Gewebequalitäts-Drift-Erkennung

Das echte Ausmaß des Problems

In der industriellen Gewebeproduktion gilt das Prinzip der Stichprobenprüfung: Aus jeder Charge werden Proben entnommen, gegen Spezifikation gemessen, bei Bestehen freigegeben. Das funktioniert zuverlässig gegen einen Fehler — den akuten, sichtbaren Ausreißer. Gegen Drift ist es strukturell blind.

Drift ist kein einzelnes Ereignis. Drift ist eine Richtung. Ein Prozess, der heute 1 Prozent näher an der Spezifikationsgrenze liegt als gestern, und morgen noch einen Prozent näher, und übermorgen wieder — dieser Prozess gibt bei jeder Stichprobenprüfung grünes Licht, bis er das nicht mehr kann. Wer nur auf Pass/Fail schaut, sieht den Drift nicht. Wer auch auf die Richtung und Geschwindigkeit schaut, sieht ihn lange vorher.

Was das in der Praxis kostet:

Qualitätskosten machen in der textilen Fertigung nach Einschätzungen aus der Fertigungsindustrie 20 bis 25 Prozent der gesamten Herstellungskosten aus — ein erheblicher Teil davon durch externe Fehlerkosten, also Reklamationen, Rücksendungen und Kulanzlösungen. Ein einzelner Chargenrückruf, der eine Zuschneiderei oder einen Konfektionär betrifft, kann schnell 15.000 bis 50.000 Euro kosten — Logistik, Nachproduktion, Kundenkommunikation und Preisnachlässe eingerechnet. Die direkte Reklamationsbearbeitung ist dabei oft das Günstigste; der Schaden an der Kundenbeziehung ist schwerer zu beziffern.

Das Besondere an Qualitätsdrift ist der zeitliche Versatz: Wenn der Schaden sichtbar wird — beim Kunden, in der Reklamation — liegt die Ursache Wochen zurück. Die Produktion läuft weiter. Zwischen dem Beginn der Drift und dem Eintreffen der ersten Beschwerde können vier bis acht Wochen liegen. In dieser Zeit wird weiter auf demselben driftenden Niveau produziert. Mehrere betroffene Chargen sind bereits ausgeliefert.

Was Drift von Ausschuss unterscheidet:

Was “Drift” konkret bedeutet — und was er nicht ist

“Drift” klingt nach einem vagen Phänomen. Es ist konkret. Ein Beispiel:

Euer Polstergewebe soll eine Pillneigung nach DIN EN ISO 12945 von Klasse 4 oder höher aufweisen. Eure Produktionshistorie der letzten 18 Monate zeigt: Im Durchschnitt erreicht ihr Klasse 4,7. Das ist euer Prozess-Normalzustand. Die Toleranzgrenze liegt bei Klasse 4,0 — Klasse 3,9 wäre eine Reklamation.

Jetzt verändert sich etwas — eine neue Garnpartie, eine nachlässiger eingestellte Strecke, ein Temperaturunterschied in der Fertighalle im Spätherbst. Nicht dramatisch. Woche 1: Klasse 4,6. Woche 2: Klasse 4,4. Woche 3: Klasse 4,2. Woche 4: Klasse 4,0.

Alle vier Wochen grün — bis zur letzten. Dabei war der Trend die ganze Zeit sichtbar: minus 0,2 pro Woche. Ein Drift-Erkennungssystem hätte in Woche 2 gemeldet: “Signifikante Abwärtsbewegung in Kategorie Pillneigung — Ursachenprüfung empfohlen.” Statt einer Reklamation in Woche 5 eine Wartungsmeldung in Woche 2.

Was Drift nicht ist:

Drift ist keine Qualitätsschwankung, die durch bessere Stichproben hätte gefunden werden können. Mehr Proben aus derselben Charge helfen nicht — die Probe zeigt korrekt, was in der Charge ist. Die Information, die fehlt, ist nicht “Wie ist diese Charge?” sondern “In welche Richtung bewegt sich der Prozess über mehrere Chargen?”

Drift ist auch keine schlechte Qualität per se. Eine Probe, die Klasse 4,2 zeigt, ist in Spezifikation. Das Problem ist der Trend, nicht der aktuelle Wert. Ein Drift-Erkennungssystem ist deshalb kein besseres Qualitätsprüfsystem — es ist ein anderes. Es beantwortet eine andere Frage.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Vergleichswerte orientieren sich an Erfahrungswerten aus Qualitätssicherungsprojekten in der textilen Flächenproduktion sowie an Erkenntnissen zur statistischen Prozesskontrolle aus der Fachliteratur (Textilschule, ASQ Control Charts Guidance).

Einschätzung auf einen Blick

Zeitersparnis — niedrig (2/5) Drift-Erkennung läuft im Hintergrund — sie ist kein Werkzeug, das täglich Zeit spart. Es gibt keine Aufgabe, die das System schneller macht. Es verhindert eine zukünftige Krise, aber das ist kein täglicher Zeitgewinn. Im Vergleich zur Fadenbruch-Mustererkennung, die Störungen im laufenden Betrieb verkürzt, entlastet Drift-Erkennung den Arbeitsalltag kaum direkt.

Kosteneinsparung — sehr hoch (5/5) Ein einzelner verhinderter Chargenrückruf kann das Vielfache der Implementierungskosten betragen — je nach Gewebewert, Auftragsgröße und Kundenbeziehung. Das ist die stärkste Kostendimension unter den verglichenen Textilmaschinen-Anwendungsfällen: Reklamationskosten sind selten, aber wenn sie eintreten, sind sie erheblich. Ein System, das mehrere Rückrufe pro Jahr verhindert, bezahlt sich in der ersten Saison. Keine andere Maßnahme in der Textilproduktion hat ein vergleichbares Kostenvermeidungs-Potenzial.

Schnelle Umsetzung — niedrig (2/5) Das ist der schwierigste Punkt dieser Bewertung. Drift-Erkennung erfordert kontinuierliche Qualitätsmessdaten — nicht Stichprobenmessungen einmal pro Batch, sondern idealerweise inline, pro Metre oder mindestens mit tagesaktueller Messung. Wer diese Infrastruktur noch nicht hat, baut sie zuerst. Das dauert realistisch 3 bis 6 Monate. Dann braucht das Modell Datenhistorie, um den Normalzustand zu lernen — mindestens acht bis zwölf Wochen Produktion. Kein anderer Anwendungsfall in dieser Kategorie braucht eine längere Vorlaufzeit.

ROI-Sicherheit — sehr hoch (5/5) Der ROI ist messbar und sauber zuzuordnen: Reklamationskosten vor der Einführung gegen Reklamationskosten danach. Wer historische Reklamationsdaten hat (Datum, Charge, Ursache), kann den Zusammenhang mit den Messdaten rekonstruieren und den theoretischen Nutzen einer früheren Erkennung berechnen. Das macht diesen Anwendungsfall zu einem der wenigen, bei denen der Nutzen nicht nur spürbar, sondern direkt buchhaltungsrelevant ist.

Skalierbarkeit — hoch (4/5) Ist die Sensor- und Dateninfrastruktur einmal aufgebaut, lassen sich weitere Gewebetypen und Qualitätsparameter vergleichsweise einfach ergänzen. Der aufwendige Teil — Sensoren installieren, Datenpipeline aufbauen, Normalzustand etablieren — ist getan. Jede neue Produktlinie kommt mit reduzierten Anlaufkosten. Nicht maximal, weil neue Sensoren bei neuen Gewebetechnologien oder Materialklassen doch wieder Kalibrierungsaufwand mit sich bringen.

Richtwerte — stark abhängig von vorhandener Messinfrastruktur, Produktionsvolumen und Reklamationshistorie.

Was das System konkret macht

Machine Learning klingt nach Komplexität. Die Grundidee ist einfach: Das System lernt, wie euer Prozess normalerweise aussieht — und erkennt, wenn er sich signifikant davon entfernt.

Schritt 1 — Kontinuierliche Messerfassung: Grundlage ist ein dichter Datenstrom aus Qualitätsmessungen — idealerweise inline pro Meter oder Minute, mindestens aber täglich pro Charge und Qualitätsparameter. Relevante Parameter je nach Gewebeart: Fadendichte (Kett- und Schussfäden pro cm), Flächengewicht (g/m²), Zugfestigkeit, Einwebfehlerrate, Pillneigung, Farbauszug. Wer heute nur Batch-Stichproben hat, braucht erst die höhere Messdichte — das ist die technische Hürde.

Schritt 2 — Baseline-Etablierung: Das System lernt aus mindestens acht bis zwölf Wochen historischer Messdaten, wie sich euer Prozess unter normalen Bedingungen verhält: welchen Schwankungsbereich, welche saisonalen Muster, welche chargenabhängigen Unterschiede. Dieser Normalzustand ist kein fixer Schwellwert aus dem Pflichtenheft — er ist euer empirischer Produktionsdurchschnitt, der alle üblichen Schwankungen einschließt.

Schritt 3 — Trendanalyse: Statistische Methoden aus der Prozesskontrolle — CUSUM-Karten (Cumulative Sum), EWMA-Karten (Exponentially Weighted Moving Average) oder Predictive Analytics-Algorithmen wie Isolation Forest — erkennen gerichtete Bewegungen. CUSUM ist besonders geeignet: Es akkumuliert kleine Abweichungen über Zeit und schlägt Alarm, wenn die aufsummierte Abweichung einen Schwellwert überschreitet. Eine einzelne Messung, die 2 Prozent unter dem Mittelwert liegt, ist Rauschen. Zehn aufeinanderfolgende Messungen mit je 2 Prozent Abweichung in dieselbe Richtung sind ein Signal.

Schritt 4 — Frühwarnung: Das System meldet nicht “diese Charge ist schlecht”. Es meldet: “Parameter X zeigt seit Y Tagen eine konsistente Bewegung in Richtung Grenze — Ursachenprüfung empfohlen.” Die Diagnose — neues Garn, Maschineneinstellung, Klimaveränderung in der Halle — bleibt beim Qualitätsteam. Aber das Team sucht jetzt gezielt auf Basis eines Signals, nicht nach einer Beschwerde.

Schritt 5 — Ursachenkorrelation: Das Fortgeschrittenere: Wenn das System gleichzeitig Daten über Garnchargen, Maschineneinstellungen, Schichtzeiten und Umgebungstemperatur erhält, kann es Korrelationen zwischen Drift-Beginn und Prozessvariablen identifizieren. “Die Drift beginnt konsistent zwei Tage nach Chargenwechsel bei Garn X” ist eine direkt verwertbare Information für Einkauf und Produktionsplanung.

Konkrete Werkzeuge — was wann passt

Die richtige Wahl hängt davon ab, wie viel Messinfrastruktur bereits vorhanden ist und wie tief die technische Umsetzung gehen soll.

USTER Fabriq Vision 2 — für vollständige Inline-Inspektion mit integriertem Trend-Monitoring

Das System des Marktführers für Gewebeinspektionstechnologie erkennt sichtbare Fehler direkt am laufenden Band und liefert kontinuierliche Daten über Einwebfehler, Fadendichte-Abweichungen und Oberflächenqualität. Zusammen mit dem USTER Quality Expert Modul wird eine übergreifende Trendanalyse über mehrere Maschinen möglich. Kein eigenständiges ML-Modell nötig — das System bringt die Analysefunktion mit. Kosten: projektbezogen, typisch fünf- bis sechsstellig für Installation und erste Kalibrierung. Geeignet für: Betriebe mit ausreichend Produktionsvolumen, die eine vollständige Lösung mit Support suchen und die Infrastrukturinvestition durch Reklamationsvermeidung rechtfertigen können.

Maddox AI — für visuelle KI-Inspektion mit Retrofit-Option

Das deutsche Unternehmen aus Tübingen ermöglicht das Training eigener Inspektionsmodelle aus echten Produktionsbildern — ohne eigenes ML-Team, mit Datenhosting in Deutschland. Besonders interessant für Betriebe, die eine bestehende Kamerainfrastruktur mit KI-Modellen ausrüsten wollen. Kein Hardware-Angebot — Kameras müssen separat beschafft werden. Kosten: fünfstellig für das Pilotprojekt, Zahlung erst bei Zielerreichung. Geeignet für: Betriebe mit DSGVO-Anforderungen und vorhandener Kameratechnik, die sichtbare Qualitätsmerkmale erfassen wollen.

Power BI — für Trend-Dashboards auf vorhandenen Messdaten

Wenn Qualitätsmessdaten bereits vorhanden sind (aus Labormessungen, Inline-Sensoren oder Chargenprotokollen), lässt sich in Power BI ein Trend-Dashboard ohne Programmieraufwand aufbauen. CUSUM-ähnliche Trendlinien sind mit DAX-Berechnungen darstellbar, Schwellwert-Warnungen per E-Mail konfigurierbar. Keine KI im eigentlichen Sinne — aber ein pragmatischer erster Schritt. Power BI Desktop kostenlos, Power BI Pro für das Teilen 12,10 €/Person/Monat. Geeignet für: Betriebe, die bereits Messdaten haben und erst testen wollen, ob Trendanalyse für sie funktioniert.

scikit-learn + InfluxDB — für maßgeschneiderte Drift-Modelle

Für Betriebe mit eigenem IT- oder Data-Science-Kapazität: InfluxDB speichert Zeitreihenmessdaten hochperformant, scikit-learn liefert die Algorithmen (CUSUM, Isolation Forest, One-Class SVM) für die Drift-Erkennung, MLflow trackt Modellversionen und Parametrierungen. Vollständige Kontrolle über alle Schwellwerte, keine Vendor-Abhängigkeit, DSGVO-konform bei On-Premises-Betrieb. Kosten: Infrastruktur plus Entwicklungsaufwand, typisch 20.000–60.000 Euro für ein erstes produktives System. Geeignet für: Betriebe mit Entwickler-Ressourcen und spezifischen Anforderungen an Flexibilität und Datensouveränität.

Zusammenfassung: Wann was

• Vollständige Lösung mit Support, kein eigenes ML-Team → USTER Fabriq Vision 2
• Retrofit bestehender Kameras, Daten in Deutschland → Maddox AI
• Messdaten vorhanden, schneller Einstieg ohne Programmierung → Power BI
• Eigenes Team, maximale Kontrolle → scikit-learn + InfluxDB + MLflow

Datenschutz und Datenhaltung

Qualitätsmessdaten sind in aller Regel keine personenbezogenen Daten im Sinne der DSGVO — sie beschreiben Chargen, Gewebetypen und Messparameter, nicht Personen. Das vereinfacht die Compliance erheblich.

Was trotzdem zu bedenken ist:

Sobald Qualitätsdaten auf Schichtebene ausgewertet werden und daraus Rückschlüsse auf die Leistung einzelner Schichtteams oder Maschinenführer gezogen werden, können Mitarbeitende mittelbar betroffen sein. Das ist ein arbeitsrechtliches, kein datenschutzrechtliches Problem — aber es gehört vor der Einführung auf den Tisch. Wenn ein Betriebsrat vorhanden ist, sollte das System frühzeitig kommuniziert werden.

Cloud vs. On-Premises:

Die meisten industriellen Drift-Erkennungssysteme können vollständig on-premises betrieben werden. Produktionsdaten müssen das Firmennetz nicht verlassen. USTER Fabriq Vision und scikit-learn/InfluxDB-Lösungen lassen sich ohne Cloud-Anbindung betreiben. Wer cloudbasierte Services nutzt, sollte sicherstellen, dass ein AVV (Auftragsverarbeitungsvertrag) gemäß Art. 28 DSGVO vorliegt — bei USTER Technologies (Schweiz) durch den EU-Angemessenheitsbeschluss ohne zusätzliche Vertragsanforderungen, bei US-basierten Diensten mit Standard-Vertragsklauseln.

Geistiges Eigentum:

Gewebespezifikationen und Prozessparameter sind oft betriebsgeheimes Know-how. Wer diese Daten an externe Analyseplattformen übermittelt, sollte vorab klären, wie der Anbieter mit Betriebsdaten umgeht — besonders bei KI-Diensten, die angeben, Modelle aus Kundendaten zu verbessern.

Was es kostet — realistisch gerechnet

Die Kostenfrage hängt stärker als bei den meisten anderen Anwendungsfällen davon ab, welche Messinfrastruktur bereits vorhanden ist.

Szenario A — Messdaten vorhanden, Trend-Dashboard als Einstieg:

Einschränkung: Power BI ohne echte ML-Modelle ist Trendvisualisierung, keine Drift-Erkennung. Dieser Einstieg zeigt, ob das Konzept für euren Betrieb funktioniert — bevor ihr in Sensorik investiert.

Szenario B — Inline-Inspektion mit eigenem ML-Modell (scikit-learn/InfluxDB):

Szenario C — Vollständige USTER Fabriq Vision-Lösung:

Projektbasierte Preisgestaltung auf Anfrage, typisch im sechsstelligen Bereich für Erstinstallation. Laufende Wartungsverträge üblich (ca. 10–15 % des Systemwerts). Für große Webereien mit mehr als 15 Maschinen und etablierten Qualitätsanforderungen oft der schnellste Weg zum produktiven System.

Was du dagegenrechnen kannst:

Ein Chargenrückruf in der Heimtextil- oder Technischen Textilindustrie kostet zwischen 15.000 und 50.000 Euro — je nach Gewebewert, Auftragsgröße, Nachproduktionsaufwand und Kundenkompensation. Wenn euer Betrieb heute eine Reklamation dieser Größenordnung pro Quartal hat und das System auch nur die Hälfte davon verhindert, amortisiert sich selbst Szenario B in weniger als zwei Jahren.

Wie du den Nutzen tatsächlich misst:

Dokumentiere Reklamationen mit Datum, betroffener Charge und Reklamationswert. Sobald das Drift-Erkennungssystem läuft, vergleicht ihr Reklamationshäufigkeit und -wert vor und nach der Einführung. Das ist kein Modell — das ist Buchhaltung. Für den internen Nachweis reicht eine einfache Tabelle über zwölf Monate.

Drei typische Einstiegsfehler

1. Stichprobenmessungen für Trendanalyse verwenden. Einmal pro Batch zu messen reicht für Drift-Erkennung nicht. Wenn ihr eine Messung pro Tag habt und die Drift langsam fortschreitet, seid ihr immer zwei bis vier Wochen hinter der Wirklichkeit. Drift-Erkennung braucht dichte Messpunkte — idealerweise inline, mindestens mehrmals täglich. Wer das nicht hat, muss zuerst die Messinfrastruktur aufbauen. Das ist die ehrlichste Aussage zu diesem Anwendungsfall: ohne dichte Daten kein frühes Signal.

2. Den Normalzustand falsch definieren. Das Modell lernt, was “normal” ist — aber was war in den letzten acht Wochen “normal”? Wenn ihr in dieser Periode bereits einen Drift hattet (den ihr noch nicht kanntet), lernt das Modell einen verzerrten Normalzustand. Ursache: Drift wird als Normalzustand eintrainiert. Lösung: Qualitätsdaten aus der Baseline-Periode gemeinsam mit dem Qualitätsteam prüfen, bevor das Modell trainiert wird.

3. Das Modell nicht anpassen, wenn Prozess oder Material sich ändert. Das ist der kritische Langzeitfehler — und er ist gut dokumentiert in der ML-Literatur unter dem Begriff “Konzept-Drift”. Ein neues Garn, eine neue Ausrüstungschemie, ein Maschinenwechsel: Jede solche Veränderung verschiebt den Normalzustand. Das Modell, das bisher auf der alten Prozessrealität gelernt hat, gibt jetzt entweder zu viele Fehlalarme (neue Normalität wird als Drift gemeldet) oder ist blind für echte Drift in der neuen Ausgangslage. Praktisch bedeutet das: Nach jedem signifikanten Prozesswechsel braucht das Modell eine kontrollierte Anpassungsphase — mindestens vier Wochen auf dem neuen Niveau, bevor die Alarmierung wieder aktiv geschaltet wird.

4. Das System einführen, aber die Ursachenanalyse nicht institutionalisieren. Ein Drift-Signal ist keine Lösung — es ist eine Aufgabe. Wenn das System meldet “Schussfadendichte driftet seit sieben Tagen”, muss jemand konkret reagieren: Proben ziehen, Maschineneinstellung prüfen, Garncharge untersuchen. Wenn unklar ist, wer dieses Signal bekommt, wer es wie prüft und wer die Entscheidung über Produktionsstopp oder Weiterführung trifft — dann produziert das System teure Alarme ohne Konsequenzen. Die Eskalationsroutine muss vor dem Livegang definiert sein.

Was mit der Einführung wirklich passiert — und was nicht

Drift-Erkennung ist kein System, das nach der Einführung sofort greifbare Ergebnisse zeigt. Es ist ein Frühwarnsystem, das sich erst beweist, wenn es eine Reklamation verhindert. Das ist psychologisch schwierig: Gutes Arbeiten bleibt unsichtbar.

Die “Wir hatten bisher keine großen Probleme”-Reaktion: Das häufigste Widerstandsmuster. Ein Qualitätsleiter, der seit Jahren erfolgreich Stichprobenprüfungen macht, sieht zunächst keinen Handlungsbedarf. Was hilft: Historische Reklamationsdaten gemeinsam analysieren. In fast jedem Betrieb mit mehr als drei Jahren Reklamationshistorie lässt sich zeigen, dass vor einer Reklamation ein messbarer Trend in den Qualitätsdaten vorhanden war — der nicht erkannt wurde, weil niemand danach gesucht hat. Das ist kein Vorwurf, sondern ein Nachweis der Methode. Diese Analyse dauert einen Nachmittag und ist der überzeugendste Einstieg in das Gespräch.

Die Infrastruktur-Ernüchterung: In der ersten Projektphase stellt sich heraus, dass die Messdaten weniger dicht, weniger strukturiert oder weniger vollständig vorliegen als angenommen. Batch-Stichproben sind in Excel-Tabellen — aber ohne konsistente Chargenidentifikation. Laborwerte liegen als PDF vor. Inline-Sensoren fehlen ganz. Das ist kein Projektabbruchsgrund, aber es verschiebt den Zeithorizont. Wer das frühzeitig erwartet, ist nicht enttäuscht.

Was konkret funktioniert:

Startet mit einer retrospektiven Analyse: Nehmt eine Reklamation aus den letzten 24 Monaten und rekonstruiert die Messdaten der betroffenen Charge und der sechs Wochen davor. Wenn ein Trend sichtbar wird, habt ihr euren internen Proof of Concept — ohne neue Infrastruktur, nur mit vorhandenen Daten.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Wir prüfen jeden Batch.”

Das stimmt — und es reicht nicht, um Drift zu erkennen. Batchprüfung sagt: Diese Probe ist heute in Spezifikation. Was sie nicht sagt: Der Prozess ist 15 Prozent näher an der Spezifikationsgrenze als vor vier Wochen — und noch in Spezifikation, aber mit einem klaren Trend.

Hier ist die konkrete Mathematik: Euer Toleranzbereich bei Fadendichte sei 28 ± 2 Fäden/cm. Eure historischen Messwerte liegen bei 28,4. Jetzt driftet ihr über vier Wochen gleichmäßig: 28,2 — 28,0 — 27,8 — 27,6. Alle Werte grün. Woche 5: 27,4. Noch grün, aber knapp. Woche 6: 27,0. Exakt an der Grenze. Woche 7: Die Charge mit 26,8 ist eine Reklamation. Und die Chargen aus Wochen 5 und 6 sind bereits beim Kunden.

Eine Stichprobenprüfung hätte in Woche 4 “grün” gezeigt. Ein Drift-System hätte in Woche 2 gemeldet: konsistente Abwärtsbewegung, Ursachenprüfung empfohlen.

„KI ist zu komplex für unseren Betrieb.”

Drift-Erkennung ist konzeptionell einer der einfachsten KI-Anwendungsfälle — keine Sprachmodelle, keine neuronalen Netze, keine Schwarze-Box-Modelle. Im Kern ist es ein statistischer Trend-Detektor, der aus euren eigenen Messdaten lernt und euch sagt, wann eine Messgröße systematisch in eine Richtung driftet. Die Komplexität liegt in der Infrastruktur (Sensoren, Datenpipeline), nicht in der Methode.

Wer damit anfangen will, ohne Code: Power BI mit einer CUSUM-ähnlichen Trendlinie auf vorhandenen Labordaten ist der Einstieg ohne KI-Kenntnisse.

„Wir sehen den Drift doch selbst.”

Manchmal ja — wenn er groß genug ist, wenn er an einer Maschine auftritt, wenn er schnell genug fortschreitet. Aber über vier bis acht Wochen, bei mehreren Parametern gleichzeitig, über mehrere Maschinen mit verschiedenen Garnchargen: Das kann kein Mensch systemisch beobachten, während gleichzeitig der laufende Betrieb gemanagt wird. Das ist dasselbe Prinzip wie bei der Fadenbruch-Mustererkennung — Muster, die menschlich nicht gleichzeitig beobachtbar sind, sind keine Frage der Aufmerksamkeit, sondern der Kapazität.

Woran du merkst, dass das zu dir passt

• Ihr produziert Gewebequalitäten, bei denen Reklamationen nicht nur ärgerlich, sondern kostenintensiv sind — Technische Textilien, Heimtextilien im mittleren bis oberen Segment, Automotive-Textilien, medizinische Gewebe
• Eure Qualitätsmessungen haben eine Zeitdimension — ihr messt nicht nur ein Mal je Auftrag, sondern könnt Messwerte einer Charge oder eines Zeitraums zuordnen
• Ihr habt in den letzten 24 Monaten Reklamationen erlebt, bei denen die Ursache erst im Nachhinein in den Produktionsdaten sichtbar wurde — das ist der direkteste Hinweis, dass Drift-Erkennung für euren Betrieb wirkt
• Ihr wechselt regelmäßig Garnchargen oder Rohstoffe — chargenabhängige Qualitätsschwankungen sind ein klassischer Drift-Auslöser
• Eure Produktion läuft kontinuierlich genug, dass Messdaten einen sinnvollen Zeitverlauf ergeben — mindestens 5 Batches pro Woche je Produkttyp

Wann es sich nicht lohnt — vier harte Ausschlusskriterien:

1. Rein manuelle Produktion ohne digitale Messdaten. Ein Drift-Erkennungssystem ist eine Softwarelösung auf Messdaten — ohne strukturierte, digitale Qualitätsmessdaten gibt es nichts zu analysieren. Wer heute nur Sichtprüfung und subjektive Bewertung hat, braucht zuerst eine Messtechnik-Infrastruktur.

2. Weniger als 5 Batches pro Woche je Produkttyp. Drift-Erkennung braucht Dichte. Bei sehr kleinen Losgrößen oder stark schwankenden Auftragsfolgen gibt es zu wenig Datenpunkte, um statistisch zwischen zufälliger Schwankung und systematischem Trend zu unterscheiden. Unter dieser Schwelle ist SPC-basierte Drift-Erkennung methodisch unzuverlässig.

3. Kundenspezifikationen ändern sich mit jedem Auftrag. Drift-Erkennung setzt eine stabile “Normalität” voraus — einen Prozess mit gleichbleibendem Ziel. Wer bei jedem Auftrag andere Qualitätsparameter fährt, hat keinen stabilen Normalzustand, den das Modell lernen könnte. Für Lohnfertiger mit sehr heterogenem Auftragsmix passt dieser Ansatz strukturell nicht.

4. Preisgetriebenes Commodity-Geschäft mit dünnen Margen. Drift-Erkennung verhindert Reklamationen — das setzt voraus, dass Reklamationen teuer genug sind, um die Investition zu rechtfertigen. Wer im Commodity-Bereich produziert, wo Qualitätsansprüche gering und Reklamationswerte niedrig sind, hat keinen ausreichenden ROI-Hebel für die Infrastrukturinvestition.

Das kannst du heute noch tun

Bevor ihr einen Euro in neue Sensorik oder Software investiert, macht ihr folgende Analyse mit Daten, die ihr bereits habt:

Nehmt die letzte signifikante Reklamation (oder wenn keine vorhanden: den letzten Fall, bei dem eine Charge im eigenen Haus zurückgehalten werden musste). Tragt in einer Tabelle die Qualitätsmesswerte des betroffenen Parameters — Fadendichte, Flächengewicht, Zugfestigkeit, was auch immer gemessen wurde — für die sechs Wochen vor der Beanstandung auf. Dann: Erstellt ein einfaches Liniendiagramm.

Was ihr wahrscheinlich seht: einen Trend. Nicht immer, aber oft. Und wenn ihr ihn seht, habt ihr euren internen Proof of Concept — ohne Investition, ohne externes Tool, nur mit Excel und Daten aus eurem Qualitätsarchiv.

Für die Analyse direkt mit einem Sprachmodell:

Quellen & Methodik

• USTER Fabriq Vision 2 — Fabriq Vision und Quality Expert: Produktdokumentation und Kundenreferenzen, uster.com (Stand April 2026). Uster Quality Expert: “The ultimate Quality Management Platform to predict potential faults and prevent claims.” Kundenreferenz Uztex Uchkurgan: “Response time to quality problems in the process has decreased significantly with Uster Quality Expert.” (Mill Manager, Uztex Uchkurgan, Usbekistan, uster.com/value-added-services/customer-references/uztex-uchkurgan/).
• Fraunhofer IDMT — Projekt OptiStrick: KI-gestützte inline Qualitätssicherung für flexible Stricktechnologien — interdisziplinäres Projekt zur Echtzeit-Analyse von Material- und Betriebsbedingungen in der Textilproduktion. Fraunhofer IDMT, idmt.fraunhofer.de/en/institute/projects-products/projects/optistrick (Stand April 2026).
• Konzept-Drift und Modell-Degradation: “A change in manufacturing material can cause a quality assurance model to suddenly degrade in performance.” — EvidentlyAI, “What is data drift in ML, and how to detect and handle it”, evidentlyai.com/ml-in-production/data-drift (Stand April 2026). Konzept-Drift in der industriellen Fertigung: regelmäßige Retraining-Zyklen erforderlich, dokumentiert in Frontiers in Artificial Intelligence (2024), doi:10.3389/frai.2024.1330257.
• Qualitätskosten in der Fertigung: Qualitätskosten (COQ) in Fertigungsbetrieben typisch 20–25 % der Herstellungskosten. FutureMarketInsights / VerifiedMarketResearch, Fabric Inspection Machines Market Report (2026). Externe Fehlerkosten (Reklamationen) als Teilmenge dieser Qualitätskosten.
• Statistische Prozesskontrolle und Drift-Erkennung: “SPC makes it possible to monitor a process in real time, meaning that any drift in the process will send an alert to the operator.” — Textileschool.com, “Statistical Quality Control in Textiles”. ASQ, Control Charts Guide: SPC erkennt Drift durch Muster (Trends, Zyklen, Runs) bevor Prozessgrenzen überschritten werden. asq.org/quality-resources/control-chart (Stand April 2026).
• Abtastfrequenz und Drift-Erkennung: “Between two samplings, the machine may have drifted — sampling frequency must allow drift to be detected early enough.” — Ellistat, “SPC or sampling control”, ellistat.com (Stand April 2026). Dies begründet die Anforderung an höhere Messdichte gegenüber klassischer Batch-Stichprobenprüfung.
• Kostenangaben für Implementierung: Erfahrungswerte aus industriellen ML-Qualitätsprojekten in der Textilindustrie, Stand April 2026. USTER Fabriq Vision: keine Listenpreise — projektbezogen auf Anfrage. Power BI Pro: veröffentlichter Tarif Microsoft (Stand April 2026).

Ihr wollt wissen, ob eure historischen Qualitätsdaten einen erkennbaren Drift vor bekannten Reklamationen zeigen? Meldet euch — das klären wir gemeinsam in einem kurzen Gespräch.