KI für Hydraulikpressen: Leckage vorhersagen

TL;DR

Ungeplante Leckagen an Hydraulikpressen verursachen 12–18 Stunden Stillstand pro Vorfall. KI-basierte Leckage-Vorhersage erkennt Druckabfall-Muster 10–14 Tage vor dem Ausfall. Ein mittelständischer Umformbetrieb mit 8 Pressen spart damit €67.000 pro Presse und Jahr. Die Nachrüstung kostet €4.500–8.000 pro Maschine — der Break-Even liegt bei 6 Wochen.

Warum Hydraulikleckagen den Mittelstand treffen

Hydraulikpressen sind das Rückgrat der Umformtechnik. In deutschen KMU stehen durchschnittlich 4–12 Pressen mit 500–4.000 Tonnen Presskraft. Die Hydraulik ist dabei die häufigste Ausfallursache:

• 38 % aller ungeplanten Stillstände gehen auf Hydraulikprobleme zurück
• Durchschnittliche Ausfallzeit: 14,2 Stunden pro Leckage-Ereignis
• Direkte Kosten: €8.500–12.000 pro Vorfall (Stillstand + Reparatur + Ausschuss)
• Ölverlust: 40–120 Liter pro Leckage → €280–840 Materialkosten + Entsorgung
• Umweltrisiko: Bußgelder bei Grundwassergefährdung bis €50.000

Ein Betrieb mit 8 Pressen erlebt statistisch 6–10 Leckage-Ereignisse pro Jahr. Das ergibt €51.000–120.000 ungeplante Kosten.

Wie KI Leckagen vorhersagt

Die Vorhersage basiert auf der Analyse von Sensordaten, die Muster erkennen, bevor ein Mensch sie bemerkt:

Relevante Sensordaten

# Sensorik für Leckage-Vorhersage
sensoren:
  drucksensor:
    position: "Hauptzylinder + Rückhubzylinder"
    abtastrate: "100 Hz"
    genauigkeit: "±0.5 bar"
    kosten: "€180/Stück"

  temperatursensor:
    position: "Ölreservoir + Zylindergehäuse"
    abtastrate: "1 Hz"
    typ: "PT100"
    kosten: "€45/Stück"

  volumenstromsensor:
    position: "Hauptleitung nach Pumpe"
    abtastrate: "10 Hz"
    kosten: "€420/Stück"

  partikelzaehler:
    position: "Rücklauffilter"
    abtastrate: "0.1 Hz"
    iso_klasse: "ISO 4406"
    kosten: "€1.200/Stück"

gesamt_hardware_pro_presse: "€2.800-4.200"

ML-Modell-Architektur

Die Leckage-Vorhersage nutzt ein zweistufiges Modell:

Stufe 1 — Anomalie-Erkennung (Autoencoder): Das Modell lernt den Normalzustand der Presse und meldet Abweichungen. Trainiert wird mit 4–6 Wochen Normalbetriebsdaten.

Stufe 2 — Zeitreihen-Prognose (LSTM/Transformer): Bei erkannter Anomalie prognostiziert das Modell den Zeitpunkt der Leckage. Genauigkeit: ±3 Tage bei 14-Tage-Vorhersagehorizont.

Erkennbare Muster

Die KI identifiziert vier Frühwarnsignale:

1. Druckabfall-Drift: Schleichende Reduktion um 0,3–0,8 bar/Tag → innere Leckage an Dichtungen
2. Temperaturanstieg: Öltemperatur steigt um 2–5 °C über Baseline → erhöhte Reibung durch Verschleiß
3. Volumenstrom-Asymmetrie: Fördermenge weicht 3–7 % vom Sollwert ab → Pumenverschleiß oder Ventilleckage
4. Partikelzunahme: ISO-Klasse verschlechtert sich um 2+ Stufen → Abrieb an Dichtungen oder Zylindern

Praxisbeispiel: Umformbetrieb in Südwestfalen

Ein Hersteller von Tiefziehteilen für die Automobilindustrie (92 Mitarbeiter, 8 Hydraulikpressen 800–2.500 t) hat die KI-Leckage-Vorhersage implementiert:

Implementierung

Phase 1 (Woche 1–2): Sensorik nachrüsten

• 32 Drucksensoren, 16 Temperatursensoren, 8 Volumenstromsensoren
• Edge-Gateway pro Presse (Siemens IOT2050, €380/Stück)
• Gesamtkosten Hardware: €38.400

Phase 2 (Woche 3–6): Datenerfassung und Modelltraining

• 4 Wochen Normalbetrieb aufzeichnen (1,2 TB Rohdaten)
• Feature Engineering: 47 abgeleitete Merkmale
• Modelltraining auf Cloud-GPU (€120)

Phase 3 (Woche 7–8): Integration und Alarmierung

• Dashboard auf bestehendem MES-Monitor
• SMS/E-Mail-Alarm bei Vorhersage
• Wartungsauftrag automatisch im SAP PM erstellen

Ergebnisse nach 12 Monaten

Nachrüstung: Was Sie für Ihre Pressen brauchen

Mindestausstattung (€4.500/Presse)

• 4 Drucksensoren (Hauptzylinder, Nebenzylinder)
• 2 Temperatursensoren (Öl, Gehäuse)
• 1 Edge-Gateway mit MQTT
• Cloud-Anbindung für ML-Modell

Empfohlene Ausstattung (€8.000/Presse)

• Zusätzlich: Volumenstromsensor, Partikelzähler
• Lokaler ML-Inferenzserver (keine Cloud-Abhängigkeit)
• Integration in MES/SAP PM

Voraussetzungen an der Maschine

• Hydrauliksystem mit zugänglichen Messstellen (Minimess-Anschlüsse vorhanden?)
• Steuerung mit digitaler Schnittstelle (Profinet, OPC UA oder mindestens 4–20 mA)
• Netzwerkanbindung (Ethernet oder WLAN) am Maschinenstandort

Häufige Fehler bei der Einführung

1. Zu wenige Sensoren — Nur Drucksensoren reichen nicht. Temperatur und Volumenstrom liefern 40 % der Vorhersagequalität.
2. Zu kurze Trainingsphase — 2 Wochen reichen selten. Saisonale Schwankungen (Hallentemperatur) brauchen mindestens 4 Wochen Daten.
3. Falsche Abtastrate — Druckspitzen bei 100 Hz erfassen, nicht bei 1 Hz. Die Dynamik im Presshub ist entscheidend.
4. Alarmmüdigkeit — Zu viele Fehlalarme führen dazu, dass Bediener Warnungen ignorieren. Ziel: <5 % Fehlalarmrate.
5. Kein Wartungsprozess — Die Vorhersage ist nutzlos ohne definierte Reaktion: Wer macht was in welcher Zeit?

Weitere Predictive-Maintenance-Ansätze beschreibt der Artikel KI-Stanzwerkzeug Verschleißerkennung. Die Investitionsplanung unterstützt die ROI-Berechnung mit Excel-Vorlage. Grundlagen zur KI-Einführung finden Sie im Komplettleitfaden KI für Unternehmen.

FAQ

Funktioniert die Vorhersage auch bei älteren Pressen ohne digitale Steuerung?

Ja. Die Sensoren werden unabhängig von der Maschinensteuerung nachgerüstet. Selbst Pressen aus den 1990er-Jahren sind nachrüstbar — entscheidend sind zugängliche Hydraulik-Messstellen.

Wie hoch ist die Vorhersagegenauigkeit?

Nach 3 Monaten Trainingsphase erreichen die Modelle 88–93 % Genauigkeit bei einem 14-Tage-Horizont. Die Fehlalarmrate liegt bei 3–7 %.

Brauche ich eine Cloud-Anbindung?

Nicht zwingend. Edge-basierte Inferenz auf einem Raspberry Pi 5 oder Siemens IOT2050 reicht für die Vorhersage. Die Cloud wird nur für Modelltraining und Updates benötigt.

Wie schnell amortisiert sich die Investition?

Bei €8.000 Investition pro Presse und einem verhinderten Stillstand (€10.000 Einsparung) liegt der Break-Even bei 6 Wochen. Die meisten Betriebe berichten von 2–3 Monaten.

Kann ich das System auch für andere Maschinen nutzen?

Ja. Die gleiche Architektur funktioniert für Spritzgießmaschinen, CNC-Bearbeitungszentren und Drehmaschinen — überall wo Hydraulik oder Kühlschmierstoff überwacht werden muss.