Kurzfazit
Fraunhofer demonstriert mit Wise-Cut und PredictiveBoX eine KI-gestützte Auswertung von Schwingungssignalen, die Werkzeuglebensdauer und Werkstückqualität gemeinsam prognostizieren soll. Der entscheidende QM-Transfer liegt jenseits klassischer Predictive Maintenance: Nicht der technische Zustand des Werkzeugs allein zählt, sondern sein Einfluss auf Rattermarken, Maßhaltigkeit und Oberflächenqualität. Dafür müssen Sensordaten, Qualitätsmerkmale und Eingriffsregeln nachweisbar gekoppelt werden.
FQI Takeaway
- Instandhaltungsdaten werden erst durch Produktbezug zu Qualitätsdaten: Werkzeugverschleiß ist ein Einflussfaktor, nicht automatisch eine Nichtkonformität.
- Vorhersage braucht eine CTQ-Verknüpfung: Sensorindikatoren müssen mit Critical-to-Quality-Merkmalen und Spezifikationsgrenzen verbunden werden.
- Reststandzeit ist keine universelle Eingriffsgrenze: Werkzeugwechsel, Weiterbetrieb und Prüfverschärfung benötigen risikobasierte Reaktionsregeln.
Das Prinzip auf einen Blick
Der Fraunhofer-Verbund Produktion stellte Wise-Cut und PredictiveBoX im Umfeld der maintenance Dortmund 2026 vor. Integrierte Schwingungssensoren und KI sollen Werkzeuglebensdauer sowie Werkstückqualität, insbesondere Rattermarken, vorhersagen. Genannt werden höhere Werkzeugauslastung, weniger unproduktive Zeit und Echtzeit-Qualitätskontrolle. Die öffentliche Quelle beschreibt einen Demonstrator und liefert keine vollständigen Angaben zu Datensatz, Fehlerkennzahlen, Vergleichsdesign oder Langzeitstabilität. Sie ist daher ein Technologiesignal, kein abschließender Wirksamkeitsnachweis.
Begriffe kurz erklärt
- KI: Künstliche Intelligenz; Systeme, die aus Daten Muster ableiten oder Aufgaben automatisiert unterstützen.
- CTQ: Critical to Quality; Merkmal, das für Kundenanforderung oder Prozessqualität entscheidend ist.
- MSA: Messsystemanalyse; Prüfung, ob ein Messsystem für die vorgesehene Entscheidung geeignet ist.
- COPQ: Cost of Poor Quality; Kosten durch Fehler, Ausschuss, Nacharbeit, Reklamationen und deren Bearbeitung.
Deep Dive
Predictive Maintenance beantwortet typischerweise die Frage: Wann wird ein Betriebsmittel wahrscheinlich ausfallen oder seine Funktion verlieren? Predictive Quality stellt eine andere Frage: Wann erzeugt der aktuelle Zustand ein erhöhtes Risiko für ein nichtkonformes Produkt? Beide Perspektiven sind verbunden, aber nicht identisch. Ein Werkzeug kann technisch noch nutzbar sein und bereits unzulässige Oberflächen erzeugen. Umgekehrt kann ein Verschleißindikator steigen, ohne dass das Produktmerkmal die Spezifikation verletzt.
Schwingungssignale eignen sich als indirekte Zustandsmerkmale. Unwucht, Lagerzustand, Prozesskräfte, Werkzeugverschleiß und Rattern verändern Frequenzspektrum und zeitlichen Verlauf. Maschinelles Lernen kann Muster erkennen, die in einzelnen Grenzwerten schwer abbildbar sind. Damit entsteht die Chance, Qualitätsrisiken während der Bearbeitung zu prognostizieren, bevor die nachgelagerte Prüfung ein fehlerhaftes Teil entdeckt.
Aus Sicht von Six Sigma muss zuerst das Y definiert werden: das qualitätskritische Ergebnis, beispielsweise Rauheit, Welligkeit, Maßabweichung oder sichtbare Rattermarke. Erst danach werden potenzielle X-Faktoren wie Werkzeugstandzeit, Schwingung, Drehzahl, Vorschub, Materialcharge und Spannung betrachtet. Wird nur Werkzeugverschleiß vorhergesagt, ist der Nachweis für Produktqualität noch nicht erbracht. Das Modell benötigt eine belastbare Beziehung zwischen Prozesssignal und Critical to Quality (CTQ; qualitätskritisches Merkmal).
Für die Industrialisierung ist außerdem die Messkette zu qualifizieren. Sensorbefestigung, Abtastrate, Filterung, Maschinenstruktur und Position beeinflussen das Signal. Ein Modell, das auf einer Maschine funktioniert, kann auf einer baugleichen Anlage andere Muster sehen. Measurement System Analysis (MSA; Messsystemanalyse) muss deshalb um digitale Signalverarbeitung und Feature-Bildung erweitert werden. Auch Werkzeug-, Material- und Programmvarianten gehören zur Reproduzierbarkeit.
Der Control Plan sollte mehrere Reaktionsstufen enthalten. Bei niedriger Risikoprognose läuft der Prozess normal. Bei erhöhtem Risiko können zusätzliche Werkstückprüfungen oder reduzierte Schnittparameter folgen. Erst bei bestätigter Überschreitung wird das Werkzeug gewechselt oder der Prozess gestoppt. Diese Staffelung verhindert, dass ein unsicheres Modell unnötig Werkzeuge verwirft oder trotz Qualitätsrisiko weiterproduziert.
Wirtschaftlich muss der Zielkonflikt transparent sein. Später Werkzeugwechsel spart Werkzeugkosten, kann aber Ausschuss, Nacharbeit oder Maschinenzeit erhöhen. Zu frühes Wechseln schützt Qualität, verschenkt jedoch Reststandzeit. Ein geeignetes Optimierungsziel umfasst deshalb Cost of Poor Quality (COPQ; Kosten schlechter Qualität), Werkzeugkosten, Prüfkosten, Stillstand und Kundenrisiko – nicht nur maximale Nutzungsdauer.
Ein robuster Pilot sollte Werkzeugleben vollständig begleiten: neue Schneide, normale Abnutzung, kritischer Übergangsbereich und definierter Abbruch. Für jedes Zeitfenster werden Schwingungsmerkmale und reale Produktmessungen gemeinsam erfasst. Die Datenteilung muss nach Werkzeugläufen oder Aufträgen erfolgen, nicht zufällig nach einzelnen Messpunkten; sonst gelangen nahezu identische Nachbarsignale in Training und Test. Zusätzlich ist ein Vergleich gegen einfache Standzeitregeln erforderlich. Nur wenn die KI gegenüber dieser Baseline bessere Qualitäts- oder Kostenentscheidungen ermöglicht, entsteht ein belastbarer Mehrwert. Das ist der eigentliche Wirksamkeitsnachweis.
Grenzen und Risiken
Erstens veröffentlicht die Quelle keine vollständige Validierungsstudie. Leistungskennzahlen und Übertragbarkeit bleiben offen.
Zweitens sind Schwingungsmuster nicht ursacheneindeutig. Prozessänderungen, Spannung oder Material können ähnliche Signale wie Verschleiß erzeugen.
Drittens kann ein Modell durch neue Werkzeuge, Programme oder Maschinenzustände driften. Ohne Änderungslenkung wird der Grenzwert unzuverlässig.
Viertens kann eine rein kostenoptimierte Werkzeugauslastung Qualitäts- und Kundenrisiken unterschätzen. Die Zielfunktion benötigt klare Prioritäten.
FQI Fazit
Die Verbindung von Werkzeugzustand und Werkstückqualität ist ein überzeugender Schritt von Predictive Maintenance zu Predictive Quality. Qualitätsfähig wird sie erst, wenn Sensorsignal, CTQ, Spezifikation und Reaktionsplan geschlossen nachgewiesen sind. Der relevante Business Case ist nicht „mehr Werkzeuglaufzeit“, sondern ein risikobasiertes Optimum aus Qualität, Verfügbarkeit und Gesamtkosten.
Quellen & Transparenz
- Fraunhofer IMS: Eingebettete KI für smarte Sensoren und Maschinen – Wise-Cut, abgerufen am 10. August 2026.
- Evidenzstatus: institutionelle Projekt- und Demonstratorbeschreibung; keine vollständig veröffentlichte Wirksamkeitsstudie.
- FQI-Transfer: Die CTQ-, MSA-, Control-Plan- und COPQ-Einordnung ist eine fachliche Ableitung von FQI.
- Aussagen zu Nutzen und Langzeitstabilität müssen vor Serieneinsatz am konkreten Prozess validiert werden.
- Bild: FQI-Fachinfografik, deterministisch erstellt; keine Darstellung des Fraunhofer-Demonstrators.
- Dieser Beitrag und die FQI-Eigenvisualisierung wurden KI-unterstützt erstellt, fachlich geprüft und am 10. August 2026 ausdrücklich zur Veröffentlichung freigegeben.
- Freigabestatus: Begriffserklärungen und Glossar wurden am 17. August 2026 erneut menschlich geprüft und zur Veröffentlichung freigegeben. Freigabe: Johann Fischer.