Textilmaschinenbau

Fadenbrüche stoppen die Produktion, manuelle Überwachung lässt räumliche und zeitliche Muster unentdeckt.

Anomalieerkennung mit Isolation Forest und statistischen Kontrollkarten (CUSUM/EWMA) filtert nicht-zufällige Fadenbruch-Häufungen über alle Webstühle und Schichten heraus, bevor die Ursache zur Stilllage wird.

Bis zu 40% weniger systematische Fadenbrüche, direkt messbar in Brüchen pro Schicht und Stillstandsminuten je Maschine.

Manuelles Bruchprotokoll + Power BI (kein Setup)CSV-Export aus Maschinensteuerung + Power BIOPC-UA-Anbindung via Siemens Industrial Edge

Qualitätsdrift bei Geweben ist mit Standardmessungen schwer zu erfassen, Batchprüfungen sagen nur, ob eine Probe heute in Spezifikation ist, nicht ob der Prozess auf die Grenze zudriftet.

ML-gestützte Trendanalyse auf kontinuierlichen Qualitätsmessdaten erkennt die schleichende Richtungsänderung und schlägt Alarm, bevor der erste Batch die Spezifikationsgrenze überschreitet.

Ein verhinderter Chargenrückruf spart 15.000–50.000 €, messbar durch Vergleich der Reklamationshäufigkeit vor und nach Einführung.

Trend-Dashboard auf vorhandenen Messdaten (Power BI, kein Setup)ML-Modell auf eigener Infrastruktur (scikit-learn + InfluxDB)Vollständige Inline-Lösung (USTER Fabriq Vision)

Maschinen laufen aus Vorsicht zu langsam, ohne dass jemand weiß, wie viel Geschwindigkeitsspielraum je Material wirklich vorhanden ist.

Regressionsanalyse auf MES-/MDE-Daten erstellt materialspezifische Geschwindigkeits-Qualitätskurven mit konkretem Optimumfenster je Garn.

Produktivitätsreserve von 8–15 % Durchsatz je Material identifiziert, ohne neue Maschinen, ohne Ausschussanstieg (Schätzwert aus Praxisberichten).

CSV-Analyse mit KNIME oder Julius AI (kein Setup)Power BI Dashboard für laufende AuswertungOT-Integration via AVEVA PI oder MachineMetrics

Manuelle Eingriffe von Maschinenführenden werden nicht systematisch ausgewertet, ob dahinter ein Maschinenproblem, ein Schulungsbedarf oder ein verstecktes Qualitätsrisiko steckt, bleibt unklar.

Zeitreihen-Clustering und Sequenz-Musteranalyse (LSTM / regelbasierte Pattern-Erkennung) werten Ereignisprotokolle aus und gruppieren Eingriffsmuster nach Maschine, Schicht, Tageszeit und Folgequalität, für gezielte Wartungs- und Schulungsentscheidungen.

Schichtübergabe-Debugging von 35 auf unter 10 Minuten reduziert. Wartungsbedarfe 3–7 Tage früher erkannt. Unterscheidung zwischen Maschinen- und Qualifikationsproblemen ersetzt Bauchgefühl durch Datenmuster.

CSV-Export + Julius AI (kein Setup)Grafana + InfluxDB (on-premise, IT-Nähe nötig)MDE-Plattform mit OEE-Modul (MachineMetrics / Siemens)

Die Maschinenparameter des Vorläufermaterials übertragen sich nicht auf ein neues Garn, Fehleinstellungen verursachen Fadenbrüche, Qualitätsmängel und Maschinenschäden.

Gradient Boosted Trees (XGBoost / Random Forest) auf tabellarischen Produktionsdaten analysieren historische Materialeinführungen nach Garnspezifikationen, Maschinenparametern und Qualitätsergebnissen, und schätzen Risikoniveau sowie empfohlene Parameterkorridore für neue Materialien.

Ziel: Ausschuss in der Anlaufphase von 15–40 % auf unter 10 % senken; bei 4–5 verhinderten Fehleinführungen pro Jahr (je €3.000 Stillstand + Ausschuss) amortisieren sich die Einrichtungskosten von typisch €14.000–39.000 in 14–39 Monaten (Schätzwert aus Praxisberichten).

Manuelle Ähnlichkeitsanalyse in Excel/Tabelle (kein Tool)ML-Pipeline mit KNIME Desktop (kostenlos, kein Server)AutoML-Plattform (DataRobot / Azure ML) mit MES-Integration