Chemikalienverbrauchs-Ineffizienz-Erkennung

Das echte Ausmaß des Problems

Chemikalien sind in der Galvano- und Oberflächentechnik keine Randbeschaffung. Sie sind der Hauptprozessverbrauch — und damit eine der wenigen direkt steuerbaren Kostenkomponenten. In einem typischen Lohnbeschichtungsbetrieb mit fünf bis zehn Bädern machen Prozesschemikalien erfahrungsgemäß 25–40 Prozent der direkt zurechenbaren Betriebskosten aus, neben Strom und Personal.

Der Branchenverband ZVO (Zentralverband Oberflächentechnik) vertritt über 600 Mitgliedsunternehmen, die zusammen rund 62.000 Beschäftigte in Deutschland haben — ein Markt mit schwerem Kostendruck und engen Margen, in dem jede vermeidbare Ausgabe zählt.

Was die Chemikalien wirklich kosten:

• Ein mittelgroßer Zinkelektrolyt mit 200–300 Liter Badvolumen verschluckt im Normalbetrieb 1–3 kg Zinksalz je 1.000 Amperestunden. Bei Unregelmäßigkeiten — schlechte Draglastkontrolle, zu hohe Badtemperatur, Fehlbeschickung — kann dieser Wert um den Faktor 1,5 bis 2 steigen, ohne dass ein Alarm ausgelöst wird.
• Drag-out-Verluste — Mitschleppverluste durch benetzte Werkstückoberflächen beim Herausziehen aus dem Bad — sind laut US-Pollution-Prevention-Programmen und Branchenliteratur der größte Einzelposten vermeidbarer Chemikalienabgaben in der Galvanik. Sie schlagen direkt auf den Verbrauch durch und lassen sich rechnerisch präzise schätzen (mehr dazu weiter unten).
• Die Forscher Klocke et al. (Springer, International Journal of Advanced Manufacturing Technology, 2020) validierten einen modellbasierten Ansatz zur Elektrolytsteuerung und Dosierung in einer industriellen Zinknickel-Trommelbeschichtungslinie für Automobilteile. Das Ergebnis: Durch datengetriebene Dosierkontrolle ließen sich Fehlchargen und Überaddition von Elektrolytkomponenten erheblich reduzieren — ein Effekt, der sich direkt in der Chemiebilanz niederschlägt.

Rettenberger Metallveredelung, ein auf Medizintechnik und Automotive spezialisierter Galvanikbetrieb aus dem Schwarzwald, beschrieb 2024 einen Fall, in dem ein mittelständischer Automobilzulieferer durch KI-gesteuerte Zinknickel-Linie seinen Chemikalienverbrauch um 18 Prozent senkte — gleichzeitig mit 22 Prozent weniger Ausschuss und halbierter Stillstandszeit.

Das ist keine Ausnahme. Es ist das, was möglich wird, wenn Daten systematisch ausgewertet werden, statt in Schichtprotokollen zu verschwinden.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Zahlen ohne KI sind keine Schätzungen ins Blaue — sie basieren auf der Beobachtung, wie Betriebe ohne systematisches Verbrauchsmonitoring tatsächlich arbeiten. Der Chemiker macht das Beste mit den Mitteln, die ihm zur Verfügung stehen. Aber ein Mensch, der drei Schichten, acht Bäder, zwanzig verschiedene Substrattypen und variable Chargengrößen gleichzeitig im Blick behalten soll, kann keine Muster in Zeitreihendaten erkennen. Das kann ein Algorithmus.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5)
Das Hauptgewinn liegt nicht bei der Mitarbeiterzeit, sondern bei den Materialkosten. Wer täglich Verbrauchsanalysen manuell erstellt, spart mit dem System 30–60 Minuten — aber das ist selten der eigentliche Treiber. Die Zeitersparnis entsteht vor allem durch weniger manuelle Fehlersuche nach Verbrauchsspitzen: Statt drei Stunden Rückwärtssuche in Schichtprotokollen gibt es eine Korrelationstabelle, die zeigt, welche Chargenbedingungen auffällig waren.

Kosteneinsparung — hoch (4/5)
Direkte, messbare Einsparung an einer der größten Kostenkomponenten im Betrieb. Piloten zeigen 12–20 Prozent Reduktion im ersten Jahr, wenn Drag-out-Optimierung und dosierungsgetriebene Analytik kombiniert werden. Das ist einer der wenigen Anwendungsfälle in dieser Kategorie, bei dem der Kosteneffekt ohne Umweg über Qualitätsdaten direkt an der Beschaffungsrechnung ablesbar ist.

Schnelle Umsetzung — hoch (4/5)
Das unterscheidet diesen Anwendungsfall von vielen anderen: Die Daten existieren meistens bereits. LIMS-Ausdrucke, Einkaufsbelege, Schichtprotokolle — oft als Excel-Export vorhanden. Ein Pilot lässt sich in 4–6 Wochen aufsetzen, wenn diese Daten strukturiert vorliegen. Die Hürde ist nicht die Technik, sondern die Datenbereinigung. Verglichen mit Kamerabasierter Fehlererkennung (UC01) oder Farbabweichungsprognosen (UC03) ist der Einstieg deutlich niedrigschwelliger.

ROI-Sicherheit — sehr hoch (5/5)
Chemikalienkosten sind Linienpositionen in jeder Buchhaltung. Der Vergleich: Dieselbe Auftragsmenge vor und nach dem Eingriff — wie viel wurde bestellt? Das ist der direkteste Nachweis im gesamten Bereich Oberflächentechnik. Keine Umwege über Reklamationsquoten oder Nacharbeitszeiten. Der ROI ist nicht nur real, er ist auch nachweisbar — ein entscheidender Unterschied für die Akzeptanz im Betrieb und die Argumentation gegenüber der Geschäftsleitung.

Skalierbarkeit — niedrig (2/5)
Der kritische Punkt dieser Lösung. Ein Modell, das für Zinkelektrolyt-Trommelbeschichtung kalibriert wurde, ist für Nickel-Gestellbeschichtung nicht direkt nutzbar — andere Chemie, andere Badparameter, andere Drag-out-Physik. Jede Badchemie braucht eigene historische Daten, eigene Anomalieschwellen und eine eigene Lernphase. Mit drei verschiedenen Chemietypen im Betrieb braucht ihr drei separate Analysemodelle. Das ist machbar — aber es skaliert linear mit der Chemievielfalt, nicht exponentiell mit dem Nutzen.

Richtwerte — stark abhängig von Datenverfügbarkeit, Badvielfalt und vorhandener Infrastruktur im Betrieb.

Was das System konkret macht

Der technische Ansatz ist kein großes Sprachmodell und keine Bilderkennung. Es ist klassisches Machine Learning: statistische Mustererkennung auf strukturierten Prozessdaten.

Das System verbindet typischerweise drei Datenquellen:

1. Verbrauchsdaten: Chemiemengen je Bad und Zeitraum (aus LIMS, Wiegeprotokollen oder Einkaufsbestellungen), aufgeschlüsselt nach Charge oder Schicht.

2. Prozessparameter: Badtemperatur, pH-Wert, Stromstärke, Laufzeit, Chargengewicht, Werkstücktyp, Badvolumen — alles, was die Aufnahmekinetik und den Drag-out beeinflusst.

3. Badanalytik: Wöchentliche oder tägliche Messwerte für Metallgehalte, Additivkonzentrationen, Leitfähigkeit.

Aus diesen drei Quellen lernt das Modell: Wie viel Chemikalie wird normalerweise verbraucht, wenn Charge X mit Werkstücktyp Y bei Badtemperatur Z läuft? Die Toleranzgrenzen werden nicht manuell gesetzt — sie entstehen statistisch aus den Daten selbst. Was außerhalb dieser Grenzen liegt, wird als Anomalie markiert.

Was die Analyse konkret liefert

• Verbrauchsausreißer mit Chargenbezug: „Charge 4412 vom 17. März hatte einen Zinksalzverbrauch 34 Prozent über dem Erwartungswert. Mögliche Ursache: Chargengewicht 18 Prozent über Durchschnitt, kombiniert mit 4 Grad erhöhter Badtemperatur.”

• Systemisches Muster über Zeit: „Seit dem Lieferantenwechsel auf Substrat A (ab KW 8) liegt der mittlere Additivverbrauch im Hängebad 22 Prozent höher als vorher. Mögliche Ursache: höhere Oberflächenrauheit und größere effektive Benetzungsfläche.”

• Dosierungsempfehlung: „Das Bad hat noch 94 Prozent der Sollkonzentration. Nächste Auffrischung erst bei Unterschreitung von 88 Prozent empfohlen — früheres Auffüllen ist in 68 Prozent der historischen Fälle unnötig.”

Das ist kein autonomes System, das Entscheidungen trifft. Es ist ein Diagnosewerkzeug, das dem Chemiker und dem Betriebsleiter zeigt, was die Daten aussagen.

Drag-out-Verluste: Warum Chemikalien verschwinden, bevor sie wirken

Drag-out (auf Deutsch oft als „Mitschleppverlust” bezeichnet) ist der physikalische Grund dafür, dass Bäder Chemikalien verlieren, ohne dass etwas mit der Beschichtung nicht stimmt. Er ist der größte versteckte Kostentreiber in der Galvanik — und der am besten quantifizierbare.

Was passiert: Wenn ein Werkstück aus dem Prozessbad gehoben wird, bleibt an seiner Oberfläche ein dünner Film der Prozesslösung haften. Dieser Film — das ist der Drag-out — wird mit dem Werkstück in den nächsten Schritt (Spüle oder Folgebad) getragen. Die darin gebundenen Chemikalien sind verloren.

Die Berechnung ist exakt: Drag-out (Liter/Stunde) = Drag-out-Rate (ml/dm²) × Werkstückoberfläche (dm²/Stunde)

Die Drag-out-Rate hängt von Faktoren ab, die ihr kennt — oder kennen könntet:

• Abtropfzeit: Eine Sekunde mehr Verweilzeit über dem Bad kann den Drag-out um 20–40 Prozent reduzieren
• Badviskosität: Heiße, verdünnte Bäder perlen besser ab als kalte, konzentrierte
• Werkstückgeometrie: Flache Teile mit horizontalen Flächen halten mehr fest als abgerundete
• Trommel vs. Gestell: Trommelbeschichtung hat strukturell höheren Drag-out als Gestellbeschichtung

Was KI beiträgt: Wenn ihr Chargengewicht, Werkstücktyp und Badparameter digital erfasst, kann das System für jede Charge den theoretischen Drag-out berechnen — und mit dem tatsächlichen Verbrauch vergleichen. Weicht der Verbrauch vom theoretischen Drag-out plus chemischer Einbau ab, gibt es Erklärungsbedarf: War die Abtropfzeit zu kurz? Hat die Spülkaskade versagt?

Das klingt nach Prozesschemie aus dem Lehrbuch — und das stimmt. Der Unterschied zu bisherigen Ansätzen ist: Bisher wurde das in der Literatur beschrieben, aber selten im laufenden Betrieb chargengenau berechnet. Mit den richtigen Daten ist das heute ein einfaches Modell in Python oder sogar in Excel.

EU-Chemikalienregulierung: Was REACH und RoHS für euren Badhaushalt bedeuten

Die Compliance-Dimension des Chemikalienverbrauchs in der Galvanik ist komplexer geworden — und das hat direkte Auswirkungen auf die Frage, ob ihr eure Badchemie überhaupt noch im Griff habt.

REACH und Chromtrioxide: Der Zentralverband Oberflächentechnik (ZVO) weist darauf hin, dass hexavalente Chromverbindungen unter REACH als SVHC (Substances of Very High Concern) eingestuft sind. Chromtrioxide in der Hartverchromung und dekorativen Verchromung stehen unter Zulassungspflicht — Anwender brauchen eine explizite Autorisierung der ECHA oder müssen auf Chromium(III)-Alternativen umstellen. Die EU-Kommission plant laut ECHA weitere Restriktionen mit einem Zeitplan bis 2027/2028.

Was das für euch bedeutet: Wer noch Chrom(VI)-Bäder betreibt, braucht eine präzise Verbrauchsdokumentation pro Charge — nicht nur für die Kalkulation, sondern für die Compliance-Dokumentation gegenüber Behörden und Kunden. Ein KI-gestütztes Verbrauchsmonitoring liefert diese Aufzeichnungen als Nebenprodukt.

RoHS-Traceability: In der Zuliefererkette, besonders für Automotive und Elektronik, fordern immer mehr Kunden Nachweise, dass beschichtete Teile keine verbotenen Stoffe (Cadmium, Blei, Chrom VI) enthalten. Die Traceability läuft über die Chargendokumentation — genau die Daten, die auch das Verbrauchsmonitoring benötigt.

Praktische Konsequenz: Die Investition in strukturierte Chargendaten dient also zwei Zwecken gleichzeitig: Kostenoptimierung heute und Compliance-Dokumentation für morgen. Betriebe, die heute noch keine systematische Verbrauchsdokumentation haben, werden sie spätestens dann brauchen, wenn die nächste REACH-Revision oder ein Tier-1-Kundenaudit dies einfordert.

Konkrete Werkzeuge — was wann passt

Die Wahl des Werkzeugs hängt stark davon ab, wie eure Daten heute vorliegen und welche IT-Kompetenz im Betrieb vorhanden ist.

Julius AI — wenn Daten in Excel oder CSV vorliegen
Der einfachste Einstieg ohne jede Programmierung: Exportiert eure LIMS-Daten, Schichtprotokolle und Einkaufsbelege als CSV oder Excel. Julius analysiert die Datei in natürlicher Sprache — ihr fragt: „Welche Chargen haben im März den höchsten Verbrauch pro kg Beschichtungsgut gezeigt?” und bekommt eine Antwort mit Diagramm. Kosten: 0–40 USD/Monat. Einschränkung: Datenhaltung in den USA — keine personenbezogenen Daten hochladen, aber Produktionsdaten ohne Personenbezug sind in der Regel unproblematisch. Für erste Analysen und Machbarkeitsnachweise ideal.

InfluxDB + Grafana — wenn ihr Sensordaten strukturiert erfassen wollt
Wenn eure Bäder bereits mit pH-Elektroden, Temperatursensoren oder Leitfähigkeitsmessern ausgestattet sind, die Messwerte ins Netz senden, ist InfluxDB als Open-Source-Zeitreihendatenbank die kostengünstigste Infrastruktur. Grafana legt darüber ein Dashboard mit Alerting. Kombination: vollständig kostenlos und on-premise betreibbar — keine DSGVO-Bedenken, keine laufenden Lizenzkosten. Technische Voraussetzung: ein Linux-Server im Netz und jemand, der grundlegende IT-Kenntnisse mitbringt. Für Unternehmen mit 1–3 Personen IT-Kapazität gut umsetzbar.

Python + scikit-learn — für maßgeschneiderte ML-Modelle
Wer mehr als Visualisierung will — also echte Anomalieerkennung, automatische Schwellenwertkalibrierung und Drag-out-Berechnungsmodelle —, braucht etwas Code. Python mit pandas und scikit-learn ist der industrieübliche Ansatz: vollständig kostenlos, on-premise betreibbar, und das Ergebnis ist ein Modell, das auf eure spezifische Badchemie kalibriert ist. Realistischer Aufwand bis zum ersten Prototyp: 2–4 Wochen für eine Person mit Datenanalyse-Erfahrung. Ohne intern verfügbare Data-Science-Kompetenz solltet ihr einen externen Dienstleister mit Galvanikbranchenkenntnissen einbeziehen.

AVEVA PI System — für Betriebe mit vorhandener Historian-Infrastruktur
Wer bereits eine industrielle Datenhistorisierung im Einsatz hat — sei es AVEVA PI oder eine ähnliche SCADA/Historian-Lösung — kann darauf aufsetzen. Das AVEVA PI System hat über 450 vorgefertigte Schnittstellen zu Leitsystemen und ist der De-facto-Standard in der Prozessindustrie. Für mittelständische Galvanikbetriebe typischerweise überdimensioniert — fünfstellige Jahreskosten, aufwendige Implementierung — aber wenn die Infrastruktur bereits besteht, ist die Erweiterung um Verbrauchsanalytik ein natürlicher nächster Schritt.

Zusammenfassung: Wann welcher Ansatz

• Daten in Excel, schneller Start ohne IT-Aufwand → Julius AI
• Sensordaten vorhanden, kostenlose Infrastruktur gewünscht → InfluxDB + Grafana
• Eigene ML-Modelle, volle Kontrolle, IT-Kompetenz vorhanden → Python
• Vorhandener Historian, größere Operation → AVEVA PI System

Datenschutz und Datenhaltung

Chemikalienverbrauchsdaten sind im Regelfall keine personenbezogenen Daten im Sinne der DSGVO — es handelt sich um Produktionsprozessdaten. Das vereinfacht die rechtliche Lage erheblich: Kein AVV erforderlich für die Verarbeitung von Badwerten, Verbrauchsmengen oder Chargenparametern, solange keine Mitarbeiterdaten eingeflossen sind.

Ausnahme: Schichtprotokolle können Namen von Schichtführern enthalten. Wenn ihr diese Daten in externe Tools hochladet (z.B. Julius AI), solltet ihr die Namensspalten vorher entfernen oder anonymisieren. Das ist eine Vorsichtsmaßnahme, kein generelles Hindernis.

Für externe Dienstleister: Wenn ihr einen externen Anbieter mit der Datenanalyse beauftragt, der Zugriff auf eure Produktionsdaten bekommt, schließt einen Auftragsverarbeitungsvertrag (AVV) nach Art. 28 DSGVO ab — auch wenn die Daten nicht personenbezogen sind, ist das in vielen Betrieben intern standardmäßig erforderlich.

Tool-spezifisch:

• Julius AI: US-Hosting; geeignet für anonymisierte Produktionsdaten, kein persönlicher Datenbezug
• InfluxDB + Grafana: On-Premise-Betrieb möglich; volle Datenkontrolle im eigenen Netz
• Python: Daten verlassen nicht den eigenen Server — kein Drittanbieter involviert
• AVEVA PI System: Hybrides Hosting möglich; On-Premises-Option für vollständige Datensouveränität

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten
Der größte Aufwand ist nicht die Software, sondern die Datenaufbereitung:

• Historische Chargendaten sichten, strukturieren, exportieren: 2–4 Wochen intern, je nach vorhandener Dokumentationsqualität
• Externe Datenanalytik-Dienstleistung (wenn keine interne Kapazität): 5.000–15.000 Euro für Erstmodell und Dashboard, je nach Datenkomplexität und Badvielfalt
• Bei Eigenentwicklung mit Python: Personalkosten für 2–4 Wochen Data-Science-Arbeit, keine Lizenzkosten

Laufende Kosten (monatlich)

• Julius AI Plus: 20 USD/Monat (für gelegentliche CSV-Analysen ausreichend)
• InfluxDB + Grafana: 0 € (open-source, eigener Server) + Serverkosten (50–150 €/Monat, abhängig von Infrastruktur)
• Python-Modell auf eigenem Server: Infrastrukturkosten 30–100 €/Monat
• AVEVA PI System: ab fünfstellig im Jahr — nur relevant bei bestehender Infrastruktur

ROI-Rechnung für einen mittelgroßen Lohnbeschichter (Beispiel)
Monatliche Chemikalienkosten: 15.000 Euro. Reduktion von 15 Prozent durch Verbrauchsoptimierung = 2.250 Euro Ersparnis je Monat. Einrichtungsaufwand 10.000 Euro (Datenaufbereitung + externer Dienstleister). Amortisation: 4–5 Monate — in der Praxis oft kürzer, weil Drag-out-Verbesserungen sofort wirken.

Wie ihr den Nutzen tatsächlich messt
Vergleicht nicht die absoluten Monatskosten — zu viele externe Einflüsse (Rohstoffpreise, Chargenmix). Messt stattdessen: Chemikalienverbrauch je kg beschichtetem Gut (oder je 1.000 Amperestunden). Diese normierte Kennzahl ist der faire Vergleichswert. Wenn sie nach Einführung der Analysemaßnahmen um 10–20 Prozent sinkt, habt ihr den Nachweis.

Drei typische Einstiegsfehler

1. Papierprotokolle statt digitaler Daten — und trotzdem mit der Analyse starten.
Wer Schichtdokumentation hauptsächlich auf Papier oder in unstrukturierten Word-Dokumenten führt, kann keine statistischen Muster erkennen lassen. Das System braucht strukturierte, maschinenlesbare Daten. Der erste Schritt ist dann nicht das KI-Projekt, sondern die Umstellung auf digitale Schichtdokumentation. Das ist ein Vorbereitungsschritt, der 4–8 Wochen dauert — notwendig, aber lohnend unabhängig vom KI-Einsatz.

2. Ein Modell für alle Badchemien bauen wollen.
Ein Zinkelektrolyt verhält sich anders als ein Nickelsulfamatbad, das sich anders verhält als ein saurer Kupferbad. Drag-out-Koeffizienten, Badstabilität, typische Additivverbrauchsraten — all das ist chemie-spezifisch. Wer versucht, ein universelles Anomaliemodell über alle Bäder zu trainieren, bekommt ein Modell, das für jedes Bad nur mäßig gut ist. Die richtige Strategie: ein Bad, ein Modell. Mit dem einfachsten, datenstärksten Bad anfangen.

3. Einführen, messen — und nach sechs Monaten kein Update machen.
Das ist der Wartungsfehler, der stille Schäden anrichtet. Wenn ihr einen neuen Lieferanten, eine neue Badchemie oder neue Werkstückgeometrien bekommt, haben sich die statistischen Baselines geändert. Ein Modell, das auf alten Daten kalibriert ist, wird neue Normalzustände als Anomalien melden — oder echte Anomalien nicht erkennen, weil sich das Basisrauschen verschoben hat. Plant alle 6 Monate eine Modellüberprüfung ein: Stimmen die Schwellenwerte noch? Hat sich der Werkzeugmix oder Substratmix verändert?

Was mit der Einführung wirklich passiert — und was nicht

Die technische Herausforderung ist lösbar. Die organisatorische ist schwieriger.

Der Schichtchemiker als Schlüsselspieler. In jedem Galvanikbetrieb gibt es eine oder zwei Personen, die den Badhaushalt kennen — weil sie ihn jahrelang gelebt haben. Diese Menschen wissen instinktiv, wann ein Bad unruhig läuft. Ein System, das ihnen ihre Erfahrung in Zahlen bestätigt (oder widerspricht), wird zuerst kritisch beäugt. Wichtig: Führt das Modell nicht als Ersatz ein, sondern als Werkzeug. Der erste Schritt ist, das System zu benutzen, um bestehende Vermutungen zu prüfen — nicht, um neue Regeln zu setzen. „Das Modell sagt, das Hängebad verbraucht montags 20 Prozent mehr. Stimmt das mit eurer Erfahrung überein?” Das erzeugt Vertrauen schneller als jede PowerPoint-Präsentation.

Was realistisch nicht passiert: Das System wird nicht autonom Dosierungsentscheidungen treffen. Es wird nicht den Chemiker ersetzen. Es wird nicht sofort alle Anomalien erklären — manche Ausreißer sind schlicht nicht erklärbar mit vorhandenen Daten. Das zu kommunizieren ist wichtig, bevor die ersten Ergebnisse kommen. Ein Modell, das 70 Prozent der Ausreißer klärt, ist ein erheblicher Fortschritt gegenüber null Prozent — auch wenn 30 Prozent rätselhaft bleiben.

Was konkret hilft:

• Vor dem Rollout gemeinsam die fünf häufigsten Verbrauchsfragen formulieren, die der Chemiker sich regelmäßig stellt — das wird der erste Testdatensatz
• Eine erste Pilotauswertung für ein einziges Bad, über einen abgeschlossenen Drei-Monats-Zeitraum, bevor das System auf alle Bäder ausgeweitet wird
• Ergebnisse monatlich gemeinsam reviewen — das hält die Akzeptanz hoch und liefert Feedback für Modellverbesserungen

Realistischer Zeitplan mit Risikohinweisen

Realistische Erwartung: Ein erster Pilot für ein einziges Bad ist in 4–6 Wochen möglich. Ein vollständiges System für alle Bäder braucht realistisch 3–4 Monate — je mehr Badchemietypen, desto länger. Plant den Betrieb des Systems von Anfang an als dauerhaften Prozess, nicht als abgeschlossenes Projekt.

Häufige Einwände — und was dahintersteckt

„Wir haben keine IT-Ressourcen für sowas.”
Die Einstiegsschwelle hängt davon ab, welchen Weg ihr nehmt. Wenn eure Daten in Excel liegen, ist Julius AI der Startpunkt — kein Server, keine Installation, keine Programmierung. Ein Betrieb, der in Excel seine Chargendaten führt, kann in einem Nachmittag eine erste Analyse machen. Das erfordert keine IT, nur jemanden, der eine CSV-Datei exportieren kann.

„Unser Chemiker weiß doch selbst, wie das Bad läuft.”
Stimmt — und das ist kein Widerspruch. Ein Modell, das über 12 Monate und drei Schichten alle Badparameter gleichzeitig im Blick hat, ergänzt die Erfahrung des Chemikers. Es findet Muster in Daten, die kein Mensch vollständig im Kopf behalten kann. Die Frage ist nicht „Modell oder Chemiker”, sondern „Was sehen die Daten, was dem Chemiker bisher nicht aufgefallen ist?”

„Die Einsparungen sind zu klein, um sich den Aufwand zu leisten.”
Nehmt eure tatsächlichen Chemikalienkosten und rechnet nach. Bei 12.000 Euro monatlichem Chemikaienverbrauch und 15 Prozent Einsparpotenzial sind das 1.800 Euro pro Monat — über 21.000 Euro im Jahr. Ein einmaliger Einrichtungsaufwand von 8.000–10.000 Euro amortisiert sich in unter sechs Monaten. Wer sagt, das lohnt sich nicht, hat die Rechnung nicht gemacht.

„Die Datenqualität ist zu schlecht.”
Das ist der einzig wirklich valide Einwand — und er ist gleichzeitig der häufigste. Wenn Chargengewichte nicht digital erfasst werden, wenn Dosiervorgänge nicht protokolliert werden, wenn Badanalysen nur handschriftlich vorliegen, dann stimmt es: Das Projekt kann so nicht starten. Die erste Aufgabe ist dann die Datenerfassung, nicht die Analyse. Das ist kein Scheitern des KI-Projekts — es ist die nötige Vorarbeit, die unabhängig vom KI-Einsatz sinnvoll ist.

Woran du merkst, dass das zu dir passt

Du solltest diesen Weg gehen, wenn:

• Eure Chemikalienkosten sind eure größte variable Kostenstelle, und ihr habt keine systematische Methode, Verbrauchsausreißer auf Chargenebene zu erkennen
• Ihr führt digitale Schichtprotokolle oder habt ein LIMS, aus dem sich historische Daten strukturiert exportieren lassen — auch als Excel reicht
• Ihr betreibt mindestens ein Bad mit mehr als 20 Chargen pro Monat, damit genug Datenpunkte für statistische Aussagen vorliegen
• Ihr habt mindestens einen Badchemietyp, der relativ stabil läuft — Startpunkt ist immer das vorhersagbarste Bad, nicht das komplexeste
• Ihr habt REACH-relevante Badchemikalien (z.B. Chrom(VI), Cadmium) und braucht eine bessere Verbrauchsdokumentation für Compliance-Zwecke

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

1. Weniger als drei aktive Produktionsbäder oder unter fünf Chargen pro Tag je Bad. Das Datenvolumen reicht nicht für statistisch robuste Muster. Stattdessen: manuelle Verbrauchskennzahlen einführen, sechs bis zwölf Monate Daten sammeln, dann wiederkommen.

2. Keine digitale Chargendokumentation. Wenn Dosiermengen, Badwerte und Chargenparameter ausschließlich auf Papier oder in unstrukturierten Dateien existieren, ist die erste Investition die Digitalisierung des Dokumentationsprozesses — nicht die KI-Analyse. Wer diesen Schritt überspringt, kann keine Muster entdecken.

3. Hohe Prozessvariabilität ohne stabile Referenzbasis. Wenn eure Produktpalette monatlich stark wechselt, neue Substrate ausprobiert werden und Bäder häufig umgestellt werden, hat ein ML-Modell keine stabile Referenz zum Lernen. Stabile Repeater-Prozesse sind die Voraussetzung — Unikat-Beschichtungen und Kleinstauflagen eignen sich nicht als Trainingsdaten.

Das kannst du heute noch tun

Exportiert aus eurem LIMS oder eurer Chargendokumentation die letzten drei Monate: Datum, Bad-ID, Chargengewicht oder Chargengröße, tatsächlich zugefügte Chemikalienmenge je Bad. Das reicht für eine erste Analyse.

Ladet die Datei in Julius AI hoch und stellt die Frage: Welche Chargen hatten den höchsten Chemikalienverbrauch pro kg Beschichtungsgut? In welchen Wochen war der Verbrauch am höchsten?

Was ihr danach wisst: Ob eure Daten für eine KI-Analyse ausreichen und wo der Hebelarm liegt — bevor ihr einen Cent für eine Implementierung ausgebt.

Wenn ihr weiter gehen wollt, nutzt den folgenden Analyse-Prompt:

Quellen & Methodik

• Rettenberger Metallveredelung (2024): Artikel „Wie KI und Sensorik galvanische Prozesse optimieren” — Beschreibung eines Automobilzulieferers mit KI-gesteuerter Zinknickel-Linie: 18 % Chemikalienreduktion, 22 % weniger Ausschuss, halbierte Stillstandszeit. Veröffentlicht auf rettenberger.com.
• Klocke et al. (2020): „Model-based analysis, control and dosing of electroplating electrolytes”, International Journal of Advanced Manufacturing Technology, Springer, Vol. 111, S. 1751–1766. Validierter modellbasierter Ansatz zur Elektrolytdosierung in industrieller Zinknickel-Trommelbeschichtung. DOI: 10.1007/s00170-020-06190-0.
• ZVO Zentralverband Oberflächentechnik e.V.: Verbandsangaben zur Branchenstruktur (62.000 Beschäftigte, 600+ Mitgliedsunternehmen in Deutschland); Chromtrioxide-REACH-Information auf zvo.org.
• ECHA / EU-Kommission: REACH SVHC-Einstufung hexavalenter Chromverbindungen; geplante Restriktionen laut ECHA-Kommunikation (Stand April 2026).
• Chemikalienkostenanteile und Drag-out-Berechnung: Erfahrungswerte aus industriellen Galvanikprojekten, bestätigt durch US-Pollution-Prevention-Branchenliteratur (Minnesota Technical Assistance Program, EPA Metal Finishing Sector Resources).
• ROI-Schätzwerte: Eigene Kalkulation basierend auf publizierten Prozessoptimierungsergebnissen und Erfahrungswerten aus KMU-Implementierungen im Bereich Prozessanalytik; konservative Schätzung 12–20 % Verbrauchsreduktion als realistische Bandbreite für Pilotbetrieb.

Du willst wissen, ob eure Chargendaten ausreichen und welche Bäder als Pilotpunkt in Frage kommen? Schreib uns — das klären wir gemeinsam in einem kurzen Gespräch.