KI für Spritzgießwerkzeuge: Zykluszeit senken

TL;DR

KI-gestützte Parameteroptimierung senkt Zykluszeiten an Spritzgießmaschinen um 8 bis 15 % bei gleichzeitiger Reduktion der Ausschussrate um 30 bis 45 %. Mittelständische Kunststoffverarbeiter sparen €50.000 bis €95.000 pro Jahr durch höhere Ausbringung und weniger Fehlteile. Die Nachrüstung bestehender Maschinen beginnt bei €15.000 pro Anlage.

Warum Zykluszeiten im Spritzguss Geld kosten

Jede Sekunde, die ein Spritzgusszyklus länger dauert als nötig, kostet direkt Geld. Bei einer Maschine mit €85 Stundensatz und einem 30-Sekunden-Zyklus bedeutet eine Sekunde Einsparung: 120 zusätzliche Teile pro Stunde, 2.400 Teile pro Schicht, €12.000 Mehrwert pro Monat.

Ein Kunststoffverarbeiter in Baden-Württemberg (42 Mitarbeiter, 14 Spritzgießmaschinen, Schließkräfte 500 bis 6.500 kN) analysierte seine Produktionsdaten und fand:

Zykluszeiten lagen 12 bis 22 % über den Werkzeug-Datenblatt-Werten
Kühlzeiten waren pauschal um 15 % erhöht, um Verzug zu vermeiden
Nachdruck-Phase war bei 60 % der Werkzeuge nicht optimiert
Werkzeugtemperierung schwankte um ±3 °C (statt ±0,5 °C)
Ausschussrate: 3,8 % (Einfallstellen, Gratbildung, Verzug)

Die jährlichen Kosten dieser Ineffizienzen: €128.000 durch längere Zykluszeiten plus €34.000 durch Ausschuss.

Wie KI Spritzguss-Parameter optimiert

Spritzgießen ist ein Prozess mit über 30 einstellbaren Parametern und komplexen Wechselwirkungen. Konventionelle Einrichter arbeiten nach Erfahrung und optimieren meist drei bis fünf Parameter. Ein ML-Modell erfasst alle Wechselwirkungen gleichzeitig.

Die kritischen Parameter

Die Zykluszeit setzt sich aus vier Phasen zusammen:

Einspritzphase (1-3 s): Einspritzgeschwindigkeit, Umschaltpunkt, Einspritzdruck
Nachdruckphase (3-15 s): Nachdruckhöhe, Nachdruckzeit, Umschaltpunkt
Kühlphase (8-40 s): Kühlzeit, Werkzeugtemperatur, Kühlwassertemperatur und -durchfluss
Werkzeugbewegung (2-5 s): Öffnungs-/Schließgeschwindigkeit, Auswerferhub

Die Kühlphase dominiert mit 40 bis 60 % der Gesamtzykluszeit. Hier liegt das größte Optimierungspotenzial.

ML-Modell für Parameteroptimierung

Das KI-System nutzt einen Ensemble-Ansatz aus Gradient Boosting und Bayesian Optimization:

Phase 1: Prozessverständnis. Ein überwachtes Lernmodell wird auf historische Produktionsdaten trainiert. Eingabe: alle Maschinenparameter plus Werkzeugkennung. Ausgabe: Teilequalität (Gewicht, Maße, visuelle Bewertung) und Zykluszeit.

Phase 2: Optimierung. Bayesian Optimization sucht die Parameterkombination, die die Zykluszeit minimiert, während alle Qualitätskriterien eingehalten werden. Das Modell berücksichtigt Sicherheitsmargen.

Phase 3: Adaptive Steuerung. Im laufenden Betrieb passt das System Parameter an veränderte Bedingungen an: Umgebungstemperatur, Materialcharge, Werkzeugverschleiß.

Optimierte Parameter pro Werkzeug:
  Einspritzen:
    - Einspritzgeschwindigkeit: Mehrstufiges Profil (3-5 Stufen)
    - Umschaltpunkt: Volumenbasiert statt druckbasiert
    - Einspritzdruck: Angepasst an Materialviskosität
  Nachdruck:
    - Nachdruckhöhe: Optimiert auf minimale Einfallstellen
    - Nachdruckzeit: Siegelpunktanalyse (verkürzt um 15-25%)
    - Nachdruckprofil: Stufig abfallend statt konstant
  Kühlung:
    - Kühlzeit: Werkstoff- und wanddickenabhängig
    - Werkzeugtemperatur: Zonenweise optimiert (±0.5°C)
    - Kühlwasserdurchfluss: Turbulent statt laminar
  Werkzeugbewegung:
    - Öffnungs-/Schließgeschwindigkeit: Mehrstufig
    - Auswerferhub und -geschwindigkeit: Bauteiloptimiert
    - Kernzüge: Parallelisiert wo möglich

Werkzeugtemperierung: Der unterschätzte Hebel

Die Werkzeugtemperierung hat den größten Einfluss auf Zykluszeit und Teilequalität. Konventionelle Temperiergeräte arbeiten mit einer einzigen Vorlauftemperatur. KI-gestützte Temperierung arbeitet zonenweise und dynamisch.

Ein Werkzeug mit vier Temperierkreisen wird konventionell auf eine einheitliche Temperatur eingestellt. Das KI-System erkennt aus den Daten, dass:

Düsenseitige Formhälfte 8 °C wärmer laufen sollte als auswerferseitig
Angussnahe Zonen 5 °C kühler als angussferne Zonen
Die optimale Temperaturdifferenz sich mit der Umgebungstemperatur ändert

Bei einem Automobilzulieferer in Franken reduzierte die zonenweise KI-Temperierung die Kühlzeit um 22 % bei einem Großserienteil (Instrumententafelblende, PP-GF20).

Praxisbeispiel: Kunststoffverarbeiter mit 14 Maschinen

Der Betrieb in Baden-Württemberg implementierte die KI-Parameteroptimierung schrittweise über 14 Wochen, beginnend mit den drei Maschinen mit dem höchsten Verbesserungspotenzial.

Projektverlauf

Woche 1-2: Datenerfassung. Retrofit-Sensoren (Werkzeuginnendrucksensor, Kühlwasser-Durchflussmesser, Werkzeugtemperatur-Fühler) an drei Pilotmaschinen installiert. Historische Produktionsdaten aus dem MES exportiert. Baseline-OEE gemessen.

Woche 3-6: Modelltraining. ML-Modell auf 4.200 dokumentierten Zyklen trainiert. Feature Importance analysiert: Kühlzeit (38 %), Nachdruckzeit (24 %) und Werkzeugtemperatur (18 %) sind die wichtigsten Stellhebel.

Woche 7-10: Pilotbetrieb. KI-Empfehlungen als Vorschlag auf dem Maschinenpanel angezeigt. Einrichter validieren und geben Feedback. Modell wird mit Praxisdaten nachtrainiert.

Woche 11-14: Produktivbetrieb. Automatische Parameterübergabe an die Maschinensteuerung (Euromap 77/OPC-UA). Monitoring-Dashboard für Schichtleitung.

Ergebnisse

KPI	Vorher	Nachher	Verbesserung
Durchschnittliche Zykluszeit	34,2 s	29,1 s	-15 %
Ausschussrate	3,8 %	2,1 %	-45 %
Teilegewicht-Streuung	±1,4 %	±0,6 %	-57 %
Werkzeugtemperatur-Schwankung	±3,0 °C	±0,5 °C	-83 %
Einrichtzeit neue Werkzeuge	2,5 h	1,2 h	-52 %
Energieverbrauch pro Teil	0,42 kWh	0,36 kWh	-14 %

Finanzielle Ergebnisse (drei Pilotmaschinen, hochgerechnet auf 14 Maschinen):

Mehrproduktion durch kürzere Zykluszeiten: €48.000 pro Jahr
Eingesparter Ausschuss: €18.000 pro Jahr
Energieeinsparung: €6.000 pro Jahr
Gesamtbenefit: €72.000 pro Jahr bei €42.000 Projektinvest (drei Maschinen)

Details zur Kostenplanung für KI-Projekte im Mittelstand.

Technische Voraussetzungen

Maschinenschnittstelle

Moderne Spritzgießmaschinen (Arburg, Engel, KraussMaffei, Sumitomo Demag) unterstützen OPC-UA nach Euromap 77/83. Bei älteren Maschinen ohne digitale Schnittstelle ist ein Retrofit mit externen Sensoren möglich:

Retrofit-Setup pro Maschine:
  Sensoren:
    - Werkzeuginnendrucksensor (Kistler/Priamus): €2.800
    - Kühlwasser-Durchflussmesser (4 Kreise): €1.200
    - Werkzeugtemperatur (4 Zonen, PT100): €600
    - Maschinenenergie (Clamp-On Strom): €340
  Gateway:
    - OPC-UA Gateway oder MQTT-Bridge: €890
    - Edge-PC (Datensammlung + Inference): €1.200
  Software:
    - ML-Modell (Training + Deployment): €8.000
    - Dashboard + Monitoring: €2.000
  Installation pro Maschine: €2.500
  Gesamtinvest pro Maschine: €19.530
  Bei Euromap 77 (Sensoren teilweise vorhanden): €12.000-€15.000

Datengrundlage

Für ein robustes Modell braucht das System mindestens 1.500 dokumentierte Zyklen pro Werkzeug. Bei einer Zykluszeit von 30 Sekunden und Dreischichtbetrieb sind das weniger als zwei Tage Produktion. Die Herausforderung liegt nicht in der Datenmenge, sondern in der Datenqualität: Jeder Zyklus muss mit Qualitätsergebnis verknüpft sein.

Integration in bestehende Prozesse

Die KI-Parameteroptimierung integriert sich in den bestehenden Produktionsablauf:

MES/ERP: Auftrag wird eingeplant → MES übergibt Werkzeug-ID und Materialnummer an KI-System
KI-System: Berechnet optimale Parameter auf Basis von Werkzeug, Material, Maschine und aktuellen Bedingungen
Maschinensteuerung: Parameter werden per OPC-UA übergeben (oder manuell eingegeben)
Produktion: Maschine produziert mit optimierten Parametern, Sensordaten fließen in Echtzeit zurück
QS-Prüfung: Messergebnisse werden dem KI-Modell als Feedback zugeführt

Wer bereits Erfahrung mit KI-gestützter Prozesssteuerung in der Oberflächentechnik hat, etwa bei der Galvanik, erkennt Parallelen in der Methodik.

Häufige Widerstände und wie man sie löst

Einrichter fühlen sich entmündigt. Lösung: KI als Assistent positionieren, nicht als Ersatz. Einrichter bringen ihr Expertenwissen ein und validieren die Vorschläge. Erfolge gemeinsam feiern.

Geschäftsführung sieht nur die Kosten. Lösung: Pilotprojekt an einer Maschine mit dem größten Verbesserungspotenzial. Ergebnisse nach sechs Wochen präsentieren. Der ROI-Rechner hilft bei der Argumentation.

IT-Abteilung hat Sicherheitsbedenken. Lösung: Edge-Computing, Daten bleiben lokal. Keine Cloud-Anbindung nötig. OT-Netz bleibt vom IT-Netz getrennt.

FAQ

Wie viel Zykluszeit-Einsparung ist realistisch? Bei einem typischen Ausgangszustand (Zykluszeit 10-20 % über Datenblatt) sind 8 bis 15 % Einsparung realistisch. Bei gut optimierten Prozessen noch 3 bis 6 %. Der größte Hebel liegt in der Kühlzeit, die oft pauschal zu hoch angesetzt wird.

Funktioniert KI bei jedem Kunststoff? Ja, das Modell wird pro Material-Werkzeug-Kombination trainiert. Amorphe Kunststoffe (ABS, PC, PMMA) und teilkristalline Kunststoffe (PA, POM, PP) haben unterschiedliche Optimierungsstrategien, die das ML-Modell automatisch erlernt. Auch glasfaserverstärkte Materialien werden unterstützt.

Brauche ich Werkzeuginnendrucksensoren? Sie sind nicht zwingend nötig, liefern aber die wertvollsten Daten. Mit Werkzeuginnendruck lässt sich der Umschaltpunkt und das Nachdruckprofil deutlich präziser optimieren. Für den Einstieg reichen externe Sensoren (Strom, Temperatur, Durchfluss).

Wie lange dauert die Einführung pro Maschine? Zwei bis drei Wochen für Hardware-Installation und Baseline-Messung, vier bis sechs Wochen für Modelltraining und Pilotbetrieb. Ab der zweiten Maschine geht es schneller, weil das Modell übertragbare Muster gelernt hat. Der KI-Leitfaden beschreibt den vollständigen Projektablauf.

Was passiert bei einem neuen Werkzeug? Beim ersten Einsatz eines neuen Werkzeugs startet das System mit Standardparametern und lernt innerhalb von 200 bis 500 Zyklen das werkzeugspezifische Optimum. Während dieser Lernphase arbeitet der Einrichter wie bisher. Danach übernimmt das KI-System die Feinoptimierung.