KI für Verpackungsmaschine: Folienspannung

TL;DR

KI-gesteuerte Folienspannungsregelung an Verpackungsmaschinen reduziert Folienabrisse um 40 % und spart 8 % Folienmaterial durch optimale Spannung. Pro Verpackungslinie bedeutet das €45.000 Jahreseinsparung: €28.000 weniger Stillstand durch Abrisse, €17.000 weniger Materialverbrauch. Die Nachrüstung kostet €18.000–€25.000 pro Linie.

Das Abriss-Problem bei Folienverpackung

Verpackungsmaschinen für Lebensmittel, Pharma und Konsumgüter verarbeiten Folien mit Bahngeschwindigkeiten von 100–400 m/min. Die Folienspannung muss exakt stimmen: Zu hoch = Folie reißt, Linie steht. Zu niedrig = Faltenbildung, Fehlsiegelung, Ausschuss.

Konventionelle Tänzerwalzen-Regelungen halten die Spannung auf einen festen Sollwert. Aber die optimale Spannung hängt von Faktoren ab, die sich ständig ändern: Foliencharge (Dicke ±5 %), Umgebungstemperatur, Rollendurchmesser (sinkt beim Abwickeln), Druckbild (bedruckte Stellen haben andere Reibung).

Ein typischer Lebensmittelverpacker mit 4 Verpackungslinien verzeichnet 3–8 Folienabrisse pro Schicht. Jeder Abriss kostet 15–25 Minuten Stillstand (Einfädeln, Anlauffahren, erste Packungen prüfen). Bei 230 Produktionstagen und 2 Schichten: 1.380–3.680 Abrisse/Jahr = 345–1.535 Stunden Stillstand.

Wie die KI-Regelung funktioniert

Die KI ersetzt den festen Spannungssollwert durch einen dynamisch berechneten Wert. Das Modell analysiert in Echtzeit:

• Bahnspannung (Messwerte der Kraftmessdose, 1.000 Hz)
• Bahngeschwindigkeit und Beschleunigung
• Rollendurchmesser (Abwickler und Aufwickler)
• Folientemperatur (IR-Sensor vor der Siegelstation)
• Druckbild-Position (Druckmarken-Sensor)
• Umgebungsbedingungen (Temperatur, Luftfeuchtigkeit)

# KI-Folienspannungsregelung: Konfiguration
verpackungslinie:
  typ: "Horizontale Schlauchbeutelmaschine"
  bahngeschwindigkeit_m_min: 220
  folienbreite_mm: 420
  folienmaterial: "OPP 30µm bedruckt"
  takte_pro_minute: 120
ki_regelung:
  modell: "Reinforcement Learning (SAC-Algorithmus)"
  regelintervall_ms: 10
  stellgroesse: "Bremskraft Abwickler (0-100 N)"
  sollwert_bereich_n: "12-28"
  features: 8
  reward_funktion: "Minimiere Spannungsabweichung + Abriss-Penalty"
ergebnis:
  abrisse_vorher_pro_schicht: 5.2
  abrisse_nachher_pro_schicht: 3.1
  reduktion_prozent: 40
  materialersparnis_prozent: 8
  stillstand_reduktion_stunden_jahr: 485

Reinforcement Learning: Die richtige Methode

Klassische Regelungstechnik (PID) versagt, weil die Störgrößen nichtlinear und zeitvariabel sind. Supervised Learning scheitert, weil es keine perfekten Trainingsdaten gibt – niemand weiß im Voraus, was die optimale Spannung in jeder Situation ist.

Reinforcement Learning löst dieses Problem: Der Agent probiert verschiedene Spannungswerte aus und lernt aus den Konsequenzen. Folie reißt? Negativer Reward. Perfekte Packung? Positiver Reward. Über tausende Zyklen findet der Agent die optimale Strategie.

Das Training läuft zunächst in einer Simulation (Digital Twin der Verpackungslinie), dann im Produktivbetrieb mit konservativen Sicherheitsgrenzen. Nach 3 Tagen Produktivbetrieb hat der Agent genug gelernt, um besser als die konventionelle Regelung zu arbeiten.

Praxisbeispiel: Lebensmittelverpacker

Ein Lebensmittelverpacker (150 Mitarbeiter, 4 Schlauchbeutellinien) verpackt Snacks und Cerealien. Vor der KI-Nachrüstung:

• 5,2 Abrisse pro Schicht, 4 Linien, 2 Schichten = 41,6 Abrisse/Tag
• 18 Minuten Stillstand pro Abriss = 12,5 Stunden/Tag Stillstand
• Maschineneffizienz (OEE): 72 %

Nach der KI-Nachrüstung (3 von 4 Linien):

• 3,1 Abrisse pro Schicht = 24,8 Abrisse/Tag (–40 %)
• 7,4 Stunden/Tag Stillstand (–5,1 Stunden)
• OEE: 81 % (+9 Prozentpunkte)

Die zusätzlichen 5,1 Produktionsstunden pro Tag ermöglichen 12 % mehr Output – ohne zusätzliches Personal. Die Kostenplanung zeigt den Hebel.

Materialeinsparung: 8 % weniger Folie

Die zweite Einsparquelle: Die konventionelle Regelung hält die Spannung bewusst hoch, um Faltenbildung zu vermeiden. Die KI regelt auf das Minimum, bei dem weder Abriss noch Falten entstehen.

Niedrigere Spannung = weniger Dehnung der Folie = weniger Material pro Packung. Bei einer 30-µm-OPP-Folie reduziert sich der Verbrauch um 8 %. Bei 800.000 m² Folie/Jahr und €0,22/m² sind das €14.080 Materialersparnis pro Linie.

Den ROI-Rechner können Sie mit eigenen Linien-Daten befüllen.

Nachrüstung: Hardware und Integration

Die Nachrüstung erfordert minimal-invasive Eingriffe an der Maschine:

• Kraftmessdose an der Tänzerwalze (falls nicht vorhanden): €1.500
• Edge-Controller (Beckhoff CX5130 oder Raspberry Pi 5 mit Echtzeit-Erweiterung): €800–€2.500
• IR-Temperatursensor: €600
• Software und Inbetriebnahme: €12.000–€18.000
• Schulung Bedienpersonal: €2.000

Die KI kommuniziert über EtherCAT oder Profinet mit der Maschinensteuerung. Der bestehende PID-Regler bleibt als Sicherheitsschicht aktiv. Der KI-Implementierungsguide empfiehlt diesen Dual-Layer-Ansatz.

Häufige Fragen

Funktioniert das bei allen Folienarten?

Bei den meisten thermoplastischen Folien (OPP, PE, PET, PA): Ja. Bei Aluminiumverbundfolien ist das Verhalten anders (weniger elastisch), aber die KI lernt auch diese Materialeigenschaften. Das Modell muss pro Folientyp 4–8 Stunden nachtrainiert werden.

Wie schnell lernt die KI eine neue Foliencharge?

Die KI erkennt Chargenunterschiede innerhalb von 50–100 Takten (unter 1 Minute bei 120 Takten/Minute) und passt die Spannung automatisch an. Das ist schneller als ein erfahrener Bediener, der Chargenunterschiede erst nach dem ersten Abriss bemerkt.

Kann die KI auch die Siegeltemperatur optimieren?

Ja, als Erweiterung. Folienspannung und Siegeltemperatur hängen zusammen: Höhere Spannung = dünnerer Folienlapp im Siegelbereich = niedrigere Siegeltemperatur nötig. Die gemeinsame Optimierung spart weitere 3–5 % Energie. Details im KI-Leitfaden.

Was passiert bei einem Ausfall der KI?

Die Maschine fällt auf die konventionelle PID-Regelung zurück. Kein Maschinenstillstand, nur die Optimierung pausiert. Der Umschaltvorgang dauert unter 100 ms – kein Bedienereingriff nötig.

Brauche ich für jede Linie ein eigenes Modell?

Ein Grundmodell kann auf mehrere Linien übertragen werden (Transfer Learning). Pro Linie sind 4–8 Stunden Fine-Tuning nötig, weil jede Maschine mechanische Eigenheiten hat. Das reduziert die Nachrüstkosten ab der zweiten Linie um 30 %.