KI zur Erkennung visueller Defekte beim Kunststoffspritzguss
Ausschussraten in Spritzgussbetrieben werden haeufig mit 2–3 % angegeben, doch Branchenumfragen legen nahe, dass der tatsaechliche Wert eher bei 5–10 % liegt, wenn nachgelagerte Defekte und Kundenreklamationen mitberuecksichtigt werden. Bei Preisen von 2–7 Euro pro Kilogramm fuer technische Kunststoffe summieren sich diese verborgenen Verluste schnell.
Der Einsatz KI-gestuetzter Qualitaetskontrolle (englisch: „AI-based Quality Control“) zur Erkennung visueller Defekte – einer der haeufigsten Fehlerarten – kann die Kundenzufriedenheit und die Gewinnmargen verbessern. In diesem Beitrag gehen wir auf die spezifischen Defekte beim Kunststoffspritzguss ein und zeigen, wie KI-Loesungen integriert werden koennen, um sie zu bewaeltigen.
Die wahren Kosten visueller Defekte und manueller Sichtkontrolle kennen
Jedes fehlerhafte Teil kostet mehr als nur das Material. Branchenschaetzungen zufolge werden sieben einwandfreie Teile benoetigt, um den Verlust eines Ausschussteils wieder wettzumachen, und die Produktionskosten sind viermal so hoch, um die Gewinnschwelle zu erreichen. Noch teurer als direkter Ausschuss ist das Nichtidentifizieren der Grundursache. Die beste Loesung heute ist der Einsatz KI-gestuetzter automatisierter Qualitaetskontrolle in Kombination mit menschlichen Bedienenden.
Forschungsergebnisse legen nahe, dass die Genauigkeit der manuellen Sichtkontrolle in Fertigungsumgebungen bei rund 80 % liegt, was bedeutet, dass jeder fuenfte Defekt uebersehen wird. Bei der stichprobenbasierten Pruefung erhoehen sich diese Verfehlungsraten noch weiter, da sporadische Defekte laenger unentdeckt bleiben koennen und so eine Verzoegerung entsteht, bevor Muster und Grundursachen gefunden werden.
Fuer mechanische Aufgaben wie das Scannen nach Defekten mit hohem Durchsatz arbeiten Machine-Vision-Systeme (Bildverarbeitungssysteme) wesentlich effizienter. Dadurch kann jedes an den Kameras vorbeilaufende Teil gescannt werden, und menschliche Bedienende koennen sich auf die schwierigen Randfaelle konzentrieren.
Mit modernen Loesungen erleichtern KI-Modelle und intuitive Oberflaechen den Mitarbeitenden auch das Beschriften neuer Defekte, das Hinzufuegen von Beispielen fuer bestehende und das Aktualisieren von Beschreibungen, die Teammitgliedern bei der Ursachenanalyse helfen koennen. KI-Qualitaetskontrolle kann beispielsweise Akzeptanzschwellenwerte fuer Defekte festlegen, eine Bezeichnung wie „Verfärbung“ hinzufuegen sowie eine handlungsorientierte Beschreibung: „Koennte auf Verunreinigung zurueckzufuehren sein.“
Unvollstaendige Fuellung (Kurzschuss) und Gratbildung beim Kunststoffspritzguss erkennen
Unvollstaendige Fuellung (englisch: „Short Shots“) und ueberschuessiges Material an Trennlinien (Grat, englisch: „Flash“) sind gut sichtbare Defekte, die bei der Qualitaetspruefung irgendwann erkannt werden. Das Problem bei aktuellen Prozessen liegt darin, wie kostspielig sie sind, bevor sie entdeckt und behoben werden und weiterer Ausschuss entsteht. Automatisierte Loesungen wie Enao Vision werden in der Produktionslinie installiert und scannen stoerungsfrei. Die Qualitaetskontrollloesung erkennt Kurzschuss und Grat in Echtzeit und benachrichtigt Bedienende innerhalb von Sekunden nach dem ersten Ausschussteil, anstatt erst nachdem eine ganze Kiste mit Ausschuss angesammelt wurde.
Beim Kunststoffspritzguss sind unvollstaendige Merkmale, duenne Wandstaerken oder fehlende Abschnitte haeufige Probleme. Grundursachen wie ungenuegender Einspritzdruck, zu niedrige Schmelztemperatur oder unzureichende Entlueftung koennen ebenfalls adressiert werden. Das System von Enao Vision protokolliert jeden Defekt nach Typ und Ort und liefert Ihnen die Daten, um wahre Qualitaetskosten zu berechnen und zu ermitteln, welche Defekte und Grundursachen tatsaechlich Ihr Ergebnis belasten.
Um zu berechnen, ob sich eine automatisierte Qualitaetskontrollloesung lohnt, ist es wichtig, KI-Loesungen als Betriebsausgaben (englisch: „Operational Expenditure“, kurz OpEx) zu betrachten, anstatt sie wie historisch ueblich bei Industriemaschinen als abzuschreibende Investitionsausgaben (englisch: „Capital Expenditure“, kurz CAPEX) zu verbuchen. Verfolgen Sie Ihre wahre Ausschussrate – einschliesslich nachgelagert abgelehnter Teile und Kundenreklamationen. Das Verstaendnis der tatsaechlichen Kosten und deren Nutzung als Grundlage fuer neue Optimierungsinvestitionen sichert Ihren Wettbewerbsvorteil.
Beleuchtung und Machine-Vision-Systeme zur Erkennung von Oberflaechendefekten einsetzen
Oberflaechendefekte koennen bei der Sichtkontrolle schwieriger zu erfassen sein, aber das richtige Setup kann eine robuste Ueberwachung ermoeglichen. Mit der richtigen Beleuchtung und den richtigen Kamerawinkeln koennen Oberflaechendefekte fuer Machine-Vision-Systeme sichtbar gemacht werden – im Gegensatz zur manuellen Kontrolle, bei der die Genauigkeit erheblich abnimmt, wenn Bedienende Beleuchtung und Winkel staendig anpassen muessen.
Statt die gesamte manuelle Sichtkontrolle durch automatisierte Loesungen zu ersetzen, empfehlen wir, eine Loesung zu testen und erst dann auszuweiten, wenn sie sich fuer Ihre Produktionslaeufe bewaehrt hat. Details finden Sie in unserem Beitrag zur Schliessung der Qualitaetsluecke bei der manuellen Sichtkontrolle, um zu verstehen, wo Sie Ihre Qualitaetskontrolle platzieren koennen.
Haeufige Oberflaechendefekte beim Kunststoffspritzguss sind Einfallstellen (englisch: „Sink Marks“), Fliesslinien (englisch: „Flow Lines“) und Schlieren (englisch: „Splay“). Wenn Sie zum ersten Mal eine KI-Qualitaetskontrollloesung ausprobieren, erhoehen Sie Ihre Erfolgschancen, indem Sie unseren Blogbeitrag zum Setup lesen. Im Zweifelsfall bitten Sie Ihren Anbieter, Empfehlungen fuer Beleuchtung, Halterungen und Unterstuetzung bei der Defektbeschriftung zu geben, damit Sie Grundursachen integrieren koennen – ob Nachdruck, Schwankungen in der Abkuehlrate oder Feuchtigkeit und eingeschlossenes Gas. Das hilft Ihrem Team, den Mehrwert eines KI-Partners bei der Qualitaetskontrolle schnell zu erkennen.
Wie KI-Qualitaetskontrolle Verunreinigungen und Farbabweichungen erkennen kann
Verunreinigungen sind notorisch schwer zu verhindern, und Farbabweichungen sind ebenso schwer zu erkennen. Der Einsatz von KI-Qualitaetskontrollloesungen hilft, Kosten und Risiken zu senken, indem stichprobenbasierte Kontrolle durch 100-%-Abdeckung ersetzt wird. Wir raten Herstellenden jedoch davon ab, manuelle Kontrollen sofort vollstaendig zu ersetzen.
Waehlen Sie Ihren KI-Anbieter nach den richtigen Funktionen, der Benutzerfreundlichkeit und den Kamerafaehigkeiten aus, um Ihre haeufigsten Defekte zu erkennen. Zum Einstieg koennen Sie mit diesen fuehrenden Machine-Vision-Loesungen sprechen, um zu verstehen, wie sie sich unterscheiden – ob Scangeschwindigkeit, KI-Modell oder Kamerafaehigkeiten zur Erkennung von Fremdpartikeln und Fremdmaterialien oder Farbabweichungen.
Jetzt starten
Die Einfuehrung von KI-Loesungen in Ihre Produktionslinie sollte den Prinzipien der Lean Production folgen. Indem Sie verstehen, wo Ihre groessten Kosten liegen, koennen Sie entscheiden, wo KI-Qualitaetskontrolle messbare Verbesserungen bringen kann – ob bei der Optimierung von Kosten, Durchsatz oder Prozessen.
Anders als frueher koennen KI-Qualitaetskontrollloesungen wie Enao Vision getestet werden, bevor Sie sich auf mehrjaehrige Vertraege festlegen. Wir empfehlen, mit verschiedenen Anbietern zu sprechen und zu verstehen, wie lange es dauert, bis Sie eine Loesung live auf Ihrem Shopfloor (in Ihrer Produktionsumgebung) testen koennen. Um den Erfolg zu sichern, empfehlen wir, sich zunaechst auf einen Produktionslauf zu konzentrieren und erst dann auszuweiten, wenn Ihre Mitarbeitenden sich damit vertraut fuehlen. Um ein erfolgreiches Setup fuer Ihre automatisierte Qualitaetskontrolle zu gewaehrleisten, stellen Sie sicher, dass kritische Schritte abgedeckt sind: stabiles WLAN fuer die KI-Modellverarbeitung, die richtige Beleuchtung und Halterungen sowie die Anforderung von Setup-Unterstuetzung, wo noetig. Enao Vision macht es einfach durch den Einsatz von iPhone-Kameras, die guenstig in der Anschaffung sind, und versendet ein Starter-Kit mit 5G-Konnektivitaet, Beleuchtung und Halterungen.
Visuelle Defekte beim Spritzguss sind unvermeidlich, aber ihre Auslieferung muss es nicht sein. Die Technologie existiert heute, um jedes Teil zu pruefen, Defekte nach Typ zu klassifizieren und Ihrem Team die Daten zu liefern, die es braucht, um Grundursachen zu beheben – und nicht nur Ausschuss zu sortieren.
Testen Sie Enao Vision den ersten Monat kostenlos, um zu sehen, wie es bei Spritzgussteilen funktioniert.