Grat-Erkennung im Spritzguss: Sicherheitsrisiken inline aufspüren

Das echte Ausmaß des Problems

Gratbildung ist der häufigste Produktionsfehler im Spritzguss — und gleichzeitig der mit den heikelsten Konsequenzen für Spielzeughersteller. Der Grat entsteht, wenn die beiden Hälften des Spritzgusswerkzeugs nicht bündig schließen und Kunststoffschmelze in die Trennfuge dringt. Das Ergebnis ist ein dünner, scharfkantiger Überstand aus dem gleichen Material wie das Teil selbst.

Der europäische Norm EN 71-1 (Mechanische und physikalische Eigenschaften von Spielzeug) ist explizit: Kanten und Spitzen aus Kunststoff müssen frei von Graten sein, die geeignet sind, Verletzungen oder Abschürfungen zu verursachen. Was das in der Praxis bedeutet, legt das Prüfverfahren nach EN 71-1 Anhang A fest — ein standardisiertes Verfahren, das die Schärfe von Kanten bei definierten Prüfkräften bewertet. Grat, der diesen Test nicht besteht, ist ein Konformitätsmangel. Das Teil darf nicht auf den Markt.

Das Problem: Grat ist kein stabiles, vorhersehbares Defektmuster. Er erscheint nicht jedes Mal an der gleichen Stelle. Er variiert in Größe, Form und Lage — je nachdem, wie warm das Werkzeug ist, wie viel Schließkraft die Maschine aufbringt, welche Viskosität das Granulat hat, und vor allem: wie weit das Werkzeug bereits verschlissen ist. Ein frisches Werkzeug produziert nahezu gratfreie Teile. Ein Werkzeug mit 200.000–300.000 Schüssen hinter sich zeigt zunehmenden Grat an den Trennfugen — zunächst sporadisch, dann systematisch.

Die Zahlen hinter dem Risiko:

• Stichprobenprüfung (5 Teile pro 500) erfasst nach gängigen Erfahrungswerten aus der Praxis nur 15–30% der fehlerhaften Teile, wenn der Fehler sporadisch auftritt — das entspricht einer Blindrate von 70–85%.
• Ein vollständiger EN-71-Rückruf kostet den Hersteller nach Branchenberichten 200.000 bis 2 Millionen EUR — je nach Liefermenge, Logistikaufwand, Produkthaftungsansprüchen und Reputationsschaden beim Händler.
• Eine vollständige Inline-Kameraprüfung für eine Spritzgusslinie kostet nach Angaben des deutschen Integrationsdienstleisters Pexon Consulting 75.000 bis 150.000 EUR einmalig — und amortisiert sich nach deren Erfahrung typisch in 8–14 Monaten.
• Die akademische Literatur (Yesilkaya et al., 2021, Applied Sciences) dokumentiert Erkennungsraten von 99,2% bei 180 Teilen pro Minute für CNN-basierte Inline-Defekterkennung an Spritzgussteilen.

Zum Vergleich: Die Farbkonsistenz im Spritzguss ist ein kosmetisches Problem. Grat ist ein Sicherheitsproblem. Der regulatorische Druck ist ein anderer — und damit der wirtschaftliche Schaden potenziell deutlich höher.

EN 71-1: Was die Norm tatsächlich verlangt — und was das für Grat bedeutet

EN 71-1:2014+A1 ist die maßgebliche europäische Norm für mechanische und physikalische Eigenschaften von Spielzeug. Abschnitt 4.7 behandelt „Kanten” und unterscheidet zwischen Metall-/Glaskanten und Kanten aus starren Polymeren.

Für Spielzeug aus Kunststoff gilt: Kanten aus starrem polymeren Material müssen frei sein von Graten, die geeignet sind, Verletzungen oder Abschürfungen zu verursachen. Ob eine Kante diese Voraussetzung verletzt, wird nach einem definierten Prüfverfahren (Anhang A) ermittelt.

In der industriellen Praxis hat sich ein operativer Schwellenwert von 0,3 mm Grathöhe als relevant erwiesen — darunter gilt Grat in den meisten Prüfszenarien als unkritisch, darüber als potenziell verletzungsrelevant. Dieser Wert ist kein expliziter Grenzwert der Norm, sondern eine Orientierung aus akkumulierten Prüfungserfahrungen. Spielzeughersteller, die ihr Qualitätssystem auf Grat ausrichten, kalibrieren ihre Kamerasysteme typischerweise auf eine Erkennungsgrenze von 0,3–0,5 mm.

Was die Norm nicht tut: Sie gibt keine Grathöhe in Millimetern vor. Sie verweist auf das Prüfverfahren und eine Risikoabwägung bezüglich vorhersehbarem Gebrauch. Das bedeutet: Ein Grat am Hals eines Babynukkels wird anders bewertet als ein Grat an der Unterseite eines Brettspielsteins. Die Konformitätsbewertung liegt beim Hersteller — und damit das Risiko.

Für Spielzeug, das für Kinder unter 36 Monaten bestimmt ist, gelten die strengsten Anforderungen. Spritzgussfiguren aus dem Massenmarktsegment für Vorschulkinder liegen genau in dieser Risikoklasse.

Wichtig für die Systemauslegung: Das Kamerasystem muss auf die Prüfgrenzen der EN 71-1 kalibriert sein — nicht auf beliebige Defekte. Das bedeutet: Die Trainingsbilder müssen Grat in allen relevanten Größen- und Lagekombinationen enthalten, und das Modell muss mit bekannten EN-71-Prüfstücken validiert werden, nicht nur mit internen Qualitätsurteilen.

Werkzeugverschleiß als Treiber: Die Grat-Häufigkeitskurve

Der wichtigste Kontext für das Design eines Grat-Erkennungssystems ist die Beziehung zwischen Werkzeugverschleiß und Gratfrequenz.

Ein neues Spritzgusswerkzeug aus Werkzeugstahl hat eine theoretische Standzeit von 500.000 bis 1.000.000 Schüssen. In der Praxis — mit Temperaturschwankungen, Abrasion durch füllstoffhaltigen Kunststoff, Verunreinigungen und suboptimalen Prozessparametern — sehen viele Werkzeuge in der Spielzeugproduktion 200.000–400.000 Schüsse bis zur Wartung oder zum Tausch.

Die Gratfrequenz in diesem Lebenszyklus ist nicht linear:

• Schüsse 0–50.000: Wenig bis kein Grat. Werkzeug schließt bündig. Erkennungssystem läuft im Leerlauf.
• Schüsse 50.000–200.000: Sporadischer Grat. Einzelne Schüsse zeigen Grat an Trennfugen, ohne systematisches Muster. Stichprobenkontrolle versagt hier am schwersten.
• Schüsse 200.000–300.000: Zunehmend systematischer Grat. Bestimmte Kavitäten zeigen höhere Frequenz. Das System kann jetzt auch als Werkzeugverschleiß-Sensor dienen.
• Schüsse 300.000+: Grat wird zur Regel, nicht zur Ausnahme. Werkzeugüberholung oder -tausch nötig.

Die Konsequenz für das KI-Modell: Ein Modell, das am Anfang des Werkzeuglebens trainiert wird (fast ausschließlich gute Teile), muss für die späteren Phasen neu trainiert oder durch Bilder aus realistischen Verschleißzuständen ergänzt werden. Ein statisches Modell aus der Pilotphase wird spätestens bei Schuss 150.000 zu viele falsch negative Ergebnisse liefern — also Grateile als gut klassifizieren, weil es diese Gratmuster noch nicht gesehen hat.

Operative Empfehlung: Definiere Retraining-Auslöser nicht nur zeitbasiert (alle 6 Monate), sondern werkzeugzustandsbasiert — z.B. alle 50.000 Schüsse oder bei gemeldeten Werkzeugwartungsereignissen. Lege zu Projektbeginn fest, wie neue Trainingsbilder aus dem laufenden Betrieb ins Modell fließen.

Inline vs. End-of-Line vs. Stichprobe: Was wirklich sinnvoll ist

Für Spritzgussteilprüfung gibt es drei grundlegende Ansätze, die sich in Kosten, Erkennungsleistung und Integrationskomplexität unterscheiden.

Stichprobenprüfung ist de facto keine Qualitätssicherung für sicherheitskritische Merkmale bei kleinen Fehlerraten. Sie schützt statistisch erst dann, wenn fast jedes Teil fehlerhaft ist — also zu spät für einen EN-71-Fall.

End-of-Line-Prüfung (nach dem Abkühlen, vor dem Verpacken) ist ein guter Kompromiss: Das Teil kann optimal beleuchtet werden, es gibt Zeit für mehrere Kamerapositionen, und der Integrationsdruck auf die laufende Maschine ist gering. Nachteil: Wenn ein Fehler erkannt wird, sind bereits Hunderte oder Tausende Teile produziert, die alle durchsucht werden müssen.

Inline-Prüfung direkt beim Auswurf (im Taktzyklus der Maschine, typisch 10–30 Sekunden pro Schuss) ist technisch anspruchsvoller, aber liefert sofort umsetzbare Signale: Der Auswerfer sortiert fehlerhafte Teile direkt aus, und eine Häufung von Gratereignissen in kurzer Zeit löst automatisch einen Wartungsalarm aus. Das ist das System, das Thomas Bauer hätte verhindern können, dass die Stegosaurus-Figuren überhaupt das Werk verließen.

Für Spielzeughersteller mit EN-71-Compliance-Anforderungen für Kleinkindspielzeug ist Inline-Prüfung die richtige Entscheidung — auch wegen der höheren Kosten. Für Spielzeug ohne strenge Sicherheitsanforderungen (ab 6 Jahren, kein Kleinteile-Risiko) kann End-of-Line ausreichen.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Zahlen zur Erkennungsrate: 15–30% Stichprobenrate basiert auf eigenen Erfahrungswerten aus der Praxis — die genaue Zahl hängt von der Stichprobengröße und Fehlerrate ab. Die 95–99%-Inline-Rate stammt aus der wissenschaftlichen Literatur zu CNN-Inline-Defekterkennung (MDPI Applied Sciences, 2021) sowie aus Praxisberichten des deutschen Integrators Pexon Consulting (Stand April 2026).

Einschätzung auf einen Blick

Zeitersparnis — hoch (4/5) Eine vollautomatische Inline-Prüfung ersetzt die manuelle Sichtkontrolle von 2–4 Stunden pro Schicht und Prüfer vollständig. Das ist ein erheblicher Hebel — aber nicht der stärkste Zeitentlastungseffekt im spielwarenbezogenen Anwendungsfall-Portfolio. CE-Dokumentation und Produktbeschreibungs-Generierung für viele Marktplätze entlasten stärker auf kognitiv anspruchsvolle Arbeit; Inline-Grat-Erkennung ersetzt eine repetitive Kontrolltätigkeit. Beide Typen sind wertvoll — sie sind nicht direkt vergleichbar.

Kosteneinsparung — sehr hoch (5/5) Dies ist der stärkste Kostenhebel in der Kategorie: Ein einziger vermiedener EN-71-Rückruf (200.000–2.000.000 EUR Schadenspotenzial) amortisiert die Systemkosten eines vollständigen Inline-Systems (75.000–150.000 EUR) mehrfach. Im laufenden Betrieb kommen 30–50% weniger Ausschuss und frühzeitige Werkzeugwartungssignale hinzu, die teure Notfallreparaturen vermeiden. In keinem anderen spielwarenbezogenen KI-Anwendungsfall ist das Verhältnis von Schadensrisiko zu Investitionskosten so günstig.

Schnelle Umsetzung — gering (2/5) Der Weg vom Erstkontakt bis zur produktiven Linie dauert realistisch 8–16 Wochen: Kameramontage und Beleuchtungsdesign (2–3 Wochen), Trainingsbildersammlung unter Produktionsbedingungen (3–5 Wochen), Modelltraining und Validierung (2–3 Wochen), SPS-Integration und Auswerfer-Anbindung (2–4 Wochen). Die SPS-Integration ist oft der kritische Pfad — nicht das KI-Modell. Wer noch kein MES oder keine SPS-Anbindung hat, startet später.

ROI-Sicherheit — gut (4/5) Die Erkennungsrate des eingesetzten Systems ist ab Tag 1 messbar: Wie viele Grateile wurden erkannt, wie viele hätten statistisch durchgegangen? Die ROI-Kalkulation ist direkter als bei analytischen KI-Systemen. Einschränkung: Der ROI hängt stark von der Qualität der Trainingsdaten ab. Ein Modell mit nur 200 Trainingsbildern und unvollständiger Abdeckung der Gratlage-Varianz wird 70%, nicht 95% erkennen — dann ist der Business-Case deutlich schwächer. Das System ist kein Selbstläufer: Wer schlecht trainiert, bekommt schlechte Ergebnisse.

Skalierbarkeit — mittel (3/5) Für jede zusätzliche Spritzgusslinie ist neue Kamerahardware nötig — kein Software-only-Scale. Die Modelle lassen sich für identische Teilegeometrien an neuen Linien wiederverwenden, aber nicht für neue Produktgeometrien, die eigene Trainingsdaten brauchen. Das begrenzt die Skalierbarkeit auf Linien-Ebene, nicht auf Unternehmens-Ebene.

Richtwerte — stark abhängig von Teilegeometrie, Stückzahl pro Jahr und vorhandener SPS-Infrastruktur.

Das Trainingsdaten-Problem: Wer labelt die Grateile?

Das ist die unangenehmste Frage beim Systemaufbau, und die, über die Anbieter-Präsentationen typischerweise hinwegsehen.

Ein Computer Vision-Modell für Grat-Erkennung braucht Trainingsbilder in zwei Kategorien: Teile ohne Grat (gut) und Teile mit Grat (schlecht). Klingt einfach. In der Praxis entstehen diese Fragen:

Wer entscheidet, was Grat ist? Das Produktionspersonal erkennt augenfälligen Grat problemlos. Kleinen, sporadischen Grat ab 0,3 mm aufwärts zuverlässig zu identifizieren und zu labeln erfordert Erfahrung und eine definierte Labelingstrategie. Wenn drei Mitarbeitende unterschiedlich labeln, bekommt das Modell widersprüchliche Trainingssignale — und lernt schlecht.

Wie viele Bilder braucht man? Als Orientierung für typische Teilegeometrien: mindestens 300–500 Bilder je Klasse (mit Grat / ohne Grat), bei mehreren Gratlage-Varianten (Trennfuge links, rechts, oben) entsprechend mehr. Für ein neues Produktgeometrie-spezifisches Modell bedeutet das 2–4 Wochen Sammlung unter realen Produktionsbedingungen — mit bewusst produziertem Ausschuss oder geduldigem Warten auf Fehlerschüsse.

Wer labelt? Das Qualitätsteam muss Labeling-Kapazität einplanen. Werkzeuge wie Roboflow haben Auto-Label-Funktionen (spart 60–80% Annotierungsaufwand), aber die Qualitätsprüfung der Labels bleibt Handarbeit. Zwei Personen, die ein paar Stunden pro Woche labeln, können in 3–4 Wochen einen akzeptablen Startdatensatz aufbauen.

Was, wenn kein Ausschuss vorhanden ist? Wenn das Werkzeug noch jung ist und keinen Grat produziert, hat man kein negatives Training. Zwei Wege: (a) Referenzteile aus alten Werkzeugen oder manuell erzeugter Grat (vorsichtiges Anritzen an Trennfugenpositionen), (b) Synthetische Augmentation (Überblendung von Gratstrukturen auf Gut-Teil-Bilder). Letzteres funktioniert als Überbrückung, aber nicht als Ersatz für echte Produktionsdaten.

Das Labeling-Problem ist kein Grund, das Projekt nicht anzugehen — aber es ist der Hauptgrund, warum Pilotprojekte länger dauern als Anbieter versprechen.

Was das System konkret macht

Die technische Grundlage ist Computer Vision mit einer Deep Learning-Architektur, konkret ein Convolutional Neural Network (CNN), das an Teilebildern aus der laufenden Produktion trainiert wird.

Der Ablauf im Produktionsbetrieb sieht so aus:

1. Bildaufnahme: Eine oder mehrere Industriekameras (typisch 4–12 Megapixel) sind direkt am Auswurf der Spritzgussmaschine oder auf einem Förderband kurz danach montiert. Ein Beleuchtungsring (Ringlicht oder koaxiales Licht) sorgt für gleichmäßige, kontraststarke Ausleuchtung — die größte Herausforderung bei glänzenden Kunststoffoberflächen. Der Maschinen-Takt löst die Bildaufnahme aus.

2. Bildvorverarbeitung: Das Rohbild wird auf die relevante Teileregion zugeschnitten, normalisiert und in das Modell eingespeist. Das dauert bei typischen Inline-Systemen 20–60 ms.

3. CNN-Inferenz: Das Modell klassifiziert das Teil als „gut” oder „schlecht” — und gibt optional eine Konfidenz und eine Lokalisierung des Grats (Bounding Box) zurück. Gesamtlatenz inkl. Bildaufnahme: unter 80 ms.

4. Ausschleusung und Alarm: Ein Gut-Signal lässt das Teil auf dem Förderband weiter. Ein Schlecht-Signal aktiviert einen Auswerfer (Druckluft oder mechanisch) oder eine Umlenkweiche. Wenn in einem definierten Zeitfenster (z.B. 30 Minuten) mehr als X Grateile erkannt werden, sendet das System einen Wartungsalarm — das Werkzeug verschleißt.

5. Datenprotokollierung: Jedes Teil bekommt einen Zeitstempel, eine Gut/Schlecht-Einstufung und ein Bild. Das gibt Traceability — und im Falle einer späteren Beschwerde den Nachweis, dass das Teil bei Produktion als gut klassifiziert wurde.

Der entscheidende Unterschied zu Farbkonsistenz-Prüfung oder Oberflächendefekt-Erkennung: Grat ist dreidimensional. Er bildet sich an Kanten, nicht auf Flächen. Das erfordert entweder Seitenbeleuchtung, die den Grat als Schattenwurf sichtbar macht, oder mehrere Kamerawinkel. Die Beleuchtungsstrategie ist bei Grat-Erkennung oft aufwändiger als das Training des Modells selbst.

Konkrete Werkzeuge — was wann passt

Drei grundlegende Systemansätze stehen zur Wahl:

Cognex VisionPro Deep Learning — Industriestandard mit Rückendeckung Das VisionPro ViDi-Modul (jetzt unter dem Label „Cognex AI” vermarktet) ist auf Defekterkennung an Serienteilen ausgelegt. Trainingsdaten können direkt in der Software gelabelt werden, das Modell trainiert auf der vorhandenen Hardware, die Inferenz läuft auf dem Cognex-PC oder direkt in der In-Sight-Kamera. Cognex liefert Hardware und Software aus einer Hand, hat einen deutschen Vertrieb und jahrzehntelange Referenzen in der Serienproduktion. Der Nachteil: Systeme kosten schnell 25.000–80.000 EUR pro Prüfstation, sind wenig flexibel für häufig wechselnde Teilegeometrien, und die KI-Funktionen sind als Add-on komplex. Richtig für: etablierte Serienfertiger mit stabiler Produktion und Budget für professionelle Integration.

Keyence CV-X Vision System — pragmatisch, schnell installiert Das Keyence CV-X-System kombiniert klassische regelbasierte Prüfung mit KI-gestützter Defekterkennung. Die Einrichtung geht über eine grafische Oberfläche — kein Programmieren. Keyence schickt auf Anfrage einen Anwendungsberater mit Leihgerät kostenlos ins Werk, um die Tauglichkeit für die konkrete Aufgabe zu testen, bevor eine Investition getätigt wird. Kosten für vollständige Vision-Systeme: 15.000–80.000 EUR. Weniger tiefes Deep Learning als Cognex ViDi, aber für viele Graterkennungsaufgaben ausreichend. Richtig für: Mittelständler ohne eigene CV-Abteilung, die eine bewährte Lösung mit lokalem Support wollen.

Custom CNN auf NVIDIA Jetson Edge-Device — maximale Kontrolle, maximaler Aufwand YOLO oder ähnliche Open-Source-Architekturen, trainiert auf eigenen Daten über Roboflow oder eine lokale Trainingsumgebung, eingesetzt auf einem NVIDIA Jetson Nano/Orin (400–1.200 EUR Hardware) oder einem Industrie-PC mit GPU. Das Modell läuft lokal, keine Cloud-Abhängigkeit, vollständige Datenkontrolle, kein Lizenz-Lock-in. Die Trainingsplattform Landing AI kann als No-Code-Einstieg dienen, hat aber US-Datenhosting — für Produktionsbilder DSGVO-kritisch. Roboflow bietet als Prototyping-Tool gute Annotierungsunterstützung (Auto-Label spart 60–80% Labeling-Zeit), aber Produktionsbilder sollten für den scharfen Betrieb lokal verbleiben. Richtig für: Unternehmen mit eigenem Entwickler oder IT-Affinität, die volle Kontrolle wollen und mehrere Linien über Zeit aufbauen.

Zusammenfassung — wann welcher Ansatz:

• Stabile Serienfertigung, Budget vorhanden, kein internes CV-Know-how → Cognex oder Keyence
• Pilotprojekt, Machbarkeitsnachweis vor Vollausbau → Landing AI (mit US-Datenschutz-Prüfung) oder Roboflow-basiertes Prototyping
• Langfristiger Betrieb, viele Linien, eigenes Entwicklerteam → Custom CNN mit YOLO auf Edge-Hardware, Roboflow für Datenmanagement

Datenschutz und Datenhaltung

Spritzguss-Produktionsbilder enthalten keine personenbezogenen Daten — damit fällt die DSGVO im engeren Sinne zunächst weniger ins Gewicht als bei anderen KI-Systemen. Trotzdem gibt es relevante Überlegungen:

Industrielles Betriebsgeheimnis. Bilder des Produktionsprozesses können Rückschlüsse auf Fertigungsverfahren, Teilegeometrien, Ausschussraten und Werkzeugqualität ermöglichen. Das sind schützenswerte Betriebsgeheimnisse. Wer diese Bilder in US-gehostete Plattformen wie Landing AI oder Roboflow lädt (ohne Enterprise-Vertrag), überträgt potenziell proprietäre Fertigungsinformationen an US-Server ohne vertragliche Datenschutz-Garantien.

Empfehlung für Vollbetrieb: Lokale Verarbeitung ist bei Inline-Prüfung ohnedies der Standard — Cognex- und Keyence-Systeme verarbeiten Bilder grundsätzlich auf dem Industrie-PC oder der Kamera vor Ort. Cloud-Dienste bleiben außen vor. Das ist gleichzeitig die DSGVO-sichere und die latenzoptimierende Lösung.

Für Pilotprojekte mit Cloud-Plattformen: Verwende keine echten Produktionsbilder aus der laufenden Fertigung. Für Machbarkeitsstudien reichen Bilder, die du explizit dafür produziert und als nicht vertraulich klassifiziert hast. Enterprise-Verträge bei Landing AI bieten On-Premise-Einführung und Zero-Data-Retention — für den scharfen Einsatz immer vertraglich verankern.

Fernwartung: Systemintegratoren benötigen oft VPN-Zugriff auf die Prüfstation für Updates und Diagnose. Dieser Zugriff sollte protokolliert und auf klar definierte Wartungsfenster beschränkt sein.

Was es kostet — realistisch gerechnet

Einmalige Systemkosten (Inline-Prüfstation, eine Linie)

Quelle für diesen Rahmen: Pexon Consulting, pexon-consulting.de/fertigung/kamerabasierte-inline-qualitaetskontrolle/ (Stand April 2026). Eigene Entwicklung (YOLO auf Edge-Device, internes Team) kann den Rahmen auf 20.000–40.000 EUR reduzieren — bei deutlich höherem internem Arbeitsaufwand.

Laufende Kosten (jährlich)

• Software-Wartung und Support: 5.000–15.000 EUR/Jahr (bei Cognex/Keyence-Systemen)
• Modell-Retraining bei Werkzeugwechsel: 1–3 Wochen interne Arbeitszeit
• Kamerakalibrierung und Wartung: gering (bei Industriehardware)

Konservative ROI-Rechnung

Annahme: 2 EN-71-kritische Spritzgusslinien für Kleinkindspielzeug, je 300.000 Teile/Jahr.

• Investition Gesamtsystem beide Linien: 130.000 EUR (unter dem oberen Rahmen)
• Vermiedener Personalaufwand Sichtprüfung: 2 Personen × 3 Std./Schicht × 250 Schichttage = 1.500 Std./Jahr → bei 35 EUR Bruttostundensatz (angelehnt an Destatis-Verdienstdaten Industrie 2024): 52.500 EUR/Jahr
• Ausschussreduzierung um 30%: konservativ weitere 15.000–30.000 EUR/Jahr
• Amortisationszeit ohne Rückrufverhinderung: 2–3 Jahre
• Mit einem vermiedenen Rückruf (200.000 EUR Schadenspotenzial): unter 12 Monate

Das ist der Kern des Business-Cases: Die manuelle Arbeitsersparnis macht das System attraktiv. Die Rückrufverhinderung macht es unausweichlich.

Drei typische Einstiegsfehler

1. Das Kamerasystem kaufen, bevor die Beleuchtung gelöst ist. Grat an glänzenden Kunststoffoberflächen ist optisch extrem anspruchsvoll. Ein Grat, der bei Ringlichtbeleuchtung als helle Linie erscheint, ist bei falscher Beleuchtung unsichtbar. Systemintegratoren, die Praxiserfahrung mit Spritzguss-Grat haben, wissen das. Weniger erfahrene Anbieter bieten das Standard-Kamera-Setup an und stellen beim Training fest, dass das Modell nicht lernt — weil die Bilder zu ähnlich aussehen. Lösung: Beleuchtungskonzept vor Kauf testen, idealerweise mit Referenzteilen (mit und ohne Grat) unter denselben Produktionsbedingungen.

2. Modell aus der Pilotphase dauerhaft betreiben. Das Machine Learning-Modell, das in Woche 12 mit frischen Werkzeugbildern trainiert wurde, funktioniert im Monat 18 schlechter — weil das Werkzeug jetzt 250.000 Schüsse hat und andere Gratlage-Muster produziert. Das System zeigt scheinbar weiter gute Erkennungsraten an — weil niemand die Falsch-Negativ-Rate regelmäßig überprüft. Lösung: Monatliche Stichprobenkontrolle der System-Ergebnisse gegen manuelle Prüfung einplanen. Wenn die Übereinstimmung sinkt: Retraining.

3. SPS-Integration als „das macht die IT-Abteilung dann schon” behandeln. Die SPS-Anbindung ist oft der zeitkritischste Pfad im gesamten Projekt — nicht das Modell, nicht die Hardware. Wer die SPS-Integration nicht in die Projektplanung einbezieht (und oft auch einen externen Automatisierer braucht), erlebt, dass das System zwei Monate lang als Passivmonitor läuft — Kamera sieht den Grat, Auswerfer sortiert nichts aus. Das frustriert alle Beteiligten und kostet die Zeit-Kredibilität des Projekts.

4. Das System ohne EN-71-Validierung in Betrieb nehmen. Ein Kamerasystem, das intern als „gut” eingestufte Teile als gut klassifiziert, ist keine EN-71-Konformitätsprüfung. Erst wenn das System an Referenzteilen — die nach EN-71-Prüfverfahren als grenzwertig oder nicht konform klassifiziert wurden — validiert wurde und diese zuverlässig erkennt, kann es als Teil des Qualitätsmanagementsystems betrachtet werden. Lass das System von einem Prüflabor (TÜV Rheinland, Intertek, DEKRA) gegen bekannte Fehlerteile validieren.

Was mit der Einführung wirklich passiert — und was nicht

Die Technik des Systems ist lösbar. Das Schwierigere ist der Betrieb.

Das Vertrauensproblem. Wenn das System zum ersten Mal einen Gutschuß als Schlecht klassifiziert — und das passiert, denn keine Erkennungsrate ist 100% — entsteht sofort die Diskussion: „Das Ding ist zu empfindlich, wir verlieren gute Teile.” Die Falsch-Positiv-Rate (gut klassifiziert als schlecht) ist ein echter Kostenfaktor, der in der Planung oft unterbewertet wird. Eine Rate von 2% Falsch-Positiven bei 300.000 Teilen/Jahr bedeutet 6.000 gute Teile, die ausgesondert werden. Wer diese Kosten gegen das Rückrufrisiko aufwiegt, kommt trotzdem auf ein positives Ergebnis — aber das muss erklärt werden, bevor das System live geht.

Das Alarm-Management-Problem. Das System kann Werkzeugverschleiß-Alarme senden. Das ist einer seiner stärksten Zusatznutzen. Aber nur, wenn jemand auf den Alarm reagiert. Ein Alarm, der auf einem Dashboard erscheint, auf das niemand täglich schaut, oder eine E-Mail, die im Schicht-Betrieb niemand liest, bringt nichts. Die Integration der Alarm-Logik in den Schichtbetrieb muss vor der Inbetriebnahme definiert sein.

Der Qualitätsleiter als Modell-Eigner. Das System gehört nicht der IT. Es gehört dem Qualitätsverantwortlichen — so wie das Messprotokoll und die Prüfvorschriften dem Qualitätsverantwortlichen gehören. Die Person, die das Modell versteht, die Erkennungsrate beobachtet und Retraining initiiert, muss namentlich benannt sein. Systeme ohne Eigner degradieren nach 18 Monaten.

Was im ersten Jahr tatsächlich passiert: Der erste Monat ist Kalibrierung und Enttäuschungsmanagement. Der zweite und dritte Monat sind Optimierung des Beleuchtungs- und Schwellenwert-Settings. Ab Monat 4 läuft das System stabil. Zwischen Monat 6 und 12 liefert es den ersten echten Signal-Nachweis, dass es etwas erkannt hat, das bei Stichprobenprüfung durchgegangen wäre. Das ist der Moment, in dem das Vertrauen aufgebaut wird.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Unsere Stichprobenkontrolle hat bisher funktioniert.” Stimmt — bis zur ersten EN-71-Reklamation. Stichprobenprüfung ist für das Erfassen systematischer Fehler geeignet. Für sporadischen Grat, der chargenweise entsteht, versagt sie. Der Fall von Thomas Bauer aus dem Lede ist keine Ausnahme: Er ist die Erwartung, wenn sporadische Fehler nicht zu 100% geprüft werden. Wer nach einem Rückruf fragt, ob die Stichprobenprüfung „gut genug” war, kennt die Antwort bereits.

„Das System ist zu teuer.” Ein vollständiges Inline-System kostet 75.000–150.000 EUR. Ein EN-71-Rückruf für 50.000 Figuren kostet nach Branchenschätzungen mindestens 200.000 EUR — ohne Produkthaftungsansprüche Dritter. Wer diese Rechnung macht und das System immer noch als zu teuer empfindet, kalkuliert das Rückruf-Risiko zu niedrig. Die richtige Frage ist: Wie hoch ist die jährliche Wahrscheinlichkeit eines Rückrufs ohne das System? Bei EN-71-kritischen Produkten mit alternden Werkzeugen ist diese Wahrscheinlichkeit nicht null.

„Unser Werkzeug ist neu, wir brauchen das nicht.” Jetzt. In 18 Monaten ist das Werkzeug bei 150.000 Schüssen. In 30 Monaten bei 300.000. Gratfrequenz steigt mit jedem Wartungszyklus. Das System jetzt aufzubauen hat einen Vorteil: Du hast Zeit, es mit guten Bildern aus dem frischen Werkzeug zu kalibrieren, bevor der Druck entsteht.

„KI macht Fehler.” Ja. Aber Stichprobenkontrolle macht systematisch mehr Fehler bei sporadischem Grat. Die Frage ist nicht, ob das System perfekt ist — sondern ob es besser ist als die Alternative. Bei 95% Erkennungsrate vs. 15–30% Stichprobe ist die Antwort eindeutig. Das System ergänzt die Qualitätssicherung — es ersetzt nicht das Werkzeugmanagement oder die Prüfvorschriften.

Woran du merkst, dass das zu dir passt

Das System passt, wenn:

• Du Spritzgussteile für Kleinkindspielzeug (unter 36 Monate) oder allgemein EN-71-1-kritisches Spielzeug produzierst
• Du mindestens eine Spritzgusslinie mit mehr als 100.000 Teilen pro Jahr betreibst
• Du bereits mindestens einmal eine Qualitätsreklamation wegen Grat oder scharfer Kanten erhalten hast
• Du eine SPS-Steuerung an der Linie hast, an die du ein Ausschleusung-Signal senden kannst
• Du eine Person im Qualitätsteam hast, die das System als Eigner betreiben kann

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

1. Unter ca. 100.000 Teile pro Jahr pro Produktgeometrie. Die Kapitalkosten von 75.000–150.000 EUR lassen sich bei kleinen Stückzahlen nicht amortisieren. Für Kleinserienfertiger (Custom-Spielzeug, saisonale Einzelmodelle, Prototypenwerkzeuge) ist manuelle End-of-Line-Prüfung durch erfahrenes Personal wirtschaftlicher. Die Grenze verschiebt sich nur, wenn das Rückrufrisiko besonders hoch ist.

2. Keine SPS-Integration oder keine Infrastruktur für automatische Ausschleusung. Ein Kamerasystem, das Grat erkennt, aber nichts tun kann, ist ein teures Dashboard. Das System braucht einen Auswerfer-Aktor (Druckluft, Weiche, Roboterarm) und eine SPS-Schnittstelle. Ohne das läuft es im Passivbetrieb — statistisch wertvoll, aber kein Schutz gegen einen Rückruf.

3. Keine labeling-fähige Person im Qualitätsteam. Das Modell muss beim Werkzeugwechsel und regelmäßig retrained werden. Wer nicht in der Lage ist, einen Techniker oder eine Qualitätsfachkraft 1–2 Wochen für Trainingsbilder-Sammlung und Labeling bereitzustellen, bekommt ein System, das nach 12 Monaten still degradiert. Das ist gefährlicher als kein System: Es gibt Sicherheit, die nicht mehr besteht.

Das kannst du heute noch tun

Bevor du eine Investitionsentscheidung triffst, mach einen praktischen Machbarkeitstest mit deinen eigenen Teilen.

Sammle 50–100 Fotos von Produktionsteilen — darunter so viele Grateile, wie du aus aktuellen Ausschuss-Behältern oder aus absichtlich falsch eingestellten Produktionsversuchen bekommst. Fotografiere unter verschiedenen Lichtverhältnissen (Direktlicht, diffuses Licht, Seitenbeleuchtung). Lade diese Bilder in Roboflow oder Landing AI hoch (für diesen Pilottest mit nicht-sensiblen Testbildern) und labele Grat und Nicht-Grat. Trainiere ein erstes Modell.

Das Ergebnis sagt dir: Ist Grat an deinen Teilen unter Deinen Produktionsbedingungen überhaupt erkennbar? Wo liegt die Erkennungsgrenze? Welche Beleuchtung hebt den Grat am besten hervor? Das dauert 4–6 Stunden. Damit kannst du in ein Systemintegrator-Gespräch gehen und weißt bereits, ob das Projekt realistisch ist.

Für das Gespräch mit dem Integrator — oder für die interne Entscheidungsvorlage — ist dieser Prompt nützlich:

Quellen & Methodik

• Inline-Erkennungsrate (99,2% bei 180 Teilen/min): Yesilkaya, E. et al. (2021). „CNN-Based Defect Inspection for Injection Molding Using Edge Computing and Industrial IoT Systems”. Applied Sciences, 11(14), 6378. MDPI. doi:10.3390/app11146378 — Peer-reviewed Studie mit gemessener Erkennungsleistung in Produktionsumgebung.
• Systemkosten 75.000–150.000 EUR und Amortisation 8–14 Monate: Pexon Consulting GmbH, „Kamerabasierte Inline Qualitätskontrolle” (Stand April 2026), pexon-consulting.de/fertigung/kamerabasierte-inline-qualitaetskontrolle/ — Angaben eines deutschen Systemintegrators aus der laufenden Praxis; keine repräsentative Studie.
• EN 71-1 Kantenanforderungen: EN 71-1:2014+A1 „Sicherheit von Spielzeug — Teil 1: Mechanische und physikalische Eigenschaften”, Abschnitte 4.7 und Anhang A.
• Werkzeugstandzeit Spritzguss (300.000–1.000.000 Schüsse): Fischer Werkzeugbau GmbH, „Untersuchung der Verschleißerscheinungen in Spritzgusswerkzeugen” (2024), spritzgusswerkzeug-formenbau.com. TH Köln, Forschungsprojekt Verschleißprognose, th-koeln.de.
• Erkennungsrate Stichprobenkontrolle (15–30%): Erfahrungswert aus Praxisberichten in der Kunststoffverarbeitung; keine repräsentative Studie. Die genaue Rate hängt von Stichprobengröße, Fehlerrate und Teilegeometrie ab.
• Rückrufkosten (200.000–2.000.000 EUR): Richtwert aus Branchenberichten und Produktrückruf-Versicherungsunterlagen (RQA Group, „Cost of a Recall”, Stand 2024). Stark abhängig von Liefermenge, Logistikregion, Produkthaftungsverfahren und Händlerbeziehung.
• Destatis Bruttostundensatz Industrie: Statistisches Bundesamt, Verdiensterhebung 2024, als Orientierungswert für Personalkostenrechnung.
• Trainingsdaten-Umfang (300–500 Bilder/Klasse): Synthese aus Roboflow-Empfehlungen und Landing AI-Praxisberichten; variiert stark je nach Teilegeometrie und Defektvielfalt.

Du willst wissen, ob sich eine Inline-Grat-Erkennung für deine konkrete Linie und Stückzahl rechnet? Meld dich — das klären wir gemeinsam in einem kurzen Gespräch.