use cases

    KI-Sichtprüfung für den Rohbau im Automobilbau

    Korbinian Kuusisto
    19. März 2026
    Share:
    KI-Sichtprüfung für den Rohbau im Automobilbau

    Ein J.D.-Power-Report 2024 beziffert Drei-Monate-Garantieforderungen aus Rohbau-Defekten auf 4,1 pro 100 Fahrzeuge. Bei einem Tier-1-OEM mit 400.000 Fahrzeugen pro Jahr ist jeder Zehntel dieser Kennzahl rund 100 Millionen Euro pro Jahr wert.

    Rohbau ist die Stufe, in der roh gestanzte Bleche zum geschweißten, gedichteten und spaltgemessenen Karosseriekörper werden. Es ist auch die Stelle, an der die teuersten Defekte entstehen. Ein kalt gelegter Schweißpunkt im Rohbau wird zum Garantiefall im Monat 11, wenn die Karosserie Wasser einlässt.

    Umfang der Rohbau-Inspektion

    Vier Inspektionsaufgaben laufen parallel in einer modernen Rohbauzelle. Schweißpunkt-Prüfung verifiziert, dass jeder der 4.000 bis 6.000 Punkte pro Karosserie korrekt sitzt. Dichtraupen-Prüfung bestätigt durchgehende Applikation an den Blechkanten. Spaltmaßmessung prüft den Flush zwischen benachbarten Blechen. Und kosmetische Prüfung fängt Beulen, Kratzer und Stanzartefakte ab, bevor die Karosserie in die Lackierung fährt.

    Die meisten Werke decken zwei oder drei dieser Aufgaben mit dedizierten Stationen ab. Die verbleibenden ein bis zwei laufen manuell, mit entsprechender Wirkung auf die Rückruf-Statistik.

    Roboter-montierte vs feste Stationen

    Roboter-montierte Kameras fahren auf denselben Vorrichtungen mit, die die Schweißzangen tragen. Eine Montageposition, viele Inspektionsposen. Das ist die richtige Architektur für Schweißpunkt-Verifikation, weil die Kamera in Ecken kommt, die eine feste Station nicht sieht.

    Feste Stationen gewinnen bei Dichtraupen- und Kosmetik-Prüfungen, weil die Karosserie lange genug steht, um die Hüllfläche komplett zu erfassen. Spaltmaßmessung läuft auf beiden, je nach Linienlayout.

    KI ändert den Tradeoff in einer Hinsicht. In beiden Architekturen verallgemeinert dieselbe Modellarchitektur über Fahrzeugvarianten. In der alten regelbasierten Welt bedeutete ein neuer Modelljahrgang neue Rezepte für jede Station. Mit KI ist es ein Retrain mit ein paar hundert Bildern pro Variante.

    Schweißnahtdefekte, die KI findet

    Porosität zeigt sich als Oberflächen-Nadellöcher. Kaltes Überlappen ist eine Schweißung, die nicht mit dem Grundmaterial verschmolzen ist; das visuelle Merkmal ist eine scharfe Kante, wo eine Wärmeeinflusszone sitzen sollte. Burn-Through ist ein Loch, an dem das Schweißbad das Blech durchgefressen hat. Unterdimensionierte Schweißungen haben einen Nugget unter Spezifikation.

    Alle vier sind visuell subtil. Ein menschlicher Prüfer an einer Station nach 1.200 Punkten pro Stunde übersieht einen signifikanten Anteil. Ein KI-Modell, trainiert auf 2.000 bis 5.000 gelabelten Gut- und Schlecht-Beispielen pro Klasse, hält die Genauigkeit über die Schicht stabil.

    Spaltmaß und Flush vs Laser-Triangulation

    Laser-Triangulation ist der Incumbent beim Spaltmaß. Sie ist genau, pro Sensor teuer, und an die kalibrierte Geometrie gebunden. KI-Sichtprüfung aus einer Kamera misst Spalt und Flush bei den meisten Karosserieblechen auf 0,1 Millimeter genau, zu einem Bruchteil der Sensorkosten.

    Wo der Laser weiter gewinnt: Bleche mit enger Toleranz unter 0,05 Millimeter Flush-Spezifikation und Spiegelflächen, auf denen Stereosehen schwer tut. Bei 80 Prozent der Rohbau-Spaltmaß-Aufgaben reicht KI-Sichtprüfung, billiger.

    Integration mit MES und SPC

    Jedes Rohbau-Inspektionsergebnis muss im Manufacturing Execution System mit Zeitstempel und Fahrzeug-VIN landen. Es muss auch Statistical-Process-Control-Dashboards füttern, die Drift erkennen, bevor Defekte die Linie treffen.

    An dieser Integration stolpern die meisten KI-Anbieter. Moderne Plattformen bringen OPC-UA- und REST-Adapter standardmäßig mit, die MES-Integration dauert Stunden, nicht Wochen.

    Für Tiefergang siehe unseren KI-Schweißnaht-Prüf-Artikel, den Anbietervergleich und die End-of-Line-QS-Übersicht.

    Enao Vision betreibt Zwei-Modell-Workflows auf einem iPhone pro Station: Anomalieerkennung für den Long Tail kosmetischer Defekte und Defekterkennung für die sechs AWS-Schweißklassen. Das Bridge-Modul synchronisiert zwei oder drei iPhones in einer Roboterzelle, wenn die Abdeckung es verlangt. Gegen dedizierte Laser-Triangulation liegt das System etwa bei einem Fünftel pro Spaltmaß-Station.

    Rohbau ist die teuerste Qualitätsstation im Automobilwerk. Sie ist auch die mit dem längsten Long Tail von Defekten, die Menschen im Linientakt übersehen. Jeder Prozentpunkt Garantieforderungs-Rate, der nicht entsteht, bezahlt einen KI-Rollout im laufenden Quartal.

    Explore with AI

    Discuss this article with your favorite AI assistant

    Verfasst von

    Korbinian Kuusisto