Inline-Qualitätskontrolle und KI im Spritzguss – Visionsysteme 2025

Einführung in die Inline-Qualitätskontrolle

Inline-Qualitätskontrolle in der Kunststoffverarbeitung durchläuft eine rasante Transformation. Noch vor wenigen Jahren verließen sich die meisten Betriebe auf manuelle Inspektionen alle paar Zyklen. Heute zählen in der Automobil-, Medizin- und Consumer-Elektronikbranche Defekterkennungen in Sekunden, bevor die Charge verpackt wird.

IDC schätzt, dass bis 2026 über 70% der Spritzgussbetriebe fortschrittliche Visionssysteme mit KI einsetzen.

Vorteile der Inline-Kontrolle:

• Ausschussreduktion
• Geringeres Risiko teurer Retouren
• Schnellere PPAP-Freigabe
• Möglichkeit zur Garantie von PPM-Werten für Kunden

In diesem Leitfaden zeigen wir, wie Sie eine QA-Architektur aufbauen, welche Technologien Sie wählen und wie Sie diese mit digitalen Zwillingen, MES und Robotik verknüpfen, um ein Ökosystem für volle Qualitätssicherung zu schaffen.

Laut McKinsey-Studien verkürzt intelligente Inline-Kontrolle die Reaktionszeit auf Defekte im Durchschnitt von 50 Minuten auf unter 5 Minuten. Bei der Produktion einer Million Teile pro Jahr sind das Einsparungen in Höhe von Hunderten Tausend Euro – weniger Schrott, weniger Überstunden, weniger Stress durch eilige Umsortierung ganzer Paletten.

Dies ist auch ein zentraler Pfeiler nachhaltiger Produktion, da jeder vermiedene Ausschuss den CO₂-Fußabdruck real reduziert.

Was ist Inline-Qualitätskontrolle im Spritzguss?

Inline-Kontrolle bedeutet automatisierte Inspektion jedes Teils direkt am Spritzgießnest oder in einer mit Roboter integrierten Zelle. Das System erfasst Daten (Bild, Temperaturprofil, Schall, Gewicht), analysiert sie und vergleicht mit einem Referenzmodell. Die „pass/fail“-Entscheidung fällt in unter Zykluszeit, und das Ergebnis geht sofort an MES, eDHR oder Traceability-System.

Im Gegensatz zur Offline-Inspektion erfordert Inline-Kontrolle kein manuelles Probenentnehmen. Sie ist integraler Bestandteil des Prozesses, reagiert sofort und eliminiert das Risiko, dass defekte Teile übersehen werden. Diese Lösung passt perfekt zur Philosophie „zero defect manufacturing“ und zu Standards wie IATF 16949, ISO 13485 oder IPC.

KI gewinnt zunehmend an Bedeutung. Neuronale Netze lernen, Defekte zu erkennen, die sich nicht mit einfachen Regeln beschreiben lassen (z. B. subtile Verfärbungen an optischen Teilen). So kann die Kontrolle dort automatisiert werden, wo früher nur der Bediener entschied.

Inline-Kontrolle umfasst auch Datenmanagement. Jedes Inspektionsergebnis wird dem Werkzeugnummer, Nest, Materialcharge und Bediener zugeordnet. So entsteht ein digitaler Produktpass – unbezahlbar bei Reklamationen oder FMEA-Analysen. Integration mit CMMS meldet automatisch Wartungen, wenn Defektraten Schwellwerte überschreiten.

Entwicklungsgeschichte von QA-Systemen

Die Anfänge automatischer Spritzgusskontrolle reichen in die 80er Jahre, als einfache Sensoren nur die Anwesenheit prüften. Der Durchbruch kam 2000–2010 mit Linearkameras und fallenden CCD-Preisen. Visionsysteme kamen hauptsächlich in der Automobilbranche zum Einsatz, wo PPM-Werte im einstelligen Bereich gefordert waren.

In der letzten Dekade erleben wir die „zweite Welle“. Erstens läuft Bildverarbeitung auf GPUs für Analysen in Millisekunden. Zweitens kamen 3D-Kameras (Structured Light, Time-of-Flight) und Thermalsensoren, die Wandstärkenunterschiede oder Kühlhotspots erkennen. Drittens verbreitete sich Machine-Learning-Software. QA-Systeme sind flexibler, schneller und präziser denn je.

2024–2025 startet die dritte Phase: Integration mit digitalen Zwillingen, MES und Datenplattformen. Inspektionsdaten füttern prädiktive Modelle, die Spritzgießparameter automatisch korrigieren oder Werkzeugreinigungen anfordern. QA wird Teil einer geschlossenen Qualitätssteuerungsschleife.

Regulierungen spielen eine Rolle. MDR-, CSRD-Richtlinien und neue PPAP 5.0-Anforderungen fordern vollständige Qualitätsverfolgung. Automatisierte QA wird zertifizierungspflichtig, nicht nur Wettbewerbsvorteil. Frühstarter meistern Audits schneller und punkten bei Ausschreibungen.

Arten von Inline-Kontrollsystemen

QA-Systeme lassen sich in Kategorien einteilen:

• 2D-Visionsysteme – Linearkameras oder Matrixkameras für Oberfläche und Kontur.
• 3D-Visionsysteme – Volumenmessung, Laserprofilung, Stereo.
• Laser-Metrologie – Messung kritischer Maße mit ±0,01 mm Genauigkeit.
• Thermische Analyse – IR-Kameras für Hotspots, Unterkühlung.
• Akustische/Vibrationsanalyse – Mikrofone und Beschleunigungssensoren für Defektsignale.
• Hybridsysteme – Kombination aus Bild, Gewicht, Funktions-, Elektro- und Dichtigkeitstests.

Die Wahl hängt von Teiletyp, Produktionsskala und Kundeanforderungen ab. Praxis-Trend: Kombination mehrerer Methoden – z. B. 2D-Kamera für Verfärbungen + 3D-Scanner für Maße. So erkennt das System mehr Defekte mit höherer Datenqualität.

2D-Visionsysteme

2D-Kameras sind die gängigste Technik für Oberflächenfehler: Streifen, Verbrennungen, Grate, Druckfehler. Spritzereien nutzen Matrixkameras (für statische Teile) und Linearkameras (für bewegte). Wichtig: Auflösung (typisch 5–12 MP), Auslesegeschwindigkeit, Tonalitätsdynamik und passende Beleuchtung (Ring-, Seiten-, Strukturlicht).

Für klassische Bildverarbeitung: Bibliotheken wie Halcon, Cognex VisionPro oder OpenCV. Tools: Schwellenwerte, Filterung, Morphologie, Konturanalyse, OCR, Farbverifikation. Mit AI: CNN-Modelle (z. B. EfficientNet, YOLOv8) trainiert auf Defekt- und Gutfotos. Hohe Trefferquote bei niedrigen Zykluszeiten.

Oft montiert direkt auf Manipulator oder Cobot: Kamera fotografiert im Flug, Ergebnis ans Robotergesteuer – Teil in OK/NOK-Nest. Keine Extrastationen, kürzerer Teilweg.

Premium: Hyperspektrale 2D-Kameras erkennen chemische Zusammensetzung, ideal bei Recycling für Verunreinigungen oder Fremdpolymere. Höhere Investition amortisiert sich bei Kosmetikverpackungen oder Medizinteilen.

3D-Visionsysteme und Laser-Metrologie

3D-Systeme nutzen Laserprofilung, Structured Light, Stereovision oder Time-of-Flight. Ideal für komplexe Formen mit Höhen-, Volumen- oder Parallelitätsdaten. Genauigkeit bis zu zig Mikrometern, Vergleich mit CAD für Abweichungskarten.

Laser-Metrologie für Medizin- und Elektronikteile (z. B. Optiken, Stecker): Wandstärken, Nutentiefe, Lochpositionen, Biegewinkel. Robot-Integration für flexible Sondenpositionierung.

Trend: „Digital Overlay“ – 3D-Daten über AR-Modell, Bediener sieht Abweichungen live. Schnellere Korrekturentscheidungen und Kundendokumentation.

3D mit Spannungsanalyse: Deformationsdaten an digitalen Werkzeugzwilling für Kühl- oder Nachdruckanpassung. Metrologie als geschlossene Verbesserungsschleife, nicht nur Berichtstool.

Akustische und thermische Analyse

Thermische Analyse mit IR-Kameras bewertet Temperaturverteilung direkt nach Demoldung. Defekte vor optischer Sichtbarkeit: Unterkühlung, Hotspots, Stärkenunterschiede. Korrelation mit Kühlparametern und Spritzprogramm.

Akustische/Vibrationsanalyse: Schall/Druck bei Sensor-Kontakt oder Test. Strukturelle Defekte (Risse, Blasen) ändern Klangcharakteristik, erkannt mit Breitbandmikrofonen. Ideal für 100% Metall-Kunststoff-Verbundteile und dichte Produkte.

Moderne Systeme: Akustikdaten mit AI, Wavelet-Transformation, Spektrogramme. Modelle klassifizieren Defekttypen. Stark bei unsichtbaren Fehlern (z. B. Mikrorisse in glasfaserverstärkten Teilen).

Aufbau und Hauptkomponenten einer QA-Zelle

Vollständiges QA-System: Teilnehmerstation (Robot/Cobot), Kameras/Beleuchtung, Zusatzsensoren (Gewicht, Kraft, Temperatur), Rechner, Analytiksoftware, Bedieneroberfläche, MES/SCADA-Integration. Sicherheitskonform (PL/PE, Lichtvorhänge), wartungsfreundlich.

Steuerungsarchitektur: PLC, Industrie-PC mit GPU, Datenbankserver, HMI-Panel. IoT-Module für Cloud-/Zwilling-Übertragung. Qualitätsdaten firmenweit verfügbar.

Moderne Zellen: Etikettierung, Verpackung, Laser-Markierung integriert. Bei Pass: Automatische DMC-Etikette, Seriennummer in DB, Weitergabe. eDHR-Tracking für Audits/Reklamationen.

Ergonomie zählt: Panelzugriff, Rezeptwechsel, Fotovorschau. Intuitive Meldungen reduzieren Reaktionszeit/Fehler. Touch-Interfaces mit 3D-Visualisierung und Reaktionsschritten.

Kameras, Optik und Beleuchtung

Optikauswahl ist entscheidend: Teilgröße, Arbeitsabstand, Tiefenschärfe, Reflexe. Glänzende Kunststoffe brauchen diffus (Kuppeln), matte gerichtet. Transparente: Koaxial-, Polarisationslicht oder Laserlinien.

Kameras: Auflösung passend zur Defektspec (z. B. Grat 0,1 mm braucht 0,03-0,05 mm Pixel). High-Speed: Global Shutter, 10GigE/CoaXPress für hunderte fps. Redundanz: Zwei Kameras unterschiedliche Winkel.

Arbeitsbedingungen: Temperatur, Staub, Vibration. IP65-Gehäuse, luftgekühlte LED-Leuchten. Wartung ohne lange Stillstände.

KI, Algorithmen und Software

Das Herz des Systems ist die Software. Klassische Bildverarbeitungswerkzeuge finden noch bei einfachen Defekten Anwendung, aber der Trend ist klar: KI. Modelle neuronaler Netzwerke können nicht nur binäre Defekte erkennen, sondern auch ihren Typ, die Intensität und die wahrscheinliche Ursache klassifizieren.

Fähigkeiten neuronaler Netzwerkmodelle:

• Erkennung binärer Defekte (pass/fail)
• Klassifizierung des Defekttyps
• Bewertung der Intensität
• Identifizierung der wahrscheinlichen Ursache

Zum Training werden Hunderte von Bildern guter und defekter Bauteile verwendet. Anbieter wie Tederic Smart Vision bieten fertige AutoML-Pipelines, die automatisch die Modellarchitektur auswählen und die Wirksamkeit validieren.

KI-Systeme erfordern jedoch Versionsmanagement (ModelOps). Jedes Modell hat Parameter, Implementierungsdatum und Gültigkeitsbereich. Bei Werkzeug- oder Materialwechsel ist eine Rewalidierung erforderlich. Produktionsdaten dienen als Feedback und ermöglichen kontinuierliches Lernen (Continuous Learning). In Projekten mit hoher Verantwortung kombiniert man KI mit klassischen Regeln, um die Interpretierbarkeit der Entscheidungen zu gewährleisten.

Die QA-Software sollte sich auch mit MES/MOM integrieren. Inspektionsergebnisse fließen in die SPC ein, aktualisieren Kontrollkarten, lösen Korrekturmaßnahmen aus und blockieren bei Überschreitung der PPM-Werte automatisch die Charge. Dadurch ist der Prozess geschlossen und die Reaktion sofortig.

Immer häufiger wird QA zu einem Bestandteil von Datenplattformen. In der Praxis bedeutet das die Möglichkeit, KPI-Cockpits zu bauen: Verteilung der Defekte auf Kavitäten, Heatmaps der Qualität im Zeitverlauf, vergleichende Analysen von Änderungen. Dieselben Daten lassen sich in Six-Sigma-Projekten nutzen, um schneller von Beobachtungen zu Korrekturmaßnahmen zu gelangen.

Wichtige technische Parameter

Beim Systemauswahlohnt eine Analyse:

• Auflösung und Erkennungsgrenze – welche kleinsten Defekte erkannt werden.
• CT (Zykluszeit) – ob die Inspektion in die verfügbare Zykluspause passt.
• FP/FN – Prozentsatz falscher Ablehnungen und Durchlässe; üblicherweise strebt man <0,2% an.
• Temperaturstabilität – Einfluss von Bedingungsänderungen auf die Bildqualität.
• Skalierbarkeit – Möglichkeit, Kameras, KI-Modelle oder Kavitäten hinzuzufügen.
• Integration – Unterstützung für OPC-UA, MQTT, REST, Verknüpfung mit MES und digitalem Zwilling.

Diese Parameter sollten sowohl bei FAT/SAT als auch im Betrieb gemessen werden. Regelmäßige Audits sichern die deklarierte Wirksamkeit und werden von OEM-Kunden gefordert. Jeder Schritt – von der Kalibrierung bis zu Software-Updates – sollte dokumentiert werden.

Bei KI-Projekten muss zusätzlich der sogenannte Data Drift analysiert werden. Wenn sich die Verteilung der Eingabedaten ändert (andere Granulatfarben, neue Varianten), kann die Modellwirksamkeit nachlassen. Drift-Monitoring und automatische Alarme ermöglichen schnelles Retraining.

Anwendungen und Fallstudien

QA-Systeme finden Einsatz in vielen Branchen:

• Automotive – Prüfung von Innenraumteilen, Beleuchtung, Steckverbindern, ADAS-Komponenten. PPM unter 10 gefordert.
• Medizin – Spritzen, Insulinpumpenteile, Gerätegehäuse. Validierung nach 21 CFR Part 11 entscheidend.
• Haushaltsgeräte und Elektronik – Frontpaneele, Dekore, Membrantastaturen, Batteriekomponenten.
• Premium-Verpackungen – komplette Vermeidung von Kratzern und Streifen, Kombination mit digitalem Druck.
• Recyclingkunststoffe – Überwachung von Farbton und Verunreinigungen in PCR-Chargen.

Beispiel: Ein Hersteller von Verbrauchsgüterkomponenten setzte Tederic Smart Vision mit 12-MP-Kamera, KI und Waagen ein.

Wichtige ROI-Kennzahlen:

• Reaktionszeit: von 50 Minuten auf <5 Minuten
• Defektreduktion: von 3,2% auf 0,3%
• Falsche Ablehnungen: <0,1%
• OEE-Verbesserung: 40%

Ein weiterer Fall: Medizinfirma mit 3D- + IR-System für 32 Spritzkavitäten – PPM = 0,8, PPAP-Validierung um 40% verkürzt.

QA-Daten dienen auch der prädiktiven Wartung. Bei Trend zu schlechter werdender Qualität (z. B. mehr Mikrorisse) erzeugt das System einen Serviceauftrag und übermittelt Parameter an den Prozessdigitalen Zwilling. So lassen sich Kavitätenpolitur oder Düsentausch planen, bevor Defekte kritisch werden.

Interessant: Kosmetikfirma nutzt hyperspektrale Kameras zur Farbgleichmäßigkeit von PCR-Teilen. KI-basiertes System bewertet ΔE-Abweichung und leitet Teile zur Nachbearbeitung, bevor sie Premiumkunden erreichen. Farbspaltigkeit blieb trotz Recyclat-Schwankungen erhalten.

Wie wählt man ein Inline-KI-Kontrollsystem?

Die Entscheidung sollte auf einer Anforderungsmatrix basieren:

1. Kritische Defekte und zulässiges PPM definieren.
2. Geometrie, Material und Optik des Bauteils (Glanz, Transparenz) festlegen.
3. Zykluszeit und Inspektionsfenster prüfen.
4. Infrastruktur bewerten – Platz für Station oder Roboterintegration?___.
5. Regulatorische Anforderungen (FDA, IATF, ISO 13485) und Reportformate berücksichtigen.
6. KI-Plattform mit transparentem Trainings- und Validierungsprozess wählen.

Dann POC/Pilot umsetzen. Mindestens 2–3 Wochen Tests mit realen Produktionsdaten (Varianten, Farben, Verunreinigungen). Bei Erfolg Industrialisierung. Wichtig: Zusammenarbeit von Qualität, Automatisierung und IT – sonst schwierig bei MES/ERP-Integration.

Beim Anbieter auf Serviceverfügbarkeit, Remote-Support, Schulungen und Lizenzierung achten. Klären, wer KI-Modelle updated und ob Bilddaten im Werk bleiben (IP/DSGVO).

Qualitätsreife Firmen erstellen eine Roadmap. Priorisierte Kontrollprojekte, zu verbessernde KPI, Einbindung in Digital-Twin-Strategie. Vermeidet Ad-hoc-Investitionen, schafft kohärentes Ökosystem.

Systemwartung und -validierung

QA-Systeme brauchen wie Spritzgießmaschinen regelmäßige Checks. Plan: tägliche Optikreinigung, wöchentliche Einstellprüfung, monatliche Kalibrierung/Software-Check, jährliche Rewalidierung. Jeder Schritt dokumentieren und mit ISO-Prozessen verknüpfen.

KI-Modelle bei Werkzeug-, Material- oder Oberflächenänderungen updaten. Referenzdatenbibliothek aufbauen für Reklamationsfälle. „Golden Sample“-Politik (Referenzmuster) vereinfacht Kalibrierung und Ergebniskonsistenz.

QA-Zellenstatus überwachen: Temperatur-, Feuchte-, Vibrationssensoren. System warnt selbst bei bildbeeinträchtigenden Bedingungen. Mit CMMS automatisierte Wartungsanfragen – wie bei prädiktiver Spritzgießwartung.

In regulierten Betrieben (Medizin, Luftfahrt): IQ/OQ/PQ-Validierung und Änderungsdokumentation. Digitale Signaturen/Versionierungs-Repos verkürzen Reviews und belegen Konformität über die Lebensdauer.

Zusammenfassung

KI-gestützte Inline-Qualitätskontrolle wird zum neuen Standard in der Kunststoffverarbeitung. Ermöglicht Zero-Defect-Ziele, Kundenerfüllung und Echtzeit-Reporting. Schlüssel: passende Technik, Infrastrukturintegration, systematische Wartung. Frühe Einführung smarter Visionssysteme sichert Wettbewerbsvorteile, verkürzt Reaktionszeiten und steigert Kundentreue. In der Digitalära ist Qualität kein Extra – sie ist Basis für Nachhaltigkeit und Rentabilität.