KI-Stanzwerkzeug: Verschleiß 40% früher erkennen

TL;DR

Vibrations- und Kraftsensoren an Stanzpressen liefern Echtzeit-Daten, aus denen KI-Modelle den Werkzeugverschleiß vorhersagen. Mittelständische Stanzereibetriebe erreichen damit 40 % frühere Verschleißerkennung, 25–30 % weniger ungeplante Stillstände und eine Werkzeugkostenreduktion von 15–20 %. Der Einstieg gelingt mit drei Sensoren pro Presse und einem Edge-Gateway — Investition ab 12.000 €.

100 Hübe pro Minute, null Transparenz

Ein mittelständischer Stanzereibetrieb im Raum Stuttgart betreibt 14 Pressen mit Presskräften zwischen 63 und 400 Tonnen. Jede Presse führt 60–120 Hübe pro Minute aus. Bei einer Drei-Schicht-Auslastung entstehen pro Werkzeug und Tag rund 150.000 Hübe — und trotzdem prüft der Werkzeugmacher den Zustand nach wie vor visuell, wenn ein Bediener „komische Teile" meldet.

Das Ergebnis: Im Jahr 2025 standen die Pressen insgesamt 340 Stunden ungeplant still. Bei einem Maschinenstundensatz von 180 € ergibt das 61.200 € Verlust — nur durch Werkzeugbruch, ohne Ausschusskosten. Drei Werkzeuge mussten komplett ersetzt statt nachgeschliffen werden, weil der Verschleiß zu spät entdeckt wurde: weitere 28.000 €.

Solche Zahlen sind in der deutschen Stanzbranche keine Ausnahme. Laut einer VDMA-Umfrage unter 186 Umformbetrieben verursachen ungeplante Werkzeugausfälle durchschnittlich 4,2 % Produktivitätsverlust pro Jahr.

Welche Signale Verschleiß verraten

Ein verschleißendes Stanzwerkzeug verändert seinen akustischen und mechanischen Fingerabdruck — oft Tausende von Hüben bevor ein menschliches Auge den Grataufbau oder die Maßabweichung erkennt.

Kraftverlauf (Presskraft-Signatur)

Der Kraft-Weg-Verlauf eines Stanzhubs folgt einer charakteristischen Kurve: Anstieg beim Einlaufen des Stempels, Plateau während des Schneidvorgangs, Abfall beim Durchbruch. Verschleiß verändert drei Merkmale:

• Maximalkraft steigt — stumpfe Schneidkanten erhöhen die Schnittkraft um 8–15 %
• Durchbruchkante verschleift — der Kraftabfall wird flacher
• Asymmetrie nimmt zu — ungleichmäßiger Verschleiß erzeugt Seitenkräfte

Vibration (Beschleunigungssensoren)

Piezoelektrische Beschleunigungssensoren am Pressenstößel und an der Aufspannplatte erfassen Schwingungen bis 20 kHz. Relevante Verschleiß-Indikatoren:

• RMS-Anstieg im Frequenzband 2–5 kHz korreliert mit Schneidkantenverschleiß
• Impulsenergie beim Schnittschlag steigt bei zunehmendem Schneidspalt
• Hochfrequente Anteile über 8 kHz deuten auf Mikrorisse im Werkzeugstahl

Akustische Emission

Optional lassen sich AE-Sensoren einsetzen, die Ultraschall im Bereich 100–300 kHz erfassen. Sie reagieren besonders empfindlich auf Rissbildung in Hartmetall-Aktivteilen und erkennen Materialermüdung, bevor makroskopische Schäden entstehen.

Sensorik-Setup: Was Sie wirklich brauchen

Viele Anbieter verkaufen Komplettlösungen mit zehn Sensoren pro Werkzeug. Für den Einstieg reichen drei:

# Minimale Sensorbestückung pro Presse
sensoren:
  kraftsensor:
    typ: Dehnungsmessstreifen (DMS) auf Pleuel
    abtastrate: 10 kHz
    kosten: 1.200 EUR inkl. Verstärker
  vibration:
    typ: IEPE Beschleunigungssensor
    position: Stößel (obere Werkzeughälfte)
    abtastrate: 25.6 kHz
    kosten: 800 EUR
  temperatur:
    typ: PT100 am Werkzeuggrundkörper
    abtastrate: 1 Hz
    kosten: 150 EUR

datenerfassung:
  edge_gateway: "Beckhoff CX5140 oder Siemens IOT2050"
  protokoll: MQTT über OPC UA Wrapper
  speicher_lokal: 32 GB ringbuffer (ca. 14 Tage)
  cloud_sync: optional, Azure IoT Hub oder On-Premise InfluxDB

Gesamtkosten pro Presse: 3.500–5.000 € inklusive Verkabelung und Inbetriebnahme. Bei drei Pilotpressen liegt die Investition bei 12.000–15.000 €.

Vom Rohsignal zur Verschleißprognose

Die Sensorsignale allein sagen noch nichts über Restlebensdauer. Die Verarbeitung erfolgt in vier Stufen.

Stufe 1 – Feature-Extraktion: Aus jedem Hub werden 15–20 Merkmale berechnet: Maximalkraft, Kraftgradient, RMS-Vibration in drei Frequenzbändern, Temperaturänderung, Hubzahl seit letztem Nachschliff. Die Berechnung läuft auf dem Edge-Gateway in unter 5 ms pro Hub.

Stufe 2 – Trendbildung: Die hubweisen Features werden über gleitende Fenster (500 und 5.000 Hübe) gemittelt. Erst der Trend zeigt den Verschleißverlauf — einzelne Hübe schwanken zu stark.

Stufe 3 – Klassifikation: Ein Gradient-Boosting-Modell (XGBoost oder LightGBM) ordnet den aktuellen Zustand in vier Klassen ein: Gut, Verschleiß beginnend, Nachschliff empfohlen, Werkzeugwechsel nötig. Die Trainingsphase benötigt Daten aus 8–12 Werkzeuglebenszyklen, typischerweise 4–6 Wochen Produktion.

Stufe 4 – Restlebensdauer (RUL): Ein Regressions-Modell schätzt die verbleibende Hubzahl bis zum nächsten Nachschliff. Die Genauigkeit liegt nach 3 Monaten Lernphase bei ±8 % bezogen auf die tatsächliche Standmenge.

In der Praxis hat sich gezeigt, dass die Kombination aus Kraft- und Vibrationsdaten die besten Ergebnisse liefert. Temperatur allein hat eine zu geringe Korrelation, verbessert aber die Genauigkeit der Gesamtprognose um 3–5 Prozentpunkte. Weitere Informationen zur Grundstruktur solcher Systeme finden Sie im Leitfaden für KI im Unternehmen.

Integration in den Produktionsalltag

Das beste Modell nützt nichts, wenn die Information nicht beim richtigen Menschen ankommt. Drei Integrationspunkte sind entscheidend:

Ampelsystem am Pressenmonitor

Jeder Bediener sieht eine Ampel: Grün (mehr als 50.000 Hübe Restlebensdauer), Gelb (10.000–50.000 Hübe), Rot (unter 10.000 Hübe). Das System zeigt zusätzlich die geschätzte Zeit bis zum nächsten Werkzeugwechsel — in Stunden, nicht in Hubzahlen, damit die Schichtplanung reagieren kann.

Automatische Arbeitsvorbereitung

Bei Statuswechsel auf Gelb erzeugt das System automatisch einen Auftrag im ERP (SAP PM oder Infor):

• Werkzeug-Nachschliff in der Werkzeugmacherei einplanen
• Ersatzwerkzeug reservieren oder bereitstellen
• Rüstzeit im Produktionsplan berücksichtigen

Historische Analyse

Über Dashboards in Grafana oder Power BI lassen sich Werkzeugstandmengen vergleichen. So erkennt der Werkzeugbau, welche Stempelgeometrien schneller verschleißen und ob ein Wechsel des Werkzeugstahls (z. B. von 1.2379 auf PM-Stahl ASP 2023) die Standmenge rechtfertigt.

Wirtschaftlichkeit: ROI nach 9 Monaten

Für einen Betrieb mit 8 Pressen, 22 Werkzeugsätzen und einem Produktionsvolumen von 45 Mio. Teilen pro Jahr sieht die Rechnung so aus:

Demgegenüber stehen Investitionskosten von 38.000 € (8 Pressen à 4.750 €) plus 6.000 € für Software-Lizenzen und Schulung. Der ROI ist nach 9 Monaten erreicht. Eine detaillierte Methodik zur ROI-Berechnung für KI-Projekte finden Sie in unserem separaten Beitrag.

Typische Stolperfallen bei der Umsetzung

Unvollständige Werkzeughistorie: Das Modell braucht gelabelte Daten — also den Zusammenhang zwischen Sensorsignal und tatsächlichem Werkzeugzustand. Wenn der Werkzeugmacher beim Nachschliff nicht dokumentiert, wie stark der Verschleiß war, fehlt dem Modell die Grundlage. Lösung: Ein einfaches Bewertungsformular (drei Felder: Verschleißgrad, Verschleißart, Nachschleifmaß) direkt am Schleifplatz.

Zu viele Varianten: Wer 200 verschiedene Werkzeuge hat, kann nicht für jedes ein eigenes Modell trainieren. Besser: Transfer Learning — ein Basismodell auf den 10 häufigsten Werkzeugen trainieren und für ähnliche Geometrien adaptieren. Die Genauigkeit sinkt um 5–10 %, reicht aber für eine zuverlässige Frühwarnung.

Sensoranbringung: Sensoren am Werkzeug selbst sind optimal, erfordern aber beim Werkzeugwechsel jedes Mal ein Umstecken. Sensoren an der Presse (Stößel, Pleuel) sind weniger präzise, aber praxistauglicher. Die meisten erfolgreichen Projekte starten mit Pressensensoren.

Weitere Tipps zur Budgetplanung und Vermeidung typischer KI-Einführungsfehler liefert unser Beitrag zu KI-Kosten und Budgetplanung.

Nächste Schritte: Vom Piloten zur Skalierung

Der bewährte Weg in der Umformtechnik:

1. Monat 1–2: Drei Pressen mit dem häufigsten Werkzeug ausrüsten. Daten sammeln, kein Modell.
2. Monat 3–4: Erstes Modell trainieren, Ampelsystem parallel zur bestehenden Inspektion laufen lassen. Vergleich: Erkennt das System den Verschleiß früher?
3. Monat 5–6: Modell validieren, Schwellwerte kalibrieren, ERP-Anbindung herstellen.
4. Ab Monat 7: Schrittweise Rollout auf weitere Pressen. Modell-Transfer auf ähnliche Werkzeuge testen.

Der erste Schritt ist entscheidend: Nicht die ganze Halle auf einmal, sondern eine Presse, ein Werkzeug, ein messbares Ergebnis. Wie Sie KI-Projekte Schritt für Schritt im Betrieb einführen, beschreibt unser Implementierungsleitfaden im Detail.

Häufige Fragen

Funktioniert die Verschleißerkennung bei allen Werkzeugstählen?

Ja, das Prinzip ist materialunabhängig. Die Kraft- und Vibrationssignale verändern sich bei jedem Werkzeugstahl — nur das Tempo unterscheidet sich. Hartmetall-Werkzeuge verschleißen langsamer, zeigen aber schärfere Signalsprünge vor dem Bruch. PM-Stähle haben einen gleichmäßigeren Verlauf. Das Modell lernt diese Unterschiede aus den Trainingsdaten.

Wie viele Werkzeuglebenszyklen braucht das Training?

Mindestens 8–12 vollständige Zyklen (vom neuen Werkzeug bis zum Nachschliff) liefern eine brauchbare Basis. Bei Werkzeugen mit 500.000 Hüben Standmenge dauert das in Drei-Schicht-Betrieb 4–6 Wochen. Ab 25 Zyklen stabilisiert sich die Prognosegenauigkeit auf ±8 %.

Stört die Vibration anderer Maschinen die Messung?

In der Praxis weniger als erwartet. Die Stanzhub-Signatur ist sehr markant und liegt 20–30 dB über dem Umgebungsrauschen. Adaptive Filter im Preprocessing eliminieren niederfrequente Störungen von benachbarten Pressen. Problematisch wird es nur, wenn zwei Pressen mechanisch über das Fundament gekoppelt sind — dann hilft eine Entkopplung durch Schwingungsdämpfer oder eine synchrone Messung.

Kann ich bestehende Pressen nachrüsten oder brauche ich neue Maschinen?

Nachrüstung ist der Normalfall. 90 % der Projekte arbeiten mit Bestandspressen — von der 30 Jahre alten Einzelhubpresse bis zur modernen Servoanlage. Voraussetzung: ein elektrischer Anschluss in der Nähe und eine Montagemöglichkeit für die Sensoren. Die Sensorik beeinflusst den Pressenablauf nicht und erfordert keine Änderung der Steuerung.

Welche Daten verlassen den Betrieb?

Bei einer On-Premise-Lösung mit Edge-Gateway: keine. Alle Berechnungen laufen lokal. Eine Cloud-Anbindung ist optional und wird nur für den Vergleich mehrerer Standorte oder für herstellerübergreifende Benchmarks benötigt. Die Entscheidung liegt beim Betrieb. Grundlegende Hinweise zur Datenstrategie bei KI-Projekten in der Produktion gelten auch hier.