KI in der Produktion: Qualitätsprüfung, Instandhaltung und Planung für den Mittelstand

Ein gefrästes Bauteil verlässt die Maschine innerhalb der eingestellten Prozesswerte. Bei der Endprüfung fällt dennoch eine feine Oberflächenabweichung auf. Bis die Ursache gefunden ist, stehen Werkzeugwechsel, Materialcharge, Spannmittel, Temperaturverlauf und mehrere Sensorkurven zur Prüfung. KI in der Produktion kann solche Zusammenhänge früher sichtbar machen. Sie weiß aber nicht automatisch, ob das Bauteil freigegeben werden darf oder welche Maschinenänderung sicher ist.

Qualitätsprüfung, Instandhaltung und Produktionsplanung werden häufig als ein gemeinsames KI-Thema behandelt. Technisch sind es unterschiedliche Aufgaben. Eine Kamera klassifiziert ein sichtbares Fehlerbild. Eine Zeitreihenanalyse erkennt ungewöhnliche Schwingungen. Eine Planungslösung bewertet Auftragsreihenfolgen unter festgelegten Bedingungen. Jedes Verfahren benötigt eigene Daten, Referenzen, Fehlergrenzen und Verantwortlichkeiten.

SW Business Solutions setzt deshalb keine universelle „KI-Fabrik“ über eine bestehende Produktion. ERP, MES, QMS, Instandhaltungssystem und Maschinensteuerung bleiben fachlich führend. SW Business Solutions verbindet geeignete Standarddienste und entwickelt fehlende Datenwege, Modelle, Dashboards, Prüfoberflächen und Bedienabläufe passend zum jeweiligen Werk und Anwendungsfall.

KI in der Produktion ist belegt, aber noch kein Selbstläufer

Fraunhofer ISI veröffentlichte im Dezember 2024 eine Auswertung der Erhebung „Modernisierung der Produktion 2022“. In dieser damaligen Befragung nutzten 16 Prozent der betrachteten Produktionsbetriebe in Deutschland KI-Anwendungen. Bei Betrieben mit weniger als 50 Beschäftigten waren es 13 Prozent. Die Werte beschreiben den Erhebungsstand 2022 und dürfen weder als aktueller Anteil 2026 noch als Aussage über jeden Kleinstbetrieb gelesen werden.

Die Auswertung nennt Qualitätskontrolle, interne Logistik, Produktionssteuerung und Instandhaltung als Einsatzfelder. Zugleich betont sie eine grundlegende Digitalisierung und verfügbare Daten als Voraussetzung. Genau darin liegt die praktische Grenze: Ein Modell kann nur Zustände auswerten, die Maschinen, Messmittel und Fachsysteme mit nachvollziehbarem Zeit- und Auftragsbezug erfassen.

„Unsere Fertigung ist zu klassisch“ ist daher nicht die richtige Prüfgröße. Aussagekräftiger sind fünf konkrete Punkte:

• Entsteht ein wiederkehrender Qualitäts-, Störungs- oder Planungsfall?
• Gibt es ein nachprüfbares richtiges Ergebnis?
• Lassen sich Auftrag, Maschine, Werkzeug, Material und Zeitpunkt verbinden?
• Kann ein Hinweis zunächst ohne automatische Maschinenaktion getestet werden?
• Ist der heutige Aufwand oder Schaden groß genug für Entwicklung und Betrieb?

Eine mechanische Fertigung mit älteren Maschinen kann einen geeigneten Anwendungsfall besitzen. Eine hochautomatisierte Linie kann trotz großer Datenmenge ungeeignet sein, wenn Fehlerereignisse nicht dokumentiert oder Varianten nicht sauber getrennt werden.

Fünf Einsatzfelder benötigen fünf verschiedene Datenmodelle

Ein gemeinsames Dashboard täuscht leicht darüber hinweg, dass die Modelle verschiedene Fragen beantworten:

Ein Anomaliewert ist keine Fehlerdiagnose. Eine erkannte Oberflächenauffälligkeit ist keine automatische Ausschussentscheidung. Eine mathematisch günstige Reihenfolge kann an einer nicht erfassten Personalqualifikation scheitern. Diese Bedeutungen müssen in Oberfläche, Schnittstelle und Arbeitsanweisung erhalten bleiben.

Visuelle Qualitätsprüfung beginnt bei der Bildentstehung

Bei einer visuellen Prüfung fällt der Blick schnell auf das Modell. In der Produktionshalle entscheidet zuerst die Aufnahmequalität. Beleuchtung, Kamerawinkel, Optik, Abstand, Verschmutzung, Taktzeit und Bauteilposition bestimmen, ob ein Kratzer oder eine Kante überhaupt reproduzierbar sichtbar ist.

Fraunhofer IPA beschreibt für industrielle Qualitätsprozesse die Kombination aus analytischer Bildverarbeitung und KI. Geometriemessungen oder klar definierte Toleranzen können mit festen Verfahren geprüft werden. KI eignet sich eher für komplexe visuelle Muster wie Risse, Einschlüsse oder Fehlmontagen, sofern geeignete Trainings- und Prüfdaten vorliegen.

Ein belastbarer Ablauf sieht beispielsweise so aus:

1. Das MES oder die Anlage meldet Bauteiltyp, Auftrag und Prüfzeitpunkt.
2. Eine kontrollierte Kameraumgebung erzeugt das Bild.
3. Feste Prüfungen kontrollieren Bildschärfe, Position und Vollständigkeit.
4. Das Modell bewertet nur die definierten Fehlerklassen.
5. Unsichere Fälle landen in einer Prüfoberfläche.
6. Die Fachkraft bestätigt Gutteil, Fehlerart oder nicht bewertbares Bild.
7. Ergebnis und Originalaufnahme werden dem Auftrag im QMS zugeordnet.

Für das Training braucht es nicht nur viele Bilder, sondern die richtigen Unterschiede. Wenn fast alle Aufnahmen Gutteile zeigen, kann ein Modell seltene Fehlerbilder unzureichend lernen. Werden ähnliche Kratzer von Prüfern unterschiedlich bewertet, lernt es eine widersprüchliche Referenz.

Die Entscheidungsschwelle hängt von den Fehlerfolgen ab. Ein übersehener sicherheitsrelevanter Defekt ist anders zu bewerten als ein fälschlich aussortiertes Teil. Deshalb werden mindestens falsch akzeptierte und falsch abgewiesene Teile getrennt gemessen. Eine hohe Gesamtgenauigkeit kann beide Fehlerarten verdecken.

Varianten und neue Fehlerbilder verändern die Modellleistung

Eine Kamera-KI wird nicht einmal trainiert und bleibt dann unverändert richtig. Neue Materialfarben, Lieferanten, Oberflächen, Werkzeuge oder Verpackungsfolien können das Bild verändern. Auch eine neu ausgerichtete Leuchte erzeugt andere Schatten.

Der produktive Betrieb benötigt deshalb eine Versionslogik:

• Welche Bauteilvarianten darf das Modell bewerten?
• Mit welcher Kamera- und Beleuchtungskonfiguration wurde es geprüft?
• Welche Fehlerklassen waren im Test enthalten?
• Ab welcher Unsicherheit ist eine manuelle Prüfung notwendig?
• Welche Änderung löst eine erneute Validierung aus?

Ein unbekanntes Muster sollte nicht zwanghaft der ähnlichsten Fehlerklasse zugeordnet werden. Das Ergebnis „außerhalb des geprüften Bereichs“ ist betrieblich wertvoll. Es verhindert, dass ein neues Problem mit scheinbarer Sicherheit falsch einsortiert wird.

Fraunhofer IPT beschreibt Plattformansätze für die standardisierte Integration, Überwachung und Optimierung industrieller Machine-Learning-Anwendungen. Für einen Mittelständler muss daraus keine große Plattformbeschaffung folgen. Die zentrale Anforderung bleibt jedoch: Modell, Datenversion, Freigabebereich und laufende Kennzahlen müssen dokumentiert sein.

Prozessdaten können Qualität vor der Endprüfung anzeigen

Nicht jeder Qualitätsfehler ist auf einem Kamerabild sichtbar. Bei Schweißen, Spritzguss, Pressen oder Zerspanung können Kräfte, Strom, Temperatur, Druck, Vibration und Zeitverläufe Hinweise auf einen abweichenden Prozess liefern. Fraunhofer IPA ordnet solche Verfahren als Quality Monitoring und Predictive Quality ein.

Damit ein Modell einen Zusammenhang lernen kann, müssen Prozess- und Qualitätsdaten auf dasselbe Werkstück oder Los zurückgeführt werden. Ein Minutenmittelwert aus der Maschine reicht nicht, wenn mehrere Teile in diesem Zeitraum gefertigt wurden. Ebenso wenig hilft ein Laborwert, der nicht mehr zur richtigen Charge zugeordnet werden kann.

Ein möglicher Datenweg verbindet:

• Fertigungsauftrag und Arbeitsgang aus ERP oder MES
• Maschine, Werkzeug und Programmversion
• synchronisierte Sensor- und Prozessdaten
• Materialcharge und relevante Umgebungswerte
• Mess- oder Prüfergebnis aus QMS oder Messsystem
• dokumentierte Nacharbeit und endgültige Freigabe

Das Modell kann anschließend ein Qualitätsrisiko oder einen erwarteten Messwert berechnen. Die Aussage bleibt eine Prognose. Ein Bauteil ohne direkte Prüfung freizugeben erfordert eine gesonderte Validierung, beherrschte Prozesse und die Einhaltung der jeweiligen Qualitätsanforderungen.

Oft verbessert bereits die Datenverknüpfung den Prozess. Wenn Temperaturkurve, Werkzeugstand und Messwert erstmals gemeinsam sichtbar sind, können Fachleute Ursachen auch ohne komplexes Modell untersuchen. Die Datenanalyse von SW Business Solutions beginnt deshalb mit Zeitbezug, Datenqualität und einer verständlichen Baseline.

Anomalieerkennung meldet Ungewöhnliches, nicht automatisch die Ursache

In Produktionsdaten fehlen häufig genügend sauber gekennzeichnete Fehlerbeispiele. Ein unüberwachtes Verfahren kann dann das Normalverhalten lernen und Abweichungen markieren. Fraunhofer IPA bezeichnet fehlende gelabelte Fehlerdaten als typischen Praxisfall und unterscheidet überwachte, teilüberwachte und unüberwachte Szenarien.

Dieser Ansatz reduziert den Bedarf an bekannten Fehlerklassen, löst das Bewertungsproblem aber nicht vollständig. Eine Abweichung kann auf Verschleiß, Materialwechsel, neue Produktvariante, Bedienhandlung, Sensorfehler oder einen zulässigen Sonderbetrieb zurückgehen. Erst der Produktionskontext macht den Alarm interpretierbar.

Ein Beispiel ist der Energieverlauf einer Schweißanlage. Strom- und Spannungsdaten können mit Bedien- oder Prozessabweichungen zusammenhängen. Wird jedoch ein anderes Programm gefahren, ändert sich der normale Verlauf ebenfalls. Das System benötigt Programmkennung, Material, Bauteil und Betriebszustand als Kontext.

Für den Pilot werden Alarme gegen Wartungs-, Qualitäts- und Schichtprotokolle geprüft. Fachkräfte markieren, ob eine Meldung relevant, erklärbar oder falsch war. Diese Rückmeldung verbessert Schwellen und Modell, darf aber nicht als verdeckte Leistungsbewertung einzelner Beschäftigter verwendet werden.

Predictive Maintenance benötigt einen klaren Wartungsgegenstand

„Die KI sagt den Maschinenausfall voraus“ ist für ein Projekt zu breit. Ein geeigneter Wartungsfall benennt Bauteil, beobachtbaren Zustand und mögliche Reaktion. Das kann ein Lager mit Schwingungsdaten, eine Pumpe mit Stromaufnahme und Druckverlauf oder ein Werkzeug mit Last- und Standzeitdaten sein.

Zunächst wird geprüft, ob eine feste Zustandsgrenze genügt. Ein vom Hersteller definierter Temperatur- oder Schwingungsgrenzwert ist nachvollziehbar und benötigt kein lernendes Modell. KI wird interessant, wenn mehrere Signale, Lastzustände und zeitliche Muster zusammenwirken oder eine einfache Grenze zu viele Fehlalarme erzeugt.

Für ein vorausschauendes Modell werden typischerweise benötigt:

• ausreichend lange und vergleichbare Betriebsverläufe
• korrekte Zeitstempel und Betriebszustände
• Wartungs-, Teilewechsel- und Störungsereignisse
• Angaben zu Last, Produkt und Umgebung
• ein fachlich definierter Vorhersagehorizont
• eine mögliche Maßnahme innerhalb dieses Horizonts

Ein Hinweis drei Minuten vor dem Stillstand ist für die Ersatzteilplanung kaum hilfreich. Eine Warnung drei Monate im Voraus kann zu unsicher sein. Der wirtschaftliche Horizont ergibt sich aus Wartungsfenster, Ersatzteilbeschaffung und Fehlerfolge.

Ein Modell darf auch nicht jede Wartung automatisch vorziehen. Falsch positive Hinweise verursachen Prüfaufwand und möglicherweise unnötigen Teiletausch. Falsch negative Hinweise lassen den Ausfall unentdeckt. Beide Kosten fließen in die Bewertung ein.

Die im Jahr 2024 veröffentlichte Fraunhofer-IPA-Arbeit mit Industriepartnern zur KI-gestützten Instandhaltung zeigt einen konkreten Projektansatz aus Fehlererkennung und Unterstützung bei der Störungsbehebung. Sie ist ein Beleg für technische Machbarkeit in diesem Kontext, keine allgemeine Zusage bestimmter Stillstandsreduzierungen für andere Maschinenparks.

Produktionsplanung ist häufig Optimierung statt Sprachmodell

Reihenfolgeplanung berücksichtigt Liefertermine, Material, Maschinen, Rüstfolgen, Personal, Wartungsfenster und Zwischenbestände. Viele dieser Aufgaben werden mit mathematischer Optimierung, Heuristiken oder festen Planungsregeln gelöst. Sie werden im Marketing oft als KI bezeichnet, benötigen aber kein generatives Sprachmodell.

Fraunhofer IFF beschreibt die KI-gestützte Auftragsreihenfolge als Unterstützung für dynamische Bedingungen wie fehlendes Material oder Maschinenausfall. Die Einsatzgrenze bleibt das verfügbare Modell des Betriebs. Eine nicht dokumentierte Rüstregel kann kein Algorithmus zuverlässig berücksichtigen.

Eine Planungslösung benötigt deshalb:

1. Aufträge und Termine aus dem ERP.
2. Arbeitspläne, Maschinenfreigaben und Fortschritt aus dem MES.
3. Materialverfügbarkeit aus ERP oder Lagerverwaltung.
4. Kapazitäten, Schichten und Qualifikationen aus freigegebenen Quellen.
5. Rüst- und Reihenfolgebedingungen als nachvollziehbare Regeln.
6. ein messbares Ziel mit Prioritäten, beispielsweise Termintreue vor Rüstzeit.

Das Ergebnis sollte mehrere bewertete Optionen zeigen, nicht einen vermeintlich alternativlosen Plan. Ein Produktionsplaner erkennt, ob ein wichtiger Kunde, eine bekannte Maschinenbesonderheit oder ein kurzfristiger Personalengpass anders gewichtet werden muss.

Auch hier kann die wirtschaftlichere Lösung eine bessere PPS-Konfiguration sein. Wenn Aufträge in einem Excel-Schatten-ERP geplant werden, obwohl das vorhandene System belastbare Funktionen besitzt, sollte zuerst der Sollprozess geklärt werden.

Erfahrungswissen als überprüfbare Hilfe bereitstellen

Bei einer Störung suchen Beschäftigte in Handbüchern, alten Wartungsberichten, Schichtnotizen und den Erfahrungen einzelner Kollegen. Ein KI-Assistent kann diese Quellen durchsuchbar machen und relevante Abschnitte zum Maschinentyp und Fehlercode zusammenstellen.

Eine sichere Antwort zeigt Quelle, Dokumentversion und Gültigkeitsbereich. Fehlt eine freigegebene Information, erzeugt das System keine plausible Reparaturanweisung. Sicherheits-, Elektro- und Maschinenfreigaben bleiben an Qualifikation und betriebliche Verfahren gebunden.

Ein sinnvoller Ablauf kann bei einem Fehlercode beginnen: Das MES oder die Maschine liefert Anlage, Programm und Zeitpunkt. Der Assistent findet die aktuelle Herstelleranweisung, ähnliche intern bestätigte Fälle und den zuständigen Instandhaltungsprozess. Die Fachkraft bewertet den Vorschlag und dokumentiert die tatsächliche Ursache.

Sprachmodelle eignen sich hier für Suche, Zusammenstellung und verständliche Darstellung. Sie ersetzen keine SPS-Logik und schreiben nicht selbstständig Maschinenparameter. Die KI-Integration von SW Business Solutions kann den Wissenszugriff mit Rollen, Quellenbindung und Protokollierung in die vorhandene Oberfläche einfügen.

Maschinendaten brauchen Zeitbezug und Produktionskontext

Eine moderne Maschine liefert häufig hochfrequente Signale. Eine ältere Anlage stellt vielleicht nur Statusbit, Zähler und Störmeldung bereit. Datenmenge und Datenqualität sind nicht dasselbe. Für einen KI-Fall zählt, ob der relevante Zustand mit ausreichender Frequenz und korrekter Bedeutung erfasst wird.

Wichtige Prüfungen sind:

• Sind Maschinen- und Systemuhren synchronisiert?
• Welche Einheit, Skalierung und Abtastrate besitzt ein Signal?
• Werden Rüst-, Leerlauf- und Produktionszustand unterschieden?
• Ist die Programm- oder Rezeptversion bekannt?
• Lässt sich der Verlauf einem Teil, Los oder Auftrag zuordnen?
• Wie werden Sensorausfall und Ersatzwert gekennzeichnet?

Fehlt ein Signal, kann eine Nachrüstung mit Sensorik sinnvoll sein. Sie muss mechanisch, elektrisch, messtechnisch und sicherheitstechnisch zum Anwendungsfall passen. Mehr Sensoren ohne klare Hypothese erzeugen zusätzlichen Betrieb und Speicherbedarf, aber nicht automatisch eine bessere Vorhersage.

Bei älteren Maschinen ist eine lesende Edge-Anbindung häufig der sichere Einstieg. Sie sammelt freigegebene Werte lokal, vereinheitlicht Zeitstempel und überträgt nur benötigte Daten. Die API-Entwicklung für Industrieunternehmen erläutert die Verbindung von ERP, MES, QMS, OPC UA, MQTT und individuellen Schnittstellen.

ERP, MES, QMS und Instandhaltung bleiben getrennt verantwortlich

Ein produktives KI-System benötigt klare Datenhoheit:

Der KI-Dienst erhält nur die für seinen Zweck notwendigen Daten. Sein Ergebnis wird mit Zeitstempel, Modellversion und Unsicherheit zurückgegeben. Eine Integrationsschicht verhindert doppelte Ereignisse, puffert Ausfälle und protokolliert schreibende Aktionen.

SW Business Solutions entwickelt dafür API-Schnittstellen und Integrationsdienste. Die Softwarearchitektur legt zusätzlich fest, was bei Netzwerkunterbrechung, fehlerhaftem Modell, Maschinenwechsel oder einem nicht erreichbaren MES geschieht.

Eine Cloud-Verbindung ist nicht für jeden Anwendungsfall erforderlich oder geeignet. Bild- und Sensordaten können je nach Latenz, Datenmenge und Vertraulichkeit lokal verarbeitet werden. Zentral übertragen werden dann etwa Prüfresultat, Kennzahl und ausgewählte Nachweise. Die Entscheidung ergibt sich aus Betrieb, Sicherheitszone und Wartbarkeit.

Modellüberwachung gehört in den Schichtbetrieb

Ein Modell kann technisch erreichbar sein und fachlich schlechter werden. Die Ursache kann eine neue Variante, ein verschlissener Sensor, eine geänderte Kamera oder ein veränderter Prozess sein. Deshalb reicht klassisches Servermonitoring nicht aus.

Der Betrieb überwacht drei Ebenen:

• Technik: Verfügbarkeit, Laufzeit, Datenstau und Schnittstellenfehler
• Daten: fehlende Signale, neue Wertebereiche und veränderte Verteilung
• Fachlichkeit: Fehlalarme, übersehene Fehler und manuelle Korrekturen

Für jede Ebene existiert eine Reaktion. Bei fehlendem Kamerabild wird nicht klassifiziert. Bei unbekannter Produktvariante greift die manuelle Prüfung. Bei steigender Fehlerquote kann auf den bisherigen Prüfprozess zurückgeschaltet werden.

Ein Retraining erfolgt nicht automatisch mit jeder Korrektur. Neue Beispiele werden geprüft, versioniert und gegen einen festen Testbestand validiert. Sonst kann eine Verbesserung für eine Variante die Leistung bei einer anderen unbemerkt verschlechtern.

Produktionssicherheit begrenzt automatische Eingriffe

Zwischen einem Hinweis im Dashboard und einer Änderung an Maschinenparametern liegt eine erhebliche Risikostufe. Ein erster Pilot sollte deshalb lesend arbeiten. Das Modell erkennt, prognostiziert oder priorisiert; eine qualifizierte Person entscheidet über Prozessänderung, Wartung oder Sperrung.

Schnittstellen zur Maschinenebene werden nach minimalen Rechten getrennt. Ein Analysedienst benötigt keinen allgemeinen Schreibzugriff auf eine SPS. Zugangsdaten, Netzsegmente, Updatewege und Protokolle gehören in das Sicherheitskonzept.

Wenn eine spätere automatische Regelung vorgesehen ist, muss sie innerhalb freigegebener Parametergrenzen arbeiten und einen sicheren Rückfallzustand besitzen. Maschinen- und Arbeitssicherheit, Qualitätsvorgaben sowie branchenspezifische Anforderungen werden projektspezifisch geprüft. Ein erfolgreiches Datenmodell allein ist dafür keine Freigabe.

Fachkräfte definieren Fehler, Ursache und sinnvolle Reaktion

Produktionsmitarbeitende erkennen Unterschiede, die in Datenkatalogen fehlen: Ein Geräusch ist nach dem Werkzeugwechsel normal, eine bestimmte Materialcharge verhält sich anders oder ein Alarm entsteht regelmäßig beim Anfahren. Dieses Wissen wird im Projekt nicht durch allgemeine KI-Annahmen ersetzt.

Qualität, Instandhaltung, Produktion und IT definieren gemeinsam:

• welches Ereignis als Fehler oder Anomalie gilt
• welche Folgen ein übersehener oder falscher Alarm hat
• welche Daten zur Erklärung angezeigt werden
• wer einen Fall bestätigt oder verwirft
• wann das System gestoppt oder neu geprüft wird

Die Oberfläche sollte keinen undurchsichtigen Score als Entscheidung ausgeben. Sie zeigt betroffene Maschine oder Teil, relevante Messbereiche, Vergleichszeitraum und fehlende Informationen. So bleibt die Erfahrung der Fachkraft nutzbar und Korrekturen können nachvollziehbar in die Verbesserung einfließen.

Wirtschaftlichkeit mit Baseline und Fehlerkosten prüfen

Die Rentabilität hängt nicht vom Begriff KI ab. Bei einer Bildprüfung werden heutige Prüfzeit, Nacharbeit, Schlupf und fälschliche Aussortierung erfasst. In der Instandhaltung zählen ungeplante Ausfälle, Suchzeit, unnötige Wartung und Teileverfügbarkeit. In der Planung werden Termintreue, Rüstzeit, Umplanungsaufwand und Durchlaufzeit betrachtet.

Dem stehen Kamera oder Sensorik, Edge-Hardware, Datenintegration, Labeling, Modellentwicklung, Validierung, Bedienoberfläche, Monitoring und laufende Pflege gegenüber. Variantenreiche Kleinserie kann einen hohen Wert pro Fehler besitzen, aber wenige Beispiele liefern. Großserie bietet mehr Daten, verlangt dafür eine robuste Prüfung im Takt.

Ein Proof of Concept mit historischen Daten ist noch kein Wirtschaftlichkeitsnachweis. Erst der Schattenbetrieb zeigt, ob Daten rechtzeitig ankommen, Bediener die Hinweise nutzen und die Fehlergrenze unter realen Bedingungen hält.

Ein Produktionspilot bleibt zunächst außerhalb der Maschinensteuerung

Ein geeigneter Pilot bearbeitet eine Maschine, einen Arbeitsgang, ein Fehlerbild oder einen Wartungsgegenstand. Er startet nicht mit der gesamten Produktionslinie.

Für eine visuelle Prüfung kann der Ablauf so aussehen:

1. Fehlerdefinition und bisherige Prüfentscheidung dokumentieren.
2. Kamera- und Beleuchtungsaufbau reproduzierbar gestalten.
3. Repräsentative Gut- und Fehlerteile fachlich labeln.
4. Training und unabhängigen Testbestand strikt trennen.
5. Modell parallel zur bisherigen Prüfung laufen lassen.
6. Falsch akzeptierte und falsch abgewiesene Teile getrennt bewerten.
7. Variantenwechsel, Verschmutzung und Störungen gezielt testen.
8. Erst nach Freigabe eine kontrollierte Prozessübergabe planen.

Stop-Kriterien werden vor Beginn festgelegt. Das können zu wenige Fehlerbeispiele, instabile Aufnahmebedingungen, unvertretbarer Prüfschritt oder fehlende Auftragszuordnung sein. In diesem Fall wird zuerst Messtechnik, Datenerfassung oder Prozessstandard verbessert.

SW Business Solutions verbindet KI mit der bestehenden Fertigung

SW Business Solutions beginnt mit dem konkreten Qualitätsfehler, Störungsbild oder Planungsengpass. Gemeinsam mit Produktion, Qualität, Instandhaltung und IT wird geprüft, welche Daten bereits entstehen, welches System fachlich führend ist und ob eine Regel, klassische Optimierung oder KI angemessen ist.

Die kundenspezifische Umsetzung kann umfassen:

• Kamera-, Sensor- und Edge-Datenwege
• Auftrags- und Variantenbezug aus ERP und MES
• Modelle für Bild-, Zeitreihen- oder Planungsaufgaben
• Prüf- und Freigabeoberflächen für Fachkräfte
• Schnittstellen zu QMS und Instandhaltung
• Dashboards, Alarme und Modellmonitoring
• lokaler, Cloud- oder hybrider Betrieb
• dokumentierte Rückfall- und Fehlerwege

Dabei muss kein vorhandenes Produktionssystem ersetzt werden. SW Business Solutions entwickelt die fehlende Verbindung und Bedienlogik individuell und integriert geeignete Machine-Learning-Technologien in die vorhandene Landschaft. Der Reihenüberblick KI für klassische Gewerbe ordnet diesen Ansatz neben Logistik und Handwerk ein.

Für die erste Bewertung genügt ein realer Problemfall mit zugehörigem Auftrag, Messverlauf und bisheriger Entscheidung. SW Business Solutions prüft daraus Datenlage, Fehlerkosten und einen begrenzten Pilot, bevor ein Modell in den Produktionsbetrieb gelangt.