwartung, Anlaufprotokoll) können die Quote auf 1,5 Prozent senken, das sind über 16.000 Euro monatliche Einsparung. Kein anderer Anwendungsfall in dieser Kategorie hat ähnlich direkte und sofort messbare Kostenwirkung.

Schnelle Umsetzung, mittel (3/5) Bis zur ersten aussagekräftigen Root-Cause-Analyse vergehen 6–10 Wochen: Datenquellen verbinden, historische Daten bereinigen, erste Modellläufe validieren. Das ist handhabbar, aber kein Schnellstart. Die Datenintegration, insbesondere die Verbindung von Maschinendaten, Prüfprotokollen und Chargenverfolgung, ist das Nadelöhr. Wer bereits ein MES oder Historian im Betrieb hat, startet schneller.

ROI-Sicherheit, hoch (4/5) Ausschuss ist direkt messbar: Teile raus, Kosten rein. Anders als bei indirekten Effizienzgewinnen (z.B. Schicht- und Personalplanung) lässt sich der Erfolg hier exakt dokumentieren, Ausschussquote vorher vs. nachher, direkt in der Prüfstatistik. Die Unsicherheit liegt nicht in der Messbarkeit, sondern darin, ob die identifizierten Ursachen auch tatsächlich kausale Zusammenhänge sind, oder nur Korrelationen. Deshalb liegt die ROI-Sicherheit bei 4 statt 5: Menschliche Validierung der Kausalplausibilität bleibt unverzichtbar.

Skalierbarkeit, hoch (4/5) Ein eingerichtetes Analysesystem lässt sich auf weitere Fertigungslinien, andere Produktgruppen und weitere Werke ausrollen, die Grundinfrastruktur ist dann bereits vorhanden. Das Modell muss für neue Teile neu trainiert werden, aber die Datenverbindungen stehen.

Richtwerte, stark abhängig von Datenqualität, Maschinenanbindung und bestehender Infrastruktur.

Was das Analysesystem konkret macht

Klassische Ausschussanalysen suchen nach der einen Ursache. Maschine oder Material oder Bediener. In der Realität produzieren komplexe Fertigungsprozesse Ausschuss durch Kombinationen: Banddicke an der Toleranzgrenze und Stempel kurz vor dem Standzeit-Ende und erster Anlagenlauf nach dem Schichtwechsel. Kein SPC-Chart zeigt diese Kombination. Predictive Analytics-Systeme schon.

Das System verbindet vier Datenquellen:

1. Maschinendaten (Presskraft, Stempelverschleißzähler, Schmiermittelauftrag, Bandvorschub), aus dem Maschinensteuerungssystem oder Historian
2. Prüfprotokolle (Stichprobenergebnisse, Ausschussklassen, Fehlercodes), aus dem QMS oder manuell erfasst
3. Materialverfolgung (Coil-Chargen-IDs, Lieferantenbezeichnung, Banddicken-Toleranzwerte aus dem Zertifikat)
4. Schicht-IDs (Wer, wann, auf welcher Anlage)

Über einen Zeitraum von typisch 12–24 Monaten sucht das Modell nach Parameterkonstellationen, die statistisch mit erhöhtem Ausschuss zusammenfallen. Das Ergebnis ist keine Einzelursache, sondern eine Rangliste von Hypothesen mit Konfidenzwerten: Welche Faktoren erklären wie viel Prozent der Ausschussvarianz?

Was ein reales Analyseergebnis zeigt

Für den oben beschriebenen A-Säulen-Stanzprozess könnten drei Hypothesen aufgelistet sein:

• Coil-Charge des Lieferanten B: Banddickentoleranz > ±0,05 mm korreliert mit 68 % der Ausschussereignisse oberhalb von 3 %
• Stempel #7 ab Schlaghub 85.000: Verschleißmuster zeigt ab diesem Punkt beschleunigte Ausschussrate (+1,8 Prozentpunkte im 5.000-Hübe-Fenster)
• Erste 30 Minuten nach Schichtwechsel: Ausschussquote systematisch 1,2 Prozentpunkte höher als im 2-Stunden-Betrieb danach

Das sind Hypothesen, keine Ursachen. Was das System nicht kann: erkennen, ob diese Korrelationen kausal sind. Das ist die Aufgabe des Fertigungsingenieurs.

Korrelation vs. Kausalität: Die entscheidende Validierungsaufgabe

Dieser Punkt ist nicht optional. Es ist die zentrale Anforderung an jedes Team, das mit diesem System arbeitet.

Machine-Learning-Modelle finden Muster. Sie unterscheiden nicht zwischen kausalen Zusammenhängen und Scheinkorrelationen. Eine Frontiers-Studie zur Root-Cause-Analyse in der Fertigung (2022, Systematische Übersicht über 30 ML-Anwendungen) zeigt explizit: Interpretierbare ML-Methoden weisen Symptomen oft hohe Erklärungsanteile zu, nicht den eigentlichen Ursachen. Das führt dazu, dass Teams Maßnahmen umsetzen, die das sichtbare Muster adressieren, aber nicht den eigentlichen Treiber.

Drei Prüffragen, bevor eine Hypothese zur Maßnahme wird:

1. Physikalische Plausibilität: Gibt es einen technisch nachvollziehbaren Mechanismus, durch den dieser Faktor den Ausschuss erzeugen würde? Banddickentoleranz und Stanzspalt, plausibel. Ausschuss immer an Mittwoch, wahrscheinlich Scheinkorrelation.

2. Trennbarkeit: Kann dieser Faktor von anderen isoliert werden? Wenn die Coil-Charge B immer von Lieferant B kommt und immer in der Nachtschicht verarbeitet wird, ist die Ursache nicht eindeutig zuzuordnen, trotz starker Korrelation.

3. Gegenprobe: Gibt es Fälle, in denen der Faktor vorhanden war, aber kein erhöhter Ausschuss aufgetreten ist? Wenn Stempel #7 auch über 85.000 Schläge hinaus ohne Ausschuss lief, was war dann anders?

Diese Validierung macht der Fertigungsingenieur. Das Analysesystem liefert Kandidaten und Prioritäten. Die kausale Einordnung bleibt Menschenarbeit.

Was passiert, wenn dieser Schritt übersprungen wird: Unternehmen haben berichtet (auxiliobits 2024), dass KI-Analysen Schichtmuster enthüllen, die operativ unbequem sind, etwa höherer Ausschuss in einer bestimmten Schicht, die auf Bedienerverhalten schließen lässt. Wenn die Organisation darauf nicht vorbereitet ist, diese Beobachtung sachlich zu adressieren (Trainings? Anlaufprotokoll? Werkzeugübergabestandard?), entsteht Widerstand statt Verbesserung. Die KI schafft Transparenz, die Organisation muss entscheiden, was sie damit macht.

Drei Hauptursachen in der Praxis, was die Analyse typischerweise findet

Auf Basis von Praxisberichten und verfügbaren Fallstudien zeigen sich in der Stanzerei und Metallverarbeitung immer wieder dieselben Muster:

1. Banddickentoleranz und Coil-Chargen-Qualität

Nicht alle Coils eines Lieferanten sind gleich. Auch wenn das Werkstoffzeugnis formal in Ordnung ist, weichen einzelne Coil-Chargen in der Realpraxis stärker ab als der Toleranzbereich erlaubt. Automatische Dickenmessung beim Einlauf wird nicht überall betrieben. Das Analysesystem kann Coil-Chargen-IDs gegen Ausschussdaten legen und zeigen, ob einzelne Chargen systematisch auffälliger sind.

Die Maßnahme: Selektivere Wareneingangsquote für Auffälliges, Lieferantengespräch mit Datenbasis, Prüfung des Stanzspalt-Setups bei Chargewechsel.

2. Werkzeugverschleiß und Standzeit-Muster

Stempel und Matrizen verschleißen nicht linear. Viele Betriebe wechseln nach festem Stundensatz oder nach 100.000 Schlägen, unabhängig davon, was die Daten zeigen. Das Analysesystem kann den Zusammenhang zwischen Stempelstatus (Schlagzähler, letzter Schleifzyklus) und Ausschussrate zeigen. Häufig gibt es ein charakteristisches Muster: unauffällig bis zu einem Schwellenwert, danach sprunghafter Anstieg. Dieser Schwellenwert ist werkzeug- und materialspezifisch.

Die Maßnahme: Präventiver Wechsel vor dem empirisch belegten Schwellenwert statt nach Kalenderplan. Bei Stempel #7 aus dem Eingangsbeispiel wäre der präventive Wechsel bei 80.000 statt 100.000 Schlägen eine datenbasierte Entscheidung, kein Bauchgefühl.

3. Anlaufverhalten nach Schichtwechsel

Die ersten 15–30 Minuten nach einem Schichtwechsel sind in vielen Stanzereien auffällig. Maschinen sind auf Temperatur, das Schmiermittelsystem läuft sich ein, der neue Bediener hat seine Routine noch nicht erreicht. Dieser Effekt taucht in Ausschussdaten oft als systematisches Muster auf, und wird in wöchentlichen Meetings häufig als „das ist halt so” abgetan.

Die Maßnahme: Anlaufprotokoll mit definierten Kontrollpunkten, expliziter Warmlaufphase vor der Gutteileproduktion, Checklistenübergabe zwischen Schichten für kritische Parameter.

Konkrete Werkzeuge, was wann passt

Die richtige Toolwahl hängt stark davon ab, was im Betrieb bereits an Dateninfrastruktur vorhanden ist.

Seeq, Wenn ihr bereits einen Historian (AVEVA PI, InfluxDB, Honeywell PHD) betreibt, ist Seeq der direkteste Einstieg. Das Tool verbindet sich nativ mit dem Historian und ermöglicht Korrelationsanalysen zwischen Prozessparametern und Qualitätssignalen über Scatter-Plots und visuelle Werkzeuge, ohne Python-Kenntnisse. Für die nachträgliche Analyse von Stempel- und Banddicken-Mustern sehr geeignet. Preis: ca. 1.000–1.200 USD/Nutzer/Jahr. Sinnvoll wenn: Historian vorhanden, Prozessingenieure ohne Data-Science-Hintergrund.

Microsoft Power BI mit Power Query und AutoML, Für Betriebe, die bereits im Microsoft-365-Ökosystem arbeiten, ist Power BI der günstigste Einstieg. Power Query kann Daten aus CSV-Exporten des MES, Excel-Prüfprotokollen und Schicht-Reports zusammenführen. AutoML-Funktionen (in Premium verfügbar) ermöglichen erste Korrelationsmodelle. Keine Echtzeit-Anbindung an Maschinensteuerungen ohne Middleware. Pro: 12,10 €/Nutzer/Monat. Sinnvoll wenn: Budget begrenzt, Daten kommen aus Excel/CSV-Exporten, kein Data Scientist vorhanden.

Siemens Opcenter Quality mit Analytics, Für Betriebe, die Siemens-MES bereits einsetzen oder einführen, ist das integrierte Quality-Modul der logische Schritt. Ausschussdaten, Maschinendaten und Prozessparameter liegen dann in einer Plattform. Keine Datenmigration, direktes Reporting in bestehende Strukturen. Kosten: ab 50.000 €/Jahr (On-Premises). Sinnvoll wenn: Siemens-Ökosystem bereits vorhanden, Unternehmen über 100 Mitarbeitende in der Fertigung.

Minitab, Der Klassiker für SPC und statistische Prozessfähigkeitsanalyse. Kein automatisches Machine-Learning, aber exzellente Visualisierung von Korrelationen, Cpk-Auswertungen und Hypothesentests. Besonders stark für die Validierungsphase: Wenn das KI-System Hypothesen liefert, hilft Minitab beim statistischen Nachweis, ob der Unterschied zwischen zwei Coil-Chargen oder zwei Schichten signifikant ist. IATF-16949-kompatibel. Ca. 1.800 €/Nutzer/Jahr. Sinnvoll wenn: starkes SPC-Know-how im Team, IATF-Auditanforderungen.

Siemens Insights Hub, Für Unternehmen mit mehreren Werken, umfangreichem Siemens-Maschinenpark und Enterprise-Budget. Maschinendaten aus allen Standorten fließen zusammen, werksübergreifende Mustervergleiche sind möglich. Kosten: Enterprise-Preise ab fünfstelligen Jahresbeträgen. Sinnvoll wenn: mehrere Werke, strategische IIoT-Initiative, IT/OT-Integrationskapazität vorhanden.

Zusammenfassung: Wann welcher Ansatz

• Historian vorhanden, Prozessingenieure ohne Data-Science-Hintergrund → Seeq
• Microsoft-365-Umgebung, begrenztes Budget, CSV-basierte Daten → Power BI mit Power Query
• Siemens-Ökosystem, MES vorhanden → Siemens Opcenter Quality
• SPC-starkes Team, IATF-Pflicht, statistische Validierung im Vordergrund → Minitab
• Multi-Werk-Szenario, Enterprise-Budget → Siemens Insights Hub

Coil-Verfolgung und Lieferanten-Chargen: Die vergessene Datenquelle

Eine der häufig übersehenen Ursachenkategorien in der Stanzerei ist die Variabilität in angeliefertem Bandmaterial. Das Problem: Werkstoffzeugnisse bestätigen Chargenwerte im Durchschnitt, aber die tatsächliche Dickenschwankung über eine Coil-Breite oder zwischen zwei Coils derselben Bestellnummer kann deutlich variieren.

Damit dieser Faktor überhaupt analysierbar wird, braucht es zwei Voraussetzungen:

Coil-ID-Verfolgung bis zur Anlage: Jede Anlage muss im Produktionssystem wissen, welche Coil-Charge gerade läuft. Das klingt trivial, ist es aber in der Praxis nicht, in vielen Betrieben wird das manuell eingetragen oder gar nicht erfasst. Ohne diese Nachverfolgung kann das Analysesystem Coil-Einflüsse nicht isolieren.

Werkstoffzeugnis-Digitalisierung: Die relevanten Werte aus dem Zeugnis (Streckgrenze, Banddicke, Zugfestigkeit, Abweichung von der Nominaldicke) müssen digital vorliegen und mit der Coil-ID verknüpft sein. Ein PDF-Zeugnis im Ordner ist für die Analyse wertlos.

Sind diese Voraussetzungen erfüllt, kann das Analysesystem zeigen, ob bestimmte Lieferanten-Chargen oder bestimmte Toleranzbereiche im Zeugnis systematisch mit höherem Ausschuss korrelieren, und die Einkaufsabteilung bekommt eine datenbasierte Grundlage für Lieferantengespräche.

Datenschutz und Datenhaltung

Ausschussanalysen verarbeiten primär Maschinendaten, Prozessparameter und Qualitätsmesswerte, in der Regel keine personenbezogenen Daten im DSGVO-Sinne. Dennoch gibt es relevante Datenschutzaspekte:

Schicht-IDs und Bedieneridentifikation: Wenn das Analysesystem Schicht-IDs oder Bediener-IDs als Einflussgrößen auswertet und signifikante Unterschiede findet, entsteht faktisch eine Leistungsbeurteilung individueller Mitarbeitender. Das ist betriebsverfassungsrechtlich relevant: Der Betriebsrat muss vor Einführung informiert und einbezogen werden (§ 87 Abs. 1 Nr. 6 BetrVG). Der Ausweg: Auswertung nur auf Schicht-Ebene (Frühschicht / Spätschicht / Nachtschicht), nicht auf individuelle Bedienerkennungen. Das reicht für die Ursachenanalyse in den meisten Fällen aus.

Cloud vs. On-Premises: Produktionsdaten, insbesondere bei Automotive-Zulieferern mit Geheimhaltungsverpflichtungen gegenüber OEM-Kunden, dürfen oft nicht in öffentliche Cloud-Systeme übertragen werden. Seeq, Siemens Opcenter und Siemens Insights Hub bieten EU-konformes On-Premises- oder EU-Cloud-Hosting an. Power BI lässt sich mit EU Data Boundary ebenfalls konform betreiben.

Auftragsverarbeitungsvertrag (AVV): Sobald ein externer Dienstleister (SaaS oder Implementierungspartner) Zugriff auf Produktionsdaten erhält, ist ein AVV nach Art. 28 DSGVO erforderlich. Alle genannten Anbieter stellen AVV-Vorlagen bereit.

Was es kostet, realistisch gerechnet

Einmalige Einrichtungskosten

• Datenanalyse und Quellen-Inventur: 2–4 Wochen intern (Qualitätsingenieur + IT)
• Tool-Einrichtung und Datenintegration: 5.000–20.000 Euro (abhängig von Toolwahl und bestehender Infrastruktur)
• Initialer Modell-Build und Validierung: 3.000–10.000 Euro bei externer Unterstützung
• Bei reinem Power-BI-Ansatz mit CSV-Daten: deutlich günstiger, ab 2.000–5.000 Euro möglich

Laufende Kosten (monatlich)

• Minitab: ca. 150 €/Nutzer/Monat (bei 1.800 €/Jahr)
• Seeq: ca. 85–100 USD/Nutzer/Monat
• Power BI Pro: 12,10 €/Nutzer/Monat
• Siemens Opcenter Quality: ab 4.000–12.000 €/Monat je nach Modul und Werksanzahl

Realistisches ROI-Szenario

Ausgangslage: 4,2 % Ausschuss auf 500.000 Teilen/Monat × 1,18 € = 24.780 €/Monat.

Identifizierte Maßnahmen: Lieferantensteuerung (Coil-Toleranz < ±0,04 mm verpflichtend), präventiver Stempelwechsel bei 80.000 statt 100.000 Schlägen, Anlaufprotokoll für erste 30 Minuten nach Schichtwechsel.

Konservatives Ziel: Ausschuss von 4,2 % auf 2,2 % reduzieren (nicht auf 1,5 %, für den ersten Schritt realistischer).
Einsparung: ~2 Prozentpunkte × 500.000 Teile × 1,18 € = 11.800 €/Monat.

Einrichtungskosten amortisiert in: 1–2 Monaten (bei 10.000–20.000 € Einrichtung).

Die Gegenrechnung: Wenn drei der sechs Wochenanalyse-Stunden wegfallen und sich durch gezieltere Maßnahmen die Maßnahmen-Rücklaufquote halbiert, entstehen weitere indirekte Einsparungen, die sich aber schwerer beziffern lassen.

Wie der ROI tatsächlich messbar wird: Führe die Ausschussstatistik getrennt nach Coil-Charge, Schicht und Werkzeugstatus. Vergleiche die Ausschussquote in den 4 Wochen nach jeder Maßnahme mit dem Baseline-Wert der vorangegangenen 8 Wochen. Das ist exakt die Dokumentation, die ein IATF-Audit fordert, und der ehrliche Beweis, dass eine Maßnahme gewirkt hat.

Vier typische Einstiegsfehler

1. Mit allen Datenquellen gleichzeitig starten Der Reflex: Wenn schon, dann richtig, alle Maschinendaten, alle Prüfprotokolle, alle Schichten auf einmal. Das führt erfahrungsgemäß zu einem Analyseprojekt, das 6 Monate dauert und nie in Produktion geht. Lösung: Mit einer einzigen Fertigungslinie und dem kostenintensivsten Ausschussprodukt starten. Daten für 12 Monate, drei Datenquellen (Maschinendaten, Prüfprotokoll, Coil-ID). Erste Ergebnisse in 6–8 Wochen.

2. Die Hypothesen direkt als Maßnahmen umsetzen Dieser Fehler entsteht aus echtem Enthusiasmus: Das System zeigt, dass Coil-Charge B problematisch ist, also sofort alle Coils von Lieferant B sperren. Ohne Kausalvalidierung. Was dann passieren kann: Die Korrelation war eine Scheinkorrelation (Lieferant B liefert immer im Winter, wenn die Anlage kälter ist). Die Maßnahme hat keinen Effekt, aber hohe Folgekosten. Lösung: Immer zuerst einen kontrollierten Test, einen Produktionstag mit Coil B bewusst einplanen, Messdaten engmaschig erfassen, mit historischem Baseline vergleichen.

3. Das Modell einmal aufbauen und nicht nachpflegen Das ist der häufigste Langzeit-Fehler. Ein Modell, das auf Daten aus 2023–2024 trainiert wurde, hat im dritten Betriebsjahr ein Problem: Neue Stähle, neue Lieferanten, neue Werkzeugtypen, das Modell kennt diese Variablen nicht. Ein Analysesystem, das nicht regelmäßig mit neuen Daten aktualisiert wird, zeigt nach 12–18 Monaten veraltete Muster mit wachsender Konfidenz. Das ist gefährlicher als kein Modell: Es klingt verlässlich und irrt sich. Lösung: Quartalsmäßiges Retraining oder zumindest Prüfung der Top-Hypothesen gegen aktuelle Ausschussdaten einplanen. Wer das System einführt, muss gleichzeitig den Pflegeprozess einführen.

4. Kein Feedback-Loop zwischen Maßnahmen und Analyse Wenn eine Maßnahme umgesetzt wird, muss das Analysesystem davon wissen. Andernfalls erscheint der Effekt der Maßnahme als „mysteriöse Ausschussreduktion” im Modell, und das System lernt nicht, welche Eingriffe gewirkt haben. Maßnahmen-Zeitstempel in die Datenbasis eintragen, Ergebnis-Nachverfolgung mindestens 4 Wochen nach Maßnahmenumsetzung, das ist der Feedback-Loop, der das System mit der Zeit besser macht.

Was mit der Einführung wirklich passiert, und was nicht

Die Analyseplattform ist nicht das Hauptproblem. Die Daten sind das Hauptproblem.

In den meisten Metallverarbeitungsbetrieben sind Ausschussdaten da, als manuelle Strichliste, als Export aus dem MES, als Excel-Tabelle im Qualitätslaufwerk. Maschinendaten sind da, als Historienspeicher in der Steuerung oder im Historian. Coil-Verfolgung ist da, irgendwo, manchmal als Papierbeleg. Was fehlt, ist die Verbindung dieser Quellen. Und die herzustellen ist zeitaufwändiger als jede Modellentwicklung.

Erfahrungsgemäß tauchen drei Widerstands-Muster auf:

Der Schichtführer, der Muster nicht sehen will. Wenn das Analysesystem zeigt, dass in der Nachtschicht systematisch mehr Ausschuss entsteht, ist das keine neutrale Statistik, es ist eine Aussage über Menschen. Schichtführer, die das System einführen, fühlen sich unter Beobachtung. Was hilft: klar kommunizieren, dass es um Prozesse geht, nicht um Personen. Anlaufprotokolle als Unterstützung, nicht als Kontrolle positionieren. Schichtführer in die Maßnahmenentwicklung einbeziehen.

Der Qualitätsingenieur, der seinen Prüfungsstil nicht ändern will. Wochenlange Ausschussanalysen nach bewährtem Schema, Fischgräte, Brainstorming, Pareto-Chart, zu ersetzen durch „das System sagt XY” ist ein Statusverlust. Die Erfahrung des Ingenieurs zählt plötzlich weniger. Was hilft: den Ingenieur nicht ersetzen, sondern aufwerten. Seine Aufgabe wird die Kausalvalidierung, die anspruchsvollere, intellektuell interessantere Aufgabe. Das System liefert Kandidaten, er entscheidet, was davon echt ist.

Der IT-Leiter, der keine OT-Anbindung erlaubt. In vielen Fertigungsbetrieben sind IT-Netzwerk und Produktionsnetzwerk strikt getrennt, aus gutem Grund (IT-Security, Verfügbarkeitsanforderungen). Jede Datenverbindung zwischen Maschinensteuerung und Analyseplattform erfordert eine explizite Netzwerkfreigabe. Das kann Wochen dauern. Was hilft: früh einplanen, IT-Security-Anforderungen von Beginn an in die Tool-Auswahl einbeziehen, und ggf. mit Read-only-Datenexporten aus dem MES starten, bis die OT-Anbindung geklärt ist.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„Wir wissen schon, was der Ausschuss verursacht.” Vielleicht. Aber wenn der Ausschuss schon bekannt ist, warum liegt er dann noch bei 4 Prozent? Die ehrliche Antwort ist oft: Man kennt die Symptome, nicht die Ursachen. Die Nachtschicht hat mehr Ausschuss, bekannt. Warum genau und unter welchen Bedingungen, unbekannt. Das Analysesystem geht einen Schritt weiter als das Pareto-Chart.

„Unsere Daten sind zu schlecht für KI.” Das ist oft keine Übertreibung, sondern eine ehrliche Einschätzung. Schlechte Datenqualität ist tatsächlich ein Ausschlusskriterium, aber nicht notwendigerweise ein dauerhaftes. Der erste Schritt ist der Datenaudit: Was haben wir, was fehlt, was ist zu verrauscht? In vielen Fällen sind die Daten besser als befürchtet, die Qualitätsprotokolle der letzten 18 Monate sind vorhanden, Coil-IDs werden im MES gepflegt, Schicht-Reports liegen vor. Die Integration fehlt, nicht die Daten.

„Das ist zu teuer für uns.” Gegenrechnung: Bei 20.000 Euro monatlichem Ausschuss und konservativen 30 Prozent Reduktion durch gezielte Maßnahmen sind das 6.000 Euro Einsparung pro Monat. Eine Einrichtung für 15.000 Euro amortisiert sich in 2,5 Monaten. Wer das als zu teuer einstuft, sollte die Rechnung explizit machen, und dann entscheiden. Nicht das Tool ist teuer, sondern der ungeklärte Ausschuss.

„KI ersetzt unsere erfahrenen Leute.” Nein, genau umgekehrt. Ein erfahrener Qualitätsingenieur, der seit 15 Jahren Ausschussanalysen macht, wird mit dem System effizienter, nicht überflüssig. Seine Aufgabe verschiebt sich: Er verbringt weniger Zeit damit, Daten aus verschiedenen Quellen zusammenzusuchen, und mehr Zeit mit der Aufgabe, die wirklich seine Expertise erfordert, die kausale Bewertung von Hypothesen. Das ist keine Degradierung, das ist Aufwertung.

Woran du merkst, dass das zu dir passt

Du passt gut, wenn:

• Deine Ausschussquote liegt regelmäßig über 2 Prozent und die wöchentlichen Maßnahmen greifen nicht dauerhaft
• Du hast mehr als 12 Monate Prüfprotokolle und Ausschussdaten digital vorliegen, auch in Excel-Exporten
• Mindestens eine Datenquelle aus der Maschinensteuerung ist digital zugänglich (OPC UA, Historian, MES)
• Deine monatlichen Ausschusskosten übersteigen 10.000 Euro, dann ist der Einrichtungsaufwand bereits nach wenigen Monaten refinanziert
• Du hast einen Qualitätsingenieur oder Techniker, der die Analyse begleiten und Hypothesen validieren kann

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

1. Weniger als 12 Monate strukturierter Ausschussdaten. Das Analysesystem braucht ausreichend historische Daten, um saisonale Effekte, Werkzeug-Zyklen und Lieferantenvariabilität zu trennen. Bei unter 12 Monaten Daten fehlt die Trainingsbasis, das Modell findet zufällige Muster statt systematische Ursachen. Wer noch keine strukturierte Datenerfassung hat, sollte zuerst damit beginnen.

2. Keine digitale Fehlerklassifikation in den Prüfprotokollen. Ein System, das nur „Ausschuss Ja/Nein” kennt, kann keine Fehlertypen analysieren. Ob ein Riss durch Materialversagen entsteht oder durch Stempelspalt-Fehler, das ist in der Analyse entscheidend. Wer seine Ausschussgründe nicht klassifiziert (Riss, Falte, Maßabweichung, Oberflächenfehler), gibt dem Modell zu wenig Angriffspunkte. Voraussetzung: mindestens fünf unterscheidbare Fehlerklassen, konsequent erfasst.

3. Keine Bereitschaft zur Kausalvalidierung. Wer die Analyseergebnisse direkt als Maßnahmen umsetzt, ohne Kausalplausibilität zu prüfen, wird Fehlinvestitionen machen. Die KI liefert Korrelationen, die Ingenieure müssen sie bewerten. Wenn das Team die Kapazität oder die Bereitschaft nicht hat, systematisch gegenzuprüfen, sollte das Projekt warten, bis diese Kultur etabliert ist.

Das kannst du heute noch tun

Mach einen Datenaudit in 45 Minuten: Wo liegen deine Ausschussdaten der letzten 12 Monate? Als Excel-Export, als CSV aus dem MES, als manuelle Liste? Wie vollständig sind die Coil-IDs, Schicht-IDs und Fehlerklassen? Notiere, was vorhanden ist und was fehlt, das ist der erste Schritt vor jeder Tool-Entscheidung.

Für eine erste Korrelationsanalyse auf Basis vorhandener Daten:

Quellen & Methodik

• Frontiers in Manufacturing Technology (2022): „A systematic review on machine learning methods for root cause analysis towards zero-defect manufacturing”, Übersicht über 30 ML-Anwendungen (2017–2022) in der Fertigung; zeigt, dass Korrelationsmethoden systematisch Symptome höher gewichten als Ursachen. DOI: 10.3389/fmtec.2022.972712
• auxiliobits.com (2024): „Reducing Scrap and Rework Using AI-Driven Root Cause Analysis”, Praxisfallbericht eines Automotive Tier-1 Stanzlieferanten, 4–7% Ausschuss durch gezielte KI-Analyse auf unter 2,5% reduziert; enthält konkrete Warnung vor „operationally inconvenient” Mustern.
• pn-consult.de (Praxisbeispiel): Automobilzulieferer Antriebswellen, Ausschussquote nach Methodikanwendung (Ishikawa, MFA/PFA, Pareto) um mehr als 50% reduziert in wenigen Monaten, klassischer Methodenrahmen als Validierungsgrundlage für KI-Hypothesen.
• IT&Production / Symate GmbH: Hugo Stiehl GmbH (technische Kunststoffteile), Einsatz Detact Smart Diagnostics, Maschinenstillstände um bis zu 50% reduziert durch automatische Ursachenverknüpfung mit Schichtdaten.
• Minitab LLC (2025): Preisangaben für Einzellizenz (~1.800 €/Nutzer/Jahr), Manufacturing Today Innovation Award 2025 für Qualitätskontrolle, Herstellerdaten.
• Seeq Corporation (2026): Preisangabe für Workbench-Lizenz (~1.000–1.200 USD/Nutzer/Jahr), Herstellerdaten.
• Kostenberechnung Ausschuss: Eigene Kalkulationsbeispiele auf Basis branchenüblicher Werte (500.000 Teile/Monat, 1,18 €/Teil Material + Lohn). Konkretes Einsparpotenzial ist stark abhängig von tatsächlicher Ausschussquote und Maßnahmenwirkung.
• Betriebsverfassungsgesetz § 87 Abs. 1 Nr. 6: Mitbestimmungspflicht bei technischen Einrichtungen zur Leistungsüberwachung, aktuell gültige Fassung.

Du möchtest wissen, welche Datenquellen in eurem Betrieb als erstes verbunden werden sollten und wie hoch das realistische Einsparpotenzial ist? Meld dich, das klären wir gemeinsam in einem kurzen Gespräch.