Farbkonsistenz im Spritzguss: Chargenabweichungen vor der Linie erkennen

Das echte Ausmaß des Problems

Farbkonsistenz im Spritzguss klingt nach einem Randproblem, bis zur nächsten Handelsrückgabe. Dann wird es sehr konkret.

Das Grundproblem ist physikalisch: Plastikfarbe ist kein stabiles Drucksignal, sondern eine Funktion aus mindestens sieben Prozessvariablen. Masterbatch-Konzentration, Harzbatch-Variation, Restfeuchte des Granulats, Zylindertemperatur, Einspritzgeschwindigkeit, Schmelzetemperatur und Werkzeugtemperatur beeinflussen alle den resultierenden Farbton. Ändert sich auch nur eine dieser Variablen geringfügig, wandert der Farbton, oft still, ohne Alarm, ohne sichtbares Warnsignal an der Maschine.

Was die Forschung zeigt: Eine Studie zur KI-Regelung im Spritzguss (Saeidi Aminabadi et al., Polymers, 2022) hat das Teilegewicht inline geregelt: Der Regler sah die Wirkung einer Parameteränderung nach ein bis zwei, höchstens drei Zyklen. Für die Farbe zeigt eine Arbeit zu Post-Industrial-Rezyklat (Pöttinger et al., International Polymer Processing, 2025), dass schwankende Eingangsströme eine inline nachgeführte Masterbatch-Menge brauchen, wenn eine Referenzfarbe gehalten werden soll: Ein Sensor misst die Farbe der Teile, das System errechnet die nötige Masterbatch-Menge. Wer Rezyklat einsetzt, hat das Problem also verschärft.

Welche Toleranz gilt, steht in der Spezifikation deines Abnehmers, eine Norm für Spielzeug gibt es dafür nicht. Zur Einordnung: Automobil-OEMs verlangen laut unserer Datacolor-Toolseite typischerweise ΔE00 ≤ 0,75. Dieser Text rechnet beispielhaft mit ΔE ≤ 1,5.

Warum ist Spielzeug besonders kritisch? Weil Kinder (und Eltern) Farbunterschiede innerhalb einer Produktlinie sofort bemerken. Zwei Bauklötze eines Sets auf demselben Regal, Charge A aus Monat 3, Charge B aus Monat 5, sehen unter Neonlicht spürbar unterschiedlich aus. Der Käufer beanstandet oder gibt zurück. Der Handel notiert die Reklamationsquote. Der Abnehmer wertet beim nächsten Einkauf ab.

Rückrufe wegen Farbabweichungen gibt es praktisch nicht, eine Farbabweichung ist kein Sicherheitsmangel. Der wirtschaftliche Schaden bleibt intern: gesperrte Chargen, Nacharbeitskosten, Folgeauftragsverlust. Was eine gesperrte Charge kostet, hängt vor allem am Teilewert: 9.200 Teile wie bei Miriam sind bei 50 Cent Herstellkosten 4.600 Euro, bei 3 Euro knapp 28.000 Euro, jeweils plus Rüsten, Labor und Eilfertigung. Deshalb rechnet diese Seite mit deinem eigenen Wert, nicht mit einer Branchenzahl.

Das strukturelle Versagen: Manuelle Farbprüfung am Schichtende greift zu spät. Wer erst nach der Schicht misst, hat 8.000–12.000 Teile produziert. Auch stichprobenartige Messung alle 500 Teile mit einem Tischspektrophotometer ist reaktiv: Die Abweichung entsteht graduell über Stunden, eine einzelne Messung erfasst sie erst wenn sie groß genug ist.

Mit vs. ohne KI, ein ehrlicher Vergleich

¹ Richtwerte der Redaktion, nicht gemessen; hängen an Taktzeit, Kavitätenzahl und Messintervall.

Der Zeitvergleich ist der entscheidende Hebel: Aus Tausenden gesperrten Teilen werden einige Dutzend bis wenige Hundert, wenn das System in der ersten Minute alarmiert statt in der zweiten Stunde. Ganz null wird der Schaden nicht, die Teile bis zum Alarm und die Korrekturzyklen bleiben Ausschuss.

Einschätzung auf einen Blick

Zeitersparnis, mittel (3/5) Das System ersetzt die tägliche Farbkontrollrunde durch Miriam und zwei Schichtmitarbeiter, reale Entlastung, aber kein dramatischer Stundeneffekt. Die größte Zeitersparnis liegt woanders: im Wegfall von Chargensperrung, Laborauswertung, Nacharbeit und Kundenkorrespondenz nach dem Ereignis. Gegenüber Produktbeschreibungen für Marktplätze oder EN-71-Prüfprotokollen, die täglich wiederholten manuellen Aufwand eliminieren, fällt die tägliche Zeitersparnis hier geringer aus.

Kosteneinsparung, hoch (4/5) Wenn eine gesperrte Charge bei dir 25.000 Euro kostet und das System drei davon im Jahr früh genug meldet, sind das 75.000 Euro gegen 33.000 bis 86.000 Euro Investition und 3.000 bis 9.000 Euro laufende Kosten je Linie. Das ist eindeutig, auch ohne Masterbatch-Einsparung. Die Einschränkung steckt im Wenn: Bei günstigen Kleinteilen kostet eine Sperrung eher ein Fünftel davon, dann trägt sich das System nur auf Linien mit häufigen Ereignissen. Diese Kostenwirkung ist im Branch einer der stärkeren Hebel und rechtfertigt die 4. Noch stärker wäre nur ein Use Case, der regulatorische Bußgelder oder Rückrufkosten direkt verhindert.

Schnelle Umsetzung, niedrig (2/5) Spektralphotometer installieren, mechanisch montieren, optisch justieren, SPS anbinden, Kalibrierung durchführen, Toleranzgrenzen definieren, Modell trainieren: 12–20 Wochen bis zum stabilen Pilotbetrieb pro Linie. Das gehört zu den langsameren Starts im Branch, vergleichbar mit der Gratbildungserkennung im Spritzguss, wo ebenfalls Hardware an der Maschine installiert werden muss.

ROI-Sicherheit, hoch (4/5) Delta-E ist physikalisch messbar und direkt mit Ausschusskosten verknüpft. Du siehst nach sechs Monaten Betrieb genau: Wie oft hat das System eine Abweichung erkannt? Wie viele Teile wären ohne Warnung in die Sperrprüfung gegangen? Die Kausalität ist transparent, anders als bei vielen Analyse- oder Textautomatisierungs-Use-Cases.

Skalierbarkeit, mittel (3/5) Jede Spritzgießlinie braucht ihre eigene Sensorinstallation, Skalierung kostet Hardware-Investitionen. Das Auswertungsmodell kann zentral betrieben und auf mehrere Linien eingeführt werden, aber die physische Dimension limitiert die Skalierbarkeit gegenüber rein softwarebasierten Ansätzen.

Richtwerte, stark abhängig von Teilezahl, Farbpalette und Maschinenparkgröße.

Was ΔE wirklich bedeutet, Farbwissenschaft für den Fabrikseinsatz

ΔE (Delta-E) ist die Maßzahl für den wahrnehmbaren Farbunterschied zwischen zwei Farbpunkten im CIELAB-Farbraum. Sie beantwortet die Frage: „Wie unterschiedlich sehen diese zwei Farben für das menschliche Auge aus?”

Die Skala ist nicht linear in ihrer Wirkung auf die Fertigung:

Die Tabelle ist eine grobe Orientierung der Redaktion, keine Norm. Verbindlich ist das Toleranzband in der Spezifikation deines Abnehmers. Dieser Text rechnet beispielhaft mit ΔE ≤ 1,5 für Teile, die im selben Set oder Regal liegen. Lizenzgeber mit Markenfarbvorgaben verlangen oft engere Werte, in der Automobilbranche sind laut unserer Datacolor-Toolseite ΔE00 ≤ 0,75 typisch.

Wichtig: Es gibt drei verschiedene ΔE-Formeln (CIE 1976, CIE 1994, CIEDE2000), die unterschiedliche Ergebnisse für denselben Farbunterschied liefern. CIEDE2000 korreliert am besten mit dem menschlichen Sehvermögen, ist aber auch das komplexeste Berechnungsverfahren. Dein System und dein Einkäufer müssen dieselbe Formel verwenden, sonst diskutiert ihr über verschiedene Zahlen für dasselbe Problem.

Praktisch für die Produktion: Definiere Toleranzen separat für L* (Helligkeit), a* (Rot-Grün-Achse) und b* (Blau-Gelb-Achse). Ein Rot, das zu hell ist (L* zu hoch), sieht anders aus als ein Rot, das zu orange ist (b* zu hoch), aber beide können denselben ΔE-Gesamtwert ergeben. Die Achsentrennung hilft der SPS, gezielt zu reagieren, etwa bei L*-Drift die Temperatur zu prüfen und bei a*-Drift die Masterbatch-Konzentration anzupassen. Welche Stellgröße welche Achse bewegt, musst du für jedes Material im Versuch ermitteln.

Was das System konkret macht

Das technische System besteht aus drei Komponenten, die zusammenwirken:

Schicht 1, Inline-Spektralmessung: Ein Spektralphotometer ist direkt nach der Auswerferzone der Spritzgießmaschine montiert, so dass jedes produzierte Teil (oder jeder zweite Zyklus bei sehr kurzen Taktzeiten) berührungslos gemessen wird. Das Gerät beleuchtet das Teil, je nach Bauart unter 45 Grad oder diffus, und misst die spektrale Reflexion über den sichtbaren Wellenlängenbereich (400–700 nm). Daraus berechnet es CIELab-Werte in Millisekunden.

Schicht 2, KI-Auswertung: ΔE selbst ist keine KI-Leistung, sondern eine feste Formel aus Soll- und Ist-Werten (CIEDE2000). Das Machine Learning-Modell setzt danach an: Es erkennt nicht nur einzelne Ausreißer, sondern auch Drift-Muster: wenn die letzten 30 Messungen systematisch in eine Richtung wandern, auch wenn alle noch im Toleranzband liegen, signalisiert das Modell eine Frühwarnung. Es wurde auf historischen Messdaten aus dem eigenen Betrieb trainiert, Gut-Chargen vs. gesperrte Chargen, und kann nach der Installation mit neuen Daten kontinuierlich verfeinert werden.

Schicht 3, SPS-Feedback-Loop: Bei einer Frühwarnung (Drift-Muster erkannt) sendet das System über OPC-UA-Schnittstelle einen Korrekturvorschlag an die Maschinensteuerung: Masterbatch-Dosiermenge +0,3 %, Zylindertemperatur −2 °C oder ähnliches, je nach Richtung der Abweichung. Die SPS führt die Korrektur aus und das Spektralphotometer validiert in den nächsten Zyklen, ob der Eingriff gewirkt hat.

Der entscheidende Unterschied zu manueller Prüfung: Das System greift ein, bevor die Toleranz verletzt wird, nicht danach. Es verhält sich wie ein Pilot, der den Kurs korrigiert, während das Flugzeug noch auf Kurs ist, nicht wenn es schon auf den Berg zufährt.

Hardware-Auswahl: Welches Spektralphotometer für welche Linie

Das ist der erste Fehler fast jedes Projekts: zu früh in die Software zu investieren, ohne die Hardwarefrage zu klären. Für Inline-Farbmessung an Spritzgussmaschinen gibt es erhebliche Unterschiede, die die Messpräzision bestimmen:

Messgeometrie: 0°/45° vs. diffuse Beleuchtung (d/8°) Für Kunststoffteile mit glänzender oder texturierter Oberfläche ist die d/8°-Geometrie oft zuverlässiger, weil sie weniger empfindlich auf Oberflächenveränderungen durch Glanz oder leichte Verunreinigungen reagiert. Bei matten Teilen sind beide Geometrien akzeptabel. Das Gerät sollte passen, wer die falsche Geometrie wählt, misst konsistent falsch.

Kontakt vs. berührungslos (Non-Contact) Berührungslose Systeme sind für Linien mit schnellen Taktzeiten und heißen Teilen am Auswurf besser geeignet. Ein Beispiel für ein Inline-Spektralphotometer ist HunterLab SpectraTrend HT; Messrate, Messabstand und Geometrie stehen im Datenblatt, nicht in dieser Übersicht. Kontakt-Systeme sind günstiger, aber die Verschmutzung des Messkopfs durch Kunststoffreste ist ein Wartungsproblem, das in der Praxis oft unterschätzt wird.

Thermische Stabilität Inline-Geräte müssen Umgebungstemperaturen von 30–50 °C und Schwingungen durch die Maschine tolerieren. Laborspektrophotometer, die nachträglich an einer Linie montiert werden, driften häufig, ihre Kalibrierstabilität ist für Laborumgebungen ausgelegt, nicht für Produktionshallen.

Instrument-zu-Instrument Agreement (IIA) Wenn du mehrere Linien mit unterschiedlichen Geräten kontrollierst, müssen alle Geräte vergleichbare Werte ausgeben, sonst akzeptiert Linie 1 eine Charge, die Linie 2 sperren würde. Datacolor etwa kalibriert laut unserer Toolseite alle Geräte einer Geometrie auf ein Master-Instrument, das gilt aber für Datacolor-Hardware; Fremdgeräte arbeiten in Datacolor Tools nur mit Einschränkungen.

Preisrahmen für Hardware (Richtwerte der Redaktion, keine Listenpreise):

• Einfache inline-fähige Farbsensoren: 3.000–8.000 EUR (ausreichend für grobe Trendkontrolle, keine spektrale Auflösung)
• Vollspektrale Inline-Spektralphotometer: 15.000–40.000 EUR pro Gerät (Gerätekosten ohne Integration)
• Montage, SPS-Anbindung und Kalibrierung: 13.000–31.000 EUR zusätzlich, aufgeschlüsselt unten im Kostenkapitel

Die Hersteller veröffentlichen keine Preise, hol mindestens zwei Angebote ein. Mit Modelltraining landet eine Linie bei 33.000–86.000 EUR.

Konkrete Werkzeuge, was wann passt

Datacolor Tools , für die Farbdatenbank und Standards Datacolor Tools ist Qualitätskontroll-Software fürs Farblabor: Du definierst darin alle Sollfarben mit CIELab-Werten und Toleranzellipsen, rechnest ΔE nach CIE76, CIE94 oder CIEDE2000 und baust eine Chargenhistorie auf, die später als Trainingsgrundlage für ein ML-Modell dienen kann. Für die Inline-Messung an der Linie ist sie laut unserer Toolseite nicht gedacht, dafür braucht es einen Inline-Sensor, etwa von Micro-Epsilon. Voller Funktionsumfang setzt Datacolor-Messgeräte voraus. Die Software läuft auch lokal ohne Cloud-Anbindung, was deine Farbrezepturen als Betriebsgeheimnis schützt. Keine öffentlichen Preise; Distributoren nennen laut unserer Toolseite 3.000–10.000 EUR einmalig je Arbeitsplatz plus rund 15–20 Prozent Wartung im Jahr.

Cognex Vision , für integrierte KI-Bildverarbeitung Wenn du über Farbkonsistenz hinaus auch Oberflächenfehler, Gratbildung und Maßhaltigkeit in einer Station prüfen willst, ist Cognex Vision die natürliche Erweiterung. Die In-Sight-Kameras (2800, 3800) bringen Deep-Learning-Defekterkennung mit. Eine Kamera sieht Farbe aber als Kamerabild, nicht als Spektrum: Für „falsche Farbfamilie” reicht das, für ΔE-Genauigkeit im Bereich 1 bis 1,5 brauchst du weiterhin ein Spektralphotometer. Volle Hardware-Software-Integration, SPS-Anbindung fertig. Eine vollständige Prüfstation kostet laut unserer Toolseite selten unter 25.000 EUR. Sinnvoll, wenn dein Qualitätsziel über reine Farbkontrolle hinausgeht.

KEYENCE Vision , als günstigere Alternative für Standard-Farbsegregation Wenn das primäre Ziel nicht spektrale ΔE-Messung ist, sondern eine einfachere Frage, „Gehört dieses Teil zur richtigen Farbfamilie?”, ist KEYENCE ausreichend und oft günstiger als ein vollspektrales System. Vision-Sensoren der IV3-Serie erkennen grobe Farbabweichungen (z. B. falscher Masterbatch) ohne spektrale Tiefe. Für Präzisions-Delta-E-Kontrolle (< ΔE 1,5) reicht das nicht, für binäre Farb-OK/NOK-Entscheidung bei toleranteren Vorgaben ist es ein praxisnaher Einstieg. Ein Anwendungsberater testet auf Anfrage kostenlos bei dir vor Ort.

Landing AI , für das ML-Modell im Pilotprojekt Landing AI trainiert Bildmodelle ohne ML-Kenntnisse. Für Farbdrift passt das nur eingeschränkt: Ein Foto unter Hallenlicht löst Unterschiede um ΔE 1,5 nicht zuverlässig auf, dafür braucht es kontrollierte Beleuchtung und ein kalibriertes Messgerät. Sinnvoll ist Landing AI, wenn du ohnehin Oberflächenfehler per Kamera prüfen willst und grobe Farbverwechslungen gleich mit erkennen möchtest. Die Drift-Erkennung selbst arbeitet auf Messwerten, nicht auf Bildern, und die lässt sich auch mit einer Tabellenkalkulation oder einem kleinen Statistikmodell prüfen. Integration in eine SPS ist mit Landing AI allein nicht möglich, US-Datenhosting beachten. Zum Start gibt es 1.000 Credits kostenlos.

Zusammenfassung: Wann welcher Ansatz

• Farbstandards aufbauen + mehrere Linien harmonisieren → Datacolor Tools
• Inline-ΔE-Kontrolle mit SPS-Feedback → Inline-Spektralphotometer plus Auswertung, dazu die Farbdatenbank
• Farbfamilie plus Defekterkennung in einer Kamerastation → Cognex Vision
• Günstiger Einstieg für grobe Farbsegregation ohne spektrale Tiefe → KEYENCE
• Oberflächenfehler per Bild, grobe Farbverwechslung nebenbei → Landing AI

Closed-Loop-Integration: Die SPS-Anbindung ist der eigentliche Engpass

In fast jedem Inline-Messprojekt wird der Hardwareaufwand unterschätzt, aber die SPS-Integration ist, was den Zeitplan sprengt.

Das Spektralphotometer liefert einen Messwert. Das KI-Modell entscheidet: Eingreifen ja oder nein, und um wie viel. Aber wer gibt diese Korrektur an die Maschine? Das ist die SPS-Steuerung (speicherprogrammierbare Steuerung) der Spritzgießmaschine. Und dafür braucht man:

1. Kommunikationsprotokoll: Moderne Maschinen (Arburg Allrounder, Engel, KraussMaffei) unterstützen OPC-UA, Profinet oder Modbus TCP. Ältere Maschinen über 15 Jahre haben oft proprietäre Protokolle oder serielle Schnittstellen. Ohne dokumentiertes Protokoll ist der Closed-Loop-Betrieb nicht möglich, du kannst nur messen, aber nicht eingreifen.

2. SPS-Programmierung: Die Korrekturlogik muss in die SPS-Programmierung eingebaut werden. Das ist kein KI-Job, das ist klassische Automatisierungstechnik. Wer keinen Automatisierungstechniker im Haus hat, braucht einen Systemintegrator, plus ggf. die Zustimmung des Maschinenherstellers, wenn die SPS unter Gewährleistung steht.

3. Maschinenherstellerzertifizierung: Einige Maschinenhersteller sperren externe Eingriffe in die Steuerung, um die CE-Konformität der Maschine nicht zu gefährden. Kläre das vor dem Kauf des Spektralphotometers, nicht danach.

4. Safety-Betrachtung: Automatische Parameteränderungen an laufenden Maschinen sind sicherheitsrelevant. Die Korrekturwerte müssen in definierten Grenzen bleiben (z. B. max. ±5 % Masterbatch, max. ±3 °C Temperatur), um unkontrollierte Prozessveränderungen zu vermeiden.

Erfahrungswert aus Praxisprojekten: Die SPS-Integration dauert in der Regel 2–4 Wochen länger als geplant. Plant das explizit in den Zeitplan ein, nicht als Reserve, sondern als feste Phase.

Datenschutz und Datenhaltung

Produktionsdaten aus der Spritzgießlinie sind in der Regel nicht personenbezogen, ΔE-Messwerte, Maschinenparameter und Chargen-IDs enthalten keine Informationen über Personen. Die DSGVO ist damit für die Kernfunktion des Systems weitgehend irrelevant.

Relevant wird Datenschutz an zwei Stellen:

Mitarbeiterbezug bei Audit-Logs: Wenn das System protokolliert, wer wann welchen Parameter manuell überschrieben hat, entstehen personenbezogene Daten im Sinne der DSGVO. Solche Audit-Logs sollten in der Betriebsvereinbarung geregelt sein, wenn sie automatisch gespeichert und ausgewertet werden.

Cloud-Anbindung der Auswertungssoftware: Einige Anbieter (insbesondere US-amerikanische Plattformen wie Landing AI) speichern Messdaten und Trainingsbilder auf US-Servern. Für Produktionsdaten, die proprietäre Farbrezepturen oder Kundenspezifikationen enthalten, kann das ein Problem sein, weniger aus DSGVO-Gründen (keine Personenbezogenheit), mehr aus Geschäftsgeheimnis-Perspektive.

Empfehlung: Wähle für den produktiven Betrieb Systeme mit lokaler Datenhaltung oder EU-Hosting. Datacolor Tools kann als lokal installierte Software ohne Cloud-Anbindung betrieben werden. Cognex Vision verarbeitet standardmäßig lokal auf dem Industrie-PC, ohne automatischen Datentransfer zu Cognex-Servern.

Wenn ein Cloud-Dienst für das ML-Modell-Training genutzt wird: Kläre mit dem Anbieter schriftlich, ob Trainingsbilder (die indirekt Rückschlüsse auf deine Farbrezeptur ermöglichen) für das Training des Anbieters verwendet werden.

Was es kostet, realistisch gerechnet

Einmalige Investitionskosten pro Linie

• Inline-Spektralphotometer (Hardware): 15.000–40.000 EUR
• Mechanische Montage und optische Justierung: 2.000–5.000 EUR
• SPS-Anbindung und Automatisierungstechnik: 8.000–20.000 EUR
• Kalibrierung und Validierung: 3.000–6.000 EUR
• Modelltraining auf historischen Daten (intern oder extern): 5.000–15.000 EUR
• Gesamt pro Linie: ca. 33.000–86.000 EUR

Laufende Kosten (jährlich)

• Gerätewartung und -kalibrierung: 2.000–5.000 EUR/Jahr
• Softwarelizenzen (je nach Anbieter): 1.000–4.000 EUR/Jahr
• Modell-Retraining bei neuen Harzchargen oder Farbvarianten: 2–5 Tage intern

Wie du den ROI konkret rechnest Zähle die gesperrten Chargen der letzten 24 Monate. Addiere Ausschusskosten, Laborkosten, Rüstkosten und Expeditkosten für Ersatzproduktion. Das ist dein Ausgangswert. Rechenbeispiel für eine Linie: Drei Ereignisse im Jahr zu je 25.000 EUR sind 75.000 EUR. Meldet das System sie früh genug, bleibt von jedem Ereignis nur ein Rest aus den Teilen bis zum Alarm. Abzüglich 3.000 bis 9.000 EUR laufender Kosten bleiben rund 65.000 EUR im Jahr, die Investition von 33.000 bis 86.000 EUR ist dann nach einem halben bis knapp anderthalb Jahren zurück. Bei einem Ereignis im Jahr zu 5.000 EUR rechnet sich die Linie nicht.

Dazu kommt ein möglicher Masterbatch-Effekt: Wer heute mit Sicherheitszuschlag dosiert, kann ihn mit Messwert-Rückmeldung verkleinern. Belastbare Zahlen dazu haben wir nicht gefunden. Als Rechenbeispiel: 3 bis 7 Prozent von 50.000 EUR Masterbatch-Budget wären 1.500–3.500 EUR im Jahr, kein Haupthebel. Deinen echten Wert siehst du nach drei Monaten im Vergleich von Soll- und Ist-Verbrauch.

Was du dagegenrechnen musst Das System ersetzt keine Labormessung für die Endfreigabe einer Charge. Es gibt weiterhin eine abschließende Qualitätsfreigabe, das System reduziert die Zahl der Sperrereignisse, eliminiert sie nicht vollständig.

Drei typische Einstiegsfehler

1. Das Modell wird auf zu wenig historischen Daten trainiert. Für stabile Drift-Erkennung braucht das ML-Modell idealerweise 50–200 Farbmessungen aus tatsächlich gesperrten Chargen, nicht nur Gut-Daten. Wer am Anfang nur gute Chargen in die Datenbank einliest, trainiert ein Modell, das gut in Extremfällen ist, aber den graduellen Drift unterschätzt. Lösung: Drei bis sechs Monate Betrieb im reinen Monitoring-Modus (messen, aber nicht eingreifen), bevor der Closed-Loop aktiviert wird. Die gesammelten Daten, inklusive der Fälle, die manuell gesperrt wurden, bilden dann die echte Trainingsgrundlage.

2. Die Maschinenintegration wird dem Maschinenhersteller überlassen. Manche Hersteller bieten eigene Inline-Lösungen an, aber die sind oft nicht mit Fremdspektrophotometern kompatibel und erzeugen Lock-in. Kläre vor jeder Investition: Welche OPC-UA-Schnittstelle bietet die Maschine? Wer darf SPS-Parameter von außen schreiben? Was ist die Gewährleistungsposition? Diese Fragen kosten später 3–4 Wochen Projektzeit, wenn sie nicht am Anfang beantwortet werden.

3. Das System wird eingeführt, aber das Retraining wird vergessen. Das ist der gefährlichste Langzeitfehler. Das ML-Modell wurde auf den Harzchargen und Masterbatch-Lieferanten des Einführungsjahres trainiert. Zwei Jahre später hat der Harzlieferant auf eine neue Produktionslinie umgestellt, die Basistönung des Granulats ist minimal verschoben. Das Modell alarmiert zu wenig oder zu viel, niemand weiß warum. Konzeptdrift in Spritzguss-ML-Modellen ist ein untersuchtes Problem: Kvaktun, Liu und Schiffers (AIP Conference Proceedings, 2023) befassen sich mit der Erkennung von Konzeptdrift für Qualitätsvorhersage und Prozessregelung im Spritzguss, also genau mit Modellen, die nach Prozessänderungen nicht mehr passen.

Lösung: Retraining-Trigger definieren, bei jedem Wechsel des Harzlieferanten, nach mehr als 5 % Änderung an der Masterbatch-Konzentration oder spätestens alle 12 Monate. Das ist keine Softwareaufgabe, sondern ein Prozess, der in die Qualitätsplanung gehört.

Was mit der Einführung wirklich passiert, und was nicht

Die häufigste Enttäuschung in Inline-Messprojekten: Das System funktioniert technisch einwandfrei, aber das Team vertraut ihm nicht.

Schichtführer und Maschinenführer, die seit Jahren auf ihre Erfahrung gesetzt haben, reagieren skeptisch auf automatische Korrekturen. „Ich sehe nichts, warum soll ich jetzt Temperatur ändern?” Das ist keine Bockigkeit, das ist ein berechtigter Einwand bei einem System, das in den ersten Wochen noch nicht perfekt kalibriert ist und gelegentlich Fehlalarme gibt.

Was konkret hilft:

• In den ersten vier Wochen läuft das System im Anzeigemodus ohne automatischen Eingriff. Der Maschinenführer sieht den ΔE-Wert und die Drift-Warnung, aber er entscheidet, ob er korrigiert. Das baut Vertrauen auf, ohne die Produktion zu riskieren.
• Falsch-Positive Alarme in den ersten Wochen offen kommunizieren und analysieren: Warum hat das System alarmiert, obwohl die Charge gut war? Häufig sind es Kalibrierprobleme oder nicht erfasste Prozessvariablen. Jeder erklärte Fehlalarm macht das System glaubwürdiger.
• Einen „Quick Win” sichtbar machen: Suche nach einer historischen Charge, die das System retroaktiv erkannt hätte. Zeig dem Team: „Wenn das System vor drei Monaten gelaufen wäre, hätten wir diesen Schaden vermieden.” Konkrete Zahlen überzeugen mehr als abstrakte Prozentangaben.
• Die Qualitätsmanagerin, im Beispiel Miriam, muss das Projekt als treibende Kraft von Anfang an mitgestalten. Systeme, die von der IT oder dem Einkauf eingeführt werden, ohne Einbindung der QM, werden in der Praxis umgangen.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„Wir prüfen bereits am Ende der Schicht mit einem Spektrophotometer.” Das ist besser als gar nichts. Aber du prüfst retrospektiv: Was produziert wurde, ist produziert. Das Inline-System prüft prospektiv: Es erkennt die Drift, bevor die Toleranz überschritten wird. Der Unterschied ist nicht das Messinstrument, sondern der Zeitpunkt der Messung, und damit die Größe des möglichen Schadens.

„Unsere Farben sind einfach, da brauchen wir kein KI-System.” Stimmt, bis zum nächsten Grenzfall. Die Herausforderung ist nicht die Komplexität der Farbe, sondern die Unsichtbarkeit der Ursache. Ob ein Rot einfach oder komplex ist, wenn sich der Harzlieferant ändert, driftet es, und du siehst es nicht mit dem Auge, bevor 10.000 Teile produziert sind.

„Das ist zu teuer für unsere Stückzahlen.” Möglicherweise ist das richtig. Für Betriebe mit weniger als 50.000 gleichen Teilen pro Monat und Farbe, stabilen Lieferantenbeziehungen und nur einem Farbwechsel pro Saison kann die Rechnung nicht aufgehen. Entscheidend ist am Ende nicht die Stückzahl, sondern was deine Sperrereignisse im Jahr kosten, siehe Rechnung oben. Dann ist das Ausschlusskriterium nicht der Geldbeutel, sondern das tatsächliche Risikoprofil, und das solltest du ehrlich analysieren, bevor du die Investition ablehnst oder durchführst.

Woran du merkst, dass das zu dir passt

Gute Voraussetzungen:

• Du hast mindestens 3–4 Spritzgießlinien, die regelmäßig dieselben Farben produzieren
• In den letzten zwei Jahren gab es mindestens zwei gesperrte Chargen wegen Farbabweichungen
• Dein Masterbatch-Budget ist so groß, dass ein kleinerer Dosier-Sicherheitszuschlag spürbar wird (bei 30.000 EUR im Jahr wären 3 Prozent 900 EUR)
• Dein Betrieb hat eine dokumentierte Soll-Farbdatenbank (CIELab-Werte pro Artikel)
• Deine Spritzgießmaschinen sind maximal 15 Jahre alt und unterstützen OPC-UA oder Profinet

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

1. Zu geringe Stückzahl pro Linie: Weniger als 50.000 gleiche Teile pro Monat pro Farbe (Richtwert der Redaktion). Die Amortisation einer Systeminvestition von 33.000–86.000 EUR ist ohne ausreichendes Volumen unrealistisch. Die Ausschussmenge reicht nicht aus, um den Break-even zu erreichen.

2. Keine definierte Sollfarbe in CIELab: Wenn die Farbreferenz intern nur als „der Standard-Rotstoff” bekannt ist und nicht als dokumentierter CIELab-Wert mit Toleranzellipse, kann kein Inline-System sinnvoll arbeiten. Dann ist der richtige erste Schritt eine Farbstandardisierung mit Laborspektrophotometer, nicht die Inline-Investition.

3. Maschinenpark zu alt für SPS-Integration: Spritzgießmaschinen, die älter als 15–20 Jahre sind und keine standardisierten Kommunikationsschnittstellen bieten, können für den Closed Loop nicht erschlossen werden. Du kannst messen, aber nicht automatisch korrigieren. Das reduziert den Nutzen erheblich, weil der Hauptvorteil (automatische Dosierkorrektur) wegfällt. In diesem Fall: zuerst in ein Maschinenupgrade oder eine Retrofit-Steuerung investieren.

Das kannst du heute noch tun

Starte mit einer Bestandsaufnahme. Du brauchst dafür keine Software und keine Investition, nur die Daten, die vermutlich schon in eurem QM-System liegen.

Führe folgende Auswertung durch: Wie viele Chargen wurden in den letzten 24 Monaten wegen Farbabweichungen gesperrt oder nachgearbeitet? Was waren die Kosten (Ausschuss, Labor, Rüsten, Expeditkosten)? Welche Linien, welche Farben, welche Jahreszeiten sind überproportional betroffen?

Wenn du diese Zahlen hast, kannst du erstmals realistisch einschätzen, ob die Investition in Inline-Messung sich rechnet, und für welche Linie zuerst. Das Ergebnis dieser Analyse ist auch der beste Input für ein Erstgespräch mit einem Systemlieferanten.

Für die Analyse selbst oder für das erste Gespräch mit einem Systemintegrator hilft dir dieser Prompt:

Quellen & Methodik

• Pöttinger, Marschik, Straka, Fellner, Steinbichler (2025): „A color masterbatch assistance system for optimizing product color by masterbatch addition in injection molding of post-industrial recyclates”, International Polymer Processing, De Gruyter, doi:10.1515/ipp-2024-0093. Ein Sensor misst die Farbe der Teile, das System bestimmt die nötige Masterbatch-Menge für schwankende Rezyklat-Eingangsströme. Abgerufen über die Crossref-Metadaten am 19.09.2026.

• Saeidi Aminabadi et al. (2022): „Industry 4.0 In-Line AI Quality Control of Plastic Injection Molded Parts”, Polymers, PMC9459821, abgerufen am 19.09.2026. KI-Regelung des Teilegewichts (R² 99,26 % für die Gewichtsvorhersage); der Regler sieht die Wirkung einer Parameteränderung nach ein bis zwei, höchstens drei Zyklen. Farbe wird dort nicht geregelt.

• Kvaktun, Liu, Schiffers (2023): „Detection of concept drift for quality prediction and process control in injection molding”, AIP Conference Proceedings, Vol. 2950, doi:10.1063/5.0168491. Abgerufen über die Crossref-Metadaten am 19.09.2026.

• ΔE-Toleranzen: Eine Norm für Spielzeug gibt es nicht, verbindlich ist die Spezifikation des Abnehmers. Die ΔE-Tabelle und das Band von 1,5 sind Orientierung der Redaktion; ΔE00 ≤ 0,75 für Automobil-OEMs laut unserer Toolseite zu Datacolor Tools.

• Preisangaben Spektralphotometer und Integration, Ausschussmengen der Vergleichstabelle: Richtwerte der Redaktion, keine Listenpreise und keine Messung. HunterLab führt SpectraTrend HT als Inline-Spektralphotometer (hunterlab.com, abgerufen am 19.09.2026), Datenblatt beim Hersteller.

• Datacolor Tools: Unsere Toolseite, Stand Juli 2026. Laborsoftware, nicht für Inline-Messung; Preisrahmen der Distributoren; ΔE00-Toleranzen der Automobil-OEMs.

• Cognex Vision: Unsere Toolseite, Stand Juli 2026. Vollständige Prüfstationen selten unter 25.000 EUR.

• KEYENCE Vision und Landing AI: Unsere Toolseiten, Stand Juli 2026. Kostenlose Anwendungsberatung bei KEYENCE; Landing AI mit 1.000 Gratis-Credits und US-Hosting.

Du willst einschätzen, ob sich die Investition für deinen spezifischen Maschinenpark und eure Chargenhistorie rechnet? Ein kurzes Gespräch über eure Situation reicht oft, um den Break-even zu schätzen und die Reihenfolge der Linien zu priorisieren.