KI-gestützte Prozessparameter-Optimierung in der Fertigung

Das echte Ausmaß des Problems

Jörg Böhm ist kein Ausnahmefall. Er ist der Betrieb.

In der deutschen Fertigungsindustrie lagern Jahrzehnte an Prozesswissen in den Köpfen von Einrichtern, Schichtführern und Verfahrenstechnikern — und nicht im System. Das ist kein Organisationsversagen, sondern die Konsequenz eines Fertigungsmodells, das auf Erfahrung und Intuition gebaut ist und bisher auch so funktioniert hat.

Das Problem verschärft sich gerade auf mehreren Ebenen gleichzeitig: Die demografische Kurve entzieht den Betrieben über die nächsten zehn Jahre genau diese erfahrenen Fachkräfte. Variantenzahlen steigen, Losgrößen schrumpfen, Produktwechsel häufen sich. Und Kunden akzeptieren immer weniger Anlaufausschuss als „normal”.

Laut einer Studie des Fraunhofer IPA lassen sich durch KI-gestützte Prozessoptimierung ungeplante Stillstandszeiten in der Fertigung um 15–40 Prozent senken. In der Parallelerhebung des Fraunhofer ISI zur Modernisierung der Produktion (2024, repräsentative Stichprobe von rund 1.600 Betrieben des Verarbeitenden Gewerbes) nutzen erst etwa 16 Prozent der deutschen Industriebetriebe KI-Lösungen in der Produktion — bei mittleren Unternehmen ab 100 Mitarbeitenden sind es 16 Prozent, bei Großbetrieben ab 500 Mitarbeitenden knapp 30 Prozent. Der Mittelstand ist in weiten Teilen noch am Anfang.

Was in der Praxis regelmäßig passiert:

• Einfahrzeit (Abmusterung): Bei komplexen Kunststoffbauteilen oder neuen Materialrezepturen dauert das Einstellen der richtigen Parameterkombi typisch 4–16 Stunden — manchmal über zwei Schichten verteilt. Jede Stunde an der Maschine ist Kapazität, die nicht für Serienteile genutzt wird.
• Anlaufausschuss: Die erste Charge nach einem Produktwechsel trifft häufig die Toleranz nicht. 200–800 Teile in den ersten Schichten sind keine Ausnahme — das summiert sich bei Materialpreisen von 2–8 Euro pro kg schnell auf dreistellige Euro-Beträge je Einfahrvorgang.
• Wissensabhängigkeit: Kündigt ein erfahrener Einrichter oder geht in Rente, geht das Prozesswissen mit. Kein Übergabeprotokoll hält fest, warum bei Werkzeug 7B bei dieser Rezeptur genau 215 °C Einspritztemperatur und 85 bar Nachdruck stimmen — das sitzt im Kopf.
• Reproduzierbarkeit: Selbst das gleiche Werkzeug, die gleiche Maschine, die gleiche Rezeptur produziert bei Schichtwechsel unterschiedlich, weil jeder Einrichter seine eigene Intuition mitbringt.

Mit vs. ohne KI — ein ehrlicher Vergleich

¹ Erfahrungswerte aus publizierten Praxisberichten (u. a. Osphim / Bergi-Plast, Fraunhofer IPA). Tatsächliche Ergebnisse abhängig von Prozess, Variantenzahl und Qualität der historischen Daten.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5) Die eigentliche Zeitersparnis liegt nicht im Tagesgeschäft, sondern an den Übergangspunkten: jedes Mal, wenn ein neues Produkt angefahren wird. Wer täglich oder wöchentlich umrüstet, spürt den Effekt stark und regelmäßig. Wer einen Prozess monatelang stabil läuft und selten wechselt, spürt ihn selten. Die 3 von 5 reflektiert diesen intermittierenden Charakter — die Einsparung ist real, aber nicht täglich wie bei der Produktionsplanung oder Rüstzeitoptimierung.

Kosteneinsparung — hoch (4/5) Anlaufausschuss ist der sichtbarste Kostentreiber dieser Anwendung — und einer der wenigen, der sich direkt zählen und bepreisen lässt. Material, das nicht zu Ausschuss wird, ist ein direkter Kostenvorteil. Praxisberichte zeigen Reduktionen von 40–70 % des Anlaufausschusses (Osphim bei Bergi-Plast: >50 %). Für Betriebe mit vielen Varianten und teurem Material (technische Kunststoffe, 5–15 €/kg) summieren sich diese Einsparungen auf substanzielle Jahresbeträge. Hinzu kommen vermiedene Maschinenkosten durch kürzere Einfahrzeiten. Die 4 spiegelt diese konkret messbaren und oft erheblichen Einsparungen wider — höher als der Schnitt unter den verglichenen Anwendungsfällen in dieser Kategorie.

Schnelle Umsetzung — gering (1/5) Ohne ausreichende Datenbasis kein Modell. Ohne Modell keine Empfehlung. Das ist die Kernrealität dieses Anwendungsfalls. Realistische Projektlaufzeiten: 12–24 Wochen von der Datenlogger-Installation bis zum validierten Parametervorschlag — und das nur, wenn die Ausgangssituation stimmt (systematisches Datenlogging vorhanden oder aufbaubar, ausreichende Wiederholhäufigkeit der Varianten). Die 1 ist kein Kritikpunkt, sondern der ehrliche Standort: Das ist unter den Anwendungsfällen in dieser Kategorie einer der aufwändigsten Einstiege.

ROI-Sicherheit — mittel (3/5) Ausschuss ist zählbar, Maschinenzeit ist messbar. Besser als bei Anwendungsfällen, wo der Nutzen indirekt bleibt. Aber: Der Vergleich braucht eine Baseline — „wie viel Anlaufausschuss hatten wir im letzten Jahr pro Variante?” Diese Zahl fehlt in vielen Betrieben, weil historische Daten eben nicht konsequent erfasst wurden. Die Attribution ist möglich, aber erfordert Disziplin. Deshalb 3 und nicht 4 — wie bei der Ausschussanalyse bleibt der Langzeiteffekt isolierbar, aber nicht automatisch isoliert.

Skalierbarkeit — mittel (3/5) Jeder neue Prozesstyp, jedes neue Material, jedes neue Werkzeug braucht sein eigenes Datenset und oft ein angepasstes Modell. Das System skaliert innerhalb einer Werkzeug-/Materialfamilie gut, aber nicht automatisch über Fertigungsverfahren oder Maschinentypen hinweg. Ein Modell für Spritzguss hilft nicht beim Laserschneiden. Ähnlich begrenzte Skalierbarkeit wie bei der KI-Qualitätskontrolle — skaliert mit Investition, nicht automatisch mit der Unternehmensgröße.

Richtwerte — stark abhängig von Variantenanzahl, Wechselfrequenz, Materialkosten und vorhandener Datenbasis.

Was das System konkret macht

Der technische Kern des Ansatzes ist ein Prozessmodell — ein Machine Learning-Modell, das auf historischen Fertigungsdaten trainiert wurde und den Zusammenhang zwischen Einstellparametern und Qualitätsergebnissen beschreibt.

In der Praxis gibt es drei Wege, zu einem solchen Modell zu kommen:

Weg 1 — Design of Experiments (DoE) mit KI-Auswertung. Die klassische Methode: Du planst systematisch eine Versuchsreihe, in der du Parametereinstellungen kontrolliert variierst und Qualitätsergebnisse misst. Statt wie bisher hundert Versuche zu machen, reduziert ein statistisch optimierter Versuchsplan (z. B. Box-Behnken oder Central Composite Design) auf 15–40 Versuche. Die Auswertung macht dann entweder klassische Statistik (Minitab, JMP) oder ein ML-Modell, das auch nichtlineare Wechselwirkungen zwischen Parametern erkennt. Ergebnis: ein Antwortflächenmodell, das zeigt, wie sich Qualitätsmerkmale bei veränderten Einstellungen entwickeln.

Weg 2 — Datengetriebene Modelle auf historischen Prozessdaten. Wenn dein MES oder deine Maschine bereits historische Prozessdaten loggt — Einspritztemperatur, Nachdruck, Kühlzeit, Werkzeugtemperatur, Zykluszeit, gemessene Qualitätsmerkmale — kann ein Machine-Learning-Modell diese Daten nutzen, ohne dass neue Versuche gefahren werden müssen. Gauß’sche Prozessmodelle (Gaussian Process Regression) sind hier oft erste Wahl: Sie liefern nicht nur Vorhersagen, sondern auch eine Unsicherheitsangabe — das System weiß, wie sicher es sich ist. Neuronale Netze erzielen bei sehr großen Datensätzen (>10.000 Prozesszyklen je Variante) höhere Genauigkeit, sind aber weniger interpretierbar.

Weg 3 — Spezialisierte Industrielösungen. Tools wie Osphim kombinieren Hardware-Datenerfassung direkt an der Maschine mit vortrainierten Modellen für die Kunststoffverarbeitung. Kein Datenexport, kein Python-Notebook — das System schlägt dem Einrichter bei der nächsten Abmusterung direkt Parameterwerte vor, die es aus ähnlichen früheren Einfahrsituationen ableitet.

In allen drei Fällen ist das Ziel dasselbe: Der Einrichter bekommt beim nächsten Produktwechsel einen Startpunkt, der nicht auf Erfahrung und Bauchgefühl basiert, sondern auf dem aggregierten Wissen aus hunderten oder tausenden vorheriger Zyklen. Er ist nicht ersetzt — er braucht aber nicht mehr bei null anfangen.

Datenlogging als Voraussetzung

Dieser Schritt wird am häufigsten unterschätzt — und ist die häufigste Projektabbruchursache.

Ein KI-Modell kann nur aus Daten lernen, die existieren. Das klingt trivial, ist es aber nicht: In vielen mittelständischen Fertigungsbetrieben werden Prozessparameter noch auf Laufzetteln oder in Excel-Spalten notiert — händisch, unvollständig, und ohne zeitlichen Bezug zu gemessenen Qualitätsmerkmalen. Wenn du nicht weißt, bei welcher Parametereinstellung dein letztes Teil gut oder schlecht war, hat das Modell nichts zu lernen.

Die Mindestvoraussetzung für einen funktionierenden datengetriebenen Ansatz:

• Automatische Maschinenerfassung: Die relevanten Parameter (Temperaturen, Drücke, Geschwindigkeiten, Zeiten) werden automatisch je Produktionszyklus oder Charge gespeichert — nicht händisch. Das geht per OPC-UA-Schnittstelle an modernen Maschinen, für ältere Maschinen über I/O-Box-Adapter (z. B. von MachineMetrics oder ähnlichen IoT-Lösungen).
• Qualitätsmessung mit Datenbezug: Die Qualitätsprüfung (Maßkontrolle, Sichtprüfung, Gewicht) muss dem Produktionszyklus zugeordnet werden — Stück X hatte Einstellung Y und Maß Z. Eine Qualitätsmessung ohne Zeitstempel oder Chargenreferenz ist für das Modell wertlos.
• Ausreichende Wiederholhäufigkeit: Ein Modell braucht Varianz in den Daten. Wenn eine Variante fünfmal im Jahr läuft und bei jeder Einfahrt die Dokumentation lückenhaft ist, hat das Modell nach einem Jahr vielleicht 30 Datenpunkte — zu wenig für zuverlässige Vorhersagen. Faustregel: mindestens 50–100 dokumentierte Einfahrversuche oder Prozesszyklen je Variante, bevor Vorhersagen sinnvoll sind.

Was das konkret bedeutet: Wer heute kein systematisches Datenlogging hat, muss zunächst in Dateninfrastruktur investieren — bevor das erste KI-Modell trainiert werden kann. Das dauert 4–12 Wochen zusätzlich. Es ist kein Umweg, sondern eine Investition, die sich unabhängig vom späteren KI-Einsatz lohnt: Wer weiß, was seine Maschinen tun, hat automatisch bessere Kontrolle über Qualitätsschwankungen.

Pragmatischer Einstieg für Betriebe ohne Datenlogging: Starte mit einem Werkzeug und einer Variante. Installiere einen Datenlogger oder nutze die Exportfunktion deiner Maschinensteuerung (viele moderne Maschinen können CSV-Exports). Führe parallel für 4–8 Wochen konsequent Qualitätsmessungen mit Zeitstempel. Das ist dein erster Datensatz — und der erste Test, ob das Konzept für deinen Prozess funktioniert.

Konkrete Werkzeuge — was wann passt

Der richtige Einstieg hängt davon ab, welche Datenbasis du mitbringst und wie viel technisches Know-how im Haus ist.

Osphim — wenn Spritzguss im Mittelpunkt steht Deutsches KI-Startup aus Aachen, spezialisiert auf Kunststoffverarbeitung. Die App erfasst Maschinendaten direkt, optimiert Abmusterungen mit KI und erkennt Anomalien im Serienbetrieb. Einstieg ohne eigenes Datenwissenschaftlerteam möglich — das Modell ist branchenspezifisch vortrainiert. Praxisbelegt bei Bergi-Plast (Sachsen): Abmusterungszeiten um >70 % verkürzt, Anlaufausschuss um ~50 % gesenkt. Preise auf Anfrage. Empfohlen für: Kunststoffverarbeiter mit mehreren Spritzgussmaschinen und regelmäßigen Produktwechseln.

Minitab — wenn du mit DoE und SPC beginnen willst Der Industriestandard für statistische Versuchsplanung in der produzierenden Industrie. Minitab bietet geführte DoE-Assistenten, mit denen Qualitätsingenieure ohne tiefes Statistikstudium strukturierte Parameterstudien durchführen und auswerten können. Kein KI-Modell im Sinne von Machine Learning — aber ein systematischer Ansatz, mit dem du die wichtigsten Einflussparameter identifizierst und ein belastbares Erfahrungsmodell aufbaust, das besser ist als Bauchgefühl. Ca. 1.800 €/Nutzer/Jahr (Einzellizenz). Empfohlen für: Qualitätsingenieure, die noch kein automatisches Datenlogging haben, aber mit strukturierten Versuchen anfangen wollen.

KNIME Analytics Platform — wenn du ein eigenes ML-Modell aufbauen willst Die Desktop-Version ist dauerhaft kostenlos und Open Source. KNIME erlaubt es, ML-Workflows visuell per Drag-and-Drop zu bauen — keine Programmiervorwissen nötig für Standardmodelle. Für Process-Parameter-Optimierung typischer Workflow: Daten aus MES oder CSV importieren, fehlende Werte behandeln, Feature-Engineering, Modelltraining (Random Forest oder Gaussian Process), Validierung und Export der Vorhersagefunktion. Empfohlen für: Betriebe mit vorhandenen historischen Prozessdaten und einer technisch interessierten Person im Team, die bereit ist, 4–8 Wochen in den Aufbau zu investieren.

Siemens Insights Hub — wenn Siemens-Maschinen im Einsatz sind Siemens’ industrielle IoT-Cloud-Plattform erfasst Maschinendaten aus beliebig vielen Werken, analysiert sie mit KI-Apps und ermöglicht Predictive-Quality-Anwendungen. Sinnvoll für Unternehmen, die bereits Siemens-SIMATIC-Steuerungen betreiben und eine integrierte Lösung für Datenerfassung + KI-Analyse suchen. Enterprise-Preisgestaltung, skaliert mit Maschinenzahl und Anwendungsfall. Empfohlen für: Mittlere und größere Fertigungsbetriebe mit Siemens-Automatisierung, die eine robuste Infrastrukturlösung wollen.

AVEVA PI System — wenn Prozessdaten bereits im Historian liegen In der Prozessindustrie (Chemie, Pharma, Lebensmittel) sind PI-Historian-Systeme verbreitet, die Prozessdaten in Echtzeit erfassen. Wenn deine Anlage bereits PI nutzt, sind die Daten schon da — du brauchst nur noch die Auswertungsschicht. AVEVA PI kann mit ML-Applikationen kombiniert werden, um Parameterkorrelationen zu modellieren.

Zusammenfassung: Wann welcher Ansatz

• Spritzguss, kein eigenes Datenwissenschaftlerteam → Osphim
• Einstieg mit Versuchsplanung, vorhandene Excel-Daten → Minitab
• Eigene Daten vorhanden, technische Person im Haus → KNIME
• Siemens-Maschinenwelt, größeres Unternehmen → Siemens Insights Hub
• Chemie, Pharma, Prozessindustrie mit Historian → AVEVA PI

Datenschutz und Datenhaltung

Prozessparameter-Daten enthalten in der Regel keine personenbezogenen Daten im Sinne der DSGVO — es sind Maschinendaten, Qualitätsmesswerte und Produktionschargen. Das reduziert die DSGVO-Relevanz erheblich. Dennoch gibt es Aspekte, die du bei der Werkzeugwahl beachten solltest:

Unternehmensgeheimnis und Know-how-Schutz. Prozessparameter für proprietäre Materialrezepturen oder Fertigungsverfahren sind oft das Herzstück des Wettbewerbsvorteils. Wer diese Daten an einen US-amerikanischen Cloud-Anbieter schickt, schickt damit auch den Kern seines Prozess-Know-hows. Das ist keine DSGVO-Frage, aber eine strategische.

Optionen nach Schutzbedarf:

• Osphim: EU-Datenhaltung, deutsches Unternehmen — Anforderungen klären, ob Daten den Server verlassen.
• Minitab: EU-Datenhaltung für Cloud-Dienste, kann vollständig lokal genutzt werden (Desktop-Lizenz) — kein Datentransfer nötig.
• KNIME: Open Source, vollständig lokal installierbar — keine Cloud-Abhängigkeit, keine Datenweitergabe.
• Siemens Insights Hub: EU-Rechenzentren, AVV verfügbar, deutsches Unternehmen — gut für Betriebe mit Compliance-Anforderungen.
• AVEVA PI: On-Premise-Option vorhanden, viele Betriebe betreiben PI bereits auf eigenen Servern.

Empfehlung für sensibles Prozess-Know-how: Wähle eine Lösung, die entweder vollständig lokal oder nachweislich EU-gehostet ist. Bei Custom-ML-Projekten auf cloud-basierten ML-Plattformen (AWS SageMaker, Azure ML): stelle sicher, dass die EU-Region konfiguriert ist und ein AVV vorliegt.

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten

Die Kosten variieren erheblich je nach Ausgangssituation:

• Datenlogging (wenn noch nicht vorhanden): IoT-Adapter für ältere Maschinen 500–2.000 € je Maschine; Software/Cloud-Anbindung zusätzlich 1.000–5.000 € Einrichtung. Das ist oft der größte Posten.
• DoE-Studie mit Minitab: 1.800 €/Jahr Lizenz; interner Aufwand für die Versuchsplanung und -durchführung: 3–8 Wochen Arbeitszeit eines Qualitätsingenieurs oder Verfahrenstechnikers.
• Speziallösung wie Osphim: Preise auf Anfrage, aber realistisch im Bereich mehrerer tausend Euro Einrichtung + monatliche SaaS-Gebühr.
• Custom ML mit KNIME oder Python: Externe Beratung 5.000–25.000 €, je nach Projektkomplexität und vorhandenem Datenstand; interner Aufwand für Koordination, Datenbeschaffung und Validierung zusätzlich.

Laufende Kosten (monatlich)

• Minitab: ca. 150 €/Monat je Nutzerlizenz
• KNIME Desktop: kostenlos (Community Edition)
• Osphim, Siemens Insights Hub, AVEVA PI: auf Anfrage, volumenbasiert

Was du dagegenrechnen kannst

Rechenbeispiel für einen Spritzgussverarbeiter mit 8 Maschinen:

• 15 Produktwechsel pro Monat
• Bisher je 6 Stunden Einfahrzeit → neu: 2 Stunden
• Maschinenstundensatz: 55 €
• Einsparung durch Einfahrzeitreduktion: 15 × 4 h × 55 € = 3.300 €/Monat
• Dazu: 30 % weniger Anlaufausschuss, Materialkosten 4 €/kg, 8 kg/Einfahrvorgang = ca. 540 €/Monat
• Gesamt: ca. 3.840 €/Monat eingesparte Kosten

Bei konservativer Annahme (50 % der theoretischen Einsparung): noch ~1.900 €/Monat. Das amortisiert eine Investition von 25.000 € in 13–24 Monaten — plausibel, aber nicht garantiert. Die Rechnung funktioniert nur, wenn die Datenbasis stimmt und der Prozess wiederholbar genug ist.

Wie du den Nutzen tatsächlich misst

Führe eine 4-Wochen-Baseline-Messung durch, bevor du das System einführst: Einfahrzeit, Anlaufausschussmenge und -kosten je Produktwechsel, dokumentiert nach Variante. Das ist dein Vergleichswert. Ohne Baseline ist jedes spätere Einsparungsargument angreifbar.

Drei typische Einstiegsfehler

1. Mit einem Prozess starten, der zu selten läuft. Ein Modell braucht Wiederholungen. Eine Variante, die dreimal im Jahr produziert wird, liefert in drei Jahren 9 Datenpunkte — zu wenig. Der beste Pilotprozess ist einer, der mindestens einmal pro Woche eingefahren wird, gut dokumentiert ist und bekannte Qualitätsprobleme hat. Wähle zuerst das „schwierigste häufige Problem”, nicht das „spannendste seltene Problem”.

2. Das Modell einsetzen, ohne den Einrichter einzubeziehen. Der häufigste menschliche Widerstand: „Das System kennt meinen Prozess nicht.” Er hat oft recht — am Anfang. Der Einrichter muss die Parametervorschläge nicht blind übernehmen, sondern als informierten Startpunkt verstehen, den er mit seiner Erfahrung kombiniert. Betriebe, die das Modell gegen den Einrichter positionieren, scheitern regelmäßig an der Akzeptanz. Betriebe, die den Einrichter als Co-Trainer des Modells begreifen (seine Korrekturen verbessern das Modell), schaffen nachhaltige Adoption.

3. Das Modell einmal trainieren und dann vergessen. Das ist der gefährlichste Fehler — und der stilllste. Ein Prozessmodell, das auf Daten von 2022 basiert, bildet nicht mehr ab, was deine Maschinen 2026 tun: Werkzeugverschleiß, neues Rohstofflot, anderer Maschinentyp nach Austausch, Umbau der Temperierung. Die Qualität der Vorhersagen nimmt schleichend ab — und niemand merkt es, weil das System immer noch Werte ausgibt.

Was das bedeutet: Lege von Anfang an fest, wann das Modell neu bewertet und ggf. neu trainiert wird. Sinnvolle Auslöser: halbjährlich als Routinecheck, nach jedem Werkzeugwechsel oder Materiallieferantenwechsel, bei merklichem Anstieg der Einfahrzeit oder des Anlaufausschusses. Diese Governance muss in die Prozessdokumentation — nicht in die „irgendwann”-Liste.

Was mit der Einführung wirklich passiert — und was nicht

Die technische Einführung ist der einfachere Teil. Die menschliche Dimension ist entscheidend.

Was du erwarten kannst: In den ersten Wochen nach dem Pilotstart ändert sich zunächst nichts an den Arbeitsabläufen. Der Einrichter schaut auf den Parametervorschlag, nickt kurz, und stellt die Maschine nach seinem Gefühl ein — vielleicht nahe am Vorschlag, vielleicht weit davon entfernt. Das ist normal. Vertrauen muss sich aufbauen, und es baut sich nur auf, wenn das Modell wiederholt richtig liegt.

Die Wissenshüter. Erfahrene Einrichter mit 15–25 Jahren Berufserfahrung haben ein tiefes Gespür dafür, wann ein Parameter „nicht stimmt” — auch wenn sie es nicht erklären können. Dieses Wissen ist wertvoll, nicht obsolet. Die klügste Einführungsstrategie: Binde den besten Einrichter aktiv ein. Lass ihn die Parametervorschläge kommentieren und korrigieren — jede seiner Korrekturen ist Trainingsdaten. Er baut das Modell mit auf, statt gegen es zu arbeiten.

Das Missverständnis „KI entscheidet”. Die Anlage ist so zu gestalten, dass das Modell Vorschläge macht — der Einrichter bestätigt. Kein Produktionsbetrieb will eine vollautomatische Parametereinstellung ohne menschliche Überprüfung. Das ist nicht nur technisch riskant, sondern auch organisatorisch falsch: Wenn etwas schiefgeht, will jeder wissen, wer entschieden hat. Die Antwort muss ein Mensch sein.

Der 90-Tage-Realismus-Check. Nach drei Monaten haben die meisten Betriebe ein klares Bild: Entweder das Modell trifft regelmäßig gut, und die Einfahrzeiten gehen erkennbar runter — dann wird es angenommen. Oder die Vorhersagen sind zu oft daneben, das Team ist frustriert, und der Einführungsversuch droht zu scheitern. Im zweiten Fall liegt das fast immer an der Datenbasis: zu wenig Daten, zu schlechte Qualitätsdokumentation, zu hohe Varianz im Ausgangsmaterial. Die ehrliche Diagnose ist: Datenlogging zuerst, Modell danach.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Unser erfahrener Einrichter ist schneller als jedes Modell.” Stimmt — bei Prozessen, die er in- und auswendig kennt, unter normalen Bedingungen. Das Modell ist nicht dazu da, ihn zu schlagen, sondern ihn zu ergänzen: bei neuen Varianten, die er noch nicht kennt; wenn er krank ist und sein Kollege einspringt; wenn er in drei Jahren in Rente geht und das Wissen mitgeht. Das Ziel ist Resilienz, nicht Optimierung gegen den Menschen.

„Wir haben nicht genug Daten, um ein Modell zu trainieren.” Das ist häufig die ehrlichste Einschätzung — und dann ist der richtige Schritt: Zuerst Datenlogging, dann Modell. Der Fehler wäre, trotzdem ein Modell auf unzureichenden Daten zu erzwingen. Ein schlechtes Modell ist gefährlicher als kein Modell, weil es mit falscher Zuversicht falsche Empfehlungen gibt.

„Was ist, wenn das Material vom Lieferanten wechselt und das Modell falsche Werte vorschlägt?” Das ist ein reales Risiko — und ein bekanntes Phänomen (Concept Drift). Jede Materialgenerationsänderung, jede neue Rohstoffcharge mit abweichenden Kennwerten kann das Modell destabilisieren. Die Lösung ist kein technisches Feature, sondern ein Prozess: Bei Lieferanten- oder Chargenwechsel das Modell explizit neu validieren. Das dauert typisch eine Einfahrsitzung mit Protokoll — ein kleiner Aufwand verglichen mit wochenlangem Rätselraten ohne Daten.

„Das lohnt sich nur für große Stückzahlen.” Nicht ganz richtig. Die Einsparung entsteht pro Einfahrvorgang, nicht pro produziertes Teil. Entscheidend ist die Anzahl der Produktwechsel, nicht die Losgröße. Ein Betrieb, der täglich umrüstet und dabei je 4 Stunden Einfahrzeit hat, profitiert stärker als einer mit 10.000er-Losen und seltenem Umrüsten.

Woran du merkst, dass das zu dir passt

Checkliste für eine ehrliche Selbsteinschätzung:

• Du hast mindestens 5–10 Varianten, die regelmäßig (mindestens monatlich) eingefahren werden — damit sammeln sich genug Datenpunkte an
• Deine Einfahrzeit liegt regelmäßig über 2 Stunden — und du hast das Gefühl, das müsste kürzer gehen
• Anlaufausschuss ist bei bestimmten Varianten ein bekanntes Dauerproblem — immer dieselben Teile, immer dieselben Einfahrschwierigkeiten
• Du weißt, welche Parameter deine Qualität beeinflusst — aber nicht genau, wie sie wechselwirken
• Du hast oder könntest aufbauen: systematisches Datenlogging von Prozessparametern, verknüpft mit Qualitätsmessungen

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

1. Einzelfertigung oder Kleinstserien mit weniger als 5 Wiederholungen pro Variante pro Jahr. Jede Einfahrt ist ein Unikat — es gibt nichts, von dem ein Modell lernen könnte. Hier ist der erfahrene Einrichter mit seiner Intuition unschlagbar, und kein ML-System wird das ändern.

2. Kein systematisches Datenlogging und keine Bereitschaft, es aufzubauen. Ein Prozessmodell braucht Daten als Voraussetzung — und nicht Daten, die händisch auf Laufzetteln notiert wurden, sondern maschinenlesbar, zeitgestempelt, verknüpft mit Qualitätsmerkmalen. Wer diesen Schritt nicht machen will oder kann, sollte erst einmal nicht in KI-Prozessmodelle investieren.

3. Keine ausreichende Wiederholbarkeit des Prozesses selbst. Wenn die Einfahrqualität stark vom Werkzeugzustand, von Umgebungstemperaturschwankungen oder anderen Faktoren abhängt, die nicht systematisch erfasst werden, hat das Modell keine stabile Basis. Ein Modell lernt Muster — wenn der Prozess fundamental chaotisch ist (z. B. stark degradierende Werkzeuge ohne Wartungsplan), lernt das Modell Chaos.

Das kannst du heute noch tun

Starte mit einem gezielten Analyse-Prompt: Nimm die Einfahrprotokolle deiner fünf problematischsten Varianten der letzten 12 Monate — auch wenn sie handschriftlich oder in Excel vorliegen — und lass dir von einem LLM helfen, das Muster herauszuarbeiten.

Das kostet 30 Minuten und zeigt dir, ob die Daten, die du hast, überhaupt auswertbar sind:

Quellen & Methodik

• Fraunhofer ISI, „Künstliche Intelligenz in der Produktion”, Dezember 2024 — Repräsentative Stichprobe von ~1.600 Betrieben des Verarbeitenden Gewerbes; 16 % KI-Nutzungsquote in der Produktion; veröffentlicht unter isi.fraunhofer.de und isi.fraunhofer.de (PDF).
• Osphim GmbH / K-AKTUELL, 2024 — Praxisbericht zum Einsatz bei Bergi-Plast, Bad Gottleuba-Berggießhübel (Sachsen): Abmusterungszeiten um >70 % verkürzt, Anlaufausschuss um ~50 % gesenkt. Quelle: k-aktuell.de.
• Fraunhofer IPA, „Bessere Qualität dank KI-gestützter Optimierung von Produktionsparametern” — KI-gestützte Prozessoptimierung spart Fertigungsbetrieben 15–40 % ungeplante Stillstandszeit; praktische Anwendungen: Widerstandspunktschweißen, Laserschneiden. Quelle: interaktiv.ipa.fraunhofer.de.
• ScienceDirect / CIRP Manufacturing Science and Technology, 2023 — Wissenschaftliche Auswertung zu Concept Drift in ML-Modellen für Fertigungsüberwachung: Concept Drift durch veränderte Umgebungs-, Maschinenzustands- und Betriebsbedingungen kann Modellqualität signifikant degradieren. Quelle: sciencedirect.com.
• Minitab LLC: Lizenzpreise ~1.800 €/Nutzer/Jahr (Einzellizenz); 30-Tage-Testversion verfügbar. Verifiziert über Produktseite minitab.com (Mai 2026).
• Einfahrzeit-Daten und Anlaufausschuss: Erfahrungswerte aus publizierten Praxisberichten im deutschen Kunststoffverarbeitungssektor (Konstruktionspraxis, K-Zeitung, K-AKTUELL), plausibilisiert durch Fraunhofer-IPA-Angaben.

Du willst wissen, ob deine Datenbasis für ein Prozessmodell ausreicht — und welcher Einstieg für deinen Betrieb realistisch ist? Meld dich — das klären wir gemeinsam in einem kurzen Gespräch.