Stellen Sie sich vor, Ihr Schraubwerkzeug liefert seit drei Wochen Drehmomente, die sich langsam, aber stetig in Richtung der oberen Toleranzgrenze verschieben. Jeder einzelne Wert ist noch IO. Kein Alarm. Kein Eingriff. Bis der Prozess kippt - und eine ganze Charge nachgearbeitet werden muss.
Genau dieses Szenario ist der blinde Fleck des klassischen Toleranzfensters. Und es ist der Ausgangspunkt für einen Ansatz, der in der Fertigungs-IT zunehmend Fahrt aufnimmt: die datengetriebene Anomalieerkennung in Schraubdaten.
Das Problem mit festen Grenzwerten
Die Logik des starren Toleranzfensters ist einfach: Liegt der Messwert zwischen Untergrenze und Obergrenze, ist der Schraubvorgang IO. Liegt er außerhalb, ist er NIO. Diese Binärlogik hat ihren Platz - sie ist robust, normkonform und für einfache Schraubfälle ausreichend.
Doch sie hat strukturelle Grenzen, die in der Praxis regelmäßig zu Problemen führen:
Schleichende Drift bleibt unsichtbar. Ein Prozess kann sich über Hunderte von Anzügen kontinuierlich verschieben, ohne jemals eine Grenze zu verletzen. Die gängigste Methode bewertet IO/NIO ausschließlich nach Grenzwerten für Drehmoment und Drehwinkel - die Kurvenform wird dabei nicht bewertet. Ein Plateau im Anstieg, das auf Setzen hinweist, wird nicht erkannt, wenn das Endmoment stimmt.
Fehlalarme durch natürliche Streuung. Wer die Grenzen eng setzt, um früh zu reagieren, produziert zwangsläufig Fehlalarme bei prozesskonformen Schwankungen. Die aus dem Anzugsmoment resultierende Vorspannkraft wird maßgeblich von schwankenden Reibbeiwerten sowie der Drehmomentstreuung des Schraubgerätes beeinflusst - die Summe dieser schwankenden Reibungseinflüsse kann selbst bei hoher Drehmomentwiederholgenauigkeit Schwankungen der resultierenden Vorspannkraft von 50 % und mehr erzeugen. Wer die Grenzen weit setzt, verpasst echte Fehler.
Kontextblindheit. Feste Fenster kennen keinen Unterschied zwischen einem Materialwechsel, einem Chargenwechsel oder einem beginnenden Werkzeugverschleiß. Sie reagieren auf den Endwert - nicht auf das Muster, das ihm vorausgeht.
Das Kernproblem: Ein Schraubprozess kann sich über Wochen systematisch verschieben, ohne eine einzige Grenzwertverletzung auszulösen. Feste Toleranzfenster erkennen Zustände — keine Trends.
Abgrenzung zur klassischen SPC
An dieser Stelle lohnt eine klare Abgrenzung. Die statistische Prozesskontrolle (SPC) hilft durch fertigungsbegleitende Prozessüberwachung in Kombination mit statistischen Auswerteverfahren, frühzeitig kritische Parameterveränderungen zu erkennen und durch geeignete Prozesseingriffe gegenzusteuern. SPC-Regelkarten wie die Shewhart-Karte oder CUSUM-Karten sind ein wichtiger Schritt über das reine Toleranzfenster hinaus - sie erkennen Trends und Verschiebungen im Mittelwert.
Doch auch klassische SPC hat Grenzen: Sie arbeitet typischerweise mit einem einzelnen Merkmal (z. B. dem Abschaltdrehmoment), setzt eine stationäre Prozessverteilung voraus und erfordert manuelle Parametrierung der Eingriffsgrenzen. Es ist sinnvoll, bei den Regeln eine gute Auswahl zu treffen, um nicht zu viele Fehlalarme zu haben - und jede Regel hat ihr Fehlalarm-Risiko: Irgendwann bekommt man auch bei einem absolut zufällig verlaufenden Prozess eine Regelverletzung angezeigt.
Datengetriebene Anomalieerkennung geht weiter: Sie analysiert nicht einzelne Endwerte, sondern den gesamten Kurvenverlauf - und sie lernt, was für diesen Prozess, dieses Werkzeug und diese Bauteilcharge normal ist.
Was datengetriebene Anomalieerkennung anders macht
Klassische Verfahren betrachten häufig nur einzelne Messpunkte oder Endwerte. Die KI-gestützte Anomalieerkennung analysiert dagegen den gesamten Kurvenverlauf - dadurch werden auch subtile Muster, Trends und Auffälligkeiten sichtbar, die sonst verborgen bleiben.
Konkret bedeutet das für Schraubdaten: Nicht nur "Hat der Anzug 25 Nm erreicht?", sondern "Wie sieht die Drehmoment-Drehwinkel-Kurve im Vergleich zu den letzten 500 Anzügen aus? Hat sich die Steigung verändert? Gibt es ein ungewöhnliches Plateau? Verschiebt sich der Kurvenschwerpunkt systematisch?"
Statistische Verfahren: Der erste Schritt
Der einfachste Einstieg in die datengetriebene Überwachung sind statistische Methoden. Statistische Methoden bilden die Grundlage der Anomalieerkennung. Der Z-Score misst, wie viele Standardabweichungen ein Datenpunkt vom Mittelwert entfernt liegt - bei normalverteilten Daten gelten Werte außerhalb von ±3 Standardabweichungen häufig als Anomalien.
Für Zeitreihendaten wie Schraubkurven eignen sich darüber hinaus Verfahren zur Drift- und Trenderkennung: Change Point Detection identifiziert Zeitpunkte signifikanter Verteilungsänderungen durch statistische Tests wie CUSUM oder Bayesian Change Point Detection. Diese Methoden sind interpretierbar, recheneffizient und lassen sich direkt in bestehende Auswertesysteme integrieren.
Unüberwachtes Lernen: Normalverhalten modellieren
Der nächste Schritt ist unüberwachtes maschinelles Lernen. Der entscheidende Vorteil: In der Industrie hat man häufig viele Messungen eines korrekt funktionierenden Systems, aber kaum Daten zu Fehlern - weil Fehler selten sind. Der Algorithmus lernt ein Modell des Normalverhaltens und erkennt Abweichungen davon.
Für Schraubdaten relevante Verfahren:
| Verfahren | Stärke | Typischer Einsatz |
|---|---|---|
| Isolation Forest | Effizient, skaliert gut, keine Verteilungsannahme | Endwert-Ausreißer, Batch-Anomalien |
| CUSUM / Change Point Detection | Erkennt schleichende Verschiebungen | Werkzeugdrift, Mittelwertversatz |
| Autoencoder (LSTM) | Lernt komplexe Kurvenformen | Vollständige Kurvenanalyse, multivariate Daten |
| One-Class SVM | Robuste Grenzmodellierung | Kleine Datensätze, definierter Normalbereich |
Eingriffsgrenzen sind variabel und lassen sich durch selbstlernende Algorithmen im Falle einer Prozess- oder Produktänderung anpassen. Die Prozessdifferenzierung basiert auf einer Prozesssegmentierung mit Methoden der Mustererkennung.
KI-generiertes BildPraxisnutzen: Was die Anomalieerkennung konkret sichtbar macht
Die folgende Übersicht zeigt typische Prozessveränderungen in der Schraubmontage, die ein starres Toleranzfenster regelmäßig übersieht - und die ein datengetriebenes Modell frühzeitig signalisieren kann:
Werkzeugdrift: Trendanalysen der Kurvensteigung über die Produktion können als Frühwarnung für Werkzeugverschleiß dienen, bevor der erste Grenzwert verletzt wird. Trendanalyse der Steigungsveränderung über die Produktion dient als Frühwarnung für Werkzeugverschleiß.
Chargen- und Materialwechsel: Veränderte Reibungseigenschaften durch einen neuen Schraubenlieferanten oder eine andere Oberflächenbeschichtung verschieben die gesamte Kurvencharakteristik. Die Reibungszahlermittlung gibt Aufschluss über die Reibungsfaktoren Ihrer Schrauben und ermöglicht die Optimierung der Verschraubungsqualität. Ein Anomaliemodell, das auf dem bisherigen Normalverhalten trainiert wurde, erkennt diesen Sprung sofort - auch wenn alle Endwerte noch im Toleranzband liegen.
Veränderte Bauteile: Durch den unterschiedlichen Verschleiß der Kavitäten in Gussformen entstehen Schraublöcher mit großen Toleranzen zueinander, die aber immer noch innerhalb der zulässigen Toleranzgrenzen liegen - bei einem Bauteil liegt der Schraubort an der Toleranzobergrenze, beim gleichen Bauteil aus einer anderen Kavität an der Toleranzuntergrenze. Solche systematischen Unterschiede zwischen Bauteilchargen sind für ein trainiertes Modell erkennbar.
Reibungsänderungen: Temperaturveränderungen in der Halle, Schmiermittelauftrag oder Korrosion an Gewindeeinsätzen verändern den Kurvenverlauf charakteristisch - lange bevor ein Endwert auffällt.
KI-basierte Schraubprozessüberwachung kann die Analysezeit im Falle eines Produktrückrufs um mehr als 90 Prozent reduzieren, da jede Kurve einer Seriennummer zugeordnet ist und Muster retrospektiv auswertbar werden.
Voraussetzungen: Was Sie wirklich brauchen
Hier ist Ehrlichkeit wichtiger als Begeisterung. Anomalieerkennung funktioniert nur so gut wie die Datenbasis, auf der sie aufbaut.
Nicht nur Endwerte — der gesamte Drehmoment-Drehwinkel-Verlauf je Anzug muss erfasst werden. Stichproben reichen für Trendmodelle nicht aus. Die Daten müssen mit Werkzeug-ID, Zeitstempel und Bauteilreferenz verknüpft sein.
Das Modell lernt, was 'normal' ist — also muss der Trainingsdatensatz einen stabilen, validierten Prozess abbilden. Daten aus Anlaufphasen, Werkzeugwechseln oder bekannten Störungen müssen markiert oder ausgeschlossen werden.
Faustformel: Je komplexer der Schraubfall (Mehrphasen-Anzug, weiche Fügepartner, Gewindeformen), desto mehr Referenzanzüge werden benötigt. Für einfache Fälle können einige Hundert Anzüge ausreichen; für multivariate Kurvenmodelle sind mehrere Tausend sinnvoll.
Die Rohdaten müssen aus dem Werkzeug oder der Steuerung exportierbar sein — idealerweise in Echtzeit oder mit geringer Latenz. Proprietäre Datensilos blockieren jeden Folgeschritt.
Kein Modell ersetzt das Urteil des Prozessingenieurs. Alarme müssen bewertet, bestätigt oder verworfen werden — dieses Feedback verbessert das Modell iterativ und verhindert Alarm-Fatigue durch Fehlalarme.
Grenzen klar benennen
Datengetriebene Anomalieerkennung ist kein Allheilmittel. Folgende Einschränkungen sollten Sie bei der Planung berücksichtigen:
- Fehlalarme sind unvermeidlich. Jedes statistische Modell hat eine Falsch-Positiv-Rate. Das Modell darf nicht zu allgemein werden, sonst werden echte Anomalien als normal eingestuft - umgekehrt gilt: Zu sensitiv eingestellt, produziert es Fehlalarme, die das Vertrauen der Bediener untergraben.
- Kontext ist nicht automatisch bekannt. Das Modell sieht eine Kurvenabweichung - aber nicht, ob dahinter ein Materialwechsel, ein Bedienfehler oder ein echter Prozessfehler steckt. Labeling und Kontextwissen aus dem MES sind essenziell.
- Kein Ersatz für Prozessverständnis. Eine Anomalie-Klassifikation mit Hilfe selbstlernender Methoden und des formalisierten Domänenwissens ermöglicht die Ausgabe von Handlungsempfehlungen für den Benutzer oder Maschinenbediener. Das Domänenwissen muss aber erst einmal vorhanden und formalisiert sein.
- Abgrenzung zu Predictive Maintenance: Dieser Artikel fokussiert auf Qualitäts- und Prozessanomalien - also auf die Frage, ob die Verbindung korrekt hergestellt wurde. Die Frage, wann ein Werkzeug ausgetauscht werden muss, ist ein verwandtes, aber separates Thema.
Die Datenbasis: OPERATOR® und QUANTEC MCS® als Grundlage
Anomalieerkennung beginnt mit der Datenerfassung - und hier entscheidet die Qualität des Werkzeugs über die Qualität der Analyse.
Der OPERATOR® erfasst Drehmoment und Drehwinkel kontinuierlich über WLAN und überträgt die Daten in Echtzeit an EasyWin® oder QuanLab Pro®. Der OPERATOR® EST01 kommuniziert über SPS und Open Protocol direkt mit der Produktionsanlage - die Voraussetzung für eine lückenlose, seriennummernbezogene Rückverfolgbarkeit.
Das QUANTEC MCS® liefert mit seiner festpunktlosen Drehwinkelmessung präzise Kurvendaten mit einer Genauigkeit von ±1 % zwischen 10 und 100 % des Nennbereiches - ohne die Messfehler, die bei festpunktbasierten Systemen durch Reaktionsmomente entstehen. Diese Präzision ist die Grundvoraussetzung dafür, dass ein Anomaliemodell echte Prozessveränderungen von Messrauschen unterscheiden kann.
Beide Systeme sind über offene Schnittstellen an MES- und Analyseplattformen anbindbar. Die Daten, die OPERATOR® und QUANTEC MCS® liefern, sind damit nicht nur für die Echtzeit-IO/NIO-Bewertung nutzbar - sie bilden die Trainingsbasis für statistische Modelle und die Inferenzbasis für laufende Anomalieerkennung.
Möchten Sie wissen, ob Ihre aktuellen Schraubdaten bereits die Basis für eine datengetriebene Anomalieerkennung bieten? Wir analysieren Ihre Datenlage und zeigen Ihnen, welche Verfahren für Ihren Prozess sinnvoll sind.
Kostenlose Schraubprozess-Analyse anfragenInteraktiv: Welches Verfahren passt zu Ihrem Prozess?
Die Wahl des richtigen Anomalieerkennungsverfahrens hängt von Datenmenge, Prozesskomplexität und verfügbarer IT-Infrastruktur ab. Das folgende Tool hilft Ihnen bei der Einordnung:
Fazit: Kein Hype - aber ein echter Schritt vorwärts
Datengetriebene Anomalieerkennung in Schraubdaten ist kein KI-Versprechen für die Zukunft. Die Methoden existieren, die Werkzeuge sind verfügbar, und die Datenbasis ist in vielen Fertigungsumgebungen bereits vorhanden - sie wird nur noch nicht genutzt.
Der Übergang vom starren Toleranzfenster zur adaptiven Prozessüberwachung ist kein Entweder-oder. Feste Grenzwerte bleiben für die Echtzeit-IO/NIO-Bewertung unverzichtbar. Anomalieerkennung ergänzt sie um eine Schicht, die schleichende Veränderungen sichtbar macht, bevor sie zu Ausschuss oder Rückrufen führen.
Die Voraussetzung dafür ist eine saubere, vollständige und rückführbare Datenerfassung - und die Bereitschaft, Alarme nicht nur zu empfangen, sondern zu bewerten und in Prozesswissen umzuwandeln.
Accuracy by GWK.
