Garnriss-Vorhersage an Spinnmaschinen: ML gegen ungeplante Stopps

Das echte Ausmaß des Problems

Ein Fadenbruch stoppt an der Ringspinnmaschine nicht die Maschine, sondern eine Spindel. Die Spinnerin stoppt die Spindel mit dem Kops, wickelt etwa einen halben Meter Garn ab, zieht ihn durch Läufer und Fadenführer und setzt an. Das dauert rund eine Viertelminute, je nach Material. Bis dahin steht die Spindel, und die Zeit, bis jemand den Bruch bemerkt und hingeht, kommt dazu.

Einzeln ist das wenig, in der Summe viel. Die Fadenbruchhäufigkeit schwankt stark, zwischen 2 und 10 Brüchen je Kilogramm Garn. Fadenbrüche kosten 2–5 % der Produktionskapazität, und in Ländern mit hohem Lohnniveau machen sie bis zu 10 % der Garnherstellungskosten aus. Eine Spinnerin, die rund 120 Brüche in der Stunde behebt, ist etwa die Hälfte ihrer Arbeitszeit damit beschäftigt (Wikipedia, Artikel Fadenbruch, mit Verweis auf textiltechnische Fachliteratur).

Daraus folgt, wo der Hebel liegt: nicht in gerettetem Maschinenstillstand, sondern in der Arbeitszeit am Ringspinnsaal und in der Spindeldrehzahl. Wer weniger Brüche hat, kann mit derselben Mannschaft mehr Spindeln betreuen oder die Maschine schneller laufen lassen.

Garnrisse sind keine gleichmäßig verteilten Zufallsereignisse. Oft reißen einige Spindeln systematisch häufiger, wegen Verschleiß, Montagetoleranzen oder ungünstiger Position im Luftstrom der Halle. Diese Problemspindeln zu finden und gezielt zu warten, senkt die Risshäufigkeit ohne neue Hardware. Wie stark, zeigt erst die eigene Erfassung.

Ein weiterer Teil 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 Eine belastbare Zahl dafür, wie stark ML die Fadenbruchrate senkt, haben wir nicht gefunden. Oft zitierte Fallstudien wie die von SenseGrow bei Jaya Shree Textiles betreffen Maschinenausfälle an Lagern, Getrieben und Lüftern, nicht Fadenbrüche. ² Die Dauer je Bruch verändert sich nicht, das System verhindert Brüche, 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, mittel (3/5) Jeder vermiedene Bruch spart der Spinnerin einen Weg und eine Viertelminute Ansetzen. Bei Hunderten bis Tausenden Brüchen je Maschine und Schicht summiert sich das: Wenn Spinnerinnen die Hälfte ihrer Zeit mit Ansetzen verbringen, bringt ein Drittel weniger Brüche rund ein Sechstel ihrer Arbeitszeit zurück. Das ist echte Zeitersparnis, in Geld wird sie aber erst, wenn eine Person mehr Spindeln betreut oder eine Schicht mit weniger Personal auskommt.

Kosteneinsparung, niedrig (2/5) Fadenbrüche kosten insgesamt 2–5 % der Kapazität. Selbst ein Drittel weniger Brüche bringt also rund 0,7 bis 1,7 % mehr Ausbringung, und die zählt nur, wenn du die zusätzlichen Kilogramm auch verkaufst. Dazu kommt Personal, sofern sich die Besetzung ändert. Dagegen stehen 35.000–113.000 € Pilot je Maschine. Für ein KMU mit nur 3 bis 5 Ringspinnmaschinen reicht die Einsparung selten, 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, Brüche 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 hat Vorläufer: eine verschlissene Spindel, ein Läufer am Ende seiner Lebensdauer, zu trockene Luft, eine schwierige Charge. Manche davon zeigen sich im Vibrationsmuster einer Spindel lange vor dem Bruch, als dauerhaft erhöhter Pegel. Dass sich ein einzelner Bruch Sekunden oder Minuten vorher vorhersagen lässt, ist für Ringspinnmaschinen nicht belegt. Belegt und nützlich ist das Erkennen von Mustern über viele Brüche.

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 Technischen Universität Łódź haben 2025 mit einem Beschleunigungssensor an einer Schärmaschine gezeigt, dass sich ein Garnbruch 2,75 bis 2,81 Millisekunden nach dem Ereignis erkennen lässt, 50-mal schneller als mit mechanischen Fadenwächtern, und an welcher Stelle des Fadens er passiert ist. Das ist Erkennung nach dem Bruch, keine Vorhersage, und es war eine Schärmaschine, keine Ringspinnmaschine.

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, „Spindel beim nächsten Rundgang prüfen” versus „in die Wochenanalyse”. Ein Alarm Sekunden vor einem einzelnen Bruch hilft wenig, in dieser Zeit ist kein Handgriff möglich, der den Bruch verhindert.

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 Rundgang 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 verschlechtert die Signale deutlich. 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, Preis auf Anfrage) 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.

Nach einem deutlichen Chargenwechsel steigt die Fehlalarmrate spürbar, wie stark, hängt am Unterschied der Chargen. 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 naheliegende Lösung für Spinnereien mit Rieter-Maschinenpark, aber in drei Bausteinen. ESSENTIALmonitor liefert Echtzeitdaten zu Produktivität, Energie, Qualität und Wartung. Die Einzelspindel-Daten braucht die Sensorik ISM premium, die KI-Früherkennung steckt im Aufbaumodul ESSENTIALoptimize, nicht im Monitor. Kein eigenes IT-Projekt nötig, Onboarding durch Rieter-Techniker. Einschränkung: sinnvoll nur für Rieter-Maschinen, Preise für alle Bausteine 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. Preise auf Anfrage, die Kosten setzen sich aus SIMATIC-Hardware, Management-Software und App-Lizenzen zusammen.

Amazon SageMaker AI , Das AWS-Gegenstück zu Azure ML, wenn eure Daten ohnehin bei AWS liegen. Auch hier gilt: Plattform plus eigenes Modell, kein fertiger Anomaliedienst, den man mit historischen Daten füttert und der den Rest erledigt. Einen solchen Dienst gab es bei AWS mit Amazon Lookout for Equipment, er ist zum 7. Oktober 2026 eingestellt, Bestandskunden verweist AWS auf AWS IoT SiteWise mit eigener multivariater Anomalieerkennung (AWS, Preserve access and explore alternatives for Amazon Lookout for Equipment). Für die Garnrissvorhersage war der Cloud-Weg ohnehin nur die halbe Antwort: Inferenz im Minutentakt ist zu träge für ein Ereignis, auf das ihr in Sekunden reagieren müsst. Sie taugt für Lagerverschleiß am Streckwerk, nicht für den Riss selbst. Genau deshalb gehört die Riss-Erkennung auf die Edge und nicht in die Cloud.

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-Cluster ab ca. 0,90 USD je Stunde, die Kosten je Training hängen an Datenmenge und Laufzeit.

InfluxDB + Grafana , Die Open-Source-Grundlage für eigene IoT-Stacks. InfluxDB speichert Zeitreihendaten von Sensoren, 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
• Eigenes ML-Modell, AWS-Cloud → Amazon SageMaker AI (für Lagerverschleiß-Trends, nicht für den 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. Amazon SageMaker AI und Azure ML lassen sich beide in Frankfurt betreiben, die Region muss beim Anlegen explizit gewählt 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 ist kostenlos. Plane Speicher und Verdichtung: Bei 1.632 Spindeln und 10 bis 50 Merkmalen je Spindel und Sekunde kommen täglich 1,4 bis 7 Milliarden Datenpunkte zusammen.

Betriebsrat-Hinweis: § 87 Abs. 1 Nr. 6 BetrVG gibt dem Betriebsrat ein Mitbestimmungsrecht bei technischen Einrichtungen, die dazu bestimmt sind, Verhalten oder Leistung der Arbeitnehmer zu überwachen. Das Bundesarbeitsgericht lässt seit Langem genügen, dass eine Einrichtung dazu objektiv geeignet ist, auf die Absicht kommt es nicht an. Ein System, das Brüche, Alarme und Reaktionszeiten je Spindel erfasst und sich Schichten zuordnen lässt, ist dazu geeignet. Das Framing als Maschinenschutz ändert daran nichts, eine Betriebsvereinbarung schon: Sie legt fest, was ausgewertet werden darf und was nicht.

Was es kostet, realistisch gerechnet

Einmalige Einrichtungskosten

Laufende Kosten (monatlich)

• Cloud-Plattform ( Azure ML oder SageMaker AI ): rein nutzungsbasiert, kein Listenpreis je Maschine. Die laufenden Kosten entstehen aus Speicher, Inferenz-Rechenzeit und Trainingsläufen, rechne sie mit dem Preisrechner des Anbieters für deine Sensorzahl durch. Besser planbar ist der Posten Modell-Maintenance weiter unten in dieser Liste
• Edge-Software-Lizenzen (Siemens Industrial Edge): Preis auf Anfrage
• Modell-Maintenance (intern oder Dienstleister): 5–10 Stunden/Monat
• Rieter ESSENTIALmonitor : Subscription, Preis auf Anfrage, dazu ESSENTIALoptimize und ISM premium, ebenfalls auf Anfrage

Rechnung für eine Maschine

Eine Ringspinnmaschine mit 1.632 Spindeln, zwei Schichten an 300 Tagen, 200–500 kg Garn je Schicht, also 120.000–300.000 kg im Jahr. Bei 3–10 € je Kilogramm sind das 360.000 bis 3.000.000 € Garnwert im Jahr. Das sind Annahmen, setz deine Werte ein.

• Fadenbrüche kosten 2–5 % der Kapazität. Angenommen, das System senkt die Brüche um ein Drittel: 0,7–1,7 % mehr Ausbringung.
• Mehrwert: 0,7–1,7 % von 360.000–3.000.000 € sind rund 2.400 bis 50.000 € Garnwert im Jahr. Das ist Umsatz, nicht Marge, und nur dann, wenn du das Mehr auch verkaufst. Nach Abzug des Rohstoffs bleibt deutlich weniger.
• Spinnerinnen: Ein Drittel weniger Brüche gibt rund ein Sechstel ihrer Arbeitszeit frei. Geld wird das, wenn eine Person mehr Spindeln betreut und du dadurch Personal einsparst.

Dagegen stehen 35.000–113.000 € Pilot je Maschine, laufend Plattformkosten und 5–10 Stunden Pflege im Monat. Für eine einzelne Maschine mit niedrigem Garnwert trägt sich das nicht. Rechnen kann es sich bei einem großen Park gleicher Baureihe, bei feinen, teuren Garnen und wenn du die gewonnene Zeit in eine größere Spindelzuteilung je Spinnerin übersetzt. Ob überhaupt ein Drittel weniger Brüche drin ist, zeigt erst die Erfassung aus “Das kannst du heute noch tun”.

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, welche Spindel ein Sorgenkind ist, 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.” Fadenwächter an Ringspinnmaschinen erkennen einen Bruch, wenn er passiert ist, und melden ihn. Das ist Reaktion, keine Vorbeugung. Ein ML-System, das Brüche verringern will, setzt früher an: nicht beim einzelnen Bruch, sondern bei der Spindel, der Charge oder der Hallenbedingung, die Brüche häuft. Beide Systeme sind komplementär, und die Bruchdaten der Wächter sind die wichtigste Datenquelle für das Modell.

„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 zusammen mit ISM premium und ESSENTIALoptimize eine 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
• Du kennst deine Fadenbruchzahl je Maschine, und sie liegt spürbar über dem, was eure Maschinen in gutem Zustand schaffen, sonst 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 setz 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.

Bei Hunderten Brüchen je Schicht kann niemand jeden einzelnen protokollieren. Leg deshalb fest, dass zwei Wochen lang je Schicht die Bruchzahl je Maschine notiert wird, dazu die Rohstoffcharge und die Hallenfeuchte. An zwei ausgewählten Maschinen führen die Spinnerinnen eine Strichliste je Spindelabschnitt. Wer eine Einzelspindel-Überwachung wie ISM hat, exportiert die Daten einfach. Das zeigt dir:

• Welche Spindeln systematisch häufiger reißen (oft verursachen wenige Spindeln einen großen Teil der Brüche)
• 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

• Fadenbruch an der Ringspinnmaschine: Wikipedia, Artikel „Fadenbruch”, mit Verweis auf textiltechnische Fachliteratur: Ansetzen durch die Maschinenbedienung an der einzelnen Spindel in rund einer Viertelminute, 2 bis 10 Brüche je kg Garn, 2–5 % Verlust an Produktionskapazität, bis zu 10 % der Garnherstellungskosten in Hochlohnländern, rund 120 Anspinner je Stunde bei etwa halber Arbeitszeit (de.wikipedia.org, abgerufen am 19.09.2026).
• Idzik, M. & Rybicki, T. (2025): „Real-Time Prediction of the Yarn Break Position Using Vibration Measurement.” Sensors, DOI: 10.3390/s25020299. Nachweis an einer Schärmaschine: Beschleunigungssensor, Maschinenstopp 2,752 bis 2,808 ms nach dem Bruch, 50-mal schneller als mechanische Detektoren, MRSCEK-Koeffizient für die Bruchposition. Erkennung nach dem Bruch, keine Vorhersage (Abstract abgerufen am 19.09.2026).
• SenseGrow / Jaya Shree Textiles: „Textile Industry Case Study for AI Driven Predictive Maintenance”, mehr als 42.000 Spindeln, 19 % bessere Zuverlässigkeit (MTBF und Uptime) durch Zustandsüberwachung von Lagern, Getrieben und Lüftern. Betrifft Maschinenausfälle, nicht Fadenbrüche; Zeitraum und Amortisation nennt die Fallstudie nicht (sensegrow.com, abgerufen am 19.09.2026).
• 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).
• Rieter ESSENTIAL, Siemens Industrial Edge, Azure ML, InfluxDB: unsere Toolseiten, Stand September 2026. Rieter und Siemens nennen keine Listenpreise.
• § 87 Abs. 1 Nr. 6 BetrVG: gesetze-im-internet.de, abgerufen am 19.09.2026.
• Kosten- und ROI-Angaben: eigene Schätzungen, keine 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.