KI in der Kunststoffverarbeitung: Prozesse stabilisieren.

Kunststoffverarbeitung lebt vom Beherrschen vieler kleiner Variablen gleichzeitig. Materialcharge, Werkzeugtemperatur, Einspritzdruck, Restfeuchte, Maschinenzustand — wer in einer Stunde mit zwei verschiedenen Granulaten produziert, kennt das Phänomen, dass derselbe Maschinenprogramm-Datensatz heute perfekte Teile liefert und morgen Ausschuss. Diese Schwankungen sind selten Folge schlechter Arbeit, sondern Eigenschaft der Branche: Kunststoffe sind keine homogenen Werkstoffe, ihre Verarbeitung ist Erfahrungskunst, und genau diese Erfahrung wird in den nächsten Jahren mit der Mitarbeiter-Generation, die sie aufgebaut hat, schrittweise verschwinden. KI greift hier an einer Stelle, an der sie ihren Wert klar zeigen kann: Sie strukturiert Prozesswissen, erkennt Muster in Maschinendaten und stabilisiert Anfahrkurven. Dieser Artikel zeigt, wo der konkrete Hebel liegt — in Spritzguss, Extrusion und Blasformen — und benennt, wo KI an Grenzen stößt.

Warum die Kunststoffverarbeitung ein KI-affiner Bereich ist.

Kunststoffverarbeitende Betriebe haben einen ungewöhnlich guten Ausgangspunkt für KI-Anwendungen. Moderne Spritzgieß-, Extrusions- und Blasformmaschinen sind sensorintensiv. Sie protokollieren in jedem Zyklus dutzende Parameter — Schmelzetemperaturen, Einspritzgeschwindigkeiten, Drücke, Schließkräfte, Werkzeugtemperaturen. Diese Daten liegen vor, oft seit Jahren, meist ungenutzt.

Gleichzeitig ist der Prozess von Natur aus variabel. Eine neue Charge Polypropylen hat leicht andere Fließeigenschaften als die vorherige, eine Tagestemperatur von 32 Grad verändert die Kühlzeiten, ein verschlissenes Werkzeug bringt einen anderen Druckverlauf. Erfahrene Anlagenführer kompensieren diese Variationen durch Feinjustage — oft nach Gefühl. KI kann diese Feinjustage strukturierter machen.

Anders als in der Metallverarbeitung sind viele Anwendungen hier kontinuierlich, nicht batchweise. Eine Extrusionslinie läuft Tage oder Wochen durchgängig. Das produziert riesige Datenmengen, in denen KI-Modelle besonders gut Muster erkennen — und Abweichungen, die ein menschlicher Beobachter im Schichtbetrieb übersehen würde.

Anfahrkurven: der unterschätzte Kostenpunkt.

Jede Werkzeugumrüstung in einer Spritzgießmaschine kostet Zeit und Material. Bis das Werkzeug auf Temperatur ist und der Prozess stabil läuft, fallen typischerweise 20 bis 100 Schussteile als Ausschuss an. Bei mehreren Umrüstungen pro Schicht summiert sich das auf erhebliche Materialverluste und ungenutzte Maschinenstunden.

KI-Modelle, die mit Anfahrkurven aus vergangenen Werkzeugen lernen, können erheblich verkürzen. Sie schlagen für ein Werkzeug, das vor sechs Wochen schon einmal lief, die damals erfolgreichen Startparameter vor. Sie erkennen, dass eine Charge mit hoher Restfeuchte längere Vorlaufzeit braucht. Sie warnen vor Parametern, die in der Vergangenheit zu Eingefroren-Ausschuss geführt haben.

In Beratungsprojekten zeigt sich, dass die Anfahrzeit damit oft um 30 bis 50 Prozent sinken kann — bei großvolumigen Werkzeugen entspricht das schnell mehreren tausend Euro pro Umrüstung an Material und Maschinenkosten. Voraussetzung ist eine konsistente Aufzeichnung vergangener Anfahrkurven, was bei modernen Maschinen meist gegeben ist, bei älteren Anlagen oft erst aufgebaut werden muss.

Prozessüberwachung im laufenden Betrieb.

Während ein Werkzeug läuft, produziert es bei jedem Zyklus charakteristische Druck- und Temperaturkurven. Solange diese Kurven dem Sollverlauf entsprechen, ist alles gut. Sobald sie abweichen, droht Ausschuss oder Werkzeugschaden. KI erkennt solche Abweichungen früher als die klassischen Toleranzgrenzen einer Maschinensteuerung.

Konkret arbeiten moderne Prozessüberwachungs-Systeme mit Anomalieerkennung. Sie lernen die typische Form einer guten Kurve und schlagen Alarm, wenn die aktuelle Kurve in einer subtilen Weise abweicht, die einem Sollwert-Vergleich entgeht. Das kann ein beginnender Werkzeugverschleiß sein, eine Charge mit grenzwertigen Eigenschaften, eine schlechte Trocknung des Granulats.

Wichtig ist die Integration in den Werkerleitstand. Eine KI-Warnung, die nur in einem Dashboard fern vom Schichtleiter aufleuchtet, hilft nicht. Wer hier investiert, sollte die Visualisierung am Maschinenarbeitsplatz mitdenken — sonst wird die Lösung im Schichtbetrieb ignoriert.

Materialschwankungen beherrschen.

Eine der häufigsten Fehlerquellen in der Kunststoffverarbeitung ist die Schwankung der Materialeigenschaften. Eine neue Charge hat einen leicht anderen MFI-Wert, eine andere Restfeuchte, andere Zusätze. Was ein erfahrener Anlagenführer durch Anpassen der Maschinenparameter ausgleicht, ist für junge oder weniger erfahrene Kollegen oft Ursache von Stunden mit suboptimalen Teilen.

KI-gestützte Materialdatenbanken kombinieren Lieferantenangaben, Chargenprüfungen und Maschinendaten. Das System erkennt, dass die heute laufende Charge ähnliche Eigenschaften hat wie eine Charge von vor zwei Monaten, und schlägt die damals erfolgreichen Anpassungen vor. Der Bediener akzeptiert oder modifiziert, das System lernt weiter.

Voraussetzung ist eine konsequente Chargenrückverfolgbarkeit. In Beratungsprojekten ist das oft die größte Hürde: Viele Betriebe wissen, welche Charge gestern lief, aber nicht, welche genaue Charge in welchem Auftrag in welchen Teilen verarbeitet wurde. Wer hier sauber arbeitet, hat eine ausgezeichnete Datenbasis für KI-Anwendungen. Wer nicht, muss zuerst die Rückverfolgbarkeit aufbauen, bevor KI sinnvoll greift.

Energieoptimierung: ein wachsender Hebel.

Kunststoffverarbeitung ist energieintensiv. Aufheizen, Schmelzen, Werkzeugtemperierung, Druckluft — eine größere Spritzgießanlage verbraucht mehrere hundert Megawattstunden Strom pro Jahr. Bei den Energiepreisen der vergangenen Jahre ist das ein direkter Margenfaktor geworden, der vor fünf Jahren noch nebensächlich war.

KI-Modelle, die Maschinen- und Energiedaten kombinieren, finden Optimierungspotenziale, die manuell schwer zu erkennen sind. Beispiele: Eine Heizphase, die im Datenrückblick fünf Minuten zu lang lief, ohne dass es bemerkt wurde. Ein Werkzeug, dessen Temperierung um zwei Grad reduziert werden kann, ohne Qualitätsverlust. Eine Maschinengruppe, deren Standby-Verbrauch nachts überraschend hoch ist.

In der Praxis liegen die typischen Einsparungen bei 5 bis 12 Prozent des Energieverbrauchs — ohne Investitionen in neue Maschinen, allein durch Datennutzung. Das ist nicht spektakulär, aber bei den heutigen Energiekosten ein klarer ROI. Hinzu kommt der CO2-Bilanz-Effekt, der für viele Kunden in der Lieferkette inzwischen Beschaffungskriterium ist.

Qualitätsprüfung: Computer Vision an der Maschine.

Klassische Qualitätsprüfung bei Spritzgießteilen läuft über Stichproben am Bandende. Schussweise prüfen wäre ideal, ist aber bei Stückzahlen jenseits einiger hundert pro Stunde manuell nicht leistbar. KI-gestützte Bildauswertung schließt diese Lücke.

Konkret nimmt eine Kamera jedes Teil nach dem Auswerfen auf. Ein KI-Modell prüft auf typische Fehler — Einfallstellen, Brandspuren, Maßabweichungen, Farbabweichungen. Auffällige Teile werden automatisch aussortiert, die Daten in die Prozessüberwachung zurückgespielt. Häufung von Einfallstellen lässt das System auf eine Druck- oder Temperaturanpassung schließen.

Die Investition liegt bei 30.000 bis 100.000 Euro pro Prüfstation, je nach Komplexität der Bauteile und Lichtsituation. Der Nutzen ist bei kritischen Teilen — Sicherheitsteile im Automotive, medizinische Anwendungen, sichtbare Bauteile — meist klar wirtschaftlich. Bei unkritischen Massenteilen lohnt sich die Investition seltener.

Was häufig unterschätzt wird, ist die Wartung des Modells. Eine neue Werkzeugvariante, ein neues Granulat, eine veränderte Lichtsituation kann die Erkennungsraten verschlechtern. Wer keinen Prozess für regelmäßige Nachschulung des Modells aufsetzt, sieht nach 18 Monaten degradierte Performance. Diese laufenden Kosten gehören in jede ROI-Rechnung.

Grenzen der KI in der Kunststoffverarbeitung.

Trotz aller technischen Möglichkeiten gibt es Grenzen, die in der Praxis regelmäßig auftauchen. Wer sie vorab kennt, vermeidet teure Enttäuschungen.

Erstens: Kleine Stückzahlen, hohe Varianz. Wer 20 verschiedene Werkzeuge in der Woche fährt, hat pro Werkzeug zu wenig Datenpunkte für robuste KI-Modelle. Anwendungen wie Anfahrhilfen funktionieren, weil sie auf Erfahrungsbasis vergleichbarer Werkzeuge zugreifen. Spezialisierte Prozessoptimierung scheitert dagegen oft am Datenmangel.

Zweitens: Neue Materialien und Werkzeuge. Ein KI-Modell, das auf historischen Daten trainiert ist, hat bei einem völlig neuen Werkzeug oder einem neuen Granulattyp zunächst keine Grundlage. Es lernt mit, aber die ersten Wochen bleiben in der Verantwortung erfahrener Anlagenführer. KI ist kein Ersatz für Erfahrung, sondern Ergänzung.

Drittens: Akzeptanz im Schichtbetrieb. Anlagenführer mit 20 Jahren Erfahrung reagieren empfindlich auf KI-Vorschläge, die ihrem Gefühl widersprechen. Erfolgreiche Einführungen behandeln das System als Werkzeug, nicht als Anweisung — und nutzen die Erfahrung der Bediener, um das Modell zu verbessern. Wer diese Reihenfolge umkehrt, kämpft mit Widerstand, der KI-Projekte häufig kippt.

Pragmatischer Einstieg für mittelständische Verarbeiter.

Wer in einem kunststoffverarbeitenden Betrieb mit 50 bis 300 Mitarbeitenden ernsthaft mit KI starten will, beginnt typischerweise nicht mit einem großen Industrie-4.0-Programm, sondern mit einer pragmatischen Reihenfolge. Erstens eine Bestandsaufnahme: Welche Maschinen liefern bereits Daten, wo gibt es Lücken, wie ist die Rückverfolgbarkeit von Chargen?

Zweitens ein klarer Pilot auf einem konkreten Engpass. Häufige Startpunkte sind Anfahrhilfen bei häufigen Werkzeugwechseln, Energieanalysen an den verbrauchsstärksten Maschinen oder Computer-Vision-Prüfung an einer reklamationsanfälligen Produktlinie. Drei bis sechs Monate Laufzeit, vorher definierte Erfolgskriterien, kontrollierte Investition im fünfstelligen Bereich.

Drittens — und das wird oft vernachlässigt — die Einbindung der Anlagenführer. Sie kennen die Maschinen und die Materialien besser als jeder externe Berater. Ihre Hypothesen sind regelmäßig die besseren als die Annahmen, die in Software-Demos gezeigt werden. Wer sie früh einbindet, bekommt belastbare Anwendungsfälle. Wer es nicht tut, kämpft später mit Akzeptanzproblemen, die teurer sind als die Technologie selbst.

Sie wollen prüfen, wo KI in Ihrem kunststoffverarbeitenden Betrieb Prozesse stabilisiert? Unverbindlich anfragen — wir schauen gemeinsam auf Daten, Anfahrverhalten und konkrete Engpässe — und ordnen mögliche Schritte.