Spritzgussmaschinen gehören zu den kapitalintensivsten Anlagen in der Kunststoffverarbeitung. Ein ungeplanter Ausfall kostet – je nach Produktionslinie – zwischen 5.000 und 50.000 Euro pro Stunde. Kein Wunder, dass Predictive Maintenance hier weit oben auf der Agenda steht. Doch in der Praxis scheitern mehr Projekte, als es in Presseberichten und Messen den Anschein hat.
In diesem Beitrag beschreiben wir, welche Ansätze in echten Projekten mit Spritzgussmaschinen funktionieren – und welche Fehler typischerweise gemacht werden.
Die drei häufigsten Ausfallursachen an Spritzgussmaschinen
Bevor man Sensoren setzt und Modelle trainiert, muss man verstehen, was tatsächlich ausfällt. An Spritzgussmaschinen sind es in der Regel drei Kategorien:
- Werkzeugverschleiß: Auswerfer, Kühlkreisläufe und bewegliche Teile des Werkzeugs verschleißen mit jedem Zyklus. Typischerweise ab 800.000–1.2 Mio. Schuss, aber stark abhängig vom Material.
- Hydraulische Probleme: Dichtungen, Ölviskosität und Druckventile sind häufige Fehlerquellen. Druckschwankungen im Einspritzzylinder sind frühe Indikatoren.
- Heißkanalstörungen: Temperaturinhomogenitäten im Heißkanal führen zu Formteilfehlern und unkontrollierten Zyklusvariationen – oft lange vor einem messbaren Ausfall.
Was gut funktioniert
Drucküberwachung im Einspritzzyklus
Der Einspritzdruck ist einer der zuverlässigsten frühen Indikatoren. Abweichungen vom Druckprofil – auch innerhalb des Toleranzbereichs – korrelieren stark mit hydraulischem Verschleiß und Düsenproblemen. Piezoelektrische Drucksensoren im Heißkanalverteiler liefern hier die beste Signalqualität.
Temperaturprofile der Heißkanalsysteme
Moderne Heißkanalregler liefern bereits Temperaturdaten – oft werden diese aber nur als Regelgröße genutzt, nicht als Zustandsindikator. Eine Trendanalyse der Heizleistung (Strom × Spannung) über Zeit zeigt schleichende Heizpatronenausfälle Wochen vor dem Totalausfall.
Vibrations- und Körperschallanalyse
Schäden an Antrieben, Schneckenverschleiß und Lagerproblemen äußern sich im Frequenzspektrum des Körperschalls. MEMS-Beschleunigungssensoren (30–50 Euro pro Stück) und eine FFT-basierte Auswertung ermöglichen einfache, belastbare Aussagen – ohne komplexes ML.
Energieverbrauch als Frühindikator
Ein steigender spezifischer Energieverbrauch (kWh pro Schuss) bei gleichbleibendem Prozess signalisiert erhöhte mechanische Verluste – häufig durch Verschleiß oder Verunreinigungen im Hydrauliksystem.
In unserem ManufacturIQ-Projekt konnten wir mit Druckprofil- und Energieverbrauchsanalyse allein 68 % der späteren Ausfälle 18–36 Stunden im Voraus erkennen – ohne komplexe ML-Modelle.
Was nicht funktioniert (oder überschätzt wird)
ML-Modelle ohne ausreichende Fehlerereignisse
Das größte Problem der Branche: Für überwachtes Lernen braucht man Negativbeispiele – also dokumentierte Ausfälle mit Sensorhistorie. Eine Maschine, die zweimal im Jahr ausfällt, liefert in drei Jahren gerade sechs Datenpunkte. Das reicht nicht für ein belastbares Modell. Unsupervised Anomaly Detection oder regelbasierte Grenzwertüberwachung ist in solchen Fällen realistischer.
"Black-Box"-Ansätze ohne Domänenwissen
Vendor-Systeme, die einen Datenstrom aus allem und jedem verschlucken und eine "Gesundheits-KPI" ausgeben, sind für Fertigungsverantwortliche nicht nutzbar. Was bedeutet "Maschine: 73 % gesund"? Welche Wartungsmaßnahme folgt daraus? Erklärbarkeit ist keine Kür.
Zu kurze Pilotphasen
Ein Pilot über sechs Wochen ohne Ausfallereignis zeigt nur, dass die Maschine sechs Wochen lang nicht ausgefallen ist. Für eine valide Aussage über Prädiktionsgüte braucht man mindestens drei bis fünf Ausfälle im Pilotbeobachtungszeitraum oder historische Daten aus einem früheren System.
Die entscheidenden Erfolgsfaktoren
- Domänenwissen first: Bevor ein Modell gebaut wird, verstehen, welche physikalischen Prozesse zu welchen Ausfällen führen.
- Klarer Pilotaufbau: 2–3 kritische Maschinen, 6–12 Monate Beobachtung, definierte Erfolgskriterien.
- Standardprotokolle: OPC-UA für die Maschinenanbindung, MQTT für den Datentransport – keine proprietären Silos.
- Wartungsprozess mitdenken: Was passiert, wenn ein Alarm ausgelöst wird? Wer entscheidet, wer handelt? Ohne Prozess kein Nutzen.
Fazit
Predictive Maintenance an Spritzgussmaschinen ist machbar und wirtschaftlich – aber nur mit realistischen Erwartungen, dem richtigen Sensorkonzept und einem echten Verständnis der Ausfallmechanismen. Die beste KI ersetzt kein Maschinenwissen. Die beste Kombination ist: Domänenexperten + gute Daten + schlanke Auswertung.