Reparaturanalyse Verschleißteile

Das echte Ausmaß des Problems

Gesenke, Matrizen, Schneidwerkzeuge, Walzen — in der Metallverarbeitung ist Verschleiß unvermeidlich. Die Frage ist nicht, ob ein Werkzeug verschleißt, sondern wann und wie schnell. Und genau daran scheitert die Planung in vielen Betrieben.

Das strukturelle Problem: Werkzeugkosten liegen in zerspanenden und umformenden Betrieben regelmäßig bei 5–15 Prozent der Fertigungskosten. Ein CNC-Bearbeitungszentrum mit 1.000 Betriebsstunden pro Monat kann leicht 30.000–80.000 Euro jährlich allein für Schneidwerkzeuge verbrauchen. Gesenke für Gesenkschmieden oder Matrizen in Stanzlinien können pro Stück 2.000–25.000 Euro kosten und brauchen nach intensivem Einsatz umfangreiche Reparatur.

Das Problem ist nicht der Verschleiß an sich — der ist kalkulierbar. Das Problem ist die Streuung: Gleiche Werkzeuge unter gleichen Nominalbedingungen erreichen teils völlig unterschiedliche Standzeiten. Das Mittelstand-Digital Zentrum Ilmenau untersuchte gemeinsam mit der GFE Präzisionstechnik Schmalkalden GmbH 64 identische Bohrer unter kontrollierten Bedingungen. Das Ergebnis war ernüchternd: Die Standzeit schwankte zwischen den Werkzeugen um eine Standardabweichung von 1.005 Arbeitsspielen — bei einem Mittelwert von 2.850. Das ist eine Streuung von mehr als 35 Prozent.

Was das bedeutet: Wer nach Mittelwert wechselt, wechselt ein Drittel der Werkzeuge zu früh. Wer nach Maximum wechselt, riskiert Ausschuss bei einem anderen Drittel. Es gibt keine starre Standzeit-Vorgabe, die für alle Werkzeuge gleichzeitig optimal ist.

Typische Symptome, die du kennen wirst:

• Planmäßige Werkzeugwechsel nach Stückzahl oder Stunden — unabhängig vom tatsächlichen Zustand
• Reparaturentscheidungen per Sichtprüfung und Erfahrung des Einrichters
• Keine systematische Dokumentation, warum ein Werkzeug wann ausgetauscht wurde
• Ausschusshäufungen ohne klare Ursachenzuordnung zum Werkzeugzustand
• Hohe Lagerkosten durch überdimensionierte Sicherheitsbestände an Ersatzwerkzeugen

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Zahlen für Ausschuss und Werkzeugnutzung sind Richtwerte aus Branchenprojekten und Herstellerangaben — dein konkreter Hebel hängt davon ab, wie weit die aktuelle Steuerung vom Optimum entfernt ist.

Einschätzung auf einen Blick

Zeitersparnis — gering (2/5) Direkte Arbeitszeitersparnis entsteht kaum — das System übernimmt keine manuelle Aufgabe vom Einrichter oder Werker. Die Einsparung ist indirekt: weniger Notfallwechsel, weniger Ausschusssortierung, weniger Ursachensuche bei Maßabweichungen. Verglichen mit Anwendungsfällen wie CNC-Fertigungsdokumentation oder Angebotskalkulation, die Verwaltungsarbeitszeit direkt einsparen, ist der Zeiteffekt hier schwächer und schwieriger zuzuordnen.

Kosteneinsparung — hoch (4/5) Das ist die eigentliche Stärke dieses Anwendungsfalls. Werkzeug- und Matrizenkosten sind in der Metallverarbeitung substanziell. Wer eine Standzeitverlängerung von 15–25 Prozent erreicht, spart bei einem jährlichen Werkzeugbudget von 200.000 Euro 30.000–50.000 Euro — jedes Jahr. Dazu kommen reduzierter Ausschuss, geringere Lagerkosten durch kleinere Sicherheitsbestände und Einsparungen bei Reparaturkosten durch frühzeitiges Eingreifen. Damit zählt dieser Anwendungsfall zu den wirtschaftlichsten in dieser Branchenkategorie, gemeinsam mit Ausschussanalyse und Wartungsplan Gießerei.

Schnelle Umsetzung — langsam (2/5) Sensorik beschaffen, installieren und kalibrieren; historische Standzeit- und Reparaturdaten aufbereiten; Modell trainieren; Pilotphase durchlaufen — das dauert realistisch 10–16 Wochen, manchmal länger. Das ist keine Frage des Willens, sondern des Wegs: Das Modell braucht Trainingsdaten, und die entstehen erst im Betrieb. Verglichen mit rein softwarebasierten Anwendungen wie Materialzertifikat-Verwaltung ist der Einstieg hier deutlich aufwändiger.

ROI-Sicherheit — mittel (3/5) Der Nutzen ist real und messbar — aber er tritt erst nach 4–6 Monaten verlässlicher Datenbasis ein und hängt stark davon ab, wie groß die Streuung der bisherigen Standzeiten ist. Wer heute bereits sehr konservativ und systematisch nach Stückzahl wechselt und wenig Ausschuss hat, wird weniger sparen als ein Betrieb mit hoher Standzeit-Varianz. Das Risiko: Das System berechnet zu früh zu optimistische Reststandzeiten, weil die Datenlage noch dünn ist — dann kommt der Ausschuss durch das Modell statt trotz ihm.

Skalierbarkeit — hoch (4/5) Ein Pilotbetrieb auf einem Maschinentyp lässt sich schrittweise auf weitere Werkzeugtypen und Anlagen ausdehnen — und das Systemwissen wächst mit. Wer mit Bohrern anfängt, kann dasselbe Framework auf Fräser, Gesenke oder Walzen ausrollen, wenn die technische Infrastruktur steht. Voraussetzung: Für jeden neuen Werkzeugtyp braucht das Modell eigene Trainingsdaten, da Verschleißmuster materialabhängig sind.

Richtwerte — stark abhängig von Maschinenpark, Werkzeugvielfalt und vorhandener Datenbasis.

Was das System konkret macht

Die KI-gestützte Verschleißanalyse kombiniert drei Bausteine, die zusammen funktionieren — keiner davon reicht allein.

Baustein 1: Zustandserfassung in Echtzeit. Sensoren an der Maschine erfassen während des Betriebs kontinuierlich Signale: Leistungsaufnahme der Spindel, Vibration, Schneidkraft, Temperatur, Körperschall. Diese Rohdaten werden — entweder direkt an der Maschine oder in einer Cloud-Plattform — mit Machine Learning ausgewertet. Das Modell hat aus historischen Daten gelernt, welche Signalmuster einem frischen Werkzeug entsprechen und welche auf zunehmenden Verschleiß hindeuten.

Baustein 2: Reststandzeit-Vorhersage. Aus dem aktuellen Zustand berechnet das System die Reststandzeit: “Dieses Werkzeug hat noch schätzungsweise 280 Arbeitsspiele bis zum Austausch.” Das ermöglicht vorausschauende Planung — der Werkzeugwechsel wird im nächsten Schichtübergang eingeplant, nicht als Notfallmaßnahme mitten in der Fertigung.

Baustein 3: Reparatur-oder-Austausch-Kalkulation. Das ist der spezifisch wirtschaftliche Teil, der in vielen Monitoring-Systemen fehlt. Das System pflegt eine Reparaturhistorie je Werkzeug: Wie oft wurde es schon repariert? Welche Kosten sind je Reparaturzyklus entstanden? Wie lange hat die Standzeit nach der letzten Reparatur gehalten? Aus diesen Daten berechnet es — zusammen mit dem aktuellen Verschleißbild — ob eine weitere Reparatur wirtschaftlich sinnvoll ist oder ob der Neukauf günstiger kommt.

Ein konkretes Beispiel: Ein Warmgesenk hat drei Reparaturzyklen hinter sich. Die Reststandzeit nach der letzten Reparatur war 20 Prozent kürzer als nach der ersten. Das aktuelle Verschleißbild zeigt Risse im Gravurbereich, die eine Reparatur aufwändig machen würden. Das System berechnet: Reparatur ca. 3.200 Euro, erwartete Reststandzeit 1.800 Teile. Neugesenk: 12.500 Euro, erwartete Erststandzeit 6.500 Teile. Kosten pro Teil: Reparatur 1,78 Euro/Teil vs. Neukauf 1,92 Euro/Teil — Reparatur ist dieses Mal knapp günstiger. Nach dem vierten Zyklus aber wird das Verhältnis umkehren.

Diese Rechnung ist ohne systematische Daten kaum möglich — sie erfordert eine verlässliche Reparaturhistorie, Kostendaten und eine konsistente Erfassung der Standzeiten nach Reparatur.

Sensorik — was und wo messen

Das schwierigste Design-Problem bei der Implementierung ist die Sensorik. Nicht jeder Sensor ist für jeden Werkzeugtyp sinnvoll, und die Montageposition beeinflusst die Signalqualität erheblich.

Körperschall (akustische Emission): Einer der empfindlichsten Indikatoren für beginnendes Werkzeugversagen. Körperschallsensoren erfassen hochfrequente Schwingungen (50 kHz bis 1 MHz), die entstehen, wenn die Schneidkante verschleißt oder plastisch deformiert. Das Hufschmied SonicShark-System arbeitet mit diesem Prinzip und erkennt nicht nur Werkzeugverschleiß, sondern auch Materialinhomogenitäten und falsch eingespannte Werkzeuge. Herausforderung: Das Modell muss für jede Werkzeug-Werkstück-Kombination separat kalibriert werden — ein Wechsel des Werkstückmaterials erfordert Neutraining. Montageempfehlung: möglichst nahe am Schneidort, direkt am Spindelgehäuse oder am Spannfutter.

Spindel-Leistungsaufnahme / Strom: Der einfachste Einstieg für retrofittierbare Systeme. Steigende Leistungsaufnahme bei gleichen Schnittparametern zeigt erhöhte Schnittkräfte — ein klares Verschleißsignal. Schwäche: Das Signal ist grob, erkennt erst fortgeschrittenen Verschleiß und ist sensitiv gegenüber Schwankungen im Werkstückmaterial. Gut geeignet für erste Pilotprojekte an bestehenden Maschinen ohne OPC-UA-Schnittstelle, weil die Messung an der Stromzuführung der Maschine erfolgt.

Vibration (Beschleunigungssensoren): Erkennt Rattern, Unwucht und Lagerprobleme, die indirekt auf Werkzeugverschleiß hinweisen. Bei Walzen und Gesenken ist Vibration oft das erste messbare Signal für beginnende Materialermüdung. Montageort: direkt am Maschinenlager oder an der Walzenaufhängung.

Temperatursensoren / Pyrometer: Für Warmumformprozesse (Schmieden, Warmwalzen) ist die Temperaturverteilung im Werkzeug ein kritischer Verschleißindikator. Infrarot-Pyrometer können kontaktlos die Oberflächentemperatur erfassen — nützlich, wenn direkte Sensoranbringung am Werkzeug nicht möglich ist.

Kombinierte Sensorpakete (Retrofit): Für Bestandsmaschinen ohne CNC-Datenausgang gibt es kompakte Retrofit-Einheiten (z. B. von Balluff, Turck oder Pepperl+Fuchs), die Strom, Vibration und Temperatur gleichzeitig erfassen und über MQTT oder OPC-UA in eine Auswertungsplattform senden. Investition typischerweise 800–3.000 Euro je Maschine für die Hardware.

Faustregel für die Sensorauswahl: Starte mit dem Signal, das am stabilsten und reproduzierbar zu erfassen ist, nicht mit dem technisch interessantesten. Ein einfaches, zuverlässiges Leistungssignal liefert mehr Mehrwert als ein hochaufgelöstes Körperschallsignal, das bei jeder Wartung der Maschine neu kalibriert werden muss.

Konkrete Werkzeuge — was wann passt

Tvarit Industrial AI — wenn metallurgische Tiefe gefragt ist. Tvarit ist auf Metallindustrie und Gießerei spezialisiert und verbindet ML mit physikalischem Domänenwissen. Das Predictive-Maintenance-Modul ist auf Verschleißprozesse in Metallbearbeitungsanlagen ausgelegt. Stärke: Hybrid-AI-Architektur, die auch mit kleinerer Datenbasis stabile Vorhersagen liefert. Schwäche: Nicht auf Einzelwerkzeug-Nachverfolgung ausgerichtet, eher auf Anlagenebene. Preise auf Anfrage, typisch ab 500–2.000 Euro/Maschine/Monat. Sinnvoll für Betriebe mit Schmelz- und Warmformoperationen ab 5 Anlagen.

Siemens Insights Hub — wenn Siemens-Maschinenpark vorhanden ist. Siemens Insights Hub (früher MindSphere) sammelt Maschinendaten über Siemens SINUMERIK-Steuerungen direkt, ohne zusätzliche Sensorik. Die Analytics-Funktionen erlauben Trendanalysen auf Spindeldaten und können für rudimentäre Werkzeugzustands-Überwachung genutzt werden. Für tiefere Verschleißanalyse müssen Drittanbieter-Apps eingebunden werden. Enterprise-Preisgestaltung auf Anfrage; Einstieg über Siemens-Partner. Sinnvoll ab 10+ Siemens-Maschinen, für Betriebe, die ohnehin im Siemens-Ökosystem sind.

Amazon Lookout for Equipment — als Einstieg auf AWS-Infrastruktur. Vollständig verwalteter Anomaliedienst, der Zeitreihendaten von Sensoren auswertet und Anomaliemuster erkennt — ohne ML-Wissen. Sensorik muss separat beschafft und angebunden werden; Lookout for Equipment übernimmt dann die Modellierung. Pay-as-you-go: Datenaufnahme 0,05 USD/GB, Inferenz 0,15 USD/Stunde je Modell. EU-Region Frankfurt verfügbar. Geeignet, wenn die technische Grundinfrastruktur (IoT-Gateway, Datenübertragung) bereits steht oder in AWS-Infrastruktur investiert wird.

Microsoft Power BI — für Reparaturentscheidungs-Dashboards. Power BI ist kein Predictive-Maintenance-Tool, aber unverzichtbar für den Schritt danach: Reparaturhistorien visualisieren, Kostenkalkulation je Werkzeugtyp, Vergleich der Standzeiten vor und nach Reparatur. Power BI Desktop ist kostenlos, Pro 12,10 Euro/Monat/Nutzer. Für Betriebe, die keinen eigenen BI-Stack haben, ist das die sinnvollste Ergänzung zu einer Monitoring-Plattform — und ermöglicht genau die Reparatur-vs.-Neukauf-Kalkulationen, die sonst per Excel oder per Gefühl entschieden werden.

Einfachster Einstieg ohne spezialisiertes Tool: ChatGPT (oder Claude) mit eigenem Werkzeugdaten-Export. Viele CNC-Steuerungen exportieren Spindel- und Bearbeitungsdaten als CSV. Wer diese Daten in ein Gespräch mit einem LLM lädt und strukturiert auswertet, bekommt ohne eigene Software erste Muster — z. B. Korrelation zwischen Spindellast-Anstieg und Ausschussteil. Kein Echtzeit-Monitoring, aber ein sinnvoller erster Analyseschritt vor der Investition in Spezial-Software.

Wann welcher Ansatz:

• Siemens-Maschinenpark, 10+ Maschinen → Siemens Insights Hub
• Gießerei, Warmformung, industriespezifische KI gefragt → Tvarit Industrial AI
• AWS-Infrastruktur vorhanden, Einstieg in Anomalieerkennung → Amazon Lookout for Equipment
• Reparaturentscheidungen visualisieren und dokumentieren → Microsoft Power BI ergänzend
• Explorative Erstanalyse ohne Investition → ChatGPT oder Claude mit CSV-Export der Maschinendaten

Datenschutz und Datenhaltung

Maschinendaten aus CNC-Steuerungen und Sensorik enthalten in der Regel keine personenbezogenen Daten — Spindeldrehzahl, Leistungsaufnahme oder Vibrationsamplitude sind Prozessdaten. DSGVO ist trotzdem relevant, sobald Schicht- oder Bedienerkennnummern in die Datensätze einfließen — was häufig passiert, wenn CNC-Logs maschinenübergreifend ausgewertet werden.

Für die gängigen Plattformen:

• Siemens Insights Hub: EU-Hosting verfügbar, AVV standardmäßig im Enterprise-Vertrag. Produktionsdaten verlassen die EU nicht, wenn die entsprechende Region gewählt wird.
• Amazon Lookout for Equipment: EU-Region Frankfurt (eu-central-1) verfügbar; AVV im AWS-Standardvertrag; Inferenz-Daten werden nicht für Modell-Training bei anderen Kunden genutzt.
• Tvarit Industrial AI: Deutsches Unternehmen, EU-Hosting, AVV verfügbar. Produktionsdaten werden nur mandantenisoliert verarbeitet.
• On-Premise-Variante: Wer sensible Fertigungsdaten (z. B. bei Rüstungsaufträgen oder geheimen Legierungsrezepturen) nicht in die Cloud geben darf oder will, kann Verschleißanalyse auch auf Edge-Geräten direkt an der Maschine betreiben. Kistler und ähnliche Anbieter bieten Hardware-basierte Prozessüberwachung an, die vollständig lokal arbeitet.

Praktisch entscheidend: Wenn Schicht- oder Bediener-IDs in die Auswertung eingehen sollen (z. B. um zu verstehen, ob das Werkzeug unter bestimmten Bedienern schneller verschleißt), muss das mit dem Datenschutzbeauftragten und dem Betriebsrat abgestimmt werden — das geht über reine Prozessoptimierung hinaus und berührt Verhaltensüberwachung.

Was es kostet — realistisch gerechnet

Einmalige Investitionen

Laufende Kosten (monatlich)

• Plattform-Lizenz: 500–3.000 Euro/Monat je nach Anbieter und Maschinenanzahl
• Cloud-Datenvolumen und Inferenz: 100–500 Euro/Monat (bei AWS Lookout, nutzungsabhängig)
• Pflege und Modell-Update: 2–4 Stunden/Monat interne Arbeitszeit

Was du gegenstellen kannst

Ein Betrieb mit 200.000 Euro jährlichem Werkzeugbudget und einer Standzeit-Verlängerung von 15 Prozent spart 30.000 Euro pro Jahr — allein durch bessere Nutzung der Werkzeuge. Dazu kommen reduzierte Ausschusskosten: Wenn zwei Ausschuss-Ereignisse pro Quartal verhindert werden, bei je 3.000 Euro Nacharbeitskosten, sind das weitere 24.000 Euro jährlich. Konservativ gerechnet — und ohne die Einsparung durch bessere Reparaturentscheidungen — stehen 50.000–60.000 Euro jährlichem Nutzen Kosten von rund 20.000–30.000 Euro (Erstinvestition amortisiert + laufende Kosten) gegenüber.

Wie du den ROI tatsächlich misst: Nicht über Modell-Vorhersagen, sondern über Messungen vor und nach dem Pilotbetrieb — Werkzeugverbrauch in Stück pro Monat, Ausschussquote in Prozent, Anzahl ungeplanter Stillstände je Anlage. Das sind die drei Kennzahlen, die du vor dem Pilotstart erfassen und nach sechs Monaten vergleichen solltest.

Drei typische Einstiegsfehler

1. Mit allen Maschinen und Werkzeugtypen gleichzeitig starten. Der Reflex: Wenn das System schon da ist, soll es gleich alles überwachen. In der Praxis führt das dazu, dass das Modell mit zu heterogenen Daten trainiert wird — Bohrer, Fräser, Gesenke, Walzen haben völlig unterschiedliche Verschleißmuster, die separat gelernt werden müssen. Ein Pilot auf einem Maschinentyp und einem Werkzeugtyp, der wirklich gut läuft und gute Ergebnisse zeigt, ist wertvoller als ein System, das überall ein bisschen kann, aber nirgends wirklich verlässlich ist.

2. Neue Materialien einführen und das Modell weiterlaufen lassen. Das ist der gefährlichste Betriebsfehler. Wenn ein neuer Werkstofflieferant andere Legierungszusammensetzungen liefert, wenn eine härtere oder weichere Charge eingesetzt wird — verändert das die Verschleißmuster. Das KI-Modell, das auf alten Daten trainiert wurde, erkennt das nicht und gibt weiterhin Reststandzeit-Prognosen aus, die für das alte Material galten. Das Ergebnis: Ausschuss, obwohl das System “grün” zeigt. Lösung: Jede Materialänderung oder jeder Lieferantenwechsel muss als Auslöser für eine Modell-Prüfung behandelt werden.

3. Die Reparaturhistorie nicht sauber führen — und dann erwarten, dass das System Reparatur-vs.-Austausch-Entscheidungen trifft. Die Kostenkalkulation je Reparaturzyklus ist der wirtschaftlich interessanteste Teil dieses Anwendungsfalls. Aber sie braucht zuverlässige Eingabedaten: Was hat die letzte Reparatur gekostet? Welche Standzeit wurde danach erreicht? Wer das nicht systematisch erfasst, kann das System maximal für Verschleiß-Erkennung nutzen — die wirtschaftliche Entscheidungsunterstützung fällt weg. Das lässt sich nur mit einer konsequenten Reparaturhistorie je Werkzeug lösen — und die muss vor der KI-Einführung aufgebaut werden, nicht danach.

Was mit der Einführung wirklich passiert — und was nicht

Die größte Überraschung in der Praxis ist selten die Technik. Es ist die Organisation.

Die Erfahrungs-Paradoxie. Die Einrichter und Werkzeugverantwortlichen im Betrieb haben über Jahre ein feines Gespür entwickelt — sie hören, ob eine Maschine anders klingt, spüren, wenn die Spanbildung sich ändert. Wenn jetzt ein System kommt, das dasselbe tun soll, kann das als Entwertung ihrer Erfahrung wahrgenommen werden. Wie damit umgehen? Lass diese Menschen die Daten des Systems mit ihrer Erfahrung kalibrieren — nicht umgekehrt. Die ersten drei Monate sollten die Fachleute das System nicht passiv nutzen, sondern aktiv hinterfragen: “Hier sagt das System X, ich sehe aber Y — was fehlt dem Modell?” Das ist kein Fehler im System, das ist wertvolles Training.

Das Vertrauensproblem in der Pilotphase. Das Modell gibt nach 4–6 Wochen erste Vorhersagen aus, die noch nicht vollständig verlässlich sind — weil die Datenbasis noch zu klein ist. Wenn in dieser Phase das System “kein Wechsel nötig” sagt und dann doch Ausschuss entsteht, ist das für die Akzeptanz fatal. Empfehlung: In den ersten 3 Monaten nie gegen das Urteil der Werkzeugexperten handeln. Das System läuft im Advisory-Modus — der Einrichter entscheidet, das System protokolliert und lernt.

Was nicht passiert: Das System entscheidet autonom. Kein seriöser Anbieter empfiehlt vollautomatisierte Werkzeugwechsel ohne menschliche Freigabe — zu hoch ist das Risiko von Fehlalarmen in Situationen, die das Modell nicht kennt. Das System informiert und empfiehlt, der Mensch entscheidet.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Wir wechseln schon nach bewährtem Stückzahlplan — das funktioniert.” Das stimmt — als grobe Näherung. Die Frage ist, wie weit der Plan vom tatsächlichen Optimum entfernt ist. Wenn dein Stückzahlplan auf dem Mittelwert basiert, wechselst du statistisch die Hälfte deiner Werkzeuge zu früh. In Einzelfällen vielleicht 30 Prozent unter dem, was noch möglich gewesen wäre. Wie viel das in Euro bedeutet, kannst du ausrechnen — es ist dein Werkzeugbudget multipliziert mit 15–25 Prozent. Wer das betrachtet und sagt “das ist bei uns zu wenig für den Aufwand”, hat recht damit. Für wen dieser Betrag substanziell ist, sollte den Anwendungsfall ernstnehmen.

„Wir haben zu viele verschiedene Werkzeuge und Materialien — das ist zu komplex.” Das ist kein Ausschlussgrund, sondern eine Einschränkung des Pilotbereichs. Nicht alle Werkzeuge gleichzeitig, sondern die zwei oder drei Typen, die am meisten kosten oder am häufigsten zu Ausschuss führen. Für die funktioniert das System — der Rest kann warten oder wird nie wirtschaftlich relevant sein.

„Was ist, wenn das System falsch liegt und wir zu lange mit dem Werkzeug fahren?” Das ist ein reales Risiko, das in der Einführungsphase durch den Advisory-Modus abgefedert wird. Außerdem: Das heutige System ohne KI liegt auch falsch — in der anderen Richtung, nämlich zu früh. Die Frage ist nicht “Kann das System irren?”, sondern “Irrt das System seltener als der bisherige Plan?” Das sollte nach 6 Monaten Pilotbetrieb messbar sein.

Woran du merkst, dass das zu dir passt

• Dein jährliches Werkzeugbudget liegt über 80.000 Euro — erst dann hat die Standzeitverlängerung einen substanziellen absoluten Hebel
• Deine Werkzeuge erreichen keine reproduzierbaren Standzeiten — du weißt aus Erfahrung, dass gleiche Werkzeuge mal 500 und mal 900 Teile halten, und weißt nicht warum
• Ausschusshäufungen lassen sich im Nachhinein auf Werkzeugverschleiß zurückführen — das zeigt, dass das Signal im Datenstrom steckt und prinzipiell erkennbar ist
• Du führst bereits eine Werkzeugverwaltung (auch per Excel) — das ist das Mindestfundament für die Reparaturhistorie
• Du hast mindestens 3–4 gleichartige Maschinen oder Bearbeitungsoperationen — das erlaubt vergleichendes Modelltraining und Quervalidierung
• Reparaturentscheidungen werden heute ad hoc getroffen — nicht systematisch kalkuliert — und du weißt, dass dabei Geld verloren geht

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

1. Unter 80.000 Euro jährlichem Werkzeugbudget und weniger als 4 gleichartigen CNC-Maschinen oder Produktionslinien. Der Einstieg kostet 15.000–35.000 Euro, das System braucht 6 Monate bis zur Verlässlichkeit, und die laufenden Kosten sind spürbar. Eine 15-prozentige Standzeitverlängerung auf 60.000 Euro Budget ergibt 9.000 Euro Einsparung — das amortisiert die Investition in rund 4 Jahren, nicht 2. Für kleine Betriebe lohnt die Aufmerksamkeit für diesen Anwendungsfall noch nicht.

2. Einzelfertigung, Prototypenbau oder sehr kleine Losgrößen. Das Modell braucht statistisch ausreichend viele Wiederholungen desselben Werkzeug-Werkstück-Vorgangs, um Verschleißmuster zu erlernen. Wer jedes Mal andere Teile, andere Materialien oder andere Geometrien bearbeitet, liefert keine lernbare Datenbasis. Hier bleibt die Erfahrung der Einrichter die einzige belastbare Grundlage.

3. Keine digitale Maschinendatenerfassung und kein Budget für Sensorik-Nachrüstung. Ohne strukturierte Maschinendaten kein Modelltraining. Wer heute keine Spindeldaten, keine Bearbeitungszeiten und keine Stückzählerfassung hat, muss zuerst diese Grundinfrastruktur aufbauen — das ist Voraussetzung, keine Nacharbeit. Auf Sensorik und Datenanbindung zu verzichten und trotzdem ein KI-System zu kaufen, ergibt ein System, das Berichte über Daten produziert, die nicht existieren.

Das kannst du heute noch tun

Bevor du auch nur ein Gespräch mit einem Softwareanbieter führst: Exportiere die Wartungs- und Werkzeugdaten der letzten 12 Monate aus deinem ERP oder deiner Werkzeugverwaltung — oder nimm die Reparaturrechnungen der letzten Werkzeuge aus dem Ordner. Lade sie in ChatGPT hoch und stelle folgende Frage:

Diese Analyse kostet dich 30 Minuten und zeigt, ob der Anwendungsfall für deinen Betrieb wirtschaftlich relevant ist — bevor du irgendetwas kaufst.

Quellen & Methodik

• Mittelstand-Digital Zentrum Ilmenau / GFE Präzisionstechnik Schmalkalden GmbH: Praxisprojekt zur KI-basierten Verschleißzustandserkennung an Zerspanwerkzeugen. 64 identische Bohrer, ca. 130.000 Arbeitsspiele, mittlere Standzeit 2.850 Arbeitsspiele, Standardabweichung 1.005 — dokumentiert auf zentrum-ilmenau.digital (abgerufen Mai 2026). IMMS hat Vibrationssensorik nachgerüstet und neuronales Netz zur Reststandzeit-Prognose implementiert.
• Fraunhofer IPA / Brose GmbH: Anomaliedetektion in der CNC-Zerspanung, MAV Industrie, 2022. Sensor-basierte Werkzeugüberwachung an Bearbeitungszentren des Automobilzulieferers; Erfahrungswert: Sensorplatzierung und enge Domänenexpertise-Einbindung sind kritische Erfolgsfaktoren.
• Hufschmied Zerspanungssysteme GmbH / SonicShark: KI-Qualitätskontrolle mit Körperschall-Sensorik, beschrieben in VDI Nachrichten (Juli 2022). Modell muss je Werkzeug-Werkstoff-Kombination kalibriert werden — Materialwechsel erfordern Neutraining.
• Kostendaten Sensor-Retrofit und Monitoring-Systeme: Metall-Aktiv-Analyse für KMU (metall-aktiv.de), bestätigt durch Artikel auf pos.de (KI in der CNC-Fertigung, 2025). Sensor-Retrofit pro Maschine 800–3.000 Euro; jährliche Einsparungen durch Standzeitverlängerung und reduzierte Ausfälle 15.000–44.000 Euro für mittelständische Betriebe.
• Concept Drift in Condition Monitoring: ScienceDirect (2023): „Handling concept drift in deep learning applications for process monitoring” — veränderte Prozessbedingungen degradieren ML-Modelle signifikant, wenn kein Retraining vorgesehen ist.
• Reparaturkalkulation und Walzenwiederkonditionierung: Castolin Eutectic, Maschinenmarkt (Vogel) — Grundlagen der wirtschaftlichen Berechnung bei Walzenreparatur vs. Neukauf.
• Preisangaben Plattformen: Öffentliche Tarife Amazon Lookout for Equipment (AWS), Microsoft Power BI (Stand Mai 2026), Tvarit Industrial AI (Richtwerte laut Anbieter, Stand Mai 2026).

Du willst wissen, welche Maschinen und Werkzeugtypen in deinem Betrieb das größte Einsparpotenzial hätten und was ein konkreter Pilotbetrieb kosten würde? Meld dich — das lässt sich in einem kurzen Gespräch einschätzen.