Rumpfplatten-Umformung: Springback-Korrektur per ML

Das echte Ausmaß des Problems

Rückfederung beim Kaltbiegen ist kein Randproblem. Wenn ein erfahrener Kesselschmied fehlt, verdoppelt sich der Zeitaufwand für eine Großplatte schnell. Die Konsequenzen summieren sich entlang der ganzen Produktionskette: Nachpressdurchgänge blockieren die Presse, Folgearbeiten warten auf die fertige Geometrie, Schweißvorbereitungen verzögern sich.

Studien zur Springback-Vorhersage mit neuronalen Netzen im Rumpfbau — darunter die Arbeit von Wan et al. (Mechanical Sciences, 2021) — zeigen, dass ein trainiertes Modell mit nur vier Eingangsparametern (Blechdicke, Stempelposition, Matrizen-Stempel-Abstand, Biegeradius) einen Korrelationskoeffizienten von 0,98 erreicht und den Springback mit einem mittleren relativen Fehler von unter 2 Prozent vorhersagt. Das reicht für die Praxis.

Das eigentliche Problem ist kein technisches. Es ist organisatorisch:

• Pressprotokolle existieren, aber als handschriftliche Notizen auf Klemmbrettern, in Excel-Tabellen, die nicht konsequent geführt wurden, oder in Köpfen von Meistern — nie als strukturierte, maschinenlesbare Daten
• Materialcharge-Information liegt im Lieferschein, nicht im Pressprotokoll — der Zusammenhang zwischen Chargenparametern und gemessenem Springback ist nirgendwo zusammengeführt
• Wissensverlust bei Personalwechsel ist strukturell: Wenn der einzige Meister mit dem Springback-Gefühl geht, beginnt die Lernkurve von vorne — mit realen Qualitätsproblemen für Monate
• Nachpressdurchgänge sind teuer: Großpressen im Werftbereich kosten 800 bis 1.400 Euro pro Stunde Maschinenzeit. Ein nicht notwendiger Nachpressdurchgang von 30 bis 45 Minuten kostet direkt 400 bis 1.000 Euro — zusätzlich zum Zeitverlust in der Fertigungsplanung

Das ist der Kontext, in dem ein ML-Modell zur Springback-Korrektur seinen Wert entfaltet: nicht als Ersatz für einen Kesselschmied, sondern als Formalisierung von Wissen, das sonst mit dem nächsten Renteneintritt verloren geht.

Die Metallurgie dahinter: Warum Springback nicht nur von der Dicke abhängt

Wer das erste Mal mit Rückfederungskorrektur arbeitet, denkt oft: „Dicke rein, Radius rein, Springback raus.” Wenn das so funktionieren würde, hätte jede Werft das schon vor 20 Jahren in eine Excel-Tabelle geschrieben. Tut es nicht.

Der Springback ist physikalisch der elastische Rückfederungsanteil nach dem plastischen Umformen. Vereinfacht gilt: Je größer das Verhältnis von Streckgrenze zu Elastizitätsmodul, desto stärker federt das Material zurück. Für Schiffbaustähle in den Güten A, AH36 oder E36 klingt das berechenbar — aber in der Praxis variiert die Streckgrenze innerhalb ein und derselben Norm erheblich:

• Chargenschwankungen: Dieselbe Stahlgüte AH36 von zwei verschiedenen Lieferanten, oder sogar von zwei verschiedenen Chargen desselben Lieferanten, kann um 20–40 MPa in der Streckgrenze abweichen. Das entspricht einem Springback-Unterschied von 0,8° bis 2,5° je nach Biegegeometrie — mehr als die erlaubte Maßtoleranz der meisten Klassen
• Walzrichtungseffekte: Schiffbaustahl wird als Coil oder Bramme gewalzt. Platten aus dem Kern einer Bramme und Platten von der Außenlage haben unterschiedliche Textur und damit leicht unterschiedliches Umformverhalten — selbst wenn die Materialspezifikation identisch ist
• Temperatureffekte: In einer unbeheizten Werfthalle bei 5°C und im Hochsommer bei 34°C verhält sich derselbe Stahl messbar unterschiedlich — nicht dramatisch, aber genug, um einen erfahrenen Meister einen halben Grad tiefer zu gehen

Eine Lookup-Tabelle oder eine einfache Formel funktioniert deshalb nicht. Sie kann die Materialchargen-Variable nicht abbilden. Ein ML-Regressionsmodell, das historische Pressprotokolle verarbeitet und dabei explizit die Chargenkennung als Feature aufnimmt, lernt genau diese Zusammenhänge — nicht aus Physik, sondern aus dem, was an eurer Presse und mit eurem Material tatsächlich passiert ist.

Das ist der Grund, warum das Modell mit eurem Material und eurer Presse trainiert sein muss. Ein fremdes Modell, das auf Automotive-Prägestählen oder an einer anderen Maschinengeometrie trainiert wurde, bringt euch nichts. Die Trainingsdaten müssen aus eurer eigenen Fertigungshistorie kommen.

Was du an historischen Pressdaten brauchst — und wie du sie bekommst

Das ist der Teil des Projekts, der am meisten Zeit kostet und am wenigsten glamourös ist. Und der über Erfolg oder Misserfolg entscheidet.

Was du als Mindestdatensatz brauchst, je Pressvorgang:

Optional, aber wertvoller als die meisten ahnen: Raumtemperatur zum Presszeitpunkt, Name des Pressers (als Proxy für Erfahrungslevel), Materiallieferant.

Wie du die Daten bekommst:

Die meisten Werften und Schiffbau-Zulieferer haben diese Daten irgendwo — nur selten digital und strukturiert. Typische Quellen:

• Handschriftliche Pressprotokolle auf Klemmbrettern oder in Werkstattordnern: Müssen abgetippt oder eingescannt und per OCR extrahiert werden. Für 300 bis 500 historische Vorgänge ist das 3 bis 5 Arbeitstage manueller Erfassungsaufwand — lohnt sich
• Excel-Tabellen einzelner Meister: Oft gut strukturiert, aber lokal gespeichert auf PCs, die niemand mehr kennt. Befragung der Meister und Suche in Netzlaufwerken lohnt sich
• ERP-Daten aus Fertigungsaufträgen: Selten mit Pressparametern gefüllt, aber oft mit Zeichnungsnummer und Material — als Join-Key zu Papierprotokollen nützlich

Wie viele Datenpunkte brauchst du?

Für eine erste verwertbare Regression reichen 200 bis 400 historische Pressvorgänge pro Materialklasse. Das klingt viel, ist aber bei einer aktiven Werft mit 10 bis 20 Rumpfplatten pro Woche in 2 Jahren akkumuliert. Ein Mindestzeitraum von 2 bis 3 Jahren an historischen Daten ist ideal — das deckt mindestens 3 bis 5 verschiedene Stahllieferanten und deren Chargenschwankungen ab.

Wan et al. (2021) zeigten, dass ein Backpropagation-Netz mit nur 23 Trainingsdatenpunkten einen R² von 0,98 erreicht — aber unter Laborbedingungen mit kontrollierten Parametern. In der Werftpraxis mit realer Streuung und Messvarianz brauchst du mehr. Rechne mit 150 bis 200 Datenpunkten als unteres Limit für ein robustes Produktionsmodell.

Mit vs. ohne KI — ein ehrlicher Vergleich

Der Vergleich setzt voraus, dass das Modell trainiert und eingeführt ist. In der Übergangsphase (Monate 1 bis 9) läuft beides parallel — das Modell lernt, der Meister korrigiert. Das ist gewollt, kein Fehler.

Einschätzung auf einen Blick

Zeitersparnis — hoch (4/5) Wer heute 3 bis 5 Nachpressdurchgänge je Großplatte hat, kann das auf 1 bis 2 reduzieren. Bei Sektionsplatten mit 6 bis 10 Meter Länge sind 40 bis 60 Minuten Maschinenzeit je Platte real einsparbar. Über eine Schicht mit 6 bis 8 Platten summiert sich das auf halbe Schichten. Das ist einer der stärksten Zeithebel im Schiffbau-Rumpfbau, weil die Presse häufig der Engpass in der Sektionsfertigung ist.

Kosteneinsparung — hoch (4/5) Großpressen kosten 800 bis 1.400 Euro pro Stunde. Eingesparte Nachpressdurchgänge schlagen direkt auf Maschinenkosten durch. Bei 10 Sektionsplatten pro Woche und durchschnittlich 2 eingesparten Nachpressdurchgängen à 30 Minuten ergibt sich eine theoretische Wocheneinsparung von 800 bis 1.400 Euro — also 40.000 bis 70.000 Euro im Jahr. Die realistische Einsparung liegt erfahrungsgemäß bei 50 bis 70 Prozent dieses Wertes, abhängig davon, wie häufig unerfahrene Bediener an der Presse arbeiten.

Schnelle Umsetzung — gering (2/5) Die Datenaufbereitung allein dauert 3 bis 6 Monate, wenn Pressprotokolle erst digitalisiert werden müssen. Die CNC-Integration oder REST-API-Anbindung an bestehende Presssteuerungen ist ein eigenes Projekt. Realistische Gesamtdauer bis zum Produktivsystem: 6 bis 12 Monate. Das ist unter den Schiffbau-Anwendungsfällen im unteren Bereich der Umsetzungsgeschwindigkeit.

ROI-Sicherheit — mittel (3/5) Der ROI ist messbar: Nachpressdurchgänge sind zählbar, Maschinenzeit ist abrechenbar. Aber er hängt stark davon ab, wie vollständig und belastbar die historischen Daten sind. Wenn die ersten 200 Trainingsdatenpunkte sauber erhoben sind, ist der Modellnutzen nachweisbar. Wenn die Daten lückenhaft oder inkonsistent sind, dauert die Validierungsphase länger. Das ist keine technische Unsicherheit, sondern eine Datenunsicherheit — und die liegt im Einflussbereich des Werftbetriebs.

Skalierbarkeit — mittel (3/5) Das Modell gilt für eine Materialklasse und eine Pressengeometrie. Neue Stahllieferanten oder veränderte Materialspezifikationen erfordern Nachtraining. Wenn die Werft auf drei verschiedene Stahlgüten aus zwei Lieferanten wechselt, braucht sie drei bis sechs eigenständige Modelle. Das skaliert administrativ, aber nicht automatisch.

Richtwerte — stark abhängig von Pressentyp, Plattengrößen und vorhandener Datenhistorie.

Was das ML-Modell konkret macht

Das Grundprinzip ist Machine Learning Regression: Ein Modell lernt aus historischen Messwerten, welche Eingangsparameter zu welchem Springback führen — und kann dann für neue, bisher nicht gesehene Kombinationen eine Vorhersage machen.

Eingangsparameter des Modells (Featureset):

• Blechdicke (mm)
• Soll-Biegeradius (mm)
• Materialcharge-Kennung (als kategorisches Feature oder als Proxy für Streckgrenzen-Niveau)
• Stempel-Matrizen-Abstand (Pressengeometrie)
• Optional: Raumtemperatur, Lieferant

Was das Modell ausgibt: Den vorhergesagten Springback in Grad — und damit direkt den empfohlenen Überpresswinkel: Soll-Winkel plus vorhergesagter Rückfederung gleich Presseinstellung.

Wie das Modell eingesetzt wird:

Es gibt zwei Ansätze, und ihre Eignung hängt von der vorhandenen Presssteuerung ab:

Manueller Empfehlungsworkflow (für analoge oder ältere CNC-Pressen): Der Pressbediener gibt Dicke, Radius und Charge in eine Eingabemaske auf einem Industrie-PC oder Tablet ein. Das Modell antwortet innerhalb einer Sekunde mit dem empfohlenen Überpresswinkel. Der Bediener übernimmt den Wert und presst. Nach dem Ausheben messe er den Ist-Winkel — die Abweichung fließt als neuer Trainingspunkt zurück in das Modell. Das ist der pragmatische Einstieg, der keinerlei Eingriff in die Presssteuerung erfordert.

CNC-Integration (für moderne programmierbare Pressen): Das trainierte Modell wird über eine API an die Presssteuerung angebunden. Bei Programmierung eines neuen Pressvorgangs liefert das Modell den Überpresswinkel als berechneten Parameter direkt in die NC-Steuerung. Der Bediener bestätigt den Wert und startet den Zyklus. Technisch möglich über FastAPI-Endpunkt, der von der Maschinensteuerung aufgerufen wird — sofern die Steuerung eine HTTP-fähige Schnittstelle hat.

Welches ML-Verfahren für Springback-Regression geeignet ist:

Für tabellarische Fertigungsdaten (wenige Features, numerische Werte) sind Gradient-Boosted-Trees oder Random-Forest-Regression mit scikit-learn die erste Wahl. Sie sind interpretierbarer als neuronale Netze, robuster bei kleinen Datensätzen, und ihre Vorhersagen können mit Feature-Importance-Analyse validiert werden — wichtig für den Meister, der das System verstehen und akzeptieren will. Wan et al. (2021) zeigten, dass ein optimiertes Backpropagation-Netz R²=0,98 mit mittlerem relativem Fehler unter 2 Prozent erreicht — das ist die wissenschaftliche Referenz, aber ein Gradient-Boosted-Tree auf gleichen Daten wird sehr ähnliche Werte liefern, mit weniger Tuning-Aufwand.

Konkrete Werkzeuge — was wann passt

scikit-learn — für das Regressionsmodell (kostenlos) Das Arbeitspferd für tabellarische Regressionen in Python. RandomForestRegressor oder GradientBoostingRegressor sind beide sofort einsatzbereit ohne tiefe ML-Kenntnisse. scikit-learn ist kostenlos, Open-Source, und kann mit 200 historischen Datenpunkten in wenigen Stunden ein brauchbares Modell produzieren. Benötigt einen Python-Entwickler oder Data-Science-Freelancer für Aufbau und Deployment — keine hauseigenen ML-Spezialisten nötig.

MLflow — für Modellversionierung und Retraining-Tracking (kostenlos self-hosted) Das Modell wird nicht einmal trainiert und dann für immer benutzt. Wenn ein neuer Stahllieferant beginnt oder sich die Materialspezifikation ändert, muss das Modell nachtrainiert werden. MLflow trackt, welches Modell wann mit welchen Daten trainiert wurde, wie gut es war, und wann es deployed wurde. Das ist für Qualitätsnachweise und für den Fall wichtig, dass ein Modell nach einem Wechsel der Stahlcharge plötzlich schlechter wird — dann sieht man sofort, dass die neue Charge nicht im Trainingsdatensatz war. Läuft on-premise, keine Daten nach außen.

Azure Machine Learning — wenn kein eigener Server vorhanden (bezahlt, EU-hosted) Für Werften ohne eigene IT-Infrastruktur oder Data-Science-Team: Azure Machine Learning bietet AutoML, das ohne tiefe Statistikkenntnisse verschiedene Regressionsalgorithmen vergleicht und das beste Modell auswählt. EU-Datenhaltung in Frankfurt verfügbar. Typische Rechenkosten für das Trainieren eines Springback-Modells: unter 20 Euro. Die laufenden Kosten für einen Modell-Endpunkt liegen bei 80 bis 150 Euro pro Monat. Sinnvoll, wenn die Werft keine eigene Python-Infrastruktur betreiben will.

FastAPI — für den REST-Endpunkt an der Presse (kostenlos) Das trainierte Modell läuft als Python-Anwendung und braucht eine Schnittstelle, damit die Presse oder ein Eingabe-Tablet es aufrufen kann. FastAPI ist ein schlankes Python-Framework, das den Modell-Aufruf als HTTP-Endpunkt bereitstellt. Ein Aufruf sieht so aus: POST /predict mit Dicke, Radius, Charge → Antwort: empfohlener Überpresswinkel. Das läuft auf einem simplen Industrie-PC in der Halle und ist innerhalb eines Tages eingerichtet, wenn das Modell trainiert ist.

Siemens Industrial Edge — für vollintegrierte CNC-Anbindung (bezahlt) Wenn die Presse über eine Siemens SINUMERIK-Steuerung läuft, ermöglicht Siemens Industrial Edge das direkte Deployment des trainierten Modells als Container an der Maschine — ohne Umweg über einen externen Server. Das Modell läuft lokal auf einem Edge Device in der Halle, die Latenz liegt unter einer Sekunde, und das OT-Netzwerk bleibt vom Internet getrennt. Gesamtprojektkosten für einen Industrial-Edge-Einstieg: 10.000 bis 30.000 Euro für Pilot an einer Presse. Sinnvoll, wenn mehrere Pressen oder Maschinen mittelfristig angebunden werden sollen.

Zusammenfassung — wann welcher Ansatz:

• Einsteiger mit Python-Freelancer, analoge Presse → scikit-learn + FastAPI + MLflow (self-hosted)
• Einsteiger ohne eigene IT → Azure Machine Learning + FastAPI, Cloud-Deployment
• Siemens-Maschinenpark, mehrere Pressen geplant → Siemens Industrial Edge + scikit-learn/Azure Machine Learning für Training

Datenschutz und Datenhaltung

Pressprotokolle und Materialzertifikate im Schiffbau enthalten in der Regel keine personenbezogenen Daten im DSGVO-Sinne — Blechdicken, Presswinkel und Chargenbezeichnungen sind Fertigungsdaten, keine personenbezogenen Daten.

Ein Sonderfall: Wenn ihr den Namen des Pressers oder die Schicht-ID im Datensatz führt (was für das Modell sinnvoll ist, als Proxy für Erfahrungslevel), dann sind das personenbezogene Daten und unterliegen der DSGVO. Hier empfiehlt sich eine Anonymisierung für Trainingszwecke: statt „Rainer Kossack” nur „Erfahrungsgrad A” (unter 2 Jahre, 2–5 Jahre, über 5 Jahre an dieser Presse). Das reicht als Feature und vermeidet Datenschutzfragen.

Für die eingesetzten Systeme:

• scikit-learn + FastAPI auf eigenem Server: Keine Daten verlassen das Werftgelände. Keine AVV-Pflicht, keine Cloud-Risiken. Das ist die sauberste Option für Betriebe mit Betriebsgeheimnis-Anforderungen (z.B. Marineaufträge oder proprietäre Rumpfgeometrien)
• Azure Machine Learning: Daten werden in der EU verarbeitet (Frankfurt), Microsoft bietet einen standardisierten AVV an. Für das Trainieren ist das ausreichend — für laufende Produktionsdaten sollte der Datenschutzbeauftragte eingebunden werden
• MLflow self-hosted: Kein Datenaustausch, vollständige Kontrolle. Standard für sicherheitsbewusste Fertigungsbetriebe

Was es kostet — realistisch gerechnet

Einmalige Projektkosten

Gesamtprojekt ohne CNC-Integration: 26.000 bis 63.000 Euro
Gesamtprojekt mit CNC-Integration: 36.000 bis 93.000 Euro

Laufende Kosten (monatlich)

• Self-hosted (scikit-learn + MLflow auf eigenem Server): 100–300 € (Server, Strom, Wartung)
• Azure Machine Learning-Endpunkt: 80–150 € Compute-Kosten
• Retraining bei Lieferantenwechsel: 1.000–3.000 € einmaliger Aufwand

ROI-Kalkulation

Annahme: 10 Großplatten pro Woche, durchschnittlich 1,5 eingesparte Nachpressdurchgänge à 35 Minuten, Pressenstundensatz 1.000 €.

• Wöchentliche Einsparung: 10 × 1,5 × (35/60) × 1.000 € = 8.750 €/Woche (theoretisch)
• Realistisch (60% Wirkungsgrad): ca. 5.000–5.500 €/Woche → ca. 250.000 €/Jahr
• Break-even ohne CNC-Integration: 4 bis 6 Monate nach Go-live

Das ist eine konservative Rechnung. Sie berücksichtigt nicht die indirekte Einsparung durch zuverlässigere Fertigungsplanung (kein ungeplantes Blockieren der Presse), reduzierte Überstunden und den Wissenstransfer-Wert bei Personalwechseln.

Wie du den ROI tatsächlich misst: Führe vor dem Modell-Go-live 8 bis 12 Wochen Baseline-Messung durch: Nachpressdurchgänge pro Platte und Materialklasse, Maschinenzeit je Platte. Diese Zahlen sind deine Vergleichsbasis. Nach Go-live dieselbe Messung weiterführen. Der Unterschied ist dein messbarer Nutzen — keine Hochrechnung, sondern Ist-Werte.

Typische Einstiegsfehler

1. Mit dem Modelltraining anfangen, bevor die Daten sauber sind. Der häufigste Fehler: Man holt sich einen Data Scientist, übergibt die gesammelten Excel-Tabellen und Scans, und erwartet in vier Wochen ein Modell. In der Praxis liefern schmutzige Daten — fehlende Chargenbezeichnungen, inkonsistente Einheiten (manche in Grad, manche in Radiant), Tippfehler in Dickenwerten — ein Modell mit schlechter Vorhersagequalität. Das frustriert und erzeugt Misstrauen. Lösung: Datenbereinigung und Felddefinition als separates Projekt-Gate vor dem Modelltraining. Erst wenn 80 Prozent der Datensätze vollständige Featuresets haben, beginnt das Training.

2. Die Materialcharge-Variable im Modell ignorieren. Viele erste Iterationen verwenden nur Dicke und Radius — weil die Charge-Information fehlt oder schwer zu joinen ist. Das Ergebnis ist ein Modell, das durchschnittlich ganz gut ist, aber bei bestimmten Chargen systematisch daneben liegt. Das ist das metallurgische Problem: Springback ist chargenabhängig, nicht nur geometrieabhängig. Lösung: Lieferscheindaten und Pressprotokolle von Anfang an zusammenführen. Auch eine grobe Kategorisierung (Lieferant A / Lieferant B / Lieferant C) als kategorisches Feature ist besser als kein Chargenmerkmal.

3. Das Modell einführen und nie wieder nachtrainieren. Das ist der gefährlichste Fehler — weil er still passiert. Nach einem Lieferantenwechsel oder einer Änderung der Bestellspezifikation liegt das Modell zunehmend daneben. Da es aber mit Zuversicht Werte ausgibt, merkt das Team nichts, bis jemand feststellt, dass die Nachpressdurchgänge wieder steigen. Laut AHSS-Forschung (AutoSteel Partnership) können Batch-zu-Batch-Variationen in der Streckgrenze von 20–40 MPa zu messbarer Verschiebung im Springback-Verhalten führen — auch innerhalb derselben Stahlnorm.

Lösung: Ein klarer Retraining-Auslöser. Wenn die Presse einen neuen Stahllieferanten oder eine neue Güte bekommt, startet automatisch eine Validierungsphase: Die nächsten 50 Pressvorgänge werden mit dem alten Modell und mit manueller Messung parallel dokumentiert. Wenn die Modell-RMSE um mehr als 1° steigt, wird nachtrainiert. MLflow hält die Modellversion und den Validierungsstand für diesen Vergleich vor.

4. Den Kesselschmied übergehen, nicht einbinden. Ein Modell, das ohne die erfahrenen Presser entwickelt wird und dann als „Vorschrift” eingeführt wird, scheitert an der Akzeptanz. Der Meister kennt Zusammenhänge, die in den Daten fehlen — er merkt, wenn das Modell bei einer bestimmten Charge systematisch zu hoch rät. Wenn er das Modell als Bedrohung seiner Expertise sieht, umgeht er es. Lösung: Die Meister sind Daten-Experten, nicht Betroffene. Ihre Korrekturen und ihr Feedback fließen als Trainingspunkte ins Modell — das Modell lernt von ihnen. Das muss so kommuniziert und auch so gebaut sein.

Was mit der Einführung wirklich passiert — und was nicht

Die technische Implementierung ist das, was am schnellsten fertig ist. Die organisatorische Integration ist das, woran es hängt.

Erfahrungsmuster, die in fast jeder Einführung auftreten:

Die Testphase zeigt ungeplante Datenlücken. Die ersten 50 historischen Datensätze, die ins Modell fließen, enthalten immer Überraschungen: Chargenbezeichnungen, die zwischen Lieferschein und Pressprotokoll unterschiedlich notiert sind. Messungen in verschiedenen Einheiten. Datenpunkte, wo der Nachpressdurchgang „weil Rainer es so mag” gemacht wurde, nicht weil die Geometrie falsch war. Diese Daten müssen bereinigt oder ausgeschlossen werden — das ist keine Enttäuschung, sondern normaler Prozess.

Das Modell wird am Anfang systematisch schlechter sein als der Meister. Das ist unvermeidlich und muss so kommuniziert werden. Während der ersten 6 bis 8 Wochen Pilotbetrieb laufen Modell-Empfehlung und Meister-Entscheidung parallel. Der Meister korrigiert, die Korrekturen werden protokolliert. Erst wenn das Modell in 80 Prozent der Fälle ohne Korrektur auskommt, wird es zur primären Empfehlung.

Neulinge vertrauen dem Modell sofort, Erfahrene brauchen länger. Das ist kein Problem — es ist die Realität. Für neue Mitarbeitende ist das Modell eine Orientierungshilfe ohne Misstrauen. Erfahrene Kesselschmiede haben ein inneres Korrektursystem, das sie nicht sofort aufgeben. Was hilft: Transparenz darüber, wie das Modell seine Empfehlung berechnet (Feature-Importance zeigen), und das explizite Einräumen des Überschreibungsrechts — der Bediener kann den Modellwert immer anpassen, und die Abweichung wird protokolliert, nicht sanktioniert.

Die Disziplin beim Datenerfassen lässt nach. Nach 3 bis 4 Monaten schreibt wieder jemand „ca. 16°” statt des gemessenen Werts. Das macht das Modell schlechter. Lösung: Die Datenerfassung muss in den normalen Werkstattablauf integriert sein — am besten als Pflichtfeld in der CNC-Steuerung oder im Eingangsformular auf dem Tablet, nicht als optionale Nacherfassung.

Realistischer Zeitplan mit Risikohinweisen

Wichtig: Der Zeitplan gilt für eine Werft mit gemischter Datenlage (teils Papier, teils Excel). Werften mit vollständig digitalisierten Fertigungsdaten aus einem ERP-System können Monate 1–3 auf 4 bis 6 Wochen verkürzen.

Häufige Einwände — und was dahintersteckt

„Wir haben zu wenig Daten, das wird nicht funktionieren.” Wan et al. (2021) haben mit 23 Trainingsdatenpunkten einen R² von 0,98 erreicht — unter Laborbedingungen. In der Werftpraxis braucht man mehr, aber 200 bis 300 historische Pressvorgänge reichen für ein nützliches erstes Modell. Wenn die Werft in den letzten 3 Jahren aktiv war, hat sie diese Daten — nur nicht strukturiert aufbereitet. Die Frage ist nicht, ob genug Daten vorhanden sind, sondern wie viel Aufwand das Strukturieren kostet.

„Wenn der Stahl-Lieferant wechselt, ist das Modell wertlos.” Das stimmt für ein starres System — nicht für ein gut gewartetes. Ein Retraining-Prozess, der bei jedem Lieferantenwechsel automatisch angestoßen wird und 50 bis 100 neue Datenpunkte des neuen Materials verarbeitet, hält das Modell aktuell. MLflow macht Modellversionen sichtbar, sodass der Übergang dokumentiert ist. Das ist kein Argument gegen das Modell — es ist ein Argument für einen strukturierten Wartungsprozess.

„Unsere Presse ist 30 Jahre alt und hat keine digitale Schnittstelle.” Das ist der häufigste Einwand, und er ist kein Ausschlusskriterium. Der manuelle Empfehlungsworkflow funktioniert ohne jede Änderung an der Presse: Bediener gibt Parameter in ein Tablet-Formular ein, Modell gibt Überpresswinkel zurück, Bediener stellt die Presse manuell ein. Der Mehrwert ist sofort da — ohne CNC-Integration, ohne Hardware-Investment. Die vollautomatische Integration ist ein optionaler nächster Schritt.

Woran du merkst, dass das zu dir passt

• Ihr habt mindestens einen Meister, dessen Springback-Intuition deutlich besser ist als die der anderen — und ihr fragt euch, wie das Wissen bleibt, wenn er geht
• Nachpressdurchgänge kosten euch regelmäßig Maschinenzeit — mindestens 2 bis 3 Stunden pro Schicht an der Rumpfbaupresse
• Ihr biegt Sektionsplatten ab 6 mm Dicke auf hydraulischen Rahmenpressen oder Abkantpressen mit wechselnden Biegeradien
• Ihr habt mindestens 3 Jahre Presshistorie — auch auf Papier, auch lückenhaft

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

1. Unter ca. 100 vergleichbaren Pressvorgängen pro Jahr je Stahlklasse. Bei einer Werft, die nur wenige Dutzend Großplatten jährlich biegt, fehlt die Datendichte für ein robustes Modell. Der Einrichtungsaufwand ist dann nicht durch den Nutzen gedeckt. Hier ist das systematische Dokumentieren und Teilen von Meister-Wissen in einem einfachen Protokollsystem der sinnvollere erste Schritt.

2. Keine historischen Pressprotokolle vorhanden und kein Meister bereit, retrospektiv Daten zu rekonstruieren. Wenn das Wissen vollständig informell ist und keine Aufzeichnungen existieren, gibt es keine Trainingsbasis. Ein ML-Modell ohne Trainingsdaten ist kein Modell. In diesem Fall hilft es zunächst, ein Datenerfassungssystem aufzubauen und 12 bis 18 Monate Live-Daten zu sammeln — dann ist ein Modell sinnvoll.

3. Presse wird für maximal eine Standardkonfiguration genutzt (immer gleiche Dicke, immer gleicher Radius, immer gleicher Stahl). Wenn ihr faktisch nur eine Biegekonfiguration habt, reicht ein einmalig empirisch ermittelter Überpresswert. Der Aufwand für ein ML-Modell ist dann nicht gerechtfertigt.

Das kannst du heute noch tun

Fang mit einer strukturierten Daten-Bestandsaufnahme an — ohne jeden IT-Aufwand. Nimm die letzten 30 Pressprotokolle (egal ob Papier oder Excel), öffne eine Tabelle und schreibe für jeden Vorgang folgende Felder auf: Datum, Materialcharge, Dicke, Soll-Radius, Überpresswinkel, gemessener Ist-Winkel, Anzahl Durchgänge.

Wenn nach 30 Einträgen mindestens 20 vollständige Zeilen entstanden sind (also alle Felder gefüllt), hast du eine brauchbare Datenstruktur. Wenn die meisten Felder leer sind, weißt du jetzt, was die Datenerfassung als nächstes leisten muss — bevor irgendein Modell möglich ist.

Als nächsten Schritt kannst du diesen Prompt mit deinen ersten strukturierten Daten nutzen, um die Qualität einzuschätzen und erste Muster zu sehen:

Quellen & Methodik

• Wan, Z., Han, H., Zhao, Y. et al. (2021): „Prediction of springback in local bending of hull plates using an optimized backpropagation neural network.” Mechanical Sciences, 12, 777–787. https://ms.copernicus.org/articles/12/777/2021/ — Zentrale Referenz: GA-BPNN Modell mit R²=0,98 und mittlerem relativem Fehler von 1,92% für Schiffbauplatten-Springback-Vorhersage; Input-Parameter: Blechdicke, Stempelversatz, Matrizen-Abstand, Biegeradius; Trainingsdatensatz: 23 Experimente.
• Su, S., Jiang, Y. & Xiong, Y. (2020): „Multi-point forming springback compensation control of two-dimensional hull plate.” Advances in Mechanical Engineering. https://journals.sagepub.com/doi/10.1177/1687814020916094 — Springback-Kompensation bei zweidimensionalen Rumpfplatten-Geometrien via Mehrpunkt-Umformung.
• AHSS Guidelines, WorldAutoSteel (2023): Abschnitt zu Springback-Variabilität durch Batch-zu-Batch-Schwankungen in der Streckgrenze. https://ahssinsights.org/forming/springback/ — Belegt, dass Batch-Variationen (20–40 MPa in R_p0.2) zu messbaren Springback-Unterschieden führen und damit Modellnachtraining erfordern.
• AutoForm Glossar — Rückfederung (2024): https://www.autoform.com/de/glossar/rueckfederung/ — Praxisnahe Erläuterung der metallurgischen Grundlagen.
• Fraunhofer IWU — Kompakteinstieg Maschinelles Lernen in der Produktion (2026): Kursgebühr 980 € (2 Tage) für Domänenexperten in der Fertigung. https://www.iwu.fraunhofer.de/de/veranstaltungen-und-messen/schulungen/kompakteinstieg-maschinelles-lernen-in-der-produktion.html — Orientierungswert für Qualifizierungskosten bei der Einführung von ML in der Fertigungsindustrie.
• Maschinenstundensätze Großpressen Schiffbau: Eigene Erfahrungswerte aus Schiffbau- und Offshore-Projekten (Stand 2024–2026). Bereich 800–1.400 €/Stunde für Rahmenhydraulikpressen über 1.000 Tonnen Presskraft.
• Malt.de Tarifbarometer Data Scientists (2025): Orientierungswert für Freelancer-Tagessätze im Bereich Data Science in Deutschland (800–1.200 €/Tag).

Du willst wissen, ob eure Pressprotokolle als Ausgangsbasis für ein Springback-Modell reichen — und was das konkret kosten würde? Meld dich — das klären wir gemeinsam.