Industrial AI – Die Trennlinie zwischen Gewinnern und Verlierern?

Europa kritisiert, China investiert: Das Geld für die chinesischen Firmen kommt dabei entweder von OEM-Zulieferern oder aus staatlichen Fördermitteln. Im Gegensatz zu chinesischen Firmen, sind europäische Unternehmen gegenüber der neuen Technologie etwas skeptischer eingestellt. So kam eine Befragung der Johannes Messer Consulting bei Unternehmen in der europäischen Gießereiindustrie im Jahr 2025 zu dem Ergebnis, dass 50 Prozent der Entscheider die Einführung von KI-Anwendungen als verfrüht und zu kostenintensiv erachten.

Dabei könnte der Druckguss stark von den Vorteilen profitieren, die KI-Anwendungen mit sich bringen.

KI sieht, was du nicht siehst

Der Druckguss gilt als ein sehr komplexes Verfahren, mit deutlich mehr Einflussparametern als viele andere Fertigungsmethoden im Bereich der Metallverarbeitung. Genau das ist auch der entscheidende Grund für den Wettbewerbsvorteil, den KI-Systeme schaffen. Denn viele der Parameter beeinflussen sich gegenseitig und verkomplizieren die Prozesse zusätzlich. Durch diese Komplexität lassen sich einige Ergebnisse durch klassische Algorithmen nicht vorhersehen.  

Künstliche Intelligenz hingegen braucht keine vorher definierten Modelle, sondern kann selbstständig lernen und somit nichtlineare Zusammenhänge aus großen Datenmengen unterschiedlicher Herkunft ableiten. Mit jedem Datenpunkt verbessert sich die KI automatisch und benötigt keine Umprogrammierung.

Game Changer für Inspektion und Wartung

Ein klassischer Einsatzbereich in der Druckgießerei ist die bildgestützte Qualitätsprüfung. Deep-Learning-Verfahren wie Convolutional Neural Networks (CNNs) können auf Basis ausreichend großer und sauber gelabelter Bilddatensätze Merkmale von Gut- und Fehlerteilen erlernen. Je nach Inspektionsmethode lassen sich damit etwa Oberflächenrisse, Kaltläufe oder andere sichtbare Fehlstellen erkennen; für innere Defekte wie Porosität kommen häufig Röntgenverfahren in Verbindung mit KI zum Einsatz. KI-gestützte Inspektionssysteme können Prüfprozesse beschleunigen und standardisieren.

Ein weiterer Bereich mit hohem Potenzial ist Predictive Maintenance. KI-gestützte Modelle können für diesen Zweck große Mengen zeitabhängiger Prozess- und Maschinendaten gemeinsam auswerten, Anomalien früher erkennen und komplexe Muster sichtbar machen, die mit einfachen Grenzwerten schwer zu erfassen sind. In solchen Fällen ist beispielsweise nicht ein einzelner Druckwert kritisch, sondern womöglich die Kombination aus leicht veränderten Druckspitzen, minimal längerer Umschaltzeit, steigender Öltemperatur und etwas höherem Strombedarf. In Zukunft kann KI zudem die Diagnose und Priorisierung von Wartungsmaßnahmen unterstützen.

Künstliche Fabrikberater für Prozessoptimierung

Ähnlich wie bei Predictive Maintenance kann künstliche Intelligenz auch bei der Ausschussreduktion und Prozessoptimierung helfen. Auf Basis verknüpfter Maschinen-, Prozess- und Qualitätsdaten lassen sich Modelle trainieren, die die Wahrscheinlichkeit von Qualitätsabweichungen oder Ausschuss für einzelne Schüsse frühzeitig abschätzen.

Darüber hinaus ist KI in der Lage, Zusammenhänge zwischen Prozessparametern, Temperaturführung und Fehlerentstehung sichtbar zu machen und so die Optimierung der Werkzeugtemperierung zu unterstützen. Auch bei der Energieeffizienz bietet die neue Technologie Potenzial: Modelle können den Energieverbrauch von Maschinen und Prozessen prognostizieren, ineffiziente Zustände erkennen und datenbasierte Optimierungsvorschläge liefern.

Schrott in, Schrott out

Für alle Einsatzfelder gilt jedoch: Die Leistungsfähigkeit von Industrial-AI-Systemen hängt stark von der Qualität der verfügbaren Daten ab. Je präziser, vollständiger, konsistenter und aktueller die Daten sind, desto belastbarer fallen die Ergebnisse aus. Schlechte oder unvollständige Daten erhöhen dagegen das Risiko von Fehlklassifikationen, irreführenden Korrelationen und unzuverlässigen Vorhersagen.  

Neue Maschinen, veränderte Sensorik oder andere geänderte Rahmenbedingungen können zu Daten- und Konzeptdrift führen und dadurch die Modellgüte verschlechtern. Deshalb zählen Datenqualität, laufendes Monitoring und die Validierung an realen Produktionsdaten zu den wichtigsten Voraussetzungen für einen zuverlässigen Einsatz von Industrial AI. Modelle sollten im Betrieb regelmäßig überwacht und bei Bedarf anhand neuer, validierter Daten angepasst oder neu trainiert werden.

Ein weiteres Problem ist das sogenannte Black-Box-Phänomen. Es beschreibt, dass moderne KI-Modelle zwar Ergebnisse liefern, aber nicht erklären, wie sie zu diesen gekommen sind. Für Industrial AI ist dies besonders problematisch, da Entscheidungen aus Sicherheits-, Haftungs- und Zulassungsgründen nachvollziehbar sein müssen. Zudem erschwert die fehlende Transparenz die Fehlerdiagnose und die Übertragbarkeit von Modellen auf neue Situationen.

Europas einzige Chance liegt in der Datenqualität

Laut der Studie von Johannes Messer Consulting könnte insbesondere die Datenqualität und -vollständigkeit für die europäische Druckgussindustrie den entscheidenden Faktor im Wettbewerb mit China darstellen. Die Lösung könnte eine europäische Plattform für den Austausch von Daten sein, bei der alle Prozessteilnehmer zusammenarbeiten. Möglicherweise kann Europa nur so seine internationale Wettbewerbsfähigkeit zurückgewinnen.