Vorbehandlungs-Effektivitäts-Analyse

Das echte Ausmaß des Problems

Laut einem Branchenbericht von Surface Prep UK wurde bei einem Tier-1-Automobilzulieferer eine mehrjährige Reklamationswelle auf eine einzige Ursache zurückgeführt: inkonsistente Phosphatierung. Der Betrieb verlor jedes Jahr Zehntausende Euro durch zurückgewiesene Bauteile — bis eine systematische Korrelationsanalyse den Zusammenhang zwischen spezifischen Badwertkombinationen und Haftungsausfällen belegte.

Das ist kein Einzelfall. Branchenexperten aus der Oberflächentechnik schätzen, dass 60 bis 80 Prozent aller Beschichtungsversagen in unzureichender Vorbehandlung wurzeln — nicht in der Beschichtung selbst. Fraunhofer IPA und Fraunhofer IFAM haben beide dokumentiert, dass die Qualitätssicherung der Vorbehandlungsbäder “der entscheidende Faktor” für alle nachgelagerten Prozesse ist.

Das eigentliche Problem ist die zeitliche Entkopplung: Ein Vorbehandlungsfehler, der heute passiert, zeigt sich in der Güteprüfung meistens nicht. Der Gitterriss oder die Salzsprühnebelprüfung erkennt ihn auch nicht zuverlässig. Stattdessen zeigt er sich drei bis acht Wochen nach Auslieferung als Haftungsversagen, osmotische Blasenbildung oder Unterwanderungskorrosion beim Endkunden — klassisches Feld-Versagen, keine Qualitätsmeldung aus der eigenen Prüfung.

Was das für die Fehlersuche bedeutet: Der Qualitätsingenieur, der eine Feldreklamation untersucht, schaut auf Daten, die sechs Wochen alt sind. Wenn diese Daten nicht systematisch gespeichert wurden — Badwerte stündlich, automatisch, mit Zeitstempel und Chargenreferenz — dann gibt es nichts mehr zu analysieren.

Die häufigsten Vorbehandlungsprobleme, die zu späteren Feldausfällen führen:

• Restsalze auf der Oberfläche nach unzureichender Spülung (Leitfähigkeit zu hoch): Die Salze ziehen Feuchtigkeit unter die Beschichtung — osmotische Blasenbildung, oft erst nach zwei bis vier Wochen sichtbar
• Ölverschleppung in die Phosphatierungsstufe: Selbst wenige Nanometer Ölrückstände verhindern, dass die Phosphatkonversionsschicht gleichmäßig wächst — die Haftung der Beschichtung ist stellenweise minimal
• Abgekippte Bäder, die formal noch „in Toleranz” liegen, aber chemisch erschöpft sind: Die Titrationswerte sagen nicht alles — Fremdmetalle (Fe, Cu, Zn-Akkumulation) und organische Kontamination sind in Standardprotokollen oft unsichtbar
• Linienstopps und Verweilzeitvariation: Ein Bauteil, das 40 Minuten statt 8 Minuten im Entfettungsbad hängt, weil die Linie stand, kann Substrat-Angriffsstellen entwickeln, die die Haftung lokal kompromittieren

Die Chemie der Vorbehandlung: Was jedes Verfahren an Daten liefert

Verschiedene Vorbehandlungsverfahren erzeugen grundlegend verschiedene Datensignale — und erfordern deshalb unterschiedliche Überwachungsansätze. Das ist der Grund, warum ein generisches Predictive Analytics-System ohne Branchenwissen hier oft scheitert.

Alkalische Entfettung (wässrig)
Relevante Parameter: Badtemperatur, pH-Wert, Gesamtalkalität (Titration), Leitfähigkeit, Ölfrachtschätzer (z. B. freie Fettsäuren oder Trübung). Der wichtigste Grenzwert ist nicht der pH allein, sondern die Kombination aus Temperatur × Pufferkapazität × Verweilzeit — denn alle drei beeinflussen, ob eine Ölschicht vollständig emulgiert wird. Sinkt die Temperatur unter ~48 °C bei schlechter Pufferkapazität, steigt die Rückverschmutzungsrate massiv.

Eisenphosphatierung / Zinkphosphatierung
Relevante Parameter: Freie Säure, Gesamtsäure, Beschleunigungsgehalt (Nitrit, Hydroxylamin oder Peroxid), Fe²⁺/Fe³⁺-Gehalt, Temperatur. Das charakteristische Datenproblem: Freie und Gesamtsäure können im Sollbereich liegen, während sich im Bad sukzessive Fe³⁺ anreichert, das die Phosphatkristallinität zerstört. Erst wenn man Fe-Konzentration als Zeitreihe tracked, sieht man den schleichenden Qualitätsverlust.

Spülstufen (Kaskadenspülung, Deionisierung)
Relevante Parameter: Leitfähigkeit (stufenweise), pH-Wert im Abwasser, Durchsatzmenge. Leitfähigkeit ist der günstigste und zuverlässigste Indikator für Restschmutzeintrag. Richtwert für die finale DI-Spüle: unter 50 μS/cm. Werte über 150 μS/cm sind mit erhöhten Korrosionsrisiken assoziiert. Dieser Parameter ist trivial zu messen — aber in vielen Betrieben wird er nur stichprobenhaft und nicht automatisch aufgezeichnet.

Plasma- und Bestrahlungsverfahren (Corona, Atmosphärenplasma)
Relevante Parameter: Leistungsdichte (W/cm²), Behandlungsgeschwindigkeit, Düsenabstand, Luftfeuchtigkeit der Umgebungsluft, Zeit seit Behandlung bis Beschichtungsauftrag (Oxidationsabbau). Plasma-Behandlung erhöht die Oberflächenenergie — aber die Wirkung klingt ab. Das KI-Modell muss hier Zeitstempel zwischen Plasma-Behandlung und Beschichtungsstart als eigene Variable führen; Abstrahlcharakter und Düsenzustand benötigen periodische Referenzmessungen.

Strahlen (Sand, Korund, Glasperlen)
Relevante Parameter: Strahlmittelgranulometrie (Siebanalyse), Strahlmittelzustand (Feinkornanteil), Restklima (Temperatur/Taupunkt-Differenz), Rautiefe Ra/Rz nach Strahlen, Zeit bis Erstbeschichtung. Das Datenproblem: Strahlmittel altern durch Bruch — je mehr Feinkorn im Kreislauf, desto schlechtere Haftung. Ein Strahlmittelmonitor (Siebung) muss als Zeitreihenwert ins Modell eingebunden werden.

Wer nur SPC-Standardparameter überwacht, sieht von alldem nichts — denn die kritischen Schwellwerte entstehen meist durch Kombinationen, nicht durch Einzelübers chreitung.

Mit vs. ohne KI — ein ehrlicher Vergleich

¹ Eigene Schätzung auf Basis von Prozessanalytik-Projekten in der Oberflächentechnik; empirische Branchenwerte fehlen, da viele Betriebe den Baseline-Zustand nicht systematisch erfassen.

Der ehrlichste Vergleich ist nicht der Tabellenwert — es ist die Frage, ob du in drei Jahren noch in der Lage bist, einer Produkthaftungsklage mit Prozessdaten zu begegnen. Mit Badwerten auf Papier oder in Excel, die manuell zwei Mal pro Schicht eingetragen wurden, ist das kaum möglich.

Badmanagement als Datenproblem: Wannenwechsel oder Korrektur?

Die wichtigste operative Entscheidung bei Vorbehandlungsbädern ist nicht die tägliche Korrektur — es ist die Wannenwechselentscheidung. Zu früh gewechselt: unnötige Chemikalienkosten und Entsorgungsgebühren. Zu spät gewechselt: steigende Qualitätsrisiken, die sich Wochen später in Feldausfällen zeigen.

Das klassische Vorgehen ist das Pauschalintervall: „Phosphatierungsbad wird alle vier Wochen gewechselt” oder „wenn die Gesamtsäure dreimal korrigiert werden musste.” Beide Regeln haben denselben Nachteil: Sie ignorieren, wie viel Arbeit das Bad tatsächlich geleistet hat und was sich in ihm angereichert hat.

Eine datengetriebene Wannenwechselentscheidung basiert auf drei Signalen:

1. Kumulierter Durchsatz (Teile-m² oder Liter Reinigungslösung je Bad-Volumen): Jede Charge verbraucht Badkapazität. Wer das aufzeichnet, sieht, wie viel Arbeit das Bad geleistet hat — unabhängig vom Kalender.

2. Fremdmetallakkumulation (z. B. Fe²⁺/Fe³⁺ im Phosphatierbad): Schleichend steigende Werte, die in Titrationspunkten unsichtbar sind, aber die Kristallstruktur der Phosphatschicht degradieren. Eine wöchentliche ICP-Analyse oder ein einfaches photometrisches Testkit liefert die Daten.

3. Korrelation mit Haftungsergebnissen aus aktuellen Chargen: Wenn der Machine Learning-Algorithmus registriert, dass Chargen aus diesem Bad in den letzten drei Wochen überdurchschnittlich viele Vorhaftungsanomalien zeigen, ist das ein Wannenwechsel-Signal — auch wenn alle Titrationswerte noch im Soll liegen.

Die meisten Betriebe haben 1 oder 2 dieser Signale. Das dritte fehlt fast immer — weil es eine systematische Verknüpfung von Badprotokoll und Qualitätsprotokoll erfordert, die manuell nicht leistbar ist.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5)
Ein Qualitätsingenieur, der heute nach Feldreklamationen Vorbehandlungsprotokolle manuell auswertet, verbringt pro Fall vier bis acht Stunden mit Recherche ohne gesichertes Ergebnis. Mit systematischer Datenerfassung und Korrelationsanalyse sinkt das auf 30 bis 90 Minuten pro Fall. Der Effekt ist real, aber nicht die größte Stärke dieses Anwendungsfalls — die Zeit wird nicht in täglicher Arbeit gespart, sondern in Ausnahme- und Krisensituationen.

Kosteneinsparung — hoch (4/5)
Die Hebel sind erheblich: Rework-Kosten für eine rückgerufene oder nachzubearbeitende Charge liegen typischerweise bei dem Drei- bis Fünffachen des ursprünglichen Beschichtungsauftrags (Abbeizen, Rückstrahlen, erneutes Beschichten, Kundenversand). Wenn die Analyse auch nur eine solche Charge pro Monat verhindert, rechnet sie sich in jedem mittelgroßen Lohnbeschichter innerhalb von Monaten. Hinzu kommt die optimierte Wannenwechselentscheidung, die Chemikalienkosten und Entsorgungsgebühren senkt.

Schnelle Umsetzung — niedrig (2/5)
Das ist der entscheidende Engpass: Vor dem KI-Modell kommt die Dateninfrastruktur. Wer heute keine automatisch aufgezeichneten Badparameter hat, muss zuerst Sensoren anbringen, ein Historian-System einrichten und historische Qualitätsdaten digitalisieren. Das dauert realistisch acht bis vierzehn Wochen und kostet je nach Infrastrukturstand zwischen 5.000 und 25.000 Euro, bevor überhaupt das erste Korrelationsmodell gerechnet werden kann. Der spätere Betrieb ist dann einfach — der Weg dorthin nicht.

ROI-Sicherheit — hoch (4/5)
Der Effekt ist sehr gut messbar: Reworkquote vor Einführung vs. danach, Feldreklamationsrate vor vs. nach, Wannenwechselintervalle vs. ersparte Chemikalienkosten. Der einzige Vorbehalt ist zeitlicher Natur — weil Vorbehandlungsfehler erst Wochen später in Feldausfällen sichtbar werden, braucht man vier bis sechs Monate nach Pilotstart, bevor der Effekt im Qualitäts-Tracking messbar ist. Wer nach sechs Wochen schon ROI erwartet, wird enttäuscht sein.

Skalierbarkeit — niedrig (2/5)
Das ist die ehrlichste Einschränkung: Jedes Vorbehandlungsbad hat seine eigene Chemie, seine eigene Betriebshistorie und seine eigenen Toleranzbereiche. Ein Korrelationsmodell, das für die Zinkphosphatierungslinie in Halle 1 kalibriert ist, funktioniert nicht ohne Neukalibrierung für die Eisenphosphatierungslinie in Halle 2 — und erst recht nicht für einen zweiten Standort mit anderem Wasserqualitätsprofil und anderen Vorprodukten. Wachstum bedeutet bei diesem Anwendungsfall nicht “Knopf drücken und skalieren”, sondern “neues Datenprojekt für jede neue Linie.”

Richtwerte — stark abhängig von vorhandener Dateninfrastruktur, Badanzahl, Teileportfolio und verfügbarem Qualitäts-Feedback-Loop.

Was das System konkret macht

Das Ziel ist ein Korrelationsmodell, das für jede Charge die Frage beantwortet: „Wie wahrscheinlich ist es, dass diese Charge in sechs Wochen im Feld versagt — auf Basis der Vorbehandlungsparameter, unter denen sie produziert wurde?”

Technisch läuft das in drei Schritten ab:

Schritt 1 — Zeitreihen-Synchronisation: Jeder Sensor in der Vorbehandlungslinie — Temperaturfühler, pH-Elektrode, Leitfähigkeitssonde, Durchflussmesser — schreibt seine Werte in einen zentralen Historian (typisch InfluxDB oder AVEVA PI System). Gleichzeitig werden Chargen-IDs und Verweilzeiten pro Stufe protokolliert. Das Ergebnis: Für jede Charge gibt es eine Zeitreihe mit allen Umgebungsparametern während der Vorbehandlung.

Schritt 2 — Qualitätsdaten-Verknüpfung: QM-Ergebnisse aus Güteprüfung (Haftrisskennwerte, Salzsprühnebelstunden) und Feldreklamationen (Datum, Fehlertyp, betroffene Charge) werden mit den Prozessdaten verknüpft. Das ist der schwerste Schritt — denn viele Betriebe führen QM-Daten in einem separaten System oder auf Papier. Erst wenn beide Datenströme zeitlich synchron und chargenbezogen vorliegen, kann das Modell rechnen.

Schritt 3 — Korrelationsmodell: Ein Machine Learning-Algorithmus (typisch Gradient Boosting oder Random Forest für tabellarische Prozessdaten) lernt aus der historischen Kombination: „Bei welchen Parameter-Konstellationen in der Vorbehandlung gab es danach gehäuft Qualitätsprobleme?” Das Modell liefert für jede neue Charge einen Risikowert — nicht als Alarm (kein Parameter hat einen Grenzwert verletzt), sondern als Pattern-Indikator (diese Kombination sieht historisch riskant aus).

Das unterscheidet den Ansatz fundamental vom klassischen SPC: Ein Einzelparameter-Grenzwert kann eingehalten sein, während die Kombination riskant ist — z. B. korrekte Badtemperatur und korrekter pH, aber erhöhte Spülleitfähigkeit bei hoher Werkstückgeometrie-Komplexität.

Konkrete Werkzeuge — was wann passt

Die Werkzeugwahl hängt vor allem davon ab, wie viel Dateninfrastruktur du bereits hast.

Seeq — wenn du bereits einen Historian hast und Ingenieure ohne Datascience-Background analysieren sollen
Seeq ist die direkteste Verbindung zwischen vorhandenem Prozessdaten-Historian und visueller Korrelationsanalyse. Die Plattform verbindet sich nativ mit AVEVA PI System und InfluxDB, ermöglicht Scatter-Plots und Trendanalysen ohne Programmierkenntnis und hat ein Data Lab für Python-ML-Modelle, wenn tiefere Analyse gewünscht ist. Der Haken: Seeq setzt einen vorhandenen Historian voraus und kostet ca. 1.000–1.200 USD/Nutzer/Jahr. Kein Einstieg ohne bestehende Dateninfrastruktur. Am besten für: Betriebe mit 50+ Mitarbeitenden, vorhandenem SCADA-System und einem Qualitätsingenieur, der die Analyse eigenverantwortlich durchführen soll.

AVEVA PI System — wenn du industrielle Echtzeit-Datenhistorisierung auf Enterprise-Niveau brauchst
PI System ist der Industriestandard für Prozesszeitreihendaten. Wer mehrere Vorbehandlungslinien mit Hunderten von Messpunkten betreibt und diese Daten für Jahre archivierten will, kommt an PI kaum vorbei. Preis: fünf- bis sechsstellig pro Jahr. Nicht die erste Wahl für ein erstes Datenprojekt — aber wenn PI schon vorhanden ist, sollte es die zentrale Datenquelle für die Vorbehandlungsanalyse sein. Am besten für: Größere Lohnbeschichter (100+ Mitarbeitende) oder Inhouse-Beschichtungsoperationen mit mehreren Produktionslinien, die bereits in OT-Infrastruktur investiert haben.

InfluxDB + Grafana — die Open-Source-Kombination für den Start
Wenn noch kein Historian vorhanden ist: InfluxDB ist eine kostenlose Open-Source-Zeitreihendatenbank, die auf einem günstigen On-Premises-Server läuft (ein normaler Linux-Server reicht). Sensordaten lassen sich über OPC-UA oder direkt via Python-Skript einschreiben. Grafana visualisiert die Daten als Live-Dashboard und kann einfache Schwellwert-Alerts konfigurieren — kostenlos, selbst gehostet, ohne US-Cloud. Diese Kombination liefert erst keine KI-Korrelation, aber den Daten-Layer, ohne den kein Modell rechnen kann. Die eigentliche Korrelationsanalyse kommt später, z. B. mit einem Python-Notebook oder der Seeq-Schicht darüber. Am besten für: Kleinere und mittlere Betriebe (20–80 Mitarbeitende), die mit überschaubarem Budget eine Datenbasis aufbauen wollen, bevor sie in kommerzielle Analytik investieren.

Power BI + strukturierte Badprotokolldaten (Excel/CSV) — als Brücke, wenn SPS-Anbindung fehlt
Wenn die Sensordaten noch nicht automatisch erfasst werden, aber händische Schichtprotokolle (z. B. in Excel) vorhanden sind: Power BI kann diese Protokolldaten mit QM-Feedbackdaten zusammenführen und erste Korrelations-Visualisierungen zeigen — ohne Programmierkenntnisse, auf Basis von M365-Daten. Das ist kein vollständiges KI-System, aber ein sinnvoller erster Schritt, der ohne Infrastrukturinvestition beginnt. Am besten für: Betriebe in der Übergangsphase, die verstehen wollen, ob Korrelationen vorhanden sind, bevor sie in Sensor-Infrastruktur investieren.

Zusammenfassung: Wann welcher Ansatz

• Historian vorhanden, Ingenieur-getriebene Analyse → Seeq
• Enterprise, mehrere Linien, langfristige Archivierung → AVEVA PI System als Historian, Seeq als Analyselayer
• Kein Historian, Budget-bewusster Start → InfluxDB + Grafana
• Nur händische Protokolle, kein SCADA → Power BI als Einstieg, Infrastruktur als nächster Schritt

Datenschutz und Datenhaltung

Bei Vorbehandlungs-Prozessdaten handelt es sich typischerweise um Produktionsdaten ohne unmittelbaren Personenbezug — Badwerte, Chargennummern, Zeitstempel. Das vereinfacht den DSGVO-Rahmen erheblich: Sofern keine Mitarbeiterdaten (Schichtprotokoll-Erfasser, Bediener-IDs) mit den Prozessdaten verknüpft werden, entfällt die AVV-Pflicht gegenüber dem Werkzeug-Anbieter für die Prozessdaten selbst.

Trotzdem: Das Thema Datensouveränität ist im produzierenden Mittelstand heikel — nicht aus Datenschutzgründen, sondern aus Wettbewerbsgründen. Prozessparameter sind Betriebsgeheimnisse: Wer wie lang in welchem Bad bei welchem pH beschichtet, ist oft das Know-how, das einen Lohnbeschichter vom Wettbewerber unterscheidet.

Empfehlungen nach Tool:

• InfluxDB + Grafana (selbst gehostet): Alle Daten bleiben im eigenen Netz. Keine Cloud, keine externe Datenweitergabe — optimale Lösung für sensitive Prozessparameter.
• AVEVA PI System (On-Premises-Deployment): Ebenfalls vollständig lokal, PI hat keinen Datenzugriff. EU-Cloud-Option ist verfügbar, wenn ein Hybrid-Ansatz gewünscht ist.
• Seeq (EU-Hosting verfügbar): EU-Rechenzentrum-Option vorhanden; Auftragsverarbeitungsvertrag sollte aktiv angefordert werden. Keine Daten in den USA, sofern EU-Hosting konfiguriert ist.
• Power BI (Microsoft 365, EU Data Boundary): M365 bietet die EU Data Boundary-Option für DSGVO-konforme Datenhaltung. Für reine Prozessdaten ohne Personenbezug ist das ausreichend.

Wer trotzdem einen AVV abschließen will (empfehlenswert als Standard-Praxis): Alle genannten Anbieter stellen AVV-Vorlagen bereit, die über Self-Service-Portale abrufbar sind.

Was es kostet — realistisch gerechnet

Einmalige Investition (Dateninfrastruktur + Ersteinrichtung)

Die größte Hürde ist die Sensor- und Historian-Infrastruktur, die vor dem KI-Modell stehen muss:

• Sensor-Instrumentation pro Vorbehandlungsbad (pH, Temperatur, Leitfähigkeit, Inline-Titration): 2.000–8.000 Euro je nach Qualität und Anzahl der Sensoren. Für eine typische 5-stufige Linie: 6.000–15.000 Euro.
• On-Premises-Server für InfluxDB-Historian (Gebraucht-Server oder NUC): 500–2.000 Euro
• Datenanbindung (OPC-UA-Server, SPS-Programmierung, Skripte): 3.000–8.000 Euro Dienstleisterkosten
• Analytics-Software (Seeq ab ca. 1.000 USD/Nutzer/Jahr, AVEVA PI System auf Anfrage / fünfstellig)
• Gesamtinvestition Einstieg: 5.000–25.000 Euro (ohne Enterprise-Historian)

Laufende Kosten (monatlich)

• InfluxDB OSS: 0 € (selbst gehostet)
• Grafana: 0 € (selbst gehostet, Community Edition)
• Seeq: ab ca. 90–100 €/Nutzer/Monat
• Power BI Pro: ab 10 €/Nutzer/Monat

Wie sich der Nutzen messen lässt
Die Rechnung funktioniert nur über konkret erfasste Reklamations- und Rework-Kosten. Typische Anhaltswerte:

• Eine zurückgegebene und nachzubearbeitende Charge (Abbeizen, Rückstrahlen, erneutes Beschichten, Versandkosten): 800–3.500 Euro je nach Teilegröße
• Gutachterkosten bei strittiger Garantiereklamation: 1.500–5.000 Euro
• Regresskosten bei Lieferantenhaftung in der Lieferkette: potenziell im hohen fünf- bis sechsstelligen Bereich

Wenn das System in einem mittleren Lohnbeschichter mit 30 Mitarbeitenden auch nur eine einzige Charge-Rückrufaktion pro Quartal verhindert, amortisiert sich die Infrastrukturinvestition in der Regel innerhalb von zwölf Monaten.

Drei typische Einstiegsfehler

1. Das Modell vor den Daten bauen
Der häufigste Fehler ist, sofort nach einem KI-Tool zu suchen, bevor die Datengrundlage steht. KI korreliert nur das, was aufgezeichnet wurde. Ein Modell, das mit händischen Protokolldaten aus zwei Schichten pro Tag arbeitet, kann keine Zusammenhänge auf Stundenbasis erkennen — und genau auf dieser Ebene entstehen die kritischen Badwertkombinationen. Der erste Schritt ist immer die Sensor-Infrastruktur, nicht das Analysemodell.

2. Nur Einzelparameter überwachen, keine Kombinationen
SPC-Kontrolle auf Einzelwerte (pH innerhalb Toleranz, Temperatur innerhalb Toleranz) ist notwendig aber nicht hinreichend. Das Risiko liegt in der Kombination: korrekte Einzelwerte, kritische Kombination. Wer sein KI-System nur darauf ausrichtet, Grenzwertüberschreitungen zu melden, hat den Hauptvorteil des Ansatzes nicht erschlossen. Das Ziel ist Pattern-Erkennung über mehrere Parameter gleichzeitig.

3. Den Feedback-Loop mit Feldreklamationen vergessen
Das häufigste Langzeit-Problem: Das System sammelt Prozessdaten, aber Feldreklamationen werden nicht systematisch mit den Prozessdaten der betroffenen Chargen verknüpft. Nach zwölf Monaten hat man Zeitreihendaten in Hülle und Fülle — aber kein valides Qualitätslabel. Das Modell kann dann zwar Anomalien erkennen, aber nicht sagen, ob diese Anomalien tatsächlich zu Fehlern geführt haben. Wer diesen Fehler macht, hat ein Monitoring-System gebaut, kein Korrelationsmodell.

4. Erwarten, dass das Modell sofort produziert
Dieser Fehler ist besonders frustrierend, weil er mit gutem Willen anfängt: Das System läuft, die Sensoren laufen, die Daten fließen — und nach vier Wochen fragt die Geschäftsführung nach Ergebnissen. Das Modell braucht aber mindestens sechs bis zwölf Monate historische Daten mit verknüpften Qualitätsergebnissen, bevor es statistisch valide Korrelationen liefert. Wer das nicht kommuniziert, verliert nach drei Monaten die interne Unterstützung.

Was mit der Einführung wirklich passiert — und was nicht

Die größte technische Herausforderung ist nicht das KI-Modell — es ist die SPS-Anbindung.

In vielen Beschichtungsbetrieben ist die Vorbehandlungsanlage die älteste und am wenigsten digitalisierte Einheit. Eine Lackieranlage hat häufig schon eine SPS mit OPC-UA oder Profibus — aber die Vorbehandlungsanlage aus den 1980er oder 1990er Jahren hat manchmal gar keine digitale Schnittstelle. Das ist kein Datenproblem, das ist ein Maschinenproblem. Nachrüsten ist möglich (Retrofit-Sensoren, IoT-Gateways) — aber es kostet Zeit und Geld, und es erfordert jemanden, der das Thema OT/IT-Integration kennt.

Typische Widerstands-Muster im Betrieb:

Schichtführende werden nervös, wenn ein System plötzlich ihre Badkorrekturentscheidungen in Frage stellt: „Das System sagt, das Bad sei in Ordnung, aber mir riecht es komisch.” Diese Intuition ist wertvoll — sie sollte nicht durch Vertrauen in den Algorithmus ersetzt werden, sondern ergänzt werden. Das System gibt einen zweiten Blick, keinen Befehl. Wer das nicht früh kommuniziert, erzeugt Abwehr.

Qualitätsingenieure sind häufig enthusiastisch — aber überfordert mit der Dateninfrastruktur-Frage. Die Fähigkeit, Seeq oder Power BI zu bedienen, ist eine andere als das Verständnis von OPC-UA-Anbindungen, Historian-Konfiguration und Datenmodellierungsprinzipien. Realistisch sind hier zwei verschiedene Personen oder Rollen gefragt: ein OT/IT-Integrator für die Dateninfrastruktur und ein Qualitätsingenieur für die Analyse.

Was tatsächlich hilft:

• Einen klar abgegrenzten Piloten definieren: eine Linie, ein Bad, sechs Monate Datenerfassung, dann erste Korrelationsrechnung
• Den Schichtführer von Anfang an einbinden — nicht als Objekt der Analyse, sondern als Experte für die Daten (Was misst ihr heute schon? Was fehlt?)
• Intern kommunizieren, dass die erste Phase reine Datenerfassung ist — kein System, das Entscheidungen trifft, sondern eines, das Daten sammelt

Realistischer Zeitplan mit Risikohinweisen

Wichtig: Das Modell ist nie “fertig”. Neue Substratlegierungen, Chemikalienwechsel oder Anlagenmodifikationen können bestehende Korrelationen verschieben. Wer nach Go-Live keine Ressource für periodische Neukalibrierung einplant, hat nach 18 Monaten ein Modell, das auf veraltete Muster reagiert.

Häufige Einwände — und was dahintersteckt

„Wir haben das schon immer so gemacht und die Qualität ist gut.”
Das stimmt vielleicht für den Durchschnitt — aber Feldreklamationen kommen nicht vom Durchschnitt, sondern von Ausreißern. Ein Betrieb mit 98 Prozent guter Ware hat trotzdem 2 Prozent problematische Chargen, und wenn die Ursache systemisch ist (ein bestimmtes Badmuster), wiederholt sich das Problem. Die Frage ist nicht, ob die Qualität gut ist — sondern ob du weißt, warum sie es ist, und ob du erkennst, bevor sie schlechter wird.

„Unsere Bäder werden regelmäßig kontrolliert.”
Stichprobenkontrollen zeigen den Momentanzustand — aber nicht die Dynamik. Ein Entfettungsbad, das morgens in Ordnung ist und nachmittags durch hohe Teilebelastung an seine Grenzen gerät, zeigt im Tagesstichprobenprotokoll unauffällige Werte. Erst eine Zeitreihe auf Stundenbasis oder häufiger zeigt, wie das Bad sich über den Schichtverlauf verhält — und das ist genau der Zeitraum, in dem die problematischen Chargen entstehen.

„Das ist zu aufwendig und teuer für unsere Betriebsgröße.”
Das ist ein valider Einwand — für Betriebe unter 20 Mitarbeitenden mit weniger als drei Vorbehandlungsstufen. Für einen Lohnbeschichter mit 40+ Mitarbeitenden, mehreren Linien und einem Jahresumsatz ab drei Millionen Euro ist die Rechnung dagegen klar: Eine einzige Charge-Rückrufaktion mit Regressanspruch in der Lieferkette kostet oft mehr als die gesamte Infrastrukturinvestition. Das Thema Produkthaftung macht diese Investition zunehmend zur strategischen Notwendigkeit, nicht zur optionalen Optimierung.

Woran du merkst, dass das zu dir passt

Signale, dass dieser Anwendungsfall für dich reif ist:

• Du hast in den letzten zwei Jahren Feldreklamationen erhalten, deren Ursache du nicht zweifelsfrei auf einen spezifischen Prozessparameter zurückführen konntest
• Dein Betrieb verarbeitet mehr als 500 Teile pro Schicht durch die Vorbehandlung, mit mindestens drei separaten Badstufen
• Du hast eine SPS an der Vorbehandlungsanlage, die zumindest theoretisch ausgelesen werden kann
• Du führst schon heute Badprotokolle — auch wenn nur händisch — und könntest diese mit Chargendaten verknüpfen
• Dein Qualitätsingenieur oder Prozessingenieur würde jetzt gerne wissen, welche Badwert-Kombination eigentlich zu den letzten drei Reklamationen geführt hat

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

1. Betrieb unter 20 Mitarbeitenden oder weniger als zwei aktiven Vorbehandlungsbädern. Das Teilevolumen ist zu gering, um statistisch valide Korrelationen zu berechnen. Für diesen Betrieb lohnt sich zuerst die Investition in ein sauberes händisches Protokollsystem mit Chargenbezug — das ist der Vorläufer jeder datengetriebenen Analyse.

2. Keine historischen Batch-Qualitätsdaten (mindestens 12 Monate) mit Chargenbezug vorhanden. Das Modell braucht Trainingsdaten — und zwar gelabelte: Diese Charge hatte ein Haftungsproblem, jene nicht. Wer heute keine Rückverfolgung von Reklamationen auf Produktionsdaten hat, muss diese Traceability zuerst einführen, bevor KI irgendetwas beitragen kann. Das ist kein KI-Projekt, sondern zuerst ein QM-Projekt.

3. Keine Bereitschaft oder kein Budget für Sensor-Instrumentation (mindestens 3.000–8.000 Euro für eine Basisausrüstung). Das Modell rechnet auf Messdaten — keine Sensoren, keine Daten, kein Modell. Wer nur auf händische Schicht-Protokollwerte setzt, bekommt ein statistisch unzuverlässiges Modell, das im besten Fall Mittelwerttrends zeigt, aber keine kritischen Stunden-Muster erkennt.

Das kannst du heute noch tun

Der schnellste erste Schritt kostet nichts und erfordert keine Technik: Nimm die letzten drei Feldreklamationen, die du erhalten hast, und suche die Chargenprotokolle dazu heraus. Kannst du für jede Reklamation die Badwerte der relevanten Vorbehandlungsstufen zum Zeitpunkt der Produktion rekonstruieren? Kannst du die Verweilzeiten, Spülleitfähigkeiten und Badkorrekturen dieses Tages nachvollziehen?

Wenn die Antwort „nein” ist, hast du dein erstes Handlungsfeld — und das ist kein KI-Problem, sondern ein Traceability-Problem. Wenn die Antwort „ja, aber mühsam” ist, hast du den Fall für die Digitalisierung dieser Daten. Wenn die Antwort „ja, und ich sehe tatsächlich Muster” ist, bist du bereit für ein ernsthaftes KI-Korrelationsprojekt.

Für den zweiten Schritt — sobald deine Badwerte in einer strukturierten Form vorliegen — ist hier ein Analyse-Prompt, den du direkt in ChatGPT, Claude oder ein ähnliches Werkzeug laden kannst:

Quellen & Methodik

• Vorbehandlung als Hauptursache von Beschichtungsversagen: Fraunhofer IFAM, „Monitoring wet chemical baths”, ifam.fraunhofer.de — Qualitätssicherung der Vorbehandlungsbäder als „entscheidender Faktor” für alle nachgelagerten Prozesse; LIBS-Technologie und Impedanzspektroskopie als Überwachungsverfahren.
• Tier-1-Automobilzulieferer und inkonsistente Phosphatierung: Surface Prep UK, surfaceprep.co.uk, „The Hidden Reason Your Coatings Fail” — dokumentierter Fall: Zehntausende Euro jährliche Verluste durch zurückgewiesene Bauteile, auf inkonsistente Phosphatierung zurückgeführt.
• Fraunhofer IPA, Qualitätsoptimierung Beschichtungsverfahren: ipa.fraunhofer.de, Business Solutions — Korrelationsanalyse zwischen Prozessparametern und Beschichtungsqualität als etablierter methodischer Ansatz; Design-of-Experiments kombiniert mit ML-basierten Qualitätsmodellen.
• Osmotische Blasenbildung durch Restsalze: hinahcoatingline.com, „Is Your Pre-Treatment Killing Your Powder Coating Line” — mechanistische Beschreibung der Versagensmodi: Restsalze auf Werkstückoberfläche führen zu Feuchtigkeitszug unter die Beschichtung, Blasenbildung typischerweise 2–4 Wochen nach Applikation — sichtbares Feld-Versagen, nicht in der Güteprüfung erkennbar.
• Seeq Prozessanalytik-Preise und Funktionsumfang: seeq.com, veröffentlichte Produktdokumentation, Stand April 2026. Ca. 1.000–1.200 USD/Nutzer/Jahr für Workbench-Lizenz.
• Leitfähigkeit als Spülqualitätsindikator: PCI Magazine, „Troubleshooting Pretreatment Systems” — Spülstufen sollten mindestens einmal pro Schicht auf pH und TDS/Leitfähigkeit geprüft werden; Richtwert DI-Spüle unter 50 μS/cm.
• Kostenschätzungen Sensor-Instrumentation und Dienstleister: Erfahrungswerte aus OT/IT-Integrationsprojekten in der Beschichtungsindustrie, Stand April 2026. Keine repräsentative Studie — Bandbreite abhängig von Anlagenzustand und Infrastrukturkomplexität.

Du willst wissen, welche Vorbehandlungsparameter in deiner Anlage tatsächlich überwacht werden sollten und ob deine bestehenden Protokolldaten für eine erste Korrelationsanalyse ausreichen? Meld dich — das lässt sich oft in einem kurzen Gespräch einschätzen.