KI zur Erkennung visueller Defekte beim Kunststoffspritzguss
Ausschussraten in Spritzgussbetrieben werden häufig mit 2–3 % angegeben, doch Branchenumfragen legen nahe, dass der tatsächliche Wert eher bei 5–10 % liegt, wenn nachgelagerte Defekte und Kundenreklamationen mitberücksichtigt werden. Bei Preisen von 2–7 Euro pro Kilogramm für technische Kunststoffe summieren sich diese verborgenen Verluste schnell.
Der Einsatz KI-gestützter Qualitätskontrolle (englisch: „AI-based Quality Control“) zur Erkennung visueller Defekte – einer der häufigsten Fehlerarten – kann die Kundenzufriedenheit und die Gewinnmargen verbessern. In diesem Beitrag gehen wir auf die spezifischen Defekte beim Kunststoffspritzguss ein und zeigen, wie KI-Lösungen integriert werden können, um sie zu bewältigen.
Die wahren Kosten visueller Defekte und manueller Sichtkontrolle kennen
Jedes fehlerhafte Teil kostet mehr als nur das Material. Branchenschätzungen zufolge werden sieben einwandfreie Teile benötigt, 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 Lösung heute ist der Einsatz KI-gestützter automatisierter Qualitätskontrolle in Kombination mit menschlichen Bedienenden.
Forschungsergebnisse legen nahe, dass die Genauigkeit der manuellen Sichtkontrolle in Fertigungsumgebungen bei rund 80 % liegt, was bedeutet, dass jeder fünfte Defekt übersehen wird. Bei der stichprobenbasierten Prüfung erhöhen sich diese Verfehlungsraten noch weiter, da sporadische Defekte länger unentdeckt bleiben können und so eine Verzögerung entsteht, bevor Muster und Grundursachen gefunden werden.
Für 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 können sich auf die schwierigen Randfälle konzentrieren.
Mit modernen Lösungen erleichtern KI-Modelle und intuitive Oberflächen den Mitarbeitenden auch das Beschriften neuer Defekte, das Hinzufügen von Beispielen für bestehende und das Aktualisieren von Beschreibungen, die Teammitgliedern bei der Ursachenanalyse helfen können. KI-Qualitätskontrolle kann beispielsweise Akzeptanzschwellenwerte für Defekte festlegen, eine Bezeichnung wie „Verfärbung“ hinzufügen sowie eine handlungsorientierte Beschreibung: „Könnte auf Verunreinigung zurückzuführen sein.“
Unvollständige Füllung (Kurzschuss) und Gratbildung beim Kunststoffspritzguss erkennen
Unvollständige Füllung (englisch: „Short Shots“) und überschüssiges Material an Trennlinien (Grat, englisch: „Flash“) sind gut sichtbare Defekte, die bei der Qualitätsprüfung 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 Lösungen wie Enao Vision werden in der Produktionslinie installiert und scannen störungsfrei. Die Qualitätskontrolllösung 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 unvollständige Merkmale, dünne Wandstärken oder fehlende Abschnitte häufige Probleme. Grundursachen wie ungenügender Einspritzdruck, zu niedrige Schmelztemperatur oder unzureichende Entlüftung können ebenfalls adressiert werden. Das System von Enao Vision protokolliert jeden Defekt nach Typ und Ort und liefert Ihnen die Daten, um wahre Qualitätskosten zu berechnen und zu ermitteln, welche Defekte und Grundursachen tatsächlich Ihr Ergebnis belasten.
Um zu berechnen, ob sich eine automatisierte Qualitätskontrolllösung lohnt, ist es wichtig, KI-Lösungen als Betriebsausgaben (englisch: „Operational Expenditure“, kurz OpEx) zu betrachten, anstatt sie wie historisch üblich bei Industriemaschinen als abzuschreibende Investitionsausgaben (englisch: „Capital Expenditure“, kurz CAPEX) zu verbuchen. Verfolgen Sie Ihre wahre Ausschussrate – einschließlich nachgelagert abgelehnter Teile und Kundenreklamationen. Das Verständnis der tatsächlichen Kosten und deren Nutzung als Grundlage für neue Optimierungsinvestitionen sichert Ihren Wettbewerbsvorteil.
Beleuchtung und Machine-Vision-Systeme zur Erkennung von Oberflächendefekten einsetzen
Oberflächendefekte können bei der Sichtkontrolle schwieriger zu erfassen sein, aber das richtige Setup kann eine robuste Überwachung ermöglichen. Mit der richtigen Beleuchtung und den richtigen Kamerawinkeln können Oberflächendefekte für Machine-Vision-Systeme sichtbar gemacht werden – im Gegensatz zur manuellen Kontrolle, bei der die Genauigkeit erheblich abnimmt, wenn Bedienende Beleuchtung und Winkel ständig anpassen müssen.
Statt die gesamte manuelle Sichtkontrolle durch automatisierte Lösungen zu ersetzen, empfehlen wir, eine Lösung zu testen und erst dann auszuweiten, wenn sie sich für Ihre Produktionsläufe bewährt hat. Details finden Sie in unserem Beitrag zur Schließung der Qualitätslücke bei der manuellen Sichtkontrolle, um zu verstehen, wo Sie Ihre Qualitätskontrolle platzieren können.
Häufige Oberflächendefekte beim Kunststoffspritzguss sind Einfallstellen (englisch: „Sink Marks“), Fließlinien (englisch: „Flow Lines“) und Schlieren (englisch: „Splay“). Wenn Sie zum ersten Mal eine KI-Qualitätskontrolllösung ausprobieren, erhöhen Sie Ihre Erfolgschancen, indem Sie unseren Blogbeitrag zum Setup lesen. Im Zweifelsfall bitten Sie Ihren Anbieter, Empfehlungen für Beleuchtung, Halterungen und Unterstützung bei der Defektbeschriftung zu geben, damit Sie Grundursachen integrieren können – ob Nachdruck, Schwankungen in der Abkühlrate oder Feuchtigkeit und eingeschlossenes Gas. Das hilft Ihrem Team, den Mehrwert eines KI-Partners bei der Qualitätskontrolle schnell zu erkennen.
Wie KI-Qualitätskontrolle Verunreinigungen und Farbabweichungen erkennen kann
Verunreinigungen sind notorisch schwer zu verhindern, und Farbabweichungen sind ebenso schwer zu erkennen. Der Einsatz von KI-Qualitätskontrolllösungen hilft, Kosten und Risiken zu senken, indem stichprobenbasierte Kontrolle durch 100-%-Abdeckung ersetzt wird. Wir raten Herstellenden jedoch davon ab, manuelle Kontrollen sofort vollständig zu ersetzen.
Wählen Sie Ihren KI-Anbieter nach den richtigen Funktionen, der Benutzerfreundlichkeit und den Kamerafähigkeiten aus, um Ihre häufigsten Defekte zu erkennen. Zum Einstieg können Sie mit diesen führenden Machine-Vision-Lösungen sprechen, um zu verstehen, wie sie sich unterscheiden – ob Scangeschwindigkeit, KI-Modell oder Kamerafähigkeiten zur Erkennung von Fremdpartikeln und Fremdmaterialien oder Farbabweichungen.
Jetzt starten
Die Einführung von KI-Lösungen in Ihre Produktionslinie sollte den Prinzipien der Lean Production folgen. Indem Sie verstehen, wo Ihre grössten Kosten liegen, können Sie entscheiden, wo KI-Qualitätskontrolle messbare Verbesserungen bringen kann – ob bei der Optimierung von Kosten, Durchsatz oder Prozessen.
Anders als früher können KI-Qualitätskontrolllösungen wie Enao Vision getestet werden, bevor Sie sich auf mehrjährige Verträge festlegen. Wir empfehlen, mit verschiedenen Anbietern zu sprechen und zu verstehen, wie lange es dauert, bis Sie eine Lösung live auf Ihrem Shopfloor (in Ihrer Produktionsumgebung) testen können. Um den Erfolg zu sichern, empfehlen wir, sich zunächst auf einen Produktionslauf zu konzentrieren und erst dann auszuweiten, wenn Ihre Mitarbeitenden sich damit vertraut fühlen. Um ein erfolgreiches Setup für Ihre automatisierte Qualitätskontrolle zu gewährleisten, stellen Sie sicher, dass kritische Schritte abgedeckt sind: stabiles WLAN für die KI-Modellverarbeitung, die richtige Beleuchtung und Halterungen sowie die Anforderung von Setup-Unterstützung, wo nötig. Enao Vision macht es einfach durch den Einsatz von iPhone-Kameras, die günstig in der Anschaffung sind. Die komplette Hardware (iPhone mit 5G-Konnektivität, Beleuchtung und Halterungen) bleibt unter 1.000 Euro.
Visuelle Defekte beim Spritzguss sind unvermeidlich, aber ihre Auslieferung muss es nicht sein. Die Technologie existiert heute, um jedes Teil zu prüfen, 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.
Jetzt starten
Möchtest Du sehen, wie Enao Vision auf Deiner Linie funktioniert? Du kannst kostenlos starten mit einem iPhone, das Du schon hast, oder der Community beitreten, um Dich mit anderen Qualitäts- und Produktionsteams auszutauschen, die KI auf den Shopfloor bringen.
