Die Maschine läuft. Sensoren liefern Daten. Modelle werten sie aus. KI greift in der Kunststoffindustrie genau hier ein. Sie nutzt Daten aus Prozess, Material und Qualität. Das Ziel: Prozesse verstehen und in Echtzeit steuern, Stillstände vermeiden sowie Qualität und Fertigungsprozess optimieren. Am Competence Center CHASE in Linz arbeiten Karin Kloiber und Christian Marschik an solchen Modellen.
Wovon sprechen wir?
„Wenn wir über künstliche Intelligenz reden, meinen wir meist unterschiedliche Werkzeuge“, betont Kloiber. „Bei kunststoffverarbeitenden Prozessen handelt es sich meist um Machine Learning (ML) oder Deep Learning (DL)“, ergänzt Marschik. Beide analysieren Sensor-, Prozess- und Qualitätsdaten. Sie erkennen Anomalien, prognostizieren Zielwerte und passen Parameter während des laufenden Prozesses an. „Beides bezeichnen wir bevorzugt als ‚traditionelle KI‘“, sagt Kloiber.
Enormes Potenzial
Ähnliches beobachtet auch Hermann Stern, Leiter des Standorts Klagenfurt der Know Center Research GmbH. Er ist für den Bereich AI Innovation and Digital Transformation verantwortlich. Das Potenzial sei enorm, gerade in der Kunststoffverarbeitung. „Prozesse wie Spritzguss und Extrusion verbinden viele Stellgrößen mit hoher Energieintensität und zunehmend schwankenden Materialqualitäten“, sagt Stern. Die Schwerpunkte seien seit Jahren dieselben: Qualität verbessern, Ausschuss reduzieren, Energie sparen, Rüstzeiten verkürzen, vorausschauend warten und Prozesse auch bei schwankenden Materialien stabil halten.
Jetzt ist schon wieder was passiert
Die Rolle der traditionellen KI werde in manchen Bereichen unterschätzt, insbesondere in der Materialforschung auf der chemischen Skala. „In der Kunststofftechnik ist man sich dessen derzeit noch nicht so bewusst, da Polymere meist noch zu komplex sind, um deren chemisches Verhalten aus der Theorie vorherzusagen“, erläutert Marschik. Allerdings arbeiten große Konzerne wie Google, Microsoft und Meta an sogenannten „Foundation Models“ für Polymere: Ein einziges, breit vortrainiertes Grundmodell ersetzt viele Einzelmodelle, die Modelle generalisieren zu einem gewissen Grad. Die Entwicklung passiert laut Marschik mit viel Tempo: „Man schaut mal zwei Wochen nicht drauf, und dann ist wieder was passiert.“
Einfache Chemie als Baseline
Foundation Models besitzen noch einen starken Model-Reality-Mismatch: „Sie beherrschen die vereinfachte Chemie auf dem Papier, aber noch nicht die Realität aus komplexer Polymerchemie, Synthetisierbarkeit, Verarbeitung und Formulierung“, räumt Kloiber ein. KI selbst beschleunigt diese Forschung: „Sie defragmentiert den wissenschaftlichen Ansatz, bringt breites Methodenwissen mit und senkt die Hürde, komplexe Modellierketten umzusetzen. Das macht diese Komplexität für eine breitere Community handhabbar“, erläutert Marschik.
„Unspektakuläre“ Tradition
Unterschätzt wird laut den Expert:innen der Wert unspektakulärer Anwendungen: „Inline-Qualitätskontrolle, Soft-Sensoren, Multisensor-Setups kombiniert mit klassischem Machine Learning – diese Anwendungen liefern heute schon messbaren Nutzen, ganz ohne Sprachmodell und ohne Hype“, betonen Kloiber und Marschik. Dafür glauben einige, generative KI sei beliebig generalisierbar. Das Forscherduo verdeutlicht: „Eine KI kann nur so smart sein, wie die Werkzeuge, die man ihr an die Hand gibt – Daten, Datenverarbeitungstools, Modelle, Anweisungen. Ein ‚Agent‘ – eine Implementierung eines LLMs – kann kein Mikroskopiebild interpretieren. Was er kann: zum richtigen Zeitpunkt ein Tool aufrufen, das das Ergebnis interpretiert und es mit einem Menschen besprechen.“
Optimieren mit Daten
Diese Einschätzung deckt sich mit den Erfahrungen des Know Centers. Stern verweist darauf, dass gerade die oft wenig spektakulären Anwendungen den größten Nutzen bringen. „Es geht darum, die Qualität zu heben und Ausschuss zu reduzieren. Datenanalysen zeigen außerdem, wo Maschinen energiesparender betrieben, Rüstzeiten reduziert und Prozesse günstiger gefahren werden können“, sagt er. Auch bei der vorausschauenden Wartung und bei schwankender Materialqualität sieht er großes Potenzial. KI könne Prozessparameter laufend nachführen und so Schwankungen ausgleichen.
Lösung für die Praxis
Wie das in der Praxis aussehen kann, zeigt Louisa Desel, Mitgründerin und Geschäftsführerin der OSPHIM GmbH in Aachen. Das Softwareunternehmen entwickelt KI-Lösungen für die Spritzgussproduktion. Im Fokus stehen dabei Herausforderungen, die viele Betriebe bereits heute spüren: der Verlust von Prozesswissen durch Fachkräftemangel und Ruhestandswelle, das mangelnde Nutzen vorhandener Daten, instabile Prozesse durch volatile Materialqualitäten und fehlende Frühwarnsysteme. „Der Engpass liegt selten im Messen, sondern im Übersetzen“, ist Desel überzeugt.
Niederschwellig und für alle
In vielen Betrieben würden Daten erst dann relevant, wenn das Bauteil bereits außerhalb der Spezifikation liegt. OSPHIM setzt daher auf eine KI-Plattform, die Daten zusammenführt und so Drift sowie instabile Muster früh erkennt. Desel räumt zudem mit einem Irrglauben auf: „Weit verbreitete Fehlvorstellung: KI sei zu komplex und nur für Großunternehmen geeignet.“ OSPHIM entwickle deshalb bewusst „eine niedrigschwellige Plattform für Unternehmen jeder Größe“.
Realität statt Hype
Was laut den CHASE-Expert:innen im KI-Hype auch oft unterschätzt wird, ist der Nebeneffekt gelungener Automatisierung: das Paradoxon „Irony of Automation“. Selbstregende Systeme brauchen Urteilsvermögen. Das haben sie von Menschen gelernt. Je besser das automatisierte System funktioniert, desto mehr „verlernen“ Fachkräfte ihr Urteilsvermögen. Im Störfall ist das menschliche Wissen jedoch weiterhin gefragt, die Fachkraft ist das Langzeitgedächtnis des Prozesses. „Die Kompetenz im Betrieb zu erhalten, die es im Störfall braucht, ist daher eine Hauptaufgabe des Unternehmens“, bekräftigen Kloiber und Marschik.
Dauerbrenner Datenqualität
Voraussetzung dafür, dass der Einsatz von KI in der Fertigung funktioniert und Nutzen stiftet, ist die Datenqualität. Datensilos sind einer der größten Bremsklötze für KI in der Industrie. „Die Daten-Governance-Arbeit wird häufig unterschätzt“, erläutert Marschik. Das bedeutet: Herkunft und Gültigkeit der Daten müssen nachvollziehbar sein. Dokumente müssen so aufbereitet sein, dass zusammengehörige Arbeitsschritte nicht auseinandergerissen werden. Das System muss laufend darauf hin überprüft werden, ob es die richtigen und aktuellen Informationen findet. Für jede wichtige Datenquelle muss es im Betrieb eine verantwortliche Person geben.
Projekte in der Falle
Technologie selbst sei selten das Problem, ist Stern überzeugt. „Datenverfügbarkeit und Datenqualität bleiben die unbedingt notwendige Basis für ein erfolgreiches Projekt“, betont er. Heterogene Maschinenparks, fehlende Schnittstellen, Datensilos, lückenhafte Datenbeschreibungen und inkonsistente Daten seien oft die größte Hürde zum Projektstart. Er sieht daneben vor allem organisatorische Herausforderungen. Vielen Unternehmen fehle eine klare Daten- und KI-Strategie mit priorisierten Anwendungsfällen. Zahlreiche Projekte würden als Pilotversuch starten, später aber in einer „Pilotfalle“ stecken bleiben und nie in den Regelbetrieb gelangen. Zudem mangle es häufig an Menschen, die Fachwissen und KI-Know-how zusammenführen.
Excel als Bremsklotz
Dass viele Unternehmen beim Einstieg in KI ins Stocken geraten, beobachtet auch Desel: „Häufig liegt Prozesswissen noch in Excel-Tabellen und handschriftlichen Logbüchern. Statische Dokumente bilden die Wechselwirkungen zwischen Maschine, Werkzeug und Material nur unzureichend ab.“ Oft existierten mehrere Dokumentationsstände nebeneinander, Informationen seien so schwer vergleichbar.
Dauerbrenner Datenqualität
„Ehrlicherweise ist das nicht spezifisch für KI. Das ist seit jeher gute Dateninfrastruktur. Der Unterschied ist, dass ein Betrieb ohne KI mit schlechter Governance leben konnte, weil ein Mensch die Lücken im Kopf ausglich. Ein Modell kann das nicht: Es glaubt, was in den Daten steht. Governance war früher nice-to-have und ist jetzt Voraussetzung“, macht Christian Marschik deutlich. Je besser sich also Prozessdaten einem Qualitätsergebnis zuordnen lassen, desto erfolgreicher arbeitet KI. Modelle erkennen Zusammenhänge zwischen Prozesssignaturen und Produktqualität. Sie sagen Qualitätsabweichungen voraus und stoßen teilweise bereits Korrekturmaßnahmen an.
Erfolg und Herausforderung
Auch bei der Prozessauslegung und Simulation liefert KI gute Ergebnisse. ML-Surrogatmodelle beschleunigen rechenintensive Simulationen. Sie lernen komplexe Zusammenhänge und ersetzen diese durch schnelle Vorhersagen. Lernende Bildmodelle erkennen zudem Fehlerbilder, die klassische regelbasierte Methoden nur schwer erfassen. „Die größte Herausforderung besteht dort, wo Prozesszustand und Produktqualität nur indirekt zusammenhängen oder erst zeitversetzt aufeinander wirken“, erklärt Kloiber.
KI für vorausschauende Wartung
Viele qualitätsbestimmende Größen lassen sich nur schwer direkt im Prozess messen. KI „wartet“ hier auf bessere Daten. Eine „echte“ KI-gestützte prädiktive Regelung wird daher erst funktionieren, wenn sie den Prozess vollständig beobachten kann. Genau hier setzt OSPHIM an. Die Software wertet Maschinen- und Prozessdaten im laufenden Betrieb aus und macht Zusammenhänge sichtbar. „KI ersetzt Erfahrungswissen nicht, sondern macht es besser nutzbar“, betont Louisa Desel.
Wissen wird zum Asset
Klar ist: Die Rolle von Fachkräften wird sich verändern. Bisherige Aufgaben wie Dokumentieren, Melden oder Zusammensuchen fallen weg. Neue Aufgaben kommen hinzu, beispielsweise die Vorschläge der KI beurteilen und jene Fälle übernehmen, die das System nicht einordnen kann. Ein Teil dessen, was bisher im Kopf erfahrener Werker lag – welche Einstellung funktioniert bei welchem Material, welches Geräusch zeigt eine beginnende Störung an – wird zunehmend in Daten und Modelle überführt.
Effizienzhebel Wissensmanagement
Genau hier sieht Stern einen wichtigen Hebel. Wissensmanagement und Wissenssicherung seien nie verschwunden, hätten durch generative KI aber neue Dynamik erhalten. „KI-Assistenten machen das Erfahrungswissen von Einrichtern und Verfahrenstechnikern dokumentier- und abrufbar“, erklärt er. Mit Blick auf den demografischen Wandel sei das ein oft unterschätzter Vorteil. Genauso sieht es OSPHIM-Geschäftsführerin Louisa Desel: „Verlässt das Prozesswissen in den Köpfen das Unternehmen, geraten Prozesse rasch ins Wanken. In Zeiten des demografischen Wandels hilft unsere KI-Lösung, das Know-how erfahrener Mitarbeitender im Unternehmen zu halten und stetig weiter auszubauen.“
Fachkräfte einbinden
„Das ist eine massive Aufwertung dieses Wissens: Es wird zum wiederverwendbaren, abrufbaren Gut des Betriebs“, betonen Kloiber und Marschik. Betriebe müssen dieses Wissen sichern, bevor es in den Ruhestand geht. „Die Aufwertung des Wissens gelingt nur, wenn auch sein Träger sichtbar aufgewertet wird, etwa als benannter Trainer des Systems statt als Abschlussformalität vor der Pensionierung“, appellieren die beiden Forscher:innen. Desel sieht darin auch eine Chance für die Personalsuche: „Unternehmen, die mit KI arbeiten, verändern nicht nur Prozesse. Sie verändern auch das Berufsbild in der Produktion. Es wird attraktiver für junge Talente.“
Human-in-the-loop
Dass Menschen dabei im Mittelpunkt stehen müssen, unterstreicht auch Stern. „KI funktioniert nur im passenden sozialen System“, ist er überzeugt. Ohne Vertrauen und Akzeptanz der Mitarbeitenden scheitere jedes Modell. Deshalb setze das Know Center auf Co-Design. KI-Lösungen entstünden gemeinsam mit den Menschen, die später täglich damit arbeiten. Darüber hinaus brauche es AI Literacy, also Wissen darüber, was KI ist, wie sie den Arbeitsplatz verändert und wie sie sinnvoll genutzt werden kann. Laut Desel beginnt das bereits beim Verstehen der Technologie: „Das Interesse an KI ist groß, doch vielen Betrieben fehlt noch der konkrete Bezug zum Spritzgussprozess. Gleichzeitig sorgen Unsicherheit über den tatsächlichen Mehrwert und Vorbehalte gegenüber Veränderungen dafür, dass der Schritt in die Anwendung oft noch zögerlich erfolgt.“
Vertrauen entscheidet
Wo KI direkt in Produktionsprozesse eingreift, gewinnt Vertrauen an Bedeutung. „In der Produktion entscheidet KI über Qualität, Maschinenverfügbarkeit und letztlich über Sicherheit und Liefertreue“, weiß Stern. Vertrauenswürdigkeit sei deshalb keine Kür, sondern Pflicht für den produktiven Einsatz. Ein System müsse nachvollziehbar entscheiden, auch unter schwierigen Bedingungen stabil arbeiten und Daten schützen. Gleichzeitig müssten die Menschen verstehen, wie KI funktioniert und welche Folgen ihr Einsatz haben kann. Mit dem Gütesiegel „Trustworthy AI – by Know Center“ bietet das Know Center Unternehmen die Möglichkeit, KI-Systeme nach definierten Kriterien prüfen zu lassen.
KI-Agenten als nächste Stufe
Stern sieht großes Potenzial in agentenbasierter KI. Solche Systeme analysieren nicht nur Daten, sondern planen Aufgaben, nutzen Werkzeuge und handeln zunehmend eigenständig. Das reicht von der Produktionsfeinplanung bis zur Reaktion auf Störungen. Am Know Center erforscht ein neues COMET-Modul die Zusammenarbeit von KI-Agenten, Menschen, IoT-Geräten und Wissensdatenbanken. Dabei geht es auch um Rückverfolgbarkeit, Fairness und Verantwortung. „Mit der Autonomie steigt der Nutzen, aber auch das Risiko. Beides muss man gemeinsam denken“, unterstreicht Stern.
Nicht auf perfekt Daten warten
Wenn die Forscherinnen und Forscher einen Industriebetrieb leiten würden, sind sie sich relativ einig darin, was sie sofort umsetzen würden. Sowohl Karin Kloiber und Christian Marschik vom Competence Center CHASE als auch Hermann Stern vom Know Center empfehlen: „Nicht warten, bis alle Daten perfekt sind, sondern einen messbaren konkreten Use Case wählen und entlang dieses Anwendungsfalls die Datenbasis in Ordnung bringen.“
Strategie und Verantwortlichkeit
Auch bei der AI Literacy sind sich die drei Forscher:innen einig: Betriebe müssen bei den Mitarbeitenden KI-Kompetenz aufbauen – eine HR-Aufgabe. Und die Belegschaft von Anfang an einbinden. Stern ergänzt: „Es braucht eine Daten- und KI-Strategie mit klarer Verantwortung.“ Für Kloiber und Marschik außerdem wichtig: „Interdisziplinär arbeiten. Ein KI-Projekt funktioniert nur mit dem Kontextwissen von IT, Prozesstechnik und Fertigung zusammen.“
Krisenfest fertigen
Für Louisa Desel entwickelt sich KI in der Kunststoffindustrie vom Wettbewerbsvorteil zur Voraussetzung. „Wer heute die Potenziale nicht nutzt, riskiert morgen den Anschluss“, mahnt sie. Unternehmen, die Prozesse robuster steuern können, reagieren flexibler auf Veränderungen und stärken ihre Produktionssicherheit. Prozessstabilität entwickelt sich damit zur Voraussetzung krisenfester Fertigung.
www.chasecenter.at
www.know-center.at
www.osphim.com
