KI-Dichtheitsprüfung: Lecktest automatisieren

TL;DR

KI-gestützte Dichtheitsprüfung wertet Druckverlust- und Heliumtests automatisch aus und unterscheidet echte Lecks von Temperatur- und Volumenschwankungen. Fertigungsbetriebe reduzieren Pseudoausschuss um 40–50 %, verkürzen Prüfzyklen um 30 % und erhalten lückenlose Dokumentation. Der Einstieg gelingt ab 15.000 € über eine Nachrüstung vorhandener Prüfstände.

47 Sekunden, die über 12.000 € entscheiden

Ein Automobilzulieferer in Franken prüft Ölwannen aus Aluminiumdruckguss auf Dichtheit. 1.200 Teile pro Tag, jede Prüfung dauert 47 Sekunden. Das Problem: 6 % der Teile fallen durch — aber nur 2 % sind tatsächlich undicht. Die restlichen 4 % sind Pseudoausschuss, verursacht durch Temperaturänderungen zwischen Fertigung und Prüfstand, Restfeuchtigkeit im Prüfraum oder Volumenschwankungen durch eingeklemmte O-Ringe.

Bei 240 Arbeitstagen sind das 11.520 fälschlich aussortierte Teile pro Jahr. Nachprüfung kostet 1,10 € pro Teil, dazu kommen Taktzeit-Verluste und Pufferbestände. Summe: rund 12.000 € jährlich — nur durch Fehlalarme. Und das ist ein mittelgroßer Betrieb. Bei Tier-1-Zulieferern mit 10.000 Teilen pro Tag multipliziert sich das Thema schnell auf sechsstellige Beträge.

Die Ursache liegt in der konventionellen Auswertung: Ein Druckverlusttest misst die Druckänderung über eine feste Zeitspanne und vergleicht sie mit einem Schwellenwert. Liegt der Druckverlust über dem Grenzwert, wird das Teil aussortiert — egal ob die Ursache ein Leck oder eine Temperaturverschiebung von 0,3 °C war.

KI-Dichtheitsprüfung ändert den Ansatz grundlegend: Statt eines starren Schwellenwerts analysiert ein Modell die gesamte Druckkurve und erkennt Muster, die auf echte Lecks hindeuten — oder eben nicht.

Druckkurven lesen: Was die KI anders macht

Ein klassischer Druckverlusttest erzeugt eine Kurve mit drei Phasen: Füllphase, Beruhigungsphase, Messphase. Konventionelle Systeme werten nur den Differenzdruck in der Messphase aus. Die KI betrachtet die gesamte Kurve.

Echte Lecks erzeugen einen annähernd linearen Druckabfall in der Messphase — die Leckrate ist konstant. Temperatureffekte dagegen erzeugen eine exponentiell abklingende Kurve, weil sich das Prüfgas dem Umgebungsdruck annähert. Volumenschwankungen durch elastische Verformung zeigen einen initialen Sprung und dann Stabilisierung.

# KI-Modell zur Druckkurven-Klassifikation
Eingangsdaten:
  Abtastrate: 100 Hz
  Kanäle:
    - Differenzdruck: ±0.1 Pa Auflösung
    - Absolutdruck: ±10 Pa
    - Temperatur_Prüfling: ±0.05 °C
    - Temperatur_Umgebung: ±0.1 °C
  Kurvendauer: 47 s (4.700 Datenpunkte)

Feature-Extraktion:
  - Gradient Messphase (linear fit R²)
  - Krümmung Beruhigungsphase
  - Temperatur-Delta Start-Ende
  - Standardabweichung letzte 5s
  - Frequenzanalyse (FFT 0.1-10 Hz)

Klassifikation:
  Modell: Gradient Boosting (XGBoost)
  Klassen:
    - Dicht (Leckrate < 0.5 cc/min)
    - Grenzwertig (0.5-2.0 cc/min)
    - Undicht (> 2.0 cc/min)
    - Pseudo-Ausschuss (Temperatur/Volumen)
  Genauigkeit: 98.7 % (validiert an 45.000 Teilen)

Der entscheidende Punkt: Das Modell nutzt keine Bildverarbeitung, sondern Zeitreihenanalyse. XGBoost auf extrahierten Features hat sich in der Praxis als robuster erwiesen als tiefe neuronale Netze — bei 45.000 Trainingssamples und überschaubarer Komplexität.

Heliumlecktest: Wo KI besonders viel bringt

Bei Helium-Vakuum-Lecktests (nach DIN EN 1779) sind die Anforderungen extremer: Leckraten von 10⁻⁶ mbar·l/s müssen zuverlässig erkannt werden. Das entspricht etwa einem Tropfen Wasser pro Stunde durch eine Öffnung, die kleiner ist als ein menschliches Haar.

Hier kämpfen Betriebe mit zwei Problemen: Resthelium in der Prüfkammer von vorherigen Tests und Ausgasungen aus dem Prüfling selbst. Beides verfälscht die Messung und führt zu hohen Falsch-Positiv-Raten — in manchen Betrieben bis zu 8 %.

Die KI-Dichtheitsprüfung löst das durch ein lernfähiges Hintergrundmodell: Es erfasst das typische Helium-Hintergrundsignal der Kammer über hunderte Zyklen und subtrahiert es vom aktuellen Messwert. Wenn das Restsignal nach der Subtraktion einen dynamischen Schwellenwert überschreitet, liegt ein echtes Leck vor.

Ein Klimatechnik-Hersteller in Sachsen hat mit diesem Ansatz seine Falsch-Positiv-Rate von 7,2 % auf 1,8 % gesenkt — bei gleichzeitiger Verkürzung der Evakuierungszeit um 15 Sekunden pro Zyklus. Das spart bei 800 Tests pro Tag 3,3 Stunden Maschinenzeit.

Mehr über die Kostenkalkulation für KI-Projekte erfahren Sie in unserem Budgetleitfaden.

Integration in bestehende Prüfstände

Die gute Nachricht: KI-Dichtheitsprüfung erfordert keine neuen Prüfstände. Die vorhandene Sensorik liefert bereits alle nötigen Daten — sie werden nur anders ausgewertet.

Was Sie brauchen:

1. Datenerfassung: Eine Messkarte (z. B. National Instruments DAQ) oder eine Anbindung an die vorhandene SPS über OPC UA. Wichtig: Die Abtastrate muss mindestens 50 Hz betragen, idealerweise 100 Hz. Viele ältere Prüfstände speichern nur Endwerte — hier ist eine Nachrüstung der Datenerfassung nötig (2.000–5.000 €).

2. Edge-Computer: Ein industrieller PC (Beckhoff, Siemens IPC) am Prüfstand reicht. XGBoost-Inferenz braucht keine GPU — ein Intel i5 schafft die Klassifikation in unter 5 ms.

3. Software: Die Modellentwicklung erfolgt einmalig in Python (scikit-learn oder XGBoost). Die Inferenz wird als Container oder Windows-Service auf dem Edge-PC deployed.

Die Anbindung an Ihre bestehende Prüfsoftware erfolgt über eine einfache Schnittstelle:

# Beispiel: KI-Auswertung Druckverlusttest
import xgboost as xgb
import numpy as np

def classify_leak_test(pressure_curve, temp_start, temp_end):
    """
    Klassifiziert eine Druckkurve als dicht, undicht
    oder Pseudo-Ausschuss.
    """
    features = extract_features(pressure_curve, temp_start, temp_end)
    model = xgb.Booster()
    model.load_model("leak_classifier_v3.json")

    prediction = model.predict(xgb.DMatrix([features]))
    classes = ["dicht", "grenzwertig", "undicht", "pseudo"]

    return {
        "ergebnis": classes[int(prediction[0])],
        "konfidenz": float(max(prediction)),
        "leckrate_geschaetzt": features[0] * 60  # cc/min
    }

Für Betriebe, die noch am Anfang der KI-Reise stehen, bietet unser Leitfaden zur KI-Implementierung einen strukturierten Einstieg.

ROI-Rechnung für drei Szenarien

Die Investition liegt bei 15.000–35.000 €, abhängig davon, ob die Datenerfassung nachgerüstet werden muss. Die Amortisation beträgt im mittleren Szenario 6–10 Monate.

Ein oft übersehener Vorteil: Die Prüfzykluszeit lässt sich durch adaptive Beruhigungsphasen verkürzen. Wenn die KI erkennt, dass die Beruhigungsphase schneller abklingt als erwartet, kann sie die Messphase früher starten. Das spart 5–15 Sekunden pro Zyklus — bei 2.000 Teilen pro Tag sind das 3–8 Stunden Maschinenkapazität.

Eine detaillierte ROI-Berechnung können Sie mit unserer Excel-Vorlage selbst durchführen.

Validierung und Normenkonformität

KI-Dichtheitsprüfung muss denselben Normen genügen wie konventionelle Verfahren. Relevante Standards:

• DIN EN 1779 (Dichtheitsprüfverfahren — Auswahl)
• VDA 19.1 (Technische Sauberkeit — für Automotive)
• DIN EN ISO 20485 (Heliumlecktest — Verfahren)

Für die Validierung empfehlen wir: 1.000 Teile mit bekanntem Status (500 dicht, 500 undicht mit kalibrierten Lecks von 0,1 bis 10 cc/min) durch das KI-System prüfen lassen. Die Ergebnisse werden gegen die Referenzmessung ausgewertet. Zielwerte: Sensitivität > 99 %, Spezifität > 95 %.

Dokumentieren Sie das Validierungsprotokoll nach dem gleichen Schema wie für konventionelle Prüfmittel — inklusive Messunsicherheitsbudget. Dann akzeptieren auch konservative Auditoren den KI-Ansatz.

Häufige Fragen

Wie viele Trainingsdaten brauche ich für eine zuverlässige KI-Dichtheitsprüfung?

Mindestens 5.000 Druckkurven, davon 20–30 % mit echten Lecks verschiedener Größen. Das klingt viel, ist aber in vier bis sechs Wochen Produktionsbetrieb gesammelt, wenn Sie jede Prüfung mitschneiden. Für die Annotation brauchen Sie die Ergebnisse aus der manuellen Nachprüfung als Ground Truth.

Kann die KI auch intermittierende Lecks erkennen?

Intermittierende Lecks — etwa durch Partikel, die ein Leck zeitweise verschließen — sind die schwierigste Kategorie. Die KI erkennt sie besser als konventionelle Systeme, weil sie subtile Muster in der Beruhigungsphase sieht. Die Erkennungsrate liegt bei 75–85 %, verglichen mit 40–50 % bei Schwellenwertverfahren. Für sicherheitskritische Teile empfehlen wir trotzdem einen zusätzlichen Heliumtest.

Was passiert bei Produktwechseln — muss das Modell neu trainiert werden?

Bei geometrisch ähnlichen Teilen (z. B. verschiedene Ölwannen-Varianten) reicht ein Feintuning mit 200–500 Kurven des neuen Produkts. Bei stark abweichender Geometrie (z. B. Wechsel von Gehäusen zu Rohrleitungen) ist ein neues Modell sinnvoll. Transfer Learning verkürzt das Training auf 1–2 Tage statt 1–2 Wochen.

Lässt sich die KI-Auswertung mit unserem MES verknüpfen?

Ja. Die gängigen MES-Systeme (SAP ME, MPDV Hydra, Forcam) bieten REST-API-Schnittstellen, über die Prüfergebnisse inklusive KI-Klassifikation und Konfidenzwert übergeben werden. Damit fließen die Daten in Ihre Traceability-Dokumentation, ohne manuelle Eingabe. Mehr zur KI-Strategie im Unternehmen erfahren Sie im Komplettleitfaden.

Wie oft muss das Modell aktualisiert werden?

Planen Sie ein Retraining alle 6–12 Monate oder wenn sich Prüfparameter ändern (neues Prüfgas, anderer Prüfdruck, neue Dichtung). Überwachen Sie die Modellperformance kontinuierlich über einen Drift-Indikator: Wenn die Pseudo-Ausschussrate wieder über 3 % steigt, ist es Zeit für ein Update.