Garnriss-Vorhersage an Spinnmaschinen: ML gegen ungeplante Stopps

Das echte Ausmaß des Problems

In einer durchschnittlichen Ringspinnerei mit 10.000 bis 50.000 Spindeln kommt es laut Branchenberichten zu 15 bis 35 Garnrissen je 1.000 Spindeln und Schicht. Für eine Anlage mit 20.000 Spindeln im Zweischichtbetrieb bedeutet das: 300 bis 700 ungeplante Stopps täglich, jeder mit einer Neuanfahrtzeit von 15 bis 30 Minuten.

Die Ausfallkosten sind direkt berechenbar. Eine Ringspinnmaschine mit 1.632 Spindeln erzielt im Vollbetrieb eine Garnleistung von 200 bis 500 Kilogramm pro Schicht, je nach Garnfeinheit und Drehzahl. Bei einem Marktpreis von 3 bis 10 Euro je Kilogramm Garn bedeutet jede verlorene Produktionsstunde 60 bis 500 Euro Umsatzausfall, plus Neuanlaufkosten, erhöhter Ausschuss in den ersten Minuten nach dem Restart und Stress im Schichtplan.

Was die Zahlen nicht zeigen: Garnrisse sind keine gleichmäßig verteilten Zufallsereignisse. Bis zu 40 Prozent der Risse entstehen an weniger als 10 Prozent der Spindeln, sogenannten Problemspindeln, die aufgrund von Verschleiß, Montagetoleranzen oder ungünstiger Position im Luftströmungsfeld der Halle systematisch häufiger brechen. Diese Spindeln zu identifizieren und gezielt zu warten, halbiert die Risshäufigkeit, ohne neue Hardware.

Das andere Drittel der Ursachen liegt im Material. Jede neue Rohstoffcharge variiert in Faserlänge, Feinheit, Gleichmäßigkeit und Kohäsion. Ein Modell, das auf Charge A trainiert wurde, trifft auf Charge B andere Verhältnisse, und beginnt, Risse zu verpassen oder Fehlalarme zu erzeugen. Das macht Garnriss-Vorhersage zu einem Machine Learning-Problem mit besonderen Anforderungen an das Datenmanagement.

Mit vs. ohne KI, ein ehrlicher Vergleich

¹ Laut SenseGrow-Praxisbericht zu Jaya Shree Textiles (2024): 32 % weniger ungeplante Ausfälle in 6 Wochen; GlobalTextileTimes berichtet für IoT-Predictive-Maintenance-Projekte in Ringspinnereien Reduktionen von 30–50 % bei konsequenter Implementierung. ² Die Stopp-Dauer selbst verändert sich nicht, das System verhindert Stopps, verkürzt sie nicht.

Der wichtigste Unterschied liegt nicht in den Zahlen, sondern im Charakter der Wartung: von reaktiv zu präventiv. Statt jede Nacht auszuwerten, was gerissen ist, gibt das System dem Schichtführer eine Liste: „Spindeln 147, 389 und 1.104 zeigen erhöhte Vibrationsamplituden, in der nächsten Pause kontrollieren.” Das schafft planbare Maintenance-Fenster statt Notfallkaskaden.

Einschätzung auf einen Blick

Zeitersparnis, sehr hoch (5/5) Jeder vermiedene Garnriss spart 15 bis 30 Minuten ungeplanten Stillstand. Bei 30 Prozent Reduktion von 30 Vorfällen pro Tag sind das täglich 2 bis 4,5 Stunden zurückgewonnene Produktionszeit, an einer einzigen Maschine. Über einen Maschinenpark von 10 bis 20 Ringspinnmaschinen ist das der stärkste Zeithebel, den diese Kategorie zu bieten hat. Kein anderer mode-Anwendungsfall eliminiert so direkt produktionsseitige Stillstandszeiten.

Kosteneinsparung, mittel (3/5) Die Einsparung entsteht über höhere Ausbringung und niedrigere Neuanlaufkosten. Bei einem Produktionsausfall von 200 bis 800 Euro pro Stunde und einem Maschinenpark mit 10 Maschinen sind jährliche Einsparungen im fünf- bis sechsstelligen Bereich realistisch. Einschränkung: Die Einrichtungskosten (Sensor-Hardware, Integration, Modelltraining) sind erheblich und mindern den Nettovorteil in den ersten 12 bis 18 Monaten deutlich. Für ein KMU mit nur 3 bis 5 Ringspinnmaschinen reicht die Einsparung oft nicht, um die Investition in vertretbarer Zeit zu amortisieren.

Schnelle Umsetzung, niedrig (2/5) Bis zum produktiven Betrieb vergehen realistisch 5 bis 9 Monate: Sensor-Retrofit (4 bis 8 Wochen), Datensammlung für Training (mindestens 2 bis 3 Monate unter verschiedenen Rohstoff- und Wetterbedingungen), Modelltraining und Validation (4 bis 6 Wochen), Pilotbetrieb mit manuellem Nachkalibrieren. Das ist einer der aufwändigsten Einstiege in dieser Kategorie, vergleichbar mit der Textilfehlererkennung mit KI (Kameraintegration, Modellkalibrierung), aber ohne die Möglichkeit, mit einem einfachen SaaS-Test zu beginnen. Wer keine dedizierte OT/IT-Ressource hat, unterschätzt diesen Aufwand systematisch.

ROI-Sicherheit, mittel (3/5) Der Nutzen ist real und messbar, Stopps lassen sich zählen und gegen den Vorzustand vergleichen. Die Unsicherheit kommt von der Rohstoffabhängigkeit: Wenn sich die Garncharge ändert, muss das Modell nachtrainiert werden, sonst steigt die Fehlalarmrate. In Betrieben mit sehr stabilen Rohstoffen und Maschinenparks ist der ROI gut planbar. In Betrieben mit hoher Sortimentsbreite und häufigen Chargenwechseln ist er variabel und hängt stark von der Disziplin im Modell-Lifecycle-Management ab.

Skalierbarkeit, hoch (4/5) Ist das Modell für einen Maschinentyp trainiert und validiert, lässt es sich auf weitere gleichartige Maschinen ausrollen, Hardware-Installation und ein Kalibrierungslauf von wenigen Tagen genügen. Der Aufwand wächst nicht linear mit der Maschinenzahl. Einschränkung: Jede neue Maschinenbaureihe oder Spindelgeneration erfordert ein eigenes Modell-Training.

Richtwerte, stark abhängig von Maschinenpark, Rohstoffvariabilität und vorhandener OT-Infrastruktur.

Was das System konkret macht

Ein Garnriss kündigt sich an. Nicht sichtbar, aber messbar: In den Minuten vor dem Riss verändert sich das Vibrationsmuster der Spindel auf eine charakteristische Weise. Der Faden läuft unruhiger, die Rotationsdynamik des Läufers weicht minimal von der Norm ab, die Zugkraft schwankt stärker als üblich. Einzeln sind diese Abweichungen kleiner als ein Prozent, zusammen bilden sie ein Muster.

Predictive Analytics-Systeme für Garnrissvorhersage bauen auf drei Datenschichten:

Schicht 1: Sensorik. An jeder Spindel oder Spindelgruppe sitzen Beschleunigungssensoren (Accelerometer) und optional Stromsensoren am Antrieb. Sie messen Schwingungsfrequenzen im Bereich von 100 bis 6.000 Hz mit Abtastraten von 1 bis 7 kHz, Forscher der Lodz University of Technology haben in einem Pilotprojekt 2025 einen IMU-Sensor mit 6,66 kHz Abtastrate eingesetzt und konnten Garnrisse 2,7 bis 2,8 Millisekunden nach dem Ereignis detektieren, 50-mal schneller als mechanische Detektoren. Das eigentliche Ziel der vorhersagenden Systeme liegt früher: erkannte Anomalien 30 Sekunden bis 5 Minuten vor dem Riss.

Schicht 2: Edge-Computing. Rohdaten mit 6 kHz Abtastrate von 1.632 Spindeln gleichzeitig in die Cloud zu schicken ist unpraktikabel, Bandbreite, Latenz und Datenschutz sprechen dagegen. Stattdessen läuft ein vorverarbeitendes Modell auf einem Edge-Gerät direkt in der Halle: Es berechnet Rolling-Statistiken (Mittelwert, Standardabweichung, Kurtosis, RMS) über Zeitfenster von 50 bis 500 ms, reduziert den Datenstrom auf 10 bis 50 Features je Spindel und Sekunde und schickt nur diese komprimierten Merkmale an das zentrale ML-Modell.

Schicht 3: Anomalieerkennung. Das zentrale Modell, typisch ein LSTM-Netz für Zeitreihen oder ein Random-Forest-Klassifikator, lernt den „normalen” Betrieb für jede Spindel und schlägt Alarm, wenn ein Merkmalsmuster auftaucht, das historisch mit Rissen korreliert. Nicht jeder Alarm führt zum sofortigen Eingriff: Das System priorisiert nach Konfidenz, „Eingriff in den nächsten 2 Minuten empfohlen” versus „Beobachten, Kontrolle beim nächsten Rundengang”.

Das Ergebnis auf dem Shopfloor-Terminal: eine priorisierte Liste der 5 bis 10 kritischsten Spindeln der laufenden Stunde, mit Konfidenzwert und empfohlener Aktion. Der Operator sieht, welche Spindeln sofortige Aufmerksamkeit brauchen, welche beim nächsten Rundengang kontrolliert werden sollten und welche auffällige Trends zeigen, die in der Wochenanalyse diskutiert werden.

Was ihr hardware-seitig braucht

Das ist die Investition, die in Projektkalkulationen am häufigsten unterschätzt wird. Die KI selbst kostet Rechenzeit, die Sensorinfrastruktur kostet Geld, Zeit und Installationsaufwand.

Accelerometer-Auswahl: Nicht jeder Vibrationssensor ist für Ringspinnmaschinen geeignet. Kritische Parameter: Messbereich ±4 bis ±16 g (je nach Spindeldrehzahl), Abtastrate mindestens 1 kHz (besser 3–7 kHz für Hochfrequenzanteile), IP54-Schutzklasse mindestens für Hallenstaub, Temperaturbereich bis 60 °C. Kostengünstige MEMS-Accelerometer (5 bis 15 Euro je Sensor) reichen für gruppenbasiertes Monitoring; für Spindel-Individual-Monitoring sind industrielle Sensoren (30 bis 80 Euro je Stück) nötig.

Montage-Position entscheidend: Die optimale Montageposition ist das Lagergehäuse der Spindel oder die Spindelbank-Traverse in direkter Nähe. Falsche Montage, zu weit vom Lager entfernt oder auf einer gedämpften Fläche, reduziert die Signalqualität drastisch. Eine Montage auf der Maschinenabdeckung statt am Lagergehäuse kann die Vorhersagegenauigkeit halbieren. Die erste Installationsphase sollte immer einen mechanischen Experten einbeziehen, der die Signalqualität mit einem Spektrumanalysator validiert.

Gruppenbasiertes vs. Spindel-individuelles Monitoring: Vollständiges Spindel-Individual-Monitoring (ein Sensor je Spindel) kostet bei 1.632 Spindeln und 30 bis 80 Euro je Sensor zwischen 50.000 und 130.000 Euro, allein für Hardware. Der günstigere Ansatz: Ein Sensor je Spindelgruppe (typisch 8 bis 16 Spindeln), der die Gruppen-Schwingungsenergie überwacht. Kosten sinken auf 5.000 bis 15.000 Euro je Maschine, die Ortsauflösung ist geringer (Riss lokalisiert auf Gruppe, nicht Spindel), aber für die meisten Betriebe ausreichend.

Luftfeuchtigkeitssensoren nicht vergessen: Luftfeuchtigkeit beeinflusst Garnspannung und Risshäufigkeit direkt. Ein Netz von 3 bis 5 Hygrosensoren in der Spinnhalle kostet weniger als 500 Euro, und ist die günstigste Einzelmaßnahme für das Modell, weil Feuchtigkeitsdaten als Feature die Vorhersagegenauigkeit bei Witterungswechseln signifikant verbessern.

Gateway und Edge-Hardware: Ein industrielles Edge-Gerät (z. B. Siemens SIMATIC IPC127E ab ca. 2.000 bis 3.000 Euro) sammelt Sensordaten per MQTT oder OPC-UA, berechnet die ersten Merkmale lokal und schickt nur verdichtete Zeitreihen in die Cloud oder an den zentralen Server. Für kleinere Installationen reicht ein robuster Mini-PC (z. B. auf Raspberry Pi-Basis, ab 150 Euro) wenn die Hallenbedingungen (Temperatur, Staub) das erlauben.

Wenn sich der Rohstoff ändert, das Modell-Retraining-Problem

Das ist der häufigste Grund, warum Garnriss-Vorhersage-Projekte nach einem guten Start schlechter werden, und der Punkt, über den Anbieter am wenigsten sprechen.

Jede neue Rohstoffcharge verhält sich mechanisch anders. Baumwolle Nm 60 aus Indien hat andere Faserkohäsion als dieselbe Nm 60 aus Usbekistan. Wenn das Modell auf Charge A trainiert wurde und Charge B einläuft, verändert sich der Grundrauschen-Level der Spindelvibration systematisch. Das Modell interpretiert normale Vibration der neuen Charge als Anomalie, und erzeugt Fehlalarme. Oder es hält die höheren Vibrationsbaselines der neuen Charge für normal, und übersieht echte Rissvorläufer.

Praktiker aus Spinnereien berichten: Nach einem signifikanten Chargenwechsel steigt die Fehlalarmrate häufig auf das Dreifache der Baseline. Ohne Gegensteuern ignoriert das Team dann alle Alarme, was das System nutzlos macht.

Was dagegen hilft:

Erstens: Das Modell braucht den Chargenwechsel als Label. Wenn jeder Rohstoffwechsel in der Produktionssoftware als Ereignis erfasst wird, kann das ML-System nach einem Chargenwechsel automatisch einen erhöhten Kalibrierungsmodus starten. Bereits 4 bis 8 Schichten Betriebsdaten unter den neuen Bedingungen reichen für ein Delta-Training, nicht für ein vollständiges Retraining.

Zweitens: Transfer-Learning statt Neutraining. Moderne Zeitreihen-Modelle können bei einem Chargenwechsel nur die oberste Schicht des Netzes neu trainieren, die Grundmuster bleiben. Das reduziert den Rechenaufwand und verhindert das Vergessen früher gelernter Risspatterns.

Drittens: Ein Rohstoff-Feature im Modell. Wenn Faserlänge, Feinheit (Ne/Nm) und Rohstoffherkunft als kontinuierliche Features ins Modell fließen, dokumentiert aus dem ERP oder QM-System, kompensiert das Modell Chargeneffekte teilweise ohne Retraining.

Wer bei der Projektplanung keine Antwort auf die Frage hat „Wie oft wechseln wir Rohstoffchargen, und wer ist verantwortlich für das Modell-Update?”, sollte das System noch nicht in Produktionsbetrieb nehmen.

Konkrete Werkzeuge, was wann passt

Rieter ESSENTIALmonitor, Die schlüsselfertige Lösung für Spinnereien mit Rieter-Maschinenpark. Das Modul ist ab Werk auf Rieter-Ring- und Kompaktspinnmaschinen kalibriert, kennt die Spindel-Kinematik und die typischen Verschleißmuster dieser Maschinen. Kein eigenes IT-Projekt nötig, Onboarding durch Rieter-Techniker, Betrieb über das ESSENTIAL-Dashboard. Einschränkung: Sinnvoll nur für Rieter-Maschinen. Preise auf Anfrage.

Siemens Industrial Edge, Für Spinnereien mit Siemens-SIMATIC-Steuerungen und einem OT/IT-Team. Edge-Devices erfassen Sensordaten lokal, Apps auf der Plattform (z. B. der AI Inference Server für eigene ONNX-Modelle) analysieren die Signale ohne Cloud-Zwang. Gut geeignet, wenn ihr euer eigenes Modell trainiert oder ein Drittanbieter-Modell (z. B. von einem Textiltechnik-Spin-off) nutzen wollt. Einstieg: 10.000 bis 50.000 Euro für eine Pilotinstallation.

Amazon Lookout for Equipment, Cloud-basierte Anomalieerkennung ohne ML-Wissen. Historische Sensordaten (mindestens 14 Tage, besser 6 Monate) hochladen, AWS trainiert automatisch ein Anomalie-Modell und liefert Echtzeit-Warnungen. Preismodell: Pay-as-you-go, ca. 280 Euro/Monat für eine Maschine mit 8 Sensoren und 5-Minuten-Inferenz. Nachteil: 5-Minuten-Intervall ist für Echtzeit-Garnrissvorhersage (die Sekunden vorher handeln muss) zu träge, besser für Lagerverschleiß-Monitoring als für echte Rissvorhersage.

Azure Machine Learning, Wenn ihr eigene Modelle trainiert und eure Daten in der Azure-Cloud liegen. Geeignet für Unternehmen mit einem Daten-Ingenieur oder externem ML-Dienstleister. EU-Region (Frankfurt) verfügbar, wichtig für DSGVO-konforme Produktionsdaten. Kosten: nutzungsbasiert, GPU-Training typisch 50 bis 200 Euro je Trainingsrun.

InfluxDB + Grafana, Die Open-Source-Grundlage für eigene IoT-Stacks. InfluxDB speichert Zeitreihendaten von Sensoren hochperformant (Millionen Datenpunkte/Sekunde), Grafana visualisiert sie als Dashboard und zeigt Alarme. Beide sind kostenlos in der selbst gehosteten Version. Für Textilbetriebe ohne Siemens-Hardware und mit eigenem IT-Team die günstigste Ausgangsbasis, erfordert aber Konfigurationsaufwand.

Node-RED, Open-Source-Flow-Tool für die Datenpipeline. Empfängt Sensordaten via MQTT, transformiert sie, schickt sie weiter an InfluxDB oder das ML-Modell. Läuft auf einem Raspberry Pi im Hallen-Schaltschrank. Kostenlos; erfordert Basiskenntnisse in visueller Programmierung. Gut geeignet als Bindeglied zwischen Sensor-Hardware und ML-Plattform.

Zusammenfassung: Wann welche Wahl

• Rieter-Maschinenpark, schnelle Lösung → Rieter ESSENTIALmonitor
• Siemens-Steuerungen, Air-Gap-Anforderung, eigenes OT-Team → Siemens Industrial Edge
• Cloud-first, kein ML-Team, AWS-Infrastruktur → AWS Lookout for Equipment (für Lagerverschleiß, nicht Echtzeit-Riss)
• Eigenes ML-Modell, Azure-Cloud, EU-Daten → Azure ML
• Budget <10.000 Euro, IT-Team vorhanden → InfluxDB + Grafana + Node-RED als Open-Source-Stack

Datenschutz und Datenhaltung

Produktionssensor-Daten einer Spinnmaschine enthalten in der Regel keine personenbezogenen Daten, sie beschreiben Maschinenverhalten, nicht Mitarbeitendes. Die DSGVO-Relevanz entsteht an zwei Stellen:

Erstens bei der Verknüpfung mit Schichtplänen. Wenn das System aufzeichnet, welche Spindeln in welcher Schicht gerissen sind, und diese Daten mit Schichtbesetzungsplänen kombiniert werden, entsteht ein Bezug zu konkreten Personen. Diesen Bezug solltest du technisch von der Maschinenüberwachung trennen, Schichtdaten in separaten Systemen, keine automatische Verknüpfung.

Zweitens bei Cloud-Deployment. Produktionsprozessdaten gelten oft als Betriebsgeheimnis, unabhängig von der DSGVO solltest du klären, ob rohe Sensor-Zeitreihen in einer US-Cloud liegen dürfen. Für AWS Lookout for Equipment ist EU-Region (Frankfurt) verfügbar. Azure ML kann in Frankfurt betrieben werden. Siemens Industrial Edge verarbeitet Daten lokal, kein Cloud-Zwang.

Für On-Premises-Setups mit InfluxDB auf einem eigenen Server bleibt alles im Werk, maximale Datensouveränität ohne Auftragsverarbeitungsvertrag. Die OSS-Version von InfluxDB ist für Volumen bis ca. 10 Millionen Zeitreihenpunkte pro Tag ausreichend und kostenlos.

Betriebsrat-Hinweis: Wenn das System Alarme auf Spindel-Ebene erzeugt und diese Daten für Leistungsauswertungen genutzt werden könnten, ist der Betriebsrat frühzeitig einzubeziehen. Systeme zur Leistungsüberwachung von Mitarbeitenden unterliegen dem Mitbestimmungsrecht nach § 87 BetrVG. Das Framing als Maschinenschutz, nicht als Personenüberwachung, muss technisch und dokumentarisch glaubwürdig sein.

Was es kostet, realistisch gerechnet

Einmalige Einrichtungskosten

Laufende Kosten (monatlich)

• Cloud-Plattform (AWS Lookout oder Azure ML): 100–500 Euro/Monat für 1–3 Maschinen
• Edge-Software-Lizenzen (Siemens Industrial Edge): variabel, ca. 200–600 Euro/Monat
• Modell-Maintenance (intern oder Dienstleister): 5–10 Stunden/Monat
• Rieter ESSENTIALmonitor: Subscription, Preis auf Anfrage (Erfahrungswerte: vier- bis fünfstellig/Jahr)

Konservative ROI-Rechnung

Eine Ringspinnmaschine mit 1.632 Spindeln, 2 Schichten/Tag, 25 Risse/Tag, 20 Minuten je Stopp:

• Verlorene Produktionszeit: 8,3 Stunden täglich
• Bei 250 €/Stunde Produktionswert: 2.075 €/Tag Ausfall
• Mit 35 % Reduktion durch das System: 725 €/Tag gespart
• Jährliche Einsparung (300 Arbeitstage): ca. 217.500 €

Einrichtungskosten (Pilot, gruppenbasiert, extern): 60.000 Euro. Amortisationszeit: unter 4 Monate.

Das ist die optimistische Rechnung. In der Praxis sinkt die Verbesserungsrate in den ersten Monaten durch Fehlalarme, Kalibrierungsaufwand und Modell-Retraining auf 15 bis 25 Prozent, was die Amortisationszeit auf 8 bis 14 Monate verlängert. Für ein KMU mit nur 3 bis 5 Maschinen und niedrigerem Produktionswert rechnet sich das Vollsystem oft erst nach 2 bis 3 Jahren.

Typische Einstiegsfehler

1. Zu wenige Trainingsdaten vor dem Launch. Das häufigste Scheitern: Das System wird nach vier Wochen Datensammlung in Betrieb genommen. Vier Wochen decken keinen vollständigen Rohstoffzyklus ab, keine saisonale Feuchtigkeitsvariation, keine zwei verschiedenen Garnfeinheiten. Das Modell kennt nur einen Betriebszustand, und versagt beim ersten abweichenden Tag. Die Mindestempfehlung aus Praxisprojekten: 3 Monate Datensammlung unter verschiedenen Bedingungen, inklusive mindestens einem Rohstoffwechsel und einem signifikanten Feuchtigkeitsereignis.

2. Falscher Sensortyp oder falsche Montage. Ein Consumer-Sensor für 8 Euro an der falschen Position bringt schlechtere Signale als ein guter Sensor richtig montiert. Die Montage auf der Maschinenabdeckung statt am Lagergehäuse ist der häufigste Fehler bei Eigeninstallationen. Symptom: Das Modell hat eine Detektionsrate unter 50 Prozent, und das Team sucht den Fehler im Algorithmus, nicht in der Mechanik.

3. Kein Prozess für Rohstoffwechsel. Das Modell-Retraining nach einem Chargenwechsel ist kein technischer Automatismus, es erfordert eine betriebliche Entscheidung: Wer verantwortlich ist, wann das Training ausgelöst wird, wer es abnimmt. Ohne diesen Prozess beginnt die Fehlalarmrate nach dem ersten Chargenwechsel zu steigen, das Team ignoriert Alarme, und das System verliert seine Glaubwürdigkeit. Das ist der am häufigsten unterschätzte und am schwersten reparierbare Einstiegsfehler.

4. Die Maintenance des Modells wird unterschätzt. Das System braucht regelmäßige Aufmerksamkeit: monatliche Auswertung der Konfidenzverteilung, vierteljährliches Delta-Training, Anpassung der Alarmschwellen nach Maschinenwartungen. Wer das System nach dem Go-Live sich selbst überlässt, hat nach 12 Monaten ein System mit schleichend schlechterer Performance, das niemand mehr wirklich traut. Der Zeitaufwand ist überschaubar (5 bis 10 Stunden/Monat), aber er braucht eine benannte verantwortliche Person.

Was mit der Einführung wirklich passiert, und was nicht

Die Technologie ist das Einfachste. Das Schwierige ist der Übergang vom reaktiven Denken zum präventiven Handeln.

Das Vertrauen baut sich langsam auf. In den ersten Wochen ist jeder Fehlalarm ein Argument gegen das System. Schichtführer, die jahrelang nach dem Gehör gewartet haben, vertrauen ihrer Erfahrung mehr als einem Dashboard-Wert. Das ist nicht falsch, es ist gesundes Misstrauen gegenüber einem neuen Werkzeug. Das System muss sich verdienen. Was hilft: Für die ersten zwei Monate jeden Alarm protokollieren, ob er zu einem Riss führte oder nicht, und die Trefferquote transparent auf dem Shopfloor-Bildschirm zeigen. Wenn das Team sieht, dass 7 von 10 Alarmen korrekt waren, ändert sich die Bereitschaft, dem achten Alarm zu folgen.

Die erfahrenen Monteure sind Verbündete, keine Gegner. Die Person, die hört, dass Maschine 7 gleich reißt, hat jahrzehntelange implizite Mustererkennung aufgebaut. Das System macht genau das, nur für alle 1.632 Spindeln gleichzeitig. Das ist kein Ersatz, das ist Skalierung. Konkret hilft es, erfahrene Monteure in die Sensor-Validierungsphase einzubinden: Sie beurteilen, ob das Signal an einer bestimmten Spindel plausibel ist. Wer das System mit bauen durfte, erklärt es dem Team statt es zu widerlegen.

Qualitätsabteilung und Produktion müssen synchronisiert werden. Garnrisse hängen oft mit Materialwechseln zusammen, und die Freigabe neuer Chargen liegt in der Qualitätsabteilung, nicht in der Produktion. Wenn das ML-System beginnt, erhöhte Risswahrscheinlichkeit für eine neue Charge zu melden, muss dieser Signal-Kanal zwischen Qualität und Produktion funktionieren. Projekte, die nur die Produktionsseite einbeziehen, bleiben im ersten Chargenwechsel stecken.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„Wir haben schon einen Bruchdetektionssensor.” Standardmäßige Garnbruchdetektoren an Ringspinnmaschinen erkennen einen Riss, wenn er passiert ist, und leiten den Maschinenstopp ein. Das ist Reaktion, keine Vorhersage. Garnriss-Vorhersage-ML setzt 30 Sekunden bis 5 Minuten früher an: Nicht wenn der Faden reißt, sondern wenn der Faden zu reißen beginnt, ist ein Eingriff noch möglich. Beide Systeme sind komplementär, nicht substituierbar.

„Die Rohstoffqualität ist das eigentliche Problem, KI ändert das nichts.” Richtig: Ein schlechter Rohstoff reißt öfter, und kein Algorithmus macht daraus guten Rohstoff. Was das System ändert: Es macht sichtbar, welche Chargen systematisch mehr Risse erzeugen, und gibt dem Qualitätseinkauf Daten, um bessere Beschaffungsentscheidungen zu treffen. Gleichzeitig reagiert das System auf Chargenwechsel, und warnt früher, wenn neue Chargen unter den laufenden Parametern riskanter sind.

„Wir haben kein IT-Personal für sowas.” Das stimmt, für ein Custom-ML-Projekt braucht man OT/IT-Kompetenz oder einen externen Dienstleister. Für Betriebe mit Rieter-Maschinenpark bietet Rieter ESSENTIALmonitor eine schlüsselfertige Lösung ohne eigenes IT-Projekt. Wer sich für den Open-Source-Weg mit InfluxDB und Grafana interessiert: Das lässt sich in einem Pilotprojekt mit einem externen IoT-Dienstleister in 2 bis 3 Monaten aufbauen, mit Wissenstransfer, damit das Team es danach selbst betreibt.

Woran du merkst, dass das zu dir passt

• Du betreibst mindestens 5 bis 8 Ringspinnmaschinen mit insgesamt über 5.000 Spindeln, darunter ist das Sensor-ROI-Verhältnis meist ungünstig
• Dein aktueller Garnriss-Satz liegt über 15 Vorfällen je 1.000 Spindeln und Schicht, darunter sind die Einsparungen zu gering für den Projektaufwand
• Du hast eine Person im Betrieb, die Maschinendaten versteht, ein Instandhaltungsleiter, ein OT-Techniker, jemand der schon mal mit SPS-Steuerungen zu tun hatte
• Du führst bereits OEE-Messungen durch und weißt, dass deine ungeplante Stillstandszeit über 8 Prozent liegt

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

1. Weniger als 5 Ringspinnmaschinen oder unter 5.000 Spindeln gesamt. Die Sensor-Hardware- und Projektkosten lassen sich auf dieser Basis selten innerhalb von 3 Jahren amortisieren. Zuerst manuelle Ursachenanalyse (welche Spindeln reißen systematisch?), Maintenance-Prozess verbessern, dann KI überlegen.

2. Keine dokumentierte Produktionsdatenerfassung. Wenn Garnriss-Ereignisse, Rohstoffchargen und Maschinenstopps nicht strukturiert erfasst werden, gibt es nichts, womit das ML-Modell trainiert werden kann. Voraussetzung für den KI-Einstieg ist ein MES oder mindestens eine strukturierte Schichttage-Erfassung, die Stoppereignisse mit Zeitstempel und Ursache festhält. Das braucht mindestens 2 bis 3 Monate Vorlauf, und muss vor dem Sensor-Retrofit beginnen.

3. Kein Rohstoff-Qualitäts-Management-Prozess. Wenn Rohstoffchargen wechseln, ohne dass Änderungen systematisch erfasst und kommuniziert werden, fehlt das zentrale Feature für das Modell-Retraining. In diesem Fall setzt nicht beim Garnriss-System an, sondern bei der Rohstoff-Qualitätsdokumentation.

Das kannst du heute noch tun

Der günstigste erste Schritt kostet weder Hardware noch Dienstleister. Er kostet zwei Stunden Aufmerksamkeit.

Leg fest, dass ab morgen jeder Garnriss mit Zeitstempel, Spindelnummer und Schätzung der Ursache erfasst wird, in einem einfachen Formular auf dem Schichtleiter-Tablet, notfalls in einer Excel-Datei. Zwei Wochen solche Daten zeigen dir:

• Welche Spindeln systematisch häufiger reißen (Pareto-Verteilung: meist 10 % der Spindeln = 40 % der Risse)
• Zu welchen Tageszeiten die Risse häufen (Morgenöffnung der Halle = Feuchtigkeitsabfall?)
• Welche Materialchargen mehr Vorfälle erzeugen

Diese Analyse ersetzt kein ML-System, aber sie ist der erste Schritt dahin. Und sie ist der Nachweis, den du brauchst, um intern die Investition zu begründen.

Wenn du einen externen Dienstleister für das Sensor-Projekt anfragen willst, hier ist ein Briefing-Prompt für die erste Ausschreibung:

Quellen & Methodik

• Idzik, M. & Rybicki, T. (2025): „Real-Time Prediction of the Yarn Break Position Using Vibration Measurement.” Sensors (MDPI), Basel, Januar 2025. DOI: 10.3390/s25020299. Lodz University of Technology. Nachweis: IMU-Accelerometer mit 6,66 kHz Abtastrate, Detektionszeit 2,75 ms, MRSCEK-Koeffizient für Bruchlokalisierung.
• SenseGrow / Jaya Shree Textiles (2024): Praxisbericht „Textile Industry Case Study for AI Driven Predictive Maintenance”, veröffentlicht auf sensegrow.com. Jaya Shree Textiles (Aditya Birla Group), 58+ kritische Anlagen vernetzt, 19 % MTBF-Verbesserung in 9 Monaten, 32 % Reduktion ungeplanter Ausfälle, 6 verhinderte Getriebeausfälle, Investition innerhalb eines Jahres amortisiert.
• GlobalTextileTimes (2024): „Predictive Maintenance for Textile Machinery Using IoT.” Erfahrungsberichte aus drei europäischen Ringspinnereien mit Rieter ESSENTIALmaintain; 30 % weniger Notfallstopps nach Algorithmus-Training auf lokale Bedingungen.
• TextileSchool (2024): „Predictive Maintenance in Textile Machinery: Advancements for Sustainable Manufacturing.” Konditionsbasiertes Monitoring, Vibrationsparameter, Uster FiberQ als Qualitätsreferenz.
• TexSPACEToday (2024): „Sensor Technologies of Yarn Manufacturing for Intelligent Spinning.” Rieter ESSENTIALmonitor, Uster Quantum 4.0, IoT-Umgebungsüberwachung (Temperatur, Feuchtigkeit).
• Siemens Industrial Edge Produktdokumentation (April 2026): Hardware-Preisrahmen SIMATIC IPC127E (2.000–3.000 €), App-Lizenzen, Integration in TIA Portal.
• Kosten- und ROI-Angaben: Erfahrungswerte aus IoT-Projekten in der Textilindustrie; eigene Schätzungen auf Basis veröffentlichter Projektberichte. Keine repräsentative Erhebung, Richtwerte mit betriebsindividueller Abweichung.

Du willst wissen, ob dein Maschinenpark und dein Garnriss-Satz für dieses Vorgehen geeignet sind? Meld dich, das schauen wir uns gemeinsam an.