KI in der Qualitätskontrolle für den Mittelstand: Sichtprüfung, akustische Anomalie und Predictive Quality

Fehler, die erst beim Kunden auffallen, sind im Mittelstand besonders teuer. Rückrufe, Nacharbeit, Reputationsschaden. KI-gestützte Qualitätskontrolle erkennt Defekte früher, präziser und ohne Ermüdung. Dieser Artikel zeigt drei konkrete Ansätze, die für den Mittelstand finanzierbar sind.

Die These: Qualitätskontrolle ist der ideale KI-Einstieg

Im produzierenden Mittelstand gibt es eine Eigenschaft, die den Einsatz von KI besonders attraktiv macht: Die Fehler haben ein klares Muster. Kratzer auf Lackierungen, Maßabweichungen bei CNC-Teilen, fehlerhafte Beschriftungen, poröse Schweißnähte. Diese Muster lassen sich mit Bilderkennung und Signalverarbeitung erkennen - oft mit höherer Genauigkeit als beim menschlichen Auge und ohne Ermüdung nach acht Stunden Schicht.

Das Potenzial ist groß. Die Yanfeng Automotive Interiors GmbH berichtet von 99 Prozent Erkennungsgenauigkeit bei der automatisierten Sichtprüfung. Die C. Jentner GmbH, ein Metallverarbeiter, nutzt KI-gestützte Bilderkennung für die Oberflächenprüfung und spart damit jährlich Tausende Arbeitsstunden. Für den Mittelstand ist der entscheidende Punkt: Diese Technologien sind inzwischen auch ohne Millionenbudget verfügbar.

Der Beleg: Was Qualitätsfehler im Mittelstand kosten

Die Deutschen Institute für Textil- und Faserforschung schätzen, dass die Qualitätskosten im deutschen Mittelstand durchschnittlich zwischen 5 und 15 Prozent des Umsatzes liegen. Das schließt interne Fehlerkosten (Nacharbeit, Ausschuss) und externe Fehlerkosten (Reklamationen, Garantieleistungen, Imageverlust) ein. In der Automobilzulieferindustrie liegen die Qualitätskosten teilweise bei über 20 Prozent des Umsatzes.

Eine KI-gestützte Sichtprüfung reduziert die Ausschussquote typischerweise um 30 bis 60 Prozent. Bei einem Mittelständler mit einem Jahresumsatz von zehn Millionen Euro und 8 Prozent Qualitätskosten bedeutet das eine Einsparung von 240.000 bis 480.000 Euro pro Jahr. Selbst bei konservativen Annahmen amortisiert sich eine Investition von 40.000 Euro in unter einem Jahr.

Ansatz 1: Automatisierte Sichtprüfung

Die automatisierte Sichtprüfung ist der am weitesten verbreitete KI-Ansatz in der Qualitätskontrolle. Eine Kamera erfasst Bilder des Prüfobjekts. Ein KI-Modell vergleicht diese Bilder mit einer Wissensbasis bekannter Fehler und klassifiziert das Ergebnis als "in Ordnung" oder "nicht in Ordnung".

Was der Mittelstand braucht, ist eine pragmatische Lösung. Keine spezialisierte Hardware für Hunderttausende Euro, sondern eine Standard-Industriekamera mit guter Beleuchtung und einer Software, die auf den spezifischen Fehler trainiert wird. Der Einstieg kostet zwischen 15.000 und 45.000 Euro, abhängig von der Anzahl der Prüfstationen und der Komplexität der Fehler.

Der Prozess ist in vier Schritte gegliedert. Schritt eins: Bilderfassung. Die Kamera fotografiert jedes Bauteil während des Produktionsprozesses. Schritt zwei: Muster-Erkennung. Das KI-Modell vergleicht das aktuelle Bild mit tausenden gelabelten Bildern aus der Vergangenheit. Schritt drei: Entscheidung. Das Modell klassifiziert das Bauteil und gibt einen Konfidenzwert aus. Schritt vier: Aktion. Bei Unsicherheit oder Fehler wird das Bauteil zur manuellen Nachprüfung geleitet.

Die Intelligenz-Schicht von NaveSight erweitert diesen Ansatz um einen wichtigen Schritt: Sie verknüpft die Sichtprüfung mit dem ERP-System. Wenn ein Fehler erkannt wird, wird automatisch ein Qualitätsbericht generiert, der Lieferant informiert und die Produktionslinie justiert. Das passiert über die Middleware, die bestehende Systeme verbindet, ohne sie zu ersetzen.

Ansatz 2: Akustische Anomalieerkennung

Nicht jeder Fehler ist sichtbar. Viele Defekte äußern sich akustisch: ein Kugellager, das schleift, ein Motor, der unrund läuft, eine Schweißnaht, die hohl klingt. Menschliche Oren ermüden, subjektive Beurteilungen schwanken. KI-basierte akustische Anomalieerkennung löst dieses Problem.

Das Prinzip ist vergleichbar mit der Sichtprüfung, nur dass statt Bilder akustische Signale analysiert werden. Ein Mikrofon nimmt das Geräusch auf. Das KI-Modell vergleicht das Frequenzspektrum mit einer Wissensbasis von Normalklängen und Fehlerklängen. Abweichungen werden markiert und klassifiziert.

Der Vorteil für den Mittelstand: Die Hardware ist minimal. Ein gutes Mikrofon und ein Rechner mit GPU genügen. Die Installation dauert wenige Stunden. Der Einstieg ist noch günstiger als bei der Sichtprüfung, oft unter 10.000 Euro. Die Anwendung ist breit: Von der End-of-Line-Prüfung bis zur vorausschauenden Wartung.

Ansatz 3: Predictive Quality

Predictive Quality geht einen Schritt weiter. Statt Fehler zu erkennen, die bereits entstanden sind, prognostiziert das System, wann ein Fehler entstehen wird. Dazu werden Prozessdaten in Echtzeit analysiert: Temperatur, Druck, Drehzahl, Schwingung, Feuchtigkeit. Sobald ein Muster auf ein bevorstehendes Problem hindeutet, wird die Produktion angehalten oder angepasst.

Die technische Basis ist die Muster-Erkennung in Zeitreihendaten. Das KI-Modell lernt aus historischen Daten, welche Kombination von Prozessparametern zu Fehlern führt. Im laufenden Betrieb überwacht es die aktuellen Parameter und warnt, bevor die kritische Schwelle erreicht wird.

Dieser Ansatz ist besonders wertvoll für den Mittelstand, weil er nicht nur die Qualität verbessert, sondern auch die Auslastung erhöht. Weniger Ausschuss bedeutet weniger Nacharbeit, weniger Stillstand, mehr produktive Zeit. Die Rules Engine in NaveSight ermöglicht es, diese Warnungen automatisch an die richtigen Stellen zu leiten: An den Maschinenbediener, den Qualitätsmanager oder die Geschäftsführung.

Wie der Mittelstand startet: Ein pragmatischer Fahrplan

Die gute Nachricht: Der Einstieg ist nicht komplex. Für den ersten praktischen Einsatz reichen vier bis sechs Wochen. Woche eins und zwei: Datenanalyse und Prozessverständnis. Wir identifizieren, welche Fehler am häufigsten auftreten und wo die größte Wirkung zu erwarten ist. Woche drei und vier: Labeling der ersten Bild- oder Audiodaten. Typischerweise braucht man 500 bis 2.000 gelabelte Beispiele pro Fehlerklasse. Woche fünf: Training des ersten Modells und Integration in den Produktionsablauf. Woche sechs: Erste Tests und Feinabstimmung.

Die vollständige Optimierung mit 99 Prozent Genauigkeit dauert drei bis sechs Monate. In dieser Phase wird das Modell kontinuierlich mit neuen Daten gefüttert, die Wissensbasis erweitert und die Entscheidungsgrenzen justiert. Das Ergebnis ist eine Qualitätskontrolle, die schneller, präziser und konstanter arbeitet als jede manuelle Prüfung.

Praxisbeispiel: Ein Kunststoffverarbeiter reduziert Ausschuss um 40 Prozent

Die Schmidt Kunststofftechnik GmbH, ein Verarbeiter mit 60 Mitarbeitern, hatte ein Problem mit Blasen in Spritzgussteilen. Die manuelle Sichtprüfung erkannte nur etwa 70 Prozent der Fehler. Der Rest ging an den Kunden und führte zu Reklamationen.

Der Einstieg war simpel. Eine Standard-Industriekamera wurde an der Entnahmestation montiert. In zwei Wochen wurden 1.200 Bilder von Gut- und Schlechtteilen gelabelt. Das erste Modell erreichte nach vier Wochen 94 Prozent Erkennungsgenauigkeit. Nach drei Monaten kontinuierlichem Training lag die Quote bei 98 Prozent.

Die Wirkung war messbar. Die Ausschussquote sank von 4,2 Prozent auf 2,5 Prozent. Die Reklamationsrate ging um 60 Prozent zurück. Der Qualitätsmanager konnte seine Zeit von reaktiver Fehlersuche auf proaktive Prozessoptimierung umwidmen. Die Investition von 28.000 Euro hatte sich nach sieben Monaten amortisiert.