Fadenbruch-Mustererkennung

Das echte Ausmaß des Problems

Ein einzelner Fadenbruch kostet eine bis drei Minuten Produktionszeit: Maschine stoppt, Weber geht hin, findet das Ende, knüpft an oder schießt neu ein, Maschine läuft wieder. Laut Fachliteratur zur Textiltechnologie dauert das Anknüpfen je nach Materialtyp etwa eine Viertelminute, beim Schussfaden kann die gesamte Störungszeit bis zu drei Minuten betragen, wenn die Maschine nicht sofort erkannt wird und weiterläuft.

Das klingt beherrschbar. Bis zur Arithmetik: Bei 20 Webstühlen und durchschnittlich acht Brüchen je Maschine und Schicht entstehen täglich über drei Schichten 480 Einzelereignisse. Davon sind vielleicht 400 tatsächlich zufällig — Garn-Inhomogenitäten, unvermeidlich. Die restlichen 80 sind nicht zufällig. Sie häufen sich an denselben Webstühlen, in denselben Zonen, auf denselben Chargen, zur selben Tageszeit. Diese 80 Brüche haben eine Ursache — und sie wiederholen sich so lange, bis jemand die Ursache findet.

Das Muster zu finden ist nicht unmöglich. Es ist unmöglich zu finden, während man gleichzeitig die anderen 400 Brüche manuell beheben muss.

Was das kostet:

Auf einem modernen Flachwebstuhl für Technische Textilien oder Hochleistungsgewebe kann eine einzige ungeplante Stillstandsstunde 100 bis 500 Euro direkte Produktionsverluste bedeuten — je nach Gewebewert pro Meter und Produktionsgeschwindigkeit. Bei premium Geweben (Automotive-Innenverkleidungen, medizinische Textilien, Heimtextilien im oberen Segment) liegen die Werte am oberen Ende dieser Spanne. Industrieeinschätzungen für den europäischen Textilsektor quantifizieren jährliche Kosten durch ungeplante Stillstände auf 2 bis 3 Milliarden Pfund — ein erheblicher Teil davon durch vermeidbare Fadenbrüche, die auf bekannte Muster zurückzuführen sind.

Die entscheidende Zahl für euren Betrieb ist nicht der industrielle Durchschnitt, sondern eure eigene Bruchhäufigkeit: Wenn ihr 15 Prozent eurer Brüche als systematisch eliminieren könntet, wie viel Stillstandszeit würde das sparen? Diese Rechnung lässt sich mit den Daten machen, die eure Maschinen bereits liefern.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Vergleichswerte zu systematisch erkannten Mustern basieren auf Forschungsergebnissen aus dem Journal of Manufacturing Systems und eigenen Einschätzungen aus Pilotprojekten mit textilproduzierenden KMU. Sie hängen stark von der Qualität der Datenbasis ab.

Der oft übersehene Vorteil liegt in der Dokumentation: Wer einem Garnlieferanten schriftlich belegen kann, dass seine Charge 2024-B auf 14 Webstühlen 17 Prozent mehr Brüche verursacht hat als die Vorcharge — mit Zeitstempel und Zonenangabe — hat eine Verhandlungsposition, die vorher nicht existierte.

Einschätzung auf einen Blick

Zeitersparnis — hoch (4/5) Jeder eliminierte systematische Bruch spart nicht nur die Anknüpfzeit, sondern auch die Wegzeit des Webers, die Maschinenstillstandszeit und — bei gehäuften Mustern — die spätere Suche nach der Ursache. In dokumentierten Textil-Pilotprojekten wurden 15 bis 40 Prozent weniger ungeplante Stops je Schicht erzielt, wenn systematische Muster in der ersten Analysephase identifiziert und behoben wurden. Nicht maximal, weil zufällige Brüche durch Garn-Inhomogenität nie eliminierbar sind — das ist Materialmechanik, keine Informationslücke.

Kosteneinsparung — hoch (4/5) Die Kosten eines Fadenbruchs sind nicht nur die Reparaturzeit. Bei textilen Hochleistungserzeugnissen ist auch das fehlerhafte Gewebe zwischen Bruch und Maschinenstopp zu berücksichtigen. Und bei Kundenreklamationen wegen Einwebfehlern (die oft auf unentdeckte Muster zurückgehen) kommen Ausschuss und Nacharbeit hinzu. Wenn ein mechanisches Problem in Zone A-3 zu zwölf Brüchen pro Schicht führt, bis jemand die Führungsöse tauscht, summiert sich das schnell auf 3.000 bis 15.000 Euro pro eliminiertem Muster und Jahr — je nach Gewebewert und Produktionsvolumen.

Schnelle Umsetzung — mittel (3/5) Der Einstieg setzt voraus, dass euer Maschinenpark Bruchereignisse digital erfasst — mit Maschinenkennung, Zonennummer und Zeitstempel. Moderne Webmaschinen (ab ca. 2010) liefern diese Daten über ihre Steuerung. Ältere Maschinen ohne digitale Bruchzähler erfordern eine Nachrüstung. Wenn die Datenbasis steht, dauert die erste auswertbare Heatmap realistisch sechs bis zehn Wochen — Datenanbindung, Historizierung und erste Visualisierung eingerechnet.

ROI-Sicherheit — hoch (4/5) Fadenbrüche sind direktes Zählereignis — keine Schätzung, keine Proxy-Metrik. Du zählst die Brüche vor der Intervention, du zählst sie danach. Der Unterschied ist euer ROI. Das ist einer der saubersten ROI-Nachweise im gesamten Industriebereich: kein Modell, keine Theorie, nur Zählen. Nicht maximal, weil die Zuordnung einzelner Verbesserungen zu spezifischen Maßnahmen manchmal mehrdeutig ist, wenn mehrere Korrekturen gleichzeitig vorgenommen werden.

Skalierbarkeit — mittel (3/5) Mehr Webstühle bedeuten mehr Daten und damit bessere Muster — aber keine kostenfreie Skalierung. Jeder Webstuhl, der noch keine digitale Brucherfassung hat, muss nachgerüstet werden. Die Analytics-Plattform selbst skaliert gut, aber der Sensor- und Dateninfrastruktur-Aufwand wächst linear mit der Maschinenanzahl.

Richtwerte — abhängig von Maschinenalter, Garntyp, Produktionsvolumen und vorhandener Dateninfrastruktur.

Was das System konkret macht

Das Grundprinzip ist einfacher als der Begriff “KI-Mustererkennung” vermuten lässt. Es geht nicht darum, einen Fadenbruch im Moment des Reißens vorherzusagen (das ist Predictive Analytics der nächsten Stufe). Es geht darum, aus der Gesamtheit aller Bruchereignisse eines Betriebs die nicht-zufälligen Häufungen herauszufiltern.

Schritt 1 — Ereigniserfassung: Jeder Webstuhl liefert bei Fadenbruch ein Signal: Zeitstempel, Maschinenkennung, Zonenkennung (Kett-/Schussfaden, Maschinenbereich), optional Laufparameter (Geschwindigkeit, Spannung). Diese Daten liegen in der Steuerung — auf modernen Maschinen oft schon als OPC-UA-Datenpunkt oder CSV-Export verfügbar.

Schritt 2 — Aggregation: Alle Bruchdaten fließen in eine zentrale Datenbank. Das ist die einzige technische Hürde, die Integrationsarbeit erfordert. Bei modernen Maschinenparks mit einheitlicher Steuerungsplattform (z. B. Dornier DoMax, Picanol TERRYplus, Toyota JA) kann das über Standardschnittstellen laufen. Bei gemischtem Maschinenpark ist individuelle Integrationsarbeit nötig.

Schritt 3 — Musteranalyse: Machine Learning-Algorithmen vergleichen die Bruchfrequenz jeder Zone, jedes Webstuhls und jeder Materialcharge mit dem Gesamtdurchschnitt. Was signifikant abweicht, ist kein Zufall. Ein Algorithmus wie Isolation Forest (für Anomalieerkennung) oder einfache statistische Kontrollkarten (CUSUM, EWMA) erkennt, ob Zone A-3 an Webstuhl 17 systematisch über dem Durchschnitt liegt — auch wenn das nicht auffällt, wenn man nur auf einen Webstuhl schaut.

Schritt 4 — Visualisierung: Das Ergebnis ist eine Heatmap: Fadenbruchhäufigkeit nach Maschinenzone und Schicht. Rote Zellen bedeuten Handlungsbedarf. Eine rote Zelle an Maschine 17, Zone A-3, Schicht 2 bedeutet: Hier ist etwas mechanisch oder prozessual anders. Nicht zufällig, sondern systematisch.

Schritt 5 — Hypothesenbildung: Das System sagt nicht, warum Zone A-3 ein Problem hat. Es sagt, dass Zone A-3 ein Problem hat. Die Ursache — Führungsöse verschlissen, Fadenwächter verstimmt, Spannung zu hoch, Feuchteeinfluss — bleibt Wissen des erfahrenen Webers. Aber er sucht jetzt gezielt, nicht stochastisch.

Fadenbruch-Karte: Hotspot-Visualisierung nach Maschinenzone und Schicht

Das zentrale Analyseprodukt dieses Ansatzes ist keine Tabelle und keine Alarmkurve. Es ist eine Heatmap — die sogenannte Fadenbruch-Karte. Sie bildet zwei Dimensionen ab: Maschinenzone (x-Achse oder Zeilen) gegen Zeit beziehungsweise Schicht (y-Achse oder Spalten). Die Farbintensität einer Zelle repräsentiert die Bruchfrequenz — von grün (unauffällig) bis rot (statistisch signifikant erhöht).

Was ein Hotspot mechanisch bedeutet:

Ein roter Bereich in einer definierten Zone derselben Maschine über mehrere Schichten deutet auf ein stationäres mechanisches Problem hin: Eine Führungsöse mit Riefen, ein Fadenwächter mit Federspannungsverlust, ein Rietblatt mit Beschädigung an einer bestimmten Position. Diese Defekte sind lokal und konstant — sie treten auf, unabhängig davon, wer am Webstuhl arbeitet.

Ein roter Bereich, der sich über mehrere Maschinen zieht, aber nur bei einer bestimmten Materialcharge auftritt, deutet auf ein Garnproblem hin: zu geringe Drehungszahl, zu hohe Feuchteaufnahme, Inhomogenitäten in der Spinnpartie. Dieser Hotspot verschwindet, wenn die Charge gewechselt wird.

Ein roter Bereich, der nur in einer Schicht auftritt (z. B. ausschließlich Nachtschicht oder ausschließlich nachmittags), deutet auf eine Prozess- oder Umgebungsursache hin: Temperaturschwankungen im Websaal, andere Garnspannungseinstellungen je Schicht, unterschiedliche Bedienpraktiken zwischen Teams.

Wie du die Karte liest:

Die erste Frage ist: Ist das Muster zeitlich stabil (tritt jeden Tag auf) oder intermittierend (tritt auf, dann verschwindet)? Stabilität deutet auf Mechanik. Intermittenz deutet auf Material oder Prozess.

Die zweite Frage ist: Ist das Muster maschinenspezifisch (nur Stuhl 17) oder quer über mehrere Maschinen (Stuhl 12, 17, 21 gleichzeitig)? Einzelmaschinen-Hotspots sind Wartungsaufgaben. Quermaschinen-Hotspots sind Lieferanten- oder Prozessaufgaben.

Die dritte Frage ist: Ändert sich das Muster mit dem Chargen-Wechsel? Dann ist die Ursache im Garn, nicht in der Maschine.

Was die Maintenance-Antwort sein sollte:

• Stationärer Maschinen-Hotspot → Wartungsinspektion der betroffenen Zone, priorisiert, im nächsten Wartungsfenster. Nicht beim nächsten Bruch, sondern geplant.
• Chargenabhängiger Hotspot → Rückmeldung an den Lieferanten mit quantifizierten Daten. Wenn der Lieferant neue Ware schickt, läuft die Analyse weiter und zeigt, ob die neue Charge das Problem löst.
• Schichtabhängiger Hotspot → Prozessaudit: Einstellungen, Raumklima, Bedienpraxis. Gespräch mit Schichtleiterin über mögliche Abweichungen.

Die Fadenbruch-Karte schafft keine neuen Informationen. Sie macht sichtbar, was in den Daten bereits steckt — und macht diese Information für alle Schichten gleichzeitig zugänglich, nicht nur für den Weber, der gerade an der Maschine steht.

Konkrete Werkzeuge — was wann passt

Die technische Umsetzung hängt von eurer bestehenden Infrastruktur ab. Ihr braucht drei Schichten: Datenerfassung, Datenspeicherung und Analyse-/Visualisierungsschicht.

Power BI — für die Fadenbruch-Karte ohne Entwickleraufwand

Wenn eure Webmaschinen Bruchdaten als CSV oder über eine Datenbankverbindung exportieren, könnt ihr eine Fadenbruch-Heatmap in Power BI ohne Programmierkenntnisse aufbauen. Power BI Desktop ist kostenlos. Die Matrix-Visualisierung mit konditionaler Formatierung (Farbe nach Häufigkeit) ergibt exakt die Hotspot-Karte, die ihr braucht. Für das Teilen des Dashboards mit Schichtleiterinnen braucht ihr Power BI Pro (12,10 €/Person/Monat). Geeignet für: Betriebe mit bestehenden Windows-PCs und Daten im CSV- oder Excel-Format.

Siemens Industrial Edge — für On-Premises-Datenerfassung direkt an der Maschine

Wenn eure Webmaschinen über OPC-UA-Schnittstellen verfügen (oder SPS-gesteuert sind), kann ein Edge Device die Bruchdaten direkt an der Maschine erfassen und lokal verarbeiten. Gesamtprojekte beginnen realistisch bei 10.000–50.000 €. Der Vorteil: Daten verlassen euer Netzwerk nicht. Geeignet für: Betriebe mit Siemens-Automatisierung, vorhandenem IT/OT-Team oder Systemintegrator, Anforderungen an On-Premises-Verarbeitung.

Siemens Insights Hub — für werksübergreifende Analyse

Wenn ihr mehrere Produktionsstandorte habt und die Fadenbruchmuster standortübergreifend vergleichen wollt, bündelt Insights Hub alle Maschinendaten in einer Cloud-Plattform. Enterprise-Preisgestaltung auf Anfrage. Geeignet für: Mittlere bis größere Textilbetriebe mit mehr als einem Produktionsstandort und eigenem OT/IT-Team.

Einstieg ohne Infrastrukturprojekt — der manuelle Datenweg

Wenn eure Maschinensteuerung keine automatische Schnittstelle bietet, gibt es einen pragmatischen Einstieg: Eine strukturierte Excel-Vorlage, in die Schichtleiterinnen täglich die Bruchzählstände je Maschine und Zone eintragen (10 Minuten pro Schicht). Schon nach zwei bis drei Wochen entsteht eine auswertbare Datenbasis. Diese Datei in Power BI importiert ergibt die erste Fadenbruch-Karte. Der Aufwand ist höher als bei vollautomatischer Erfassung — aber er erfordert keine IT-Infrastruktur, nur Disziplin und eine Vorlage.

Zusammenfassung: Welcher Weg wann

• Daten als CSV/Excel verfügbar → Power BI Desktop (kostenlos)
• OPC-UA-Schnittstelle vorhanden, On-Premises-Anforderung → Siemens Industrial Edge
• Mehrere Standorte, Enterprise-Budget → Siemens Insights Hub
• Keine automatische Erfassung → Strukturiertes Excel + Power BI als Einstieg

Datenschutz und Datenhaltung

Fadenbruchdaten sind Maschinendaten, keine Personendaten — die DSGVO spielt hier eine deutlich kleinere Rolle als in kundenbezogenen oder mitarbeiterbezogenen KI-Projekten. Dennoch gibt es Aspekte, die vor dem Projekt geklärt sein sollten.

Was trotzdem zu bedenken ist:

Maschinendaten, die Schichtzuordnungen enthalten, können indirekt auf einzelne Schichtteams oder sogar auf einzelne Bedienende hinweisen — wenn beispielsweise eine Schicht dauerhaft höhere Bruchraten zeigt und dies im Unternehmen kommuniziert wird, können Bewertungen von Mitarbeitenden daraus resultieren. Das ist kein technisches, sondern ein arbeitsrechtliches und kommunikatives Problem. Wenn der Betriebsrat vorhanden ist, sollte die Einführung eines Fadenbruch-Monitoring-Systems frühzeitig kommuniziert werden — nicht als Kontrollsystem, sondern als Wartungsplanungstool.

Welche Daten anfallen:

• Maschinenkennungen, Zonennummern, Zeitstempel, Bruchzählstand
• Garnchargen-IDs und Lieferanteninformationen
• Keine biometrischen Daten, keine Kamerasysteme (sofern ihr nur Zähler und Sensoren nutzt)

On-Premises vs. Cloud: Wer Produktionsdaten nicht in die Cloud übertragen möchte — aus Gründen des Betriebsgeheimnisses oder wegen IT-Sicherheitsrichtlinien — kann den gesamten Ansatz lokal betreiben. Power BI Desktop verarbeitet Daten lokal, Siemens Industrial Edge verarbeitet Daten am Edge Device. Eine Cloud-Anbindung ist optional, nicht zwingend.

Wenn ihr einen Systemintegrator einbezieht, schließt einen Auftragsverarbeitungsvertrag (AVV) gemäß Art. 28 DSGVO ab, falls dieser Zugriff auf eure Maschinendaten erhält — auch wenn es sich um keine personenbezogenen Daten handelt. Das ist gute Praxis und schützt vor späteren Unklarheiten.

Was es kostet — realistisch gerechnet

Die Kostenfrage hängt davon ab, wo ihr heute steht: Welche Daten liefern eure Maschinen bereits, und welche Infrastruktur ist vorhanden?

Szenario A — Maschinen liefern bereits Daten (CSV/Export vorhanden):

Szenario B — OPC-UA-Schnittstelle, On-Premises-Infrastruktur:

Was du dagegenrechnen kannst:

Ein Webstuhl mit 20 systematischen Brüchen pro Schicht (statt 8 Zufallsbrüchen), der nach einer Wartungsmaßnahme auf 8 Brüche zurückfällt: 12 Brüche weniger × 2 Minuten × 3 Schichten × 250 Arbeitstage = 300 Stunden Stillstand pro Jahr. Bei einem Gewebe mit 50 Euro Produktionswert je Meter und einem Webstuhl mit 10 Meter/Stunde Produktionsleistung entspricht das 150.000 Euro Produktionsausfall — wovon ihr nach Abzug des Materialwerts und der Betriebskosten typisch 30 bis 60 Prozent als Ertragsverlust rechnen könnt.

Diese Rechnung setzt voraus, dass das Muster wirklich eliminiert wird und die Ursache behoben werden kann. In der Praxis ist das nicht bei jedem Hotspot möglich — manchmal ist das Muster real, aber die Ursache nicht behebbar (z. B. Rohstoff-Schwankungen beim Lieferanten, die dieser nicht bereinigen kann). Auch das zu wissen hat Wert: Es informiert Einkaufsentscheidungen.

Wie du den Nutzen tatsächlich misst:

Halte in der Analyseplattform zwei Kennzahlen mit und gegen die Zeit: Brüche pro Schicht je Maschine (Zeitreihe) und Anteil Maschinen mit Hotspot-Status (Zahl der Maschinen über Schwellwert). Wenn eine Wartungsmaßnahme ergriffen wird, markiert ihr das Datum. Die Kurve danach zeigt euren ROI — ohne Modell, ohne Schätzung.

Typische Einstiegsfehler

1. Mit der Datenerfassung an Stuhl 1 anfangen und dann pausieren. Der häufigste Fehler: Man startet die Datenerfassung für eine Gruppe von Webstühlen, sieht erste Ergebnisse, aber die Analyse wird nicht routinemäßig genutzt. Nach drei Monaten gibt es gute Daten, aber niemand schaut mehr rein. Lösung: Eine wöchentliche Routine einführen — 15 Minuten Heatmap-Review mit Webmeisterin und Instandhaltungsverantwortlichem, fest im Kalender. Ohne Routine stirbt jedes Dashboard.

2. Jeden Bruch erklären wollen. Die Analyse zeigt, wo sich Brüche häufen. Sie sagt nicht, warum. Der Fehler: Man wartet mit Maßnahmen, bis man die genaue Ursache kennt. Das dauert — und in der Zwischenzeit läuft das Muster weiter. Besser: Wenn eine Zone über drei Schichten hinweg signifikant über dem Durchschnitt liegt, gibt es eine Inspektion — auch ohne vollständige Diagnose. Die Inspektion findet die Ursache schneller als die Datenanalyse.

3. Das Modell einrichten und dann nicht anpassen, wenn ihr neue Garnchargen einführt. Das ist der gefährlichste Langzeitfehler. Ein Mustererkennungssystem lernt den Normalzustand aus euren historischen Daten. Wenn ihr eine neue Garnsorte einführt, die von Haus aus häufiger bricht, verschiebt sich euer Baseline — das Modell hält plötzlich alles für normal, was vorher ein Hotspot gewesen wäre. Oder umgekehrt: Es feuert Alarm auf die neue Charge, weil sie sich von der alten unterscheidet, obwohl die neue besser ist.

Für jede neue Garncharge oder Produktgruppe braucht es eine bewusste Entscheidung: Trainiert ihr den Normalzustand neu, oder segmentiert ihr die Analyse nach Garnsorten? Diese Frage muss vor dem ersten Charge-Wechsel beantwortet sein — nicht danach.

4. Die Analyse ohne Webmeister-Einbindung einführen. Wer eine Fadenbruch-Karte einführt, ohne die erfahrenen Weber und Webmeisterinnen von Anfang an einzubeziehen, verliert das wertvollste Asset des Projekts: das interpretatorische Wissen. Die Karte zeigt, dass Zone A-3 ein Problem hat. Die Webmeisterin weiß, dass an Zone A-3 letzte Woche eine Reparatur war und der Mechaniker die Führungsöse nicht exakt nachgestellt hat. Ohne dieses Wissen ist der Hotspot unerklärlich. Mit diesem Wissen ist er in einer Stunde behoben.

Was mit der Einführung wirklich passiert — und was nicht

Die Technik ist das Einfachste an dieser Einführung. Das Schwierigere ist die Akzeptanz.

Die “Wir wissen das schon”-Reaktion: Erfahrene Webmeisterinnen und Webmeister werden sagen: „Dass Stuhl 17 in der Nachmittagsschicht öfter reißt, wissen wir schon.” Das ist oft wahr. Was sie nicht wissen: Ob Stuhl 17 in der Nachtschicht das gleiche Problem hat. Und ob das Muster an Stuhl 17 auf derselben Garncharge auftritt wie an Stuhl 23. Die Karte zeigt nichts, was geheimnisvoll oder unbekannt ist — sie zeigt, was bekannt ist, präzise und für alle Schichten gleichzeitig.

Die Sorge vor Bewertung: Wenn die Heatmap schichtspezifische Unterschiede zeigt, kann das als Bewertung der Schichtleistung verstanden werden. Das ist eine legitime Sorge. Die Lösung liegt in der Kommunikation von Anfang an: Das System hilft der Instandhaltung, Wartungsprioritäten zu setzen — es ist kein Mitarbeiter-Kontrollsystem. Wenn das Betriebs- oder Personalrat einbezogen ist, ist dieser Punkt früh zu klären.

Was konkret funktioniert:

Startet mit einer kleinen Gruppe von acht bis zwölf Webstühlen — idealerweise die, bei denen ihr schon das Gefühl habt, dass systematische Muster vorliegen. Zeigt die ersten Ergebnisse der Webmeisterin, bevor das System offiziell eingeführt wird. Ihr braucht einen ersten Treffer: ein Hotspot, der einer bekannten Vermutung entspricht — und der nach der Wartung tatsächlich verschwindet. Diesen Erfolg kommuniziert ihr ins Team. Das ist der Moment, in dem das System von “Kontrollwerkzeug” zu “Wartungshilfe” wird.

Realistischer Zeitplan mit Risikohinweisen

Wichtig: Die technische Einrichtung ist in der Regel schneller fertig als die organisatorische Einbindung. Plant die Kommunikation parallel zur technischen Phase — nicht danach.

Häufige Einwände — und was dahintersteckt

„Erfahrene Weber kennen ihre Maschinen besser als jeder Algorithmus.”

Das stimmt — für eine Maschine, in einer Schicht, mit einem Garn. Was erfahrene Weber nicht leisten können: gleichzeitig 40 Webstühle über drei Schichten hinweg mit drei verschiedenen Garnchargen im Blick zu haben und dabei zu erkennen, dass die Charge 2024-B auf den Stühlen 12, 17 und 23 exakt 12 Prozent mehr Brüche verursacht als die Vorcharge — schichtübergreifend, konsistent.

Mustererkennungssysteme ersetzen das Erfahrungswissen der Webmeisterin nicht. Sie ersetzen das stochastische Gedächtnis. Die Interpretation des Hotspots — warum Zone A-3 ein Problem hat — bleibt zwingend beim Menschen. Aber die Webmeisterin sucht jetzt gezielt, nicht zufällig.

„Unsere Maschinen liefern keine Daten.”

Für Webmaschinen ab Baujahr 2005 ist das selten vollständig wahr. Viele Steuerungen (Dornier, Picanol, Toyota) haben interne Bruchzähler, die über eine RS-232- oder Ethernet-Schnittstelle auslesbar sind. Was fehlt, ist oft nicht die Schnittstelle, sondern die Routine, diese Daten abzurufen. Ein erster Check: Schaut in die Bedienungsanleitung eurer Steuerung unter dem Abschnitt “Produktionsdaten” oder “Maschinendaten-Export”. Wenn dort eine CSV-Export-Funktion genannt wird, habt ihr bereits eine Datenbasis.

„Wir haben das schon mal probiert und es hat nicht geholfen.”

Das ist der wichtigste Einwand, weil er eine echte Erfahrung beschreibt. Typische Ursache: Man hat eine Datenerfassung eingeführt, aber keine Routine für die Auswertung. Die Daten haben sich angesammelt, aber niemand hat systematisch in die Heatmap geschaut. Ein Dashboard, das niemand öffnet, ist kein Analyse-System — es ist eine teure Datenarchivierung.

Die Lösung ist nicht technisch. Es ist eine Entscheidung: Wer öffnet die Heatmap jeden Montag vor der Instandhaltungsbesprechung? Wenn diese Frage nicht beantwortet ist, bevor das System eingeführt wird, wiederholt sich das Muster.

Woran du merkst, dass das zu dir passt

• Ihr betreibt mindestens 10 bis 15 Webstühle gleichzeitig — erst ab dieser Maschinenzahl entsteht eine statistische Grundlage, die systematische Muster von Zufallsschwankungen unterscheidbar macht. Unter 10 Stühlen ist die Streuung zu hoch.
• Eure Maschinen produzieren im Durchschnitt mehr als 5 Brüche pro Stuhl und Schicht — darunter ist das Signal zu schwach für zuverlässige Musteranalyse.
• Ihr wechselt regelmäßig Garnchargen — dann ist die Fähigkeit, chargenabhängige Muster zu identifizieren, besonders wertvoll.
• Ihr habt mindestens eine Person, die regelmäßig die Auswertung macht — das System erfordert wöchentliche Aufmerksamkeit, kein Vollzeit-Datenwissenschaftler.
• Eure Instandhaltungsbesprechungen basieren bisher auf Erfahrungswissen — das System liefert die Datenbasis, um diese Besprechungen zu strukturieren.

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

1. Unter 10 Webstühlen. Unter 10 Maschinen gibt es keine ausreichende statistische Basis für Hotspot-Erkennung. Wenn Stuhl 3 von 8 heute mehr reißt als Stuhl 4, kann das Zufall sein oder Mechanik — ihr könnt das mit 8 Maschinen nicht sicher trennen. Die Investition in eine Analyse-Infrastruktur rechnet sich erst, wenn die Datenbasis ausreichend groß ist.

2. Keine digitale Brucherfassung nach Maschinenzone. Wenn eure Maschinensteuerung keine Bruchereignisse mit Zeitstempel und Zonenidentifikation aufzeichnet, und ihr auch keine praktikable Möglichkeit zur Nachrüstung oder manuellen Erfassung habt, fehlt die Datenbasis für jeden sinnvollen Analyseansatz. Manuelle Strichlisten ohne Zeitstempel-Auflösung reichen nicht aus — der Zeitbezug ist für Schichtanalysen zwingend.

3. Unter 3 verschiedenen Gewebetypen oder Garnsorten im laufenden Betrieb. Bei sehr homogener Produktion mit gleichem Garn und gleichem Gewebe den ganzen Monat sind chargenabhängige Muster kaum relevant. Der analytische Mehrwert entsteht vor allem dort, wo mehrere Variablen gleichzeitig wirken — verschiedene Chargen, verschiedene Webdichten, verschiedene Gewebequalitäten — weil erst dann Muster entstehen, die ohne Analyse unsichtbar bleiben.

Das kannst du heute noch tun

Den schnellsten Einstieg ohne jede Infrastruktur liefert eine strukturierte Tabellenvorlage: Legt eine Excel-Tabelle an mit den Spalten “Datum”, “Schicht”, “Webstuhl”, “Zone”, “Anzahl Brüche”, “Garncharge”. Füllt diese Tabelle konsequent zwei Wochen lang aus — 10 Minuten am Schichtende. Importiert die Datei dann in Power BI Desktop (kostenlos) und erstellt eine Matrix-Visualisierung mit konditionaler Formatierung.

Das ist eure erste Fadenbruch-Karte. Noch keine KI, noch kein Algorithmus — aber schon systematisches Denken auf Basis von Daten. Was ihr dabei lernt, ist die wichtigste Vorbereitung für den nächsten Schritt.

Für eine sofortige erste Analyse ohne Excel-Aufwand könnt ihr ChatGPT oder Claude mit einer exportierten Rohdatei aus eurer Maschinensteuerung nutzen. Hier ist ein Prompt, der eine erste Mustererkennung ohne Entwickleraufwand ermöglicht:

Quellen & Methodik

• Fadenbruchreparaturzeit und -kosten: Wikipedia-Artikel “Fadenbruch” unter Verweis auf textiltechnologische Fachliteratur; Fadenbruchkosten an der Webmaschine 3–4× höher als an der Ringspinnmaschine (je kg Garn). Anknüpfzeit ca. 1/4 Minute je Fadenbruch.
• SenseGrow / Jaya Shree Textiles (Grasim Industries): Textile Industry Case Study for AI Driven Predictive Maintenance, SenseGrow GmbH (2023/2024). 19% Reliability-Verbesserung durch IoT-gestütztes Predictive Maintenance über 42.000+ Spindeln. Zitat: Ashok Viveki, General Manager Jaya Shree Textiles. Quelle: sensegrow.com.
• Rieter ESSENTIALmonitor / Sagar Manufacturers: Rieter Sustainability Story, Januar 2024. Sagar Manufacturers Pvt. Ltd.: 1,5% Produktivitätssteigerung, 10% Personalreduktion, 10% Hartabfall-Reduktion mit spinnereibasiertem Monitoring. Quelle: rieter.com. Hinweis: Diese Quelle bezieht sich auf Spinnmaschinen-Monitoring, nicht spezifisch auf Weberei.
• ML-basierte Fadenbruch-Prognose: Piotr Śliwa (2022), “Predicting Yarn Breaks in Textile Fabrics: A Machine Learning Approach.” Procedia Computer Science (verfügbar über ScienceDirect, doi:10.1016/j.procs.2022.09.147). Modellierung von Schussgarn-, Kettgarn- und Fadenplatzer-Frequenzen für webende Betriebe im Industrie-4.0-Kontext.
• Vibrationssensor-basierte Bruchortung: Kwiatkowski et al. (2025), “Real-Time Prediction of the Yarn Break Position Using Vibration Measurement.” Sensors (MDPI), 25(2), 299. doi:10.3390/s25020299. Erkennung 50× schneller als mechanische Detektoren; präzise Zonenortung in Schärmaschinen.
• Branchenkennzahlen EU-Textilindustrie: WarpDriven AI, “AI Predictive Maintenance in Textile Machinery” (2025). Jährliche Stillstandskosten im europäischen Textilsektor: 2–3 Mrd. GBP. Quelle: warpdriven.ai. Hinweis: Angabe nicht durch unabhängige Studie verifiziert; als Größenordnung verwendbar.
• Siemens Industrial Edge Kostenrahmen: Preisrahmen 10.000–50.000 € für Pilotinstallationen, verifiziert aus öffentlich zugänglichen Projektberichten und Partner-Informationen. Stand April 2026. Quelle: Tool-Seite Siemens Industrial Edge auf ki-syndikat.de.
• Mittelstand-4.0-Kompetenzzentrum Textil vernetzt: IIoT-Demonstratoren für textile KMU (2017–2023), Deutsche Institute für Textil- und Faserforschung (DITF) Denkendorf. Sektion zu OPC-UA-basierter Maschinenvernetzung in Webereien. Quelle: kompetenzzentrum-textil-vernetzt.digital.

Du willst wissen, welche eurer Webmaschinen bereits digitale Bruchdaten liefern und wie eine erste Fadenbruch-Karte für euren Betrieb aussehen würde? Meld dich — das klären wir gemeinsam in einem kurzen Gespräch.