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 Zahlen sagen: Laut Schreiber et al. (MDPI Polymers, 2022), die ein geschlossenes KI-Regelungssystem für Spritzgussqualität evaluiert haben, liegt die Zykluszeit für Qualitätskorrektur ohne automatische Inline-Kontrolle bei 50 Minuten oder mehr. Eine 2024 veröffentlichte Studie im International Polymer Processing Journal (Klement et al.) zeigt, dass beim Wechsel auf eine neue Harzbatch dieselbe Masterbatch-Konzentration zu Farbabweichungen von bis zu ΔE 2,2 führen kann — weit jenseits der für Spielzeug üblichen Toleranz von 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.

In Deutschland ist kein branchenweiter Rückruf speziell wegen Farbabweichungen dokumentiert — der wirtschaftliche Schaden bleibt intern: gesperrte Chargen, Nacharbeitskosten, Folgeauftragsverlust. Einzelne Betriebe berichten von Chargenverlusten zwischen 20.000 und 80.000 Euro pro Ereignis, abhängig von Teilegröße und Stückzahl.

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

Der Zeitvergleich ist der entscheidende Hebel: Aus einem 50.000-Euro-Schaden wird ein 2.000-Euro-Ausschussereignis — wenn das System in der ersten Minute alarmiert statt in der zweiten Stunde.

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 einzige gesperrte Charge 20.000–80.000 Euro kostet und das System vier davon pro Jahr verhindert, ist der ROI eindeutig — unabhängig von den Masterbatch-Einsparungen (3–7 %). Diese Kostenwirkung ist im Branch einer der stärksten 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 ist der langsamste Start 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:

In der Spielzeugbranche gilt ein Toleranzband von ΔE ≤ 1,5 als Richtwert für Teile, die im selben Set oder Regal präsentiert werden (laut Praktikerbericht X-Rite Blog, 2022). Für Lizenzprodukte mit genauen Markenfarbvorgaben (Disney, LEGO-Lizenz) liegt die Toleranz oft bei ΔE ≤ 1,0.

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: bei L*-Drift die Einspritztemperatur korrigieren, bei a*-Drift die Masterbatch-Konzentration anpassen.

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 sendet Licht aus 45 Grad und misst die spektrale Reflektion über den sichtbaren Wellenlängenbereich (400–700 nm). Daraus berechnet es CIELab-Werte in Millisekunden.

Schicht 2 — KI-Auswertung: Das Machine Learning-Modell vergleicht jede Messung mit dem hinterlegten Soll-Farbprofil und berechnet ΔE. Es erkennt dabei 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 (ISO 13655) 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 (z. B. HunterLab SpectraTrend HT — 5 Messungen/Sekunde, Non-Contact) sind für Linien mit schnellen Taktzeiten und heißen Teilen am Auswurf besser geeignet. 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. Systeme wie Datacolor Tools bieten NetProfiler-Kalibrierung, die IIA über mehrere Geräte sicherstellt.

Preisrahmen für Hardware (Stand 2025):

• 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)
• Installation, SPS-Anbindung und Kalibrierung: typisch 10.000–25.000 EUR zusätzlich

Gesamtinvestition pro Linie: realistisch 25.000–65.000 EUR.

Konkrete Werkzeuge — was wann passt

Datacolor Tools — für die Farbdatenbank und Standards Datacolor Tools ist die Software-Grundlage, die du brauchst, bevor das KI-Modell arbeiten kann: Du definierst darin alle Sollfarben mit CIELab-Werten und Toleranzellipsen, verbindest es mit deinem Inline-Spektrophotometer und baust die Messdatenbank auf, die später als Trainingsdaten für das ML-Modell dient. NetProfiler stellt Inter-Instrument-Agreement sicher — entscheidend bei mehreren Linien. Die Software läuft auch lokal ohne Cloud-Anbindung, was für Produktionsdaten DSGVO-relevant ist. Einstiegspaket für QS-Labore ca. 3.000–8.000 EUR einmalig. Preise auf Anfrage beim Händler.

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 neueren In-Sight-Modelle (2800, 3800) kombinieren Farberkennung mit Deep-Learning-Defekterkennung. Volle Hardware-Software-Integration, SPS-Anbindung fertig. Gesamtinvestition pro Station: 20.000–50.000 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. Leihgeräte für Tests sind kostenlos verfügbar.

Landing AI — für das ML-Modell im Pilotprojekt Wenn du ein erstes KI-Modell für Farbabweichungserkennung testen willst, bevor du in industrielle Hardware investierst, ist Landing AI ein zugänglicher Einstieg: Du lädst Bilder von akzeptierten und gesperrten Chargen hoch, trainierst ein Deep-Learning-Modell ohne ML-Kenntnisse und testest es gegen neue Produktionsbilder. Der Schritt danach — Integration in eine SPS — ist mit Landing AI allein nicht möglich. Es ist ein Evaluierungswerkzeug, kein Produktionssystem. US-Datenhosting beachten. Kostenlos zum Start.

Zusammenfassung: Wann welcher Ansatz

• Farbstandards aufbauen + mehrere Linien harmonisieren → Datacolor Tools
• Vollspektrale Inline-Kontrolle + SPS-Feedback + Defekterkennung kombiniert → Cognex Vision
• Günstiger Einstieg für grobe Farbsegregation ohne spektrale Tiefe → KEYENCE
• Erstes ML-Modell trainieren und evaluieren bevor Hardware-Entscheidung → 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. Wenn das System auch nur drei Ereignisse pro Jahr verhindert und jedes Ereignis im Schnitt 25.000 EUR kostet, amortisiert sich die Investition in einer bis anderthalb Saisons.

Den Masterbatch-Einsparungseffekt (3–7 % weniger Verbrauch durch präzise Dosierung) nicht vergessen: Bei 50.000 EUR jährlichem Masterbatch-Budget macht das 1.500–3.500 EUR pro Jahr — kein Haupthebel, aber ein solider Nebeneffekt.

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 stabiles 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 dokumentiertes Problem (AIP Conference Proceedings, Kemp et al., 2023): „When the injection molding process changes, models lose prediction performance until they are no longer suitable for the new situation.”

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.
• Wer Miriam ist — also die Qualitätsmanagerin — als treibende Kraft muss das Projekt von Anfang an aktiv 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.” Stimmung 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 100.000 Teilen pro Monat pro Farbe, stabilen Lieferantenbeziehungen und nur einem Farbwechsel pro Saison kann die Rechnung nicht aufgehen. 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 liegt über 30.000 EUR/Jahr — 3–7 % Einsparung macht dann einen Unterschied
• 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 per Linie: Weniger als 50.000 gleiche Teile pro Monat pro Farbe. 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

• Klement, Gössler et al. (2024): „A color masterbatch assistance system for optimizing product color by masterbatch addition in injection molding of post-industrial recyclates”, International Polymer Processing, De Gruyter. Zeigt, dass gleiche Masterbatch-Konzentration bei verschiedenen Harzbatches Farbabweichungen bis ΔE 2,2 verursacht.

• Schreiber, Moser et al. (2022): „Industry 4.0 In-Line AI Quality Control of Plastic Injection Molded Parts”, Polymers, MDPI (PMC9459821). Evaluiert ein vollautomatisches Closed-Loop-System für Spritzgussqualität mit KI-Regelung; Zyklusdetektionszeit 1–2 Produktionszyklen; Gewichtvorhersage R² = 99,26 %.

• Kemp et al. (2023): „Detection of Concept Drift for Quality Prediction and Process Control in Injection Molding”, AIP Conference Proceedings, Vol. 2884. Dokumentiert, dass ML-Modelle bei Prozessänderungen Vorhersageleistung verlieren bis zur Unbrauchbarkeit — Retraining-Trigger notwendig.

• ΔE-Toleranzwerte für Kunststoffe: X-Rite Blog, „Defining a Realistic Pass/Fail Tolerance” (2022); PlasticsToday, „It’s Past Time to Standardize Color Tolerances for Plastics”. Allgemeiner Branchenkonsens: ΔE ≤ 3 als Grenze kommerzielle Akzeptanz; ΔE ≤ 1,5 für direktvergleichende Produkte im Retail.

• RJG Inc. Praxisbericht: Ausschussreduzierung 1,25 % → 0,25 % durch Prozessoptimierung in der Spritzgussfertigung (Fallstudie auf rjginc.com).

• Preisangaben Spektralphotometer: HunterLab SpectraTrend HT Produktspezifikation (hunterlab.com, 2025); SinoDevices Datacolor 800 USD 9.999 (Benchtop-Gerät zur Einordnung); Techkon SpectroVision Inline-System 40.000–80.000 EUR (Hersteller, Mai 2026).

• Datacolor Tools, Cognex Vision, KEYENCE Vision, Landing AI: Veröffentlichte Produktinformationen und ki-syndikat.de Toolseiten (Stand Mai 2026).

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.