Der industrielle Einsatz von Künstlicher Intelligenz im Spritzgießen ist längst in der Praxis angekommen. Anhand technisch anspruchsvoller Bauteile zeigt Felix Müller - CEO und Gründer der plus10 GmbH - auf dem VDI-Fachkongress für Kunststoff im Automobilbau (PIAE), wie KI-Systeme zur Stabilisierung und Effizienzsteigerung komplex verketteter Produktionsprozesse beitragen können.
Quelle: plus10
Die Einflussgrößen des Spritzgießprozesses werden kontinuierlich erfasst. Anhand von (virtuellen) Qualitäts-Labels werden daraus Optimierungsmodelle abgeleitet und iterativ angepasst.
Die Grafik zeigt ein dreidimensionales Optimierungsdiagramm für einen Produktionsprozess. Auf den Achsen werden Produktionsrate, Zykluszeit und Ausschussrate gemeinsam betrachtet. Ein schwarzer Punkt markiert den ursprünglichen Prozess mit niedrigerer Ausbringung, längerer Zykluszeit und deutlich höherem Ausschuss. Viele blaue Punkte bilden die untersuchte Optimierungspopulation und zeigen mögliche Prozesszustände. Der rote Punkt steht für den optimierten Prozess: Er liegt bei höherer Produktionsrate, kürzerer Zykluszeit und deutlich reduzierter Ausschussrate. Die Abbildung macht damit sichtbar, dass die Optimierung nicht nur einen einzelnen Parameter verbessert, sondern mehrere Zielgrößen gleichzeitig ausbalanciert.
Quelle: plus10
Abb. 1: Vom Einstellparameter Anpassungsvorschlag zum optimalen Produktionsprozess
Die Grafik zeigt den Regelkreis, mit dem Hopper Einstellparameter für eine Maschine optimiert. Ausgangspunkt ist eine reale Produktionsanlage, deren Prozessdaten kontinuierlich in ein lernendes Maschinenmodell einfließen. Dieses Modell bewertet Ausschussrisiko und Zykluszeit, leitet passende Einstellparameter ab und prüft anschließend, ob die Vorschläge innerhalb des validierten Prozessfensters liegen. Nicht zulässige Empfehlungen werden verworfen und lösen eine alternative Optimierung aus. Zulässige Empfehlungen werden dokumentiert und zunächst an eine autorisierte Fachperson gesendet, die sie freigeben kann. Damit betont die Grafik: Die KI arbeitet nicht frei außerhalb der Prozessgrenzen, sondern lernt laufend, schlägt nachvollziehbare Anpassungen vor und bindet den Menschen als Kontrollinstanz ein.
Aktuelle Herausforderungen in der Kunststofffertigung
Beim Spritzgießen mit integrierten Folgeprozessen führen kleinste Prozessabweichungen zu messbaren OEE-Verlusten. Je komplexer das Material, die Werkzeuge und/oder Bauteilgeometrien sind, desto anspruchsvoller wird eine stabile, manuelle Prozessführung.
Die KI-basierte Optimierungssoftware Hopper von plus10 setzt hierzu an folgenden Herausforderungen der Kunststoffbranche an:
- Chargenschwankungen im Rohmaterial
- Teurer Ausschuss in der Produktion durch instabile Prozesse
- Fachkräftemangel und Qualifizierungsunterschiede im Mehrschichtbetrieb
- Hoher Dokumentationsaufwand bei steigenden Qualitätsanforderungen
Statt statischer Standardmodelle — lieber Live-Learning
Hopper ist ein selbstständig lernendes Optimierungssystem für vollautomatisierte Fertigungsprozesse – vom Spritzgießen über Thermoformen bis hin zu Extrusionsprozessen.
Quelle: plus10
Abb. 2: Hopper kann Einstellparameteranpassungen automatisch vornehmen oder vorschlagen
Im Gegensatz zu klassischen Machine-Learning Ansätzen, endet die Lernphase nicht nach dem initialen Training. Nach Erzeugung eines Trainingsmodells für das jeweilige Werkzeug-Maschinen-Setup per DoE (Design of Experiments), passt Hopper seine Vorhersagen und Optimierungsvorschläge kontinuierlich an und entwickelt den Prozess iterativ weiter. Bis die minimal möglichste Ausschussrate erreicht ist.
Quelle: plus10
Abb. 3: Die KI vergleicht alle Daten mit der Produktionsrate, Zykluszeiten und Ausschussraten, um den optimalen Prozess zu finden.
Die Grafik zeigt das Ergebnis einer Prozessoptimierung als 3D-Punktwolke. Verglichen werden Produktionsrate, Zykluszeit und Ausschussrate. Der ursprüngliche Prozess ist als schwarzer Punkt markiert und liegt bei etwa 30 Teilen pro Stunde, 78 Sekunden Zykluszeit und 35 Prozent Ausschuss. Die blauen Punkte zeigen untersuchte Optimierungsvarianten. Der rote Punkt markiert den verbesserten Prozess mit rund 62 Teilen pro Stunde, 56 Sekunden Zykluszeit und nur noch 4 Prozent Ausschuss. Die Kernaussage: Die KI sucht nicht nur nach mehr Geschwindigkeit, sondern nach einem besseren Gesamtzustand aus höherer Ausbringung, kürzerem Takt und stabilerer Qualität.
Die Datenbasis: Mehr als Maschinensignale
Hopper erfasst mehrere hundert Parameter eines Spritzgießprozesses im Millisekunden Bereich. Dazu werden hochfrequente Sensordaten von Maschine und Umgebungsperipherie analysiert. Ein lokales Edge-Modul im Maschinennetz sammelt diese Daten, komprimiert sie um rund 90%, und überträgt sie verschlüsselt in ein leistungsfähiges Cloud-Backend (in der Regel Microsoft Azure).
Entscheidend ist die ganzheitliche Datenbasis. Neben Maschinensignalen berücksichtigt Hopper:
- Eigenschaften des aktuellen Rohmaterial-Batches (z. B. Viskosität, Dichte, Alter, Restfeuchte)
- Umgebungsbedingungen (Temperatur, Luftfeuchte)
- Maschinenzustand und Werkzeugverhalten
- Produkt- und Spezifikationsdaten
- Ergebnisse aus Inline-Prüfzellen oder statistischen Qualitätsprüfungen mit Zyklusrückverfolgbarkeit
Gerade bei technischen Kunststoffen, Elastomeren oder Rezyklaten mit variierenden Materialeigenschaften pro Charge, entsteht so ein dynamisches, anlagenspezifisches Prozessmodell, das kontinuierlich an die realen Bedingungen angepasst werden kann.
Von der Vorhersage zur automatisierten Parameteranpassung:
Auf Basis dieses anlagenspezifischen Prozessmodells prognostiziert Hopper in Echtzeit die Ausschusswahrscheinlichkeit. Erkennt das System ein erhöhtes Produktivitätsverlustrisiko, generiert es situative Parametervorschläge, etwa für Einspritz- und Nachdruckprofile oder Werkzeugtemperaturen. Dabei erfolgen diese Anpassungen ausschließlich innerhalb validierter Prozessfenster. Bei Freigabe werden jeweilige Parameter dokumentiert und direkt in die Maschinensteuerung zurückgeschrieben.
Praxisbeispiel 1: Elastomer-Spritzgießen in Luserna
Bei Freudenberg Sealing Technologies in Luserna optimiert Hopper die Qualität in der vollautomatisierten Produktion von Radialwellendichtringen (Simmering®). Mehrere Spritzgießmaschinen unterschiedlicher Hersteller sind mit Handlingrobotern und SCADA/MES-Systemen vernetzt.
Tritt Ausschuss oder eine Prozessabweichung auf, generiert Hopper situative Anpassungsvorschläge und übermittelt diese via API-Schnittstelle an das übergeordnete System. Jede Parameteränderung wird automatisch dokumentiert – ein entscheidender Vorteil für die Rückverfolgbarkeit und risikobasierte Qualifizierung sicherheitsrelevanter Bauteile.
Praxisbeispiel 2: Live-Demo im Schwarzwald
Auf den Arburg Technologietagen 2026 wurde Hopper in einer Arburg-Spritzgießmaschine live demonstriert – vollständig integriert in die GESTICA-HMI. Produziert wurden Gartenschaufeln aus PA6-Rezyklat mit hohem Glasfaseranteil.
Hopper analysierte die Prozessdaten schussweise in Echtzeit, prognostizierte die Bauteilqualität und generierte bei erhöhtem Ausschussrisiko automatisch optimierte Parameterprofile. Diese wurden direkt in die Maschine zurückgeschrieben, sodass bereits im Folgetakt wieder Gutteile gefertigt wurden.
Interesse geweckt? Hopper live erleben — am SKZ-Technologietag in Würzburg
Am 25.06.2026 auf dem SKZ-Technologietag in Würzburg besteht die nächste Gelegenheit, Hopper im realen Produktionsumfeld zu erleben. Gezeigt wird die Verarbeitung von Post-Consumer-Rezyklaten auf einer laufenden Spritzgießmaschine mit Werkzeug zur Produktion von zwei unterschiedlichen Klemmbausteinen pro Schuss. Das Ziel: eine mit Neuware vergleichbare Prozessstabilität trotz stark variierender Materialeigenschaften.
Über den Autor:
Dipl.-Ing. Felix Georg Müller
Dipl.-Ing. Felix Georg Müller ist CEO und Co-Founder der plus10 GmbH (Augsburg/Stuttgart). Er studierte Maschinenbau mit Schwerpunkt Produktionstechnik an der RWTH Aachen und der École Centrale Paris. Nach mehrjähriger Forschung an datengetriebenen Methoden zur Produktionsoptimierung, patentierte er ein entsprechendes Verfahren und baute am Fraunhofer IPA zu diesem Themengebiet eine Forschungsgruppe auf, bevor er im Jahr 2019 die plus10 GmbH als Hightech-Spin-off, gemeinsam mit Pablo Mayer und Thomas Hilzbrich ausgründete. Heute leitet er zudem die Arbeitsgruppe „Dynamic Learning“ innerhalb der ISPE.