Siegelnaht-Versagensrisiko-Prognose

Das echte Ausmaß des Problems

Undichte Siegelnähte sind das heimtückischste Qualitätsproblem in der Lebensmittelverpackung: Sie entstehen auf der Linie, zeigen sich beim Endkunden, und die kausale Kette dazwischen ist lang genug, um den Produktionszeitpunkt zu verwischen.

Die typische Entstehungsursache ist nicht sichtbar. Laut Fraunhofer IVV (Institut für Verfahrenstechnik und Verpackung) sind kritische Fehlerstellen an Siegelnähten meist an Positionen, wo Schichtübergänge im Folienmaterial zusammentreffen oder wo Rückstände des Füllguts in die Siegelzone gedrungen sind — beides erzeugt lokale Wärmesenkeffekte, die die Polymerketten nicht vollständig ineinander verzahnen lassen. Die Naht schließt visuell, trägt aber keine Festigkeit. (Quelle: Fraunhofer IVV, Forschungsbereich Verpackungsmaschinen und Prozesse.)

Was passiert dann:

• Die Verpackung besteht den stationären Drucktest auf der Linie (die Naht ist geschlossen)
• Sie besteht die Kamerakontrolle (keine sichtbare Anomalie)
• Sie verlässt das Werk, wird palettiert, gefahren, umgepackt, in die Kühltheke gestellt
• Unter Druckwechsel, Temperaturveränderung und mechanischer Belastung im Transport öffnet sich die schwache Zone im Nanometerbereich — die Schutzatmosphäre entweicht, das Haltbarkeitsdatum wird irrelevant

Die Konsequenzen sind gestaffelt nach Füllgut und Reaktionsgeschwindigkeit:

Lebensmitteltechnische Ebene: Bei MAP-Verpackungen (Schutzatmosphäre mit CO₂/N₂/O₂) bricht die Barrierewirkung sofort zusammen, sobald Luft eindringt. Für rohes Fleisch, Fisch und Geflügel kann das bedeuten: Keimwachstum innerhalb weniger Stunden, das Produkt ist vor Ablauf des aufgedruckten MHD mikrobiologisch nicht mehr sicher.

Haftungsrechtliche Ebene: Wenn ein Verbraucher eine mit Salmonellen kontaminierte Verpackung kauft und die Ursache auf eine schwache Siegelnaht zurückgeführt werden kann, haftet der Hersteller — nicht der Händler. § 437 BGB (Sachmangel) und produkthaftungsrechtliche Ansprüche nach dem ProdHaftG sind relevant, wenn Gesundheitsschäden entstehen.

Ökonomische Ebene: Laut einer Analyse von Allianz Global Corporate & Specialty (AGCS) auf Basis von 367 Rückrufansprüchen aus 28 Ländern (2012–2017) kostet ein signifikanter Lebensmittelrückruf im Schnitt knapp 8 Millionen Euro — die größten Einzelfälle weit darüber. Das schließt direkte Kosten (Rückholung, Vernichtung, Nachproduktion) und indirekte (Kundenbenachrichtigung, Behördenmeldungen, Reputationsschaden, Listungsrisiko beim Handel) ein. (Quelle: m-q.ch/en/how-much-product-recalls-cost/)

Dazu kommen die Alltagskosten, die keinen Rückruf auslösen: fehlerhafte Verpackungen im Lecktest, Nacharbeit, Ausschuss, Folienkosten für verlorene Produktionseinheiten.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Suchzeit-Vergleichswerte basieren auf Branchenerhebungen von Packaging Technology and Science (Ilhan et al., 2021) und eigenen Erfahrungswerten aus Implementierungsprojekten.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5) Der direkte Zeiteinsparungseffekt ist moderat: Weniger Nacharbeit, weniger Lecktest-Stichproben auf unauffälligen Chargen, schnellere Freigabeentscheidungen bei niedrigem Risikoscore. Was nicht entlastet wird, ist die Produktionszeit selbst — das Modell bremst die Linie nicht und beschleunigt sie auch nicht. Der Hauptwert liegt anderswo.

Kosteneinsparung — sehr hoch (5/5) Das ist der dominante Hebel. Ein einziger vermiedener Rückruf amortisiert das gesamte System mehrfach — realistisch auf mehrere Jahre voraus. Dazu kommen die laufenden Einsparungen durch niedrigere Ausschussquoten, weniger Folienkosten für Nachproduktionen und reduzierte Lecktest-Ressourcen für Niedrigrisikochargen. In der Verpackungsbranche ist kein anderer KI-Anwendungsfall so direkt mit potenziellen Katastrophenkosten verbunden. 5/5 ist hier sachlich gerechtfertigt.

Schnelle Umsetzung — niedrig (2/5) Das System setzt voraus, dass die Siegelstation bereits kontinuierliche Prozessparameter loggt — Temperatur pro Backenzone, Siegeldruck, Siegelzeit, Folieneigenschaften (idealerweise Rollennummer). Wer nur einen Lecktest-Durchgang hat, startet bei null. Die Modellvalidierung erfordert außerdem eine ausreichend große Datenbasis mit bekannten Gut/Schlecht-Urteilen. In der Praxis sind 8 bis 14 Wochen bis zum ersten validierten Pilotbetrieb realistisch — auch bei guter Datenlage.

ROI-Sicherheit — hoch (4/5) Die Metrik ist sauber: Ablehnrate pro Charge vor dem Modell vs. danach, Korrelation mit dem Lecktest, Recall-Ereignisse pro Jahr. Das sind Zahlen, die jede Produktion führt oder führen kann. Die Unsicherheit liegt in der Seltenheit von Rückruf-Ereignissen — wer zuletzt vor drei Jahren einen hatte, kann den Nutzen des Modells schwerer monetisieren, als wer monatlich Leckagen im Handel sieht.

Skalierbarkeit — mittel (3/5) Das Modell skaliert pro Siegelstation — eine Linie einrichten, dann die zweite Linie ergänzen. Die Komplexität steigt, wenn neue Folienmaterialien oder neue Produktformate dazukommen: Jedes neue Materialprofil braucht eigene Trainingsdaten, weil die Parameterkorrelationen sich zwischen Materialien erheblich unterscheiden. Das ist kein technisches Problem, aber ein Datenproblem — und es begrenzt, wie schnell ein neues Sortiment in das Modell integriert werden kann.

Richtwerte — stark abhängig von Produktportfolio, vorhandener Dateninfrastruktur und Linienkomplexität.

Was das Prognosemodell konkret macht

Das System greift nicht in die Siegelstation ein — es beobachtet und bewertet.

Jede Siegelstation erzeugt bei jedem Zyklus eine Reihe von Messwerten: Backentemperatur je Zone (vordere, hintere, seitliche Siegelkante), Schließdruck in Bar, Kontaktzeit in Millisekunden. Auf modernen Linien von MULTIVAC, Ulma oder Sealpac kommen dazu: Folienrollenkennung, Folienzuglast, Backenabnutzungsindex. Diese Werte landen heute meist im Steuerungssystem — aber nur zur Grenzwertüberwachung, nicht zur Musteranalyse.

Das Machine Learning-Modell tut genau das, was die Grenzwertüberwachung nicht kann: Es lernt aus der Kombination dieser Parameter, welche Parameterkonstellationen in der Vergangenheit mit Leckageschäden korreliert haben — auch dann, wenn kein einzelner Parameter seinen Grenzwert verletzt hat.

Konkret: Eine Temperaturabweichung von 3 Kelvin an der nachlaufenden Backenzone ist für sich allein nicht kritisch. Aber in Kombination mit einem gleichzeitigen leichten Druckabfall (0,2 Bar unter Soll) und einer Folie, die laut Rollendaten aus dem oberen Dickentoleranzbereich stammt, ergibt sich ein Parametermuster, das historisch mit erhöhter Leckagerate korreliert. Kein menschlicher Maschinenbediener kann diese dreidimensionale Korrelation in Echtzeit erkennen.

Was das Modell ausgibt:

• Einen Risikoscore (0–100) je Produktionscharge, in Echtzeit
• Welche Parameter die aktuelle Bewertung dominieren (Erklärbarkeit)
• Einen Freigabe-Vorschlag: grün (normale Stichprobe genügt), gelb (erweiterte Stichprobe empfohlen), rot (Charge zurückhalten, Ursache prüfen)

Was das Modell nicht ist:

Das Modell ist keine zweite Kamera, kein zweiter Lecktest. Es ist ein statistisches Risikourteil auf Chargenebene, das über alle Parameter hinweg schaut, die der klassische Qualitätstest einzeln abfragt. Es ist komplementär zu bestehenden Prüfsystemen — kein Ersatz für sie.

Risikoklassen nach Füllgut und Transportweg

Die Konsequenz einer undichten Siegelnaht ist nicht universell — sie hängt davon ab, was drin ist und wie weit es reist.

Die Tabelle zeigt: Das Prognosemodell muss nicht überall gleich kalibriert sein. Ein Käsehersteller, der ausschließlich Vakuum-Wurstwaren produziert, kann mit einem anderen Schwellenwert arbeiten als ein Geflügelverarbeiter mit MAP-Linie. Die Risikokalibrierung sollte beim Rollout gemeinsam mit dem Qualitätsmanagement und — bei regulierten Produkten — dem Lebensmittelsicherheitsbeauftragten festgelegt werden.

Transportweg als Risikoverstärker: Eine Verpackung, die mit dem Lkw 50 km zum Regionalhandel fährt, erlebt weniger mechanische Belastung als eine, die per Kühltransporter 800 km zum Zentrallager fährt, dort umgepackt wird und dann nochmals distribuiert wird. Für Exportware sollten die Alarmschwellen konservativer gesetzt werden — die Druckwechselbelastung bei langen Transportketten ist deutlich höher.

Konkrete Werkzeuge — was wann passt

Das richtige Werkzeug hängt davon ab, was bereits in deiner Linie vorhanden ist: Wie werden Prozessparameter erfasst? Wo landen sie? Was kann die Steuerung bereitstellen?

Bizerba SealSecure / PackSecure — Das ist kein ML-Prognosemodell, sondern ein Kamera-Inline-Prüfsystem, das nach der Siegelstation jede Verpackung auf sichtbare Siegelfehler prüft. Es ist die notwendige Ergänzung zum Prognosemodell: Vision fängt Fehler, die bereits passiert sind; das ML-Modell prognostiziert Fehler, die passieren werden. Für jede Linie mit Lebensmittel-Zertifizierung sollte beides vorhanden sein. Bizerba PackSecure T schafft bis zu 200 Verpackungen pro Minute, ist modular erweiterbar und für Nassbereiche geeignet.

KEYENCE Vision — Alternative zur Bizerba-Lösung für die Kamera-Siegelkontrolle. KEYENCE-Systeme sind etwas einsteigerfreundlicher konfigurierbar und oft etwas günstiger in der Anschaffung; Bizerba ist im Lebensmittelbereich stärker etabliert.

Siemens Insights Hub — Wenn deine Linien bereits Siemens-Steuerungen (SIMATIC S7) nutzen, ist Insights Hub die natürliche Plattform, um Prozessdaten zu aggregieren, historisch auszuwerten und ML-Modelle zu betreiben. Vorteil: native Anbindung ohne Custom-Middleware. Nachteil: Enterprise-Pricing, kein Self-Service-Einstieg.

Landing AI (LandingLens) — Für den Fall, dass das Prognosemodell nicht nur aus Prozessparametern, sondern ergänzend aus Kamerabildern der Siegelnaht arbeiten soll (z. B. thermografische Aufnahmen der Siegelzone). LandingLens ermöglicht das No-Code-Training eigener Bildmodelle auf Basis weniger hundert Aufnahmen. Einschränkung: US-Datenhosting, kein deutschsprachiger Support.

Individuell entwickeltes Prognosemodell (Python/scikit-learn/XGBoost) — Für Betriebe mit eigenem Datenwissenschafts-Know-how oder einem externen KI-Partner ist ein maßgeschneidertes Modell oft die beste Wahl. Die Parameterdaten kommen per OPC-UA oder CSV-Export aus der Steuerung, das Modell läuft auf einem Edge-PC direkt an der Linie. Kein Cloud-Hosting, keine Drittanbieter-Lizenz. Einstiegsinvestition für Entwicklung und Validierung: realistisch 30.000 bis 80.000 Euro je nach Komplexität der Siegelstation.

Zusammenfassung — welcher Ansatz für wen:

• Siemens-Maschinenpark vorhanden → Siemens Insights Hub als Datenplattform, Prognosemodell als App
• Keine IT/OT-Integration vorhanden → individuell entwickeltes Modell mit externer KI-Agentur, Edge-Deployment
• Bildbasierte Ergänzung gewünscht (Thermografie) → Landing AI für Pilotphase
• Kamera-Inline-Kontrolle fehlt noch → Bizerba PackSecure oder KEYENCE als parallele Investition

Datenschutz und Datenhaltung

In der Siegelnahtprognose werden ausschließlich Maschinendaten verarbeitet — Messwerte von Sensoren an Siegelbacken und Förderanlagen. Es fallen keine personenbezogenen Daten an: kein Kamerabild einer Person, keine Mitarbeiterdaten, keine Kundendaten.

Das vereinfacht die DSGVO-Lage erheblich: Ein Auftragsverarbeitungsvertrag (AVV) nach Art. 28 DSGVO ist trotzdem erforderlich, wenn ein Drittanbieter (Siemens, Landing AI, externe KI-Agentur) Zugriff auf die Maschinendaten erhält — aber das Risikoprofil ist deutlich niedriger als bei personenbezogenen Produktionsdaten.

Was du klären solltest:

• Datenhaltungsort: Maschinendaten können kompetitiv sensibel sein (Produktionsrezepturen, Linienkennzahlen). Für regulierte Lebensmittelbetriebe oder Betriebe mit Exportware in bestimmte Märkte kann EU-Hosting ein Beschaffungskriterium sein. Siemens Insights Hub bietet EU-Datenresidenz; Landing AI hostet standardmäßig in den USA.
• On-Premise-Option: Wer maximale Kontrolle will, betreibt das Prognosemodell auf einem Edge-PC direkt an der Linie — kein Cloud-Datentransfer. Das ist bei sensiblen Rezepturen oder Exportkunden mit NDAs die sicherere Wahl.
• Betriebsrat: Bei der Verknüpfung von Maschinendaten und Schichtplänen (z. B. um zu prüfen, ob bestimmte Maschinenbediener mit höheren Fehlerraten korrelieren) ist die Mitbestimmung nach § 87 Abs. 1 Nr. 6 BetrVG relevant. Das Prognosemodell selbst zielt auf Prozessparameter, nicht auf Personen — aber Nutzungsszenarien sollten mit dem Betriebsrat abgestimmt sein.

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten

Die Spanne ist groß — sie hängt vor allem davon ab, wie gut die Datenlage ist. Wer seit zwei Jahren OPC-UA-Daten seiner Siegelstation loggt, kommt in der unteren Hälfte der Spanne aus. Wer heute mit dem Datenlogging beginnt, braucht zusätzlich 4–6 Monate Datensammelphase, bevor ein Modell sinnvoll trainiert werden kann.

Laufende Kosten (monatlich)

• Hosting / Lizenzen: 200–1.200 €/Monat je nach Plattformwahl
• Modellwartung und Retraining: 1–2 Tage Aufwand/Quartal intern oder extern

Was du dagegenrechnen kannst

Der sauberste ROI-Fall ist der vermiedene Rückruf. Ein einziger Lebensmittelrückruf verursacht laut AGCS-Studie im Schnitt 8 Millionen Euro Gesamtkosten. Das System kostet zwischen 35.000 und 110.000 Euro Einrichtung plus etwa 15.000 Euro/Jahr laufende Kosten. Selbst wenn das System in fünf Betriebsjahren nur einen signifikanten Rückruf verhindert, ist der ROI um den Faktor 50 bis 150 positiv — konservativ gerechnet.

Realistischer ist der Alltagsnutzen: Wenn eine Anlage täglich 50.000 Verpackungen produziert und das Modell die Ablehnrate beim Lecktest um 0,15 Prozentpunkte senkt (75 Verpackungen täglich), spart das bei 0,80 Euro Produktkosten je Stück etwa 60 Euro täglich oder 15.000 Euro jährlich. Das deckt die laufenden Kosten, amortisiert aber nicht die Einrichtung. Der wirtschaftliche Haupthebel bleibt die Rückrufvermeidung.

Wie du den Nutzen tatsächlich misst: Führe vor dem Rollout für drei Monate eine Baseline-Erfassung durch: Lecktest-Ablehnrate je Charge, Kundenbeschwerden wegen Leckagen, Ausschussquote Siegelnaht. Nach Inbetriebnahme vergleichst du diese Kennzahlen monatlich. Die Korrelation des Risikoscores mit späteren Lecktest-Ergebnissen ist dein primäres Validierungsinstrument — und lässt sich statistisch sauber belegen.

Drei typische Einstiegsfehler

1. Das Modell trainieren, bevor die Datenbasis sauber ist. Der häufigste Fehler: Die Parameterdaten aus der Steuerung werden exportiert, ein Modell wird gebaut — und dann stellt man fest, dass die Temperatursensoren an Station 3 seit Monaten eine Drift von +2 Kelvin haben, die nie kalibriert wurde. Das Modell hat diese fehlerhafte Baseline eingebaut und prognostiziert jetzt korrekte Siegelnähte als riskant. Lösung: Vor dem ersten Training alle Sensoren kalibrieren, Drift-Anomalien in der Datenhistorie bereinigen, Ausreißer markieren. Das kostet zwei Wochen — verhindert aber einen nutzlosen Modellstart.

2. Nur einen Parametertyp als Input verwenden. Wer das Modell nur auf Backentemperatur trainiert, bekommt ein schwaches Modell — weil Siegelnahtqualität eine Funktion aus Temperatur, Druck und Zeit ist, und weil die Folieneigenschaften dieses Dreieck verschieben. Die Erkennungsleistung steigt erheblich, wenn alle drei Kerndimensionen plus die Foliencharakteristika-Metadaten eingebunden sind. Das erfordert, dass die Anlage auch Druckdaten und Siegelzeit misst und loggt — was bei modernen Maschinen Standard ist, bei älteren Anlagen aber nachgerüstet werden muss.

3. Das Modell einführen und nicht neu trainieren, wenn neue Folienmaterialien eingesetzt werden. Ein Prognosemodell, das auf Folie A trainiert wurde, trifft keine verlässlichen Aussagen für Folie B — auch wenn die Maschine die gleiche ist. Wenn die Beschaffung auf ein anderes Folien-Laminat wechselt, muss das Qualitätsteam das Modell-Team informieren, damit Trainingsdaten für das neue Material gesammelt und das Modell für die neue Materialkombination aktualisiert wird. Das ist kein theoretisches Problem: Fraunhofer IVV hat dokumentiert, dass Siegelnahtqualität stark vom Schichtaufbau des Folienmaterials abhängt und dass Parameterkorrelationen sich zwischen Materialklassen erheblich unterscheiden können.

4. Das Modell als eigenständigen Qualitätsschritt behandeln, statt als Ergänzung. Das Prognosemodell empfiehlt, es ersetzt nicht. Ein Risikoscore von 80 bedeutet nicht automatisch: Charge vernichten. Es bedeutet: Diese Charge braucht einen erweiterten Lecktest (1:50 statt 1:500), und der Schichtleiter entscheidet auf Basis des Ergebnisses. Das Modell ist ein Filter, der die menschliche Entscheidung besser informiert — kein Automat, der Chargen sperrt oder freigibt. Wer das nicht klar kommuniziert, provoziert Ablehnung im Team: “Das System sagt Nein, aber ich sehe kein Problem an der Maschine.”

Was mit der Einführung wirklich passiert — und was nicht

Die technische Einrichtung ist der einfachere Teil. Das Schwierige ist der Überzeugungsprozess im Betrieb — und der beginnt schon vor dem ersten Modell.

Was auf der Linie passiert: Der Maschinenbediener sieht jetzt einen Risikoscore auf dem Bildschirm. Er hat die Anlage seit acht Jahren bedient und weiß, wie eine gute Siegelnaht aussieht und klingt. Das Modell zeigt plötzlich “Risiko: 65” — und er sieht nichts Auffälliges. Erste Reaktion: Das stimmt nicht. Das ist zu oft ein Fehlalarm. Ich ignoriere das.

Wenn diese Reaktion nicht aufgefangen wird, benutzt nach drei Monaten niemand mehr das System.

Was dagegen hilft:

• Transparenz über die Parameterlogik: Wenn das Modell “Risiko 65” zeigt, sollte der Bediener sehen können: “Wegen Backentemperatur Station 3 nachlaufend, 3,8 K unter Soll bei gleichzeitig 0,18 Bar Druckabfall.” Das macht die Prognose nachvollziehbar — und erklärbar, wenn der nachfolgende Lecktest tatsächlich zwei undichte Stücke findet.
• Pilotstart mit Blindtest: In den ersten vier Wochen läuft das Modell im Hintergrund — der Score wird protokolliert, aber die Freigabeentscheidung trifft wie bisher der Schichtleiter. Nach vier Wochen schaut man gemeinsam: Bei welchen Risikoscores fanden wir wirklich Probleme? Das baut Vertrauen, weil das Team die Prognosequalität selbst erlebt hat.
• Einbindung der Qualitätsleitung früh: Wenn der Qualitätsleiter das System im Piloten selbst mit befüllt hat (Labeling der Lecktestergebnisse, Feedbackrunden) statt es “von oben” eingeführt zu bekommen, verteidigt er es im Betrieb.

Was nicht passiert: Das System schreibt keine Protokolle von alleine. Es meldet keine Chargen an die Lebensmittelbehörde. Es entscheidet keine Freigaben. Das bleibt menschliche Aufgabe — das Modell liefert die Entscheidungsgrundlage.

Realistischer Zeitplan mit Risikohinweisen

Wichtig: Chargen ohne ausreichende Lecktest-Abdeckung können keine Trainingsbeispiele für das Modell liefern. Wer bisher ausschließlich visuelle Kontrolle betrieben hat und keine Lecktest-Datenbasis hat, startet mit einer Phase, in der intensiver Lecktest als Datenbasis aufgebaut wird — das braucht Zeit, ist aber keine verschwendete Zeit.

Häufige Einwände — und was dahintersteckt

„Wir haben bereits 100% Inline-Kontrolle durch Kamera-Prüfsysteme.”

Das stimmt — und das Kamerasystem macht exakt das, wofür es gebaut ist: Es erkennt Siegelnahtfehler, die bereits sichtbar sind. Eine Kontamination im Siegelbereich, eine deutliche Falte, ein fehlender Siegelabschnitt — das sieht die Kamera zuverlässig.

Was die Kamera nicht sieht: Temperaturabweichungen, die die Polymerketten im Nanometerbereich nicht vollständig zusammenfügen. Eine Backenzone, die seit drei Tagen 3 Kelvin zu kühl ist, weil die Temperaturkompensation für Backenabnutzung nicht kalibriert wurde. Eine Kombination aus Druckabfall und zu dickem Folienanteil, die in 2 Prozent der Siegelzyklen zu unzureichender Kettenverzahnung führt.

Diese Naht schließt. Sie sieht gut aus. Sie ist gut. Bis sie unter mechanischer Belastung im Transport aufgeht.

Vision-Systeme und Prognosemodelle sind komplementär: Das Kamerasystem fängt Fehler, die bereits da sind. Das Prognosemodell erkennt Parametermuster, die Fehler wahrscheinlich machen — bevor sie sichtbar werden. Beide braucht man.

„Wir haben zu wenig Daten — wir haben selten undichte Chargen.”

Das ist kein Ausschlussgrund, aber ein Planungsfaktor. ML-Modelle für seltene Ereignisse brauchen mehr Zeit für die Datensammlung oder Techniken für unausgeglichene Datensätze (Oversampling, synthetische Datengenerierung). Fraunhofer IVV hat in Forschungsprojekten gezeigt, dass mit bewusst induzierten Off-Spec-Parameterläufen (kontrolliert zu niedrige Temperatur, zu kurze Siegelzeit) valide Trainingsdaten für Versagensszenarien erzeugt werden können, ohne echte Produktionschargen zu verwerfen. Das ist ein legitimer Ansatz für die Datenphase.

„Das lohnt sich nur für Großbetriebe.”

Nein — der Rückruffall ist keine Frage der Unternehmensgröße. Auch ein mittelständischer Wursthersteller mit 50 Mitarbeitenden und Lieferung an drei Supermarktketten ist einem Rückruf ausgesetzt, der seine Jahresumsatz übersteigen kann. Die Einrichtungskosten von 35.000 bis 110.000 Euro skalieren schlechter für Kleinbetriebe — aber für Betriebe ab 5 Millionen Euro Jahresumsatz mit täglich über 50.000 Siegelnähten ist die Kosten-Nutzen-Rechnung eindeutig.

Woran du merkst, dass das zu dir passt

Gute Voraussetzungen hat dein Betrieb, wenn:

• Deine Siegelstation bereits Temperatur- und Druckdaten per Sensoren erfasst und diese in der Steuerung oder einem MES verfügbar sind
• Du mindestens eine Linie mit täglich über 50.000 Siegelnähten betreibst — darunter ist die statistische Basis für das Modell dünn
• Du in den letzten drei Jahren mindestens einen Vorfall mit undichten Verpackungen beim Händler oder Endkunden hattest, der einen Qualitätsrückruf oder eine größere Reklamation ausgelöst hat
• Du MAP-Verpackungen, Vakuumverpackungen oder Barriereverpackungen für Fleisch, Fisch, Geflügel, Käse oder Wurstwaren produzierst — Produktkategorien, bei denen Leckagen Lebensmittelsicherheitsrelevanz haben
• Du IFS Food, BRCGS oder FSSC 22000 zertifiziert bist oder anstrebst und suchst nach Möglichkeiten, den Nachweis der Siegelnaht-Prozesskontrolle zu verbessern

Wann du es noch nicht tun solltest — drei harte Ausschlusskriterien:

1. Unter 50.000 Siegelnähten pro Tag (weniger als zwei Vollschichten) mit dem betreffenden Format. Das Machine-Learning-Modell braucht ausreichend Datenvolumen, um statistisch belastbare Muster zu lernen. Wer täglich 5.000 Verpackungen produziert, hat pro Monat 100.000 Datenpunkte — davon vielleicht 100 mit Leckagebezug. Das reicht für ein zuverlässiges Modell nicht. Für diesen Fall ist intensiviertes Stichprobenprüfen die bessere Investition.

2. Keine kontinuierliche Prozessparametererfassung an der Siegelstation. Wer heute nur einen Lecktest-Durchgang hat (bestanden/nicht bestanden) und keine sensorbasierte Erfassung von Temperatur, Druck und Siegelzeit, startet nicht bei null — er startet im Minus. Das Modell braucht diese Daten als Input; sie nachzurüsten ist machbar, aber es verschiebt den Projektzeitplan um mindestens sechs Monate.

3. Mehr als acht verschiedene Produktformate pro Woche auf derselben Linie, ohne produktspezifische Parametrierung. Wenn täglich das Format wechselt und kein Datensatz verknüpft, welche Verpackung mit welchen Siegelparametern produziert wurde, kann das Modell keine formatspezifischen Baseline-Profile aufbauen. Das Ergebnis wäre ein formatübergreifendes Durchschnittsmodell, das keines der Formate präzise genug trifft. Voraussetzung: Die Steuerung muss Format und Charge verknüpft protokollieren.

Das kannst du heute noch tun

Der beste erste Schritt ist kein KI-Projekt — es ist ein Datenaudit. Beantworte diese drei Fragen mit deinem Maschinenführer oder Instandhalter:

1. Welche Sensoren hat unsere Siegelstation, und wo landen ihre Messwerte?
2. Welche Daten können wir rückwirkend für die letzten sechs Monate exportieren?
3. Können wir Chargentrennungen in den Daten erkennen — und mit Lecktest-Ergebnissen verknüpfen?

Wenn alle drei Antworten “Ja, das geht” lauten, ist dein Betrieb ein guter Kandidat für einen Piloten. Wenn eine davon “Nein” ist, kennst du die Voraussetzung, die zuerst geschaffen werden muss.

Für das Gespräch mit einem KI-Dienstleister oder internen Projektteam kannst du diesen Prompt in einem KI-Tool verwenden, um die Anforderungen strukturiert durchzugehen:

Quellen & Methodik

• Fraunhofer IVV (Institut für Verfahrenstechnik und Verpackung): Entwicklung des “Pack Peel Scan” — selbstlernendes ML-System für Siegelnahtqualitätsbewertung auf Basis der Öffnungskraftkurve; Forschungsbereich Siegelnahtfehler und Inline-Monitoring mit Dünnfilm-Temperatursensoren am Siegelbalken. Quelle: Fraunhofer IVV Presseinformationen und Forschungsbereich Verpackungsmaschinen (fraunhofer.de).
• Ilhan, I. et al. (2021): “Understanding the factors affecting the seal integrity in heat sealed flexible food packages: A review.” Packaging Technology and Science, Vol. 34, Issue 9. Wiley Online Library. DOI: 10.1002/pts.2564 — Grundlagenarbeit zu Parameterkorrelationen (Temperatur, Druck, Siegelzeit, Kontamination) und Versagensursachen in flexiblen Lebensmittelverpackungen.
• HAL Science (2024): “Automatic seal quality inspection using deep learning in mono material flexible packaging” — Thermografiebasierte Deep-Learning-Methode erreichte 98,7% Genauigkeit und 88,89% Recall bei der Erkennung von Siegelfehlern. Quelle: hal.science/hal-05477594v1
• Allianz Global Corporate & Specialty (AGCS): “Global Claims Review: Product Recall” — Analyse von 367 Rückrufansprüchen aus 28 Ländern und 12 Branchen (2012–2017). Durchschnittliche Kosten eines signifikanten Lebensmittelrückrufs: knapp 8 Millionen EUR; Durchschnitt über alle Branchen: über 10,5 Millionen EUR. Quelle: m-q.ch/en/how-much-product-recalls-cost/
• PromarksVac (2024): “The Science of Secure Seals: Predicting and Optimizing Heat Seal Performance in Modern Packaging.” Branchenbericht zu ML-Einsatz in der Hitzesiegeltechnologie: ML reduziert Validierungszyklen um bis zu 70%; risikobasierte Qualitätssysteme zeigen 40%+ Reduktion siegel-bezogener Defekte. Quelle: promarksvac.com
• Preisangaben industrielle Prüfsysteme: Erfahrungswerte aus Marktgesprächen; Bizerba, KEYENCE, Siemens ohne öffentliche Listenpreise (Stand April 2026).
• § 87 Abs. 1 Nr. 6 BetrVG: Mitbestimmungsrecht des Betriebsrats bei technischen Überwachungseinrichtungen — relevant bei Verknüpfung von Maschinendaten und Schichtpersonal.

Du möchtest wissen, ob euer Datenstatus für ein Pilotprojekt ausreicht — und was der sinnvolle erste Schritt wäre? Meld dich — das klären wir gemeinsam in einem kurzen Gespräch.