Was Machine Learning aus Schraubkurven wirklich herausholen kann - und was nicht

Wer heute über KI in der Schraubtechnik spricht, hört schnell Versprechen wie "vollautomatische Qualitätssicherung" oder "selbstlernende Montagelinien". Die Realität ist nüchterner - und interessanter. Machine Learning kann aus Drehmoment-Drehwinkel-Kurven tatsächlich Dinge herauslesen, die klassische Grenzwertüberwachung nicht sieht. Aber es gibt klare Grenzen, die jeder kennen sollte, der ernsthaft mit dem Thema arbeiten will.

Dieser Beitrag richtet sich an Digitalisierungs- und QS-Verantwortliche, die wissen wollen, was Stand der Technik ist - ohne Marketingversprechen.

Die Schraubkurve als Fingerabdruck der Verbindung

Jede Drehmoment-Drehwinkel-Kurve ist ein Abbild des gesamten Verschraubungsprozesses. Sie zeigt, wie sich Drehmoment und Winkel über den Anzugsvorgang verhalten - von der Einlaufphase über den linearen elastischen Bereich bis zum Abschaltpunkt. Geometrie der Bauteile, Reibungsverhältnisse, Materialsteifigkeit, Schmiermittel, Unterlegscheibe vorhanden oder nicht, Gewinde intakt oder beschädigt: All das hinterlässt eine charakteristische Signatur in der Kurve.

Das Verfahren liefert eine aussagekräftige Technik, um den aktuellen Zustand einer Schraubverbindung zu beurteilen. Eine typische Anzugskurve beginnt mit einer nichtlinearen Einlaufzone, in der sich die Komponenten ausrichten, gefolgt vom linearen elastischen Bereich, in dem die Vorspannkraft aufgebaut wird. Abweichungen von diesem Muster - Plateaus, Knicks, fehlende Steigungsphasen - sind keine Zufälle. Sie sind Hinweise auf konkrete Fehler.

Genau hier setzt Machine Learning an: nicht als Ersatz für das physikalische Verständnis dieser Kurven, sondern als Werkzeug, das Muster in großen Kurvenmengen erkennt, die dem menschlichen Auge entgehen.

KI-generiertes Bild

Was ML tatsächlich leisten kann

OK/NOK-Klassifikation jenseits fester Grenzwerte

Die klassische Grenzwertüberwachung prüft: Liegt das Endmoment im Toleranzfenster? Liegt der Drehwinkel im definierten Bereich? Das ist notwendig, aber nicht hinreichend. Eine Kurve kann beide Grenzwerte einhalten und trotzdem ein Fehlerbild zeigen - etwa wenn ein Setzer im Verlauf kompensiert wurde oder das Endmoment durch einen Kreuzgewindeeffekt zufällig im Toleranzband landet.

ML-Klassifikatoren - trainiert auf tausenden annotierten Kurven - lernen den gesamten Kurvenverlauf als Muster zu bewerten, nicht nur Endpunktwerte. In einer Studie mit 2,8 Millionen Drehwinkel-Drehmoment-Datenpunkten aus realen Industriedaten erreichten unüberwachte Methoden wie Isolation Forest und Autoencoder Anomalie-Erkennungsraten von bis zu 99 % bzw. 95-96 %. Das ist kein Laborergebnis - das sind produktive Fertigungsdaten.

Erkennung konkreter Fehlermuster

Bestimmte Fehlerbilder hinterlassen in der Schraubkurve charakteristische Signaturen:

Die Anwendung maschineller Lernverfahren zur Fehlerdetektion in automatisierten Verschraubungsprozessen wird dadurch erschwert, dass Fehlerbilder oft unbekannt sind. Selbstlernende Verfahren, die zunächst den Normalzustand des Schraubprozesses erlernen, können dann Abweichungen als Anomalien erkennen.

Die Erprobung anhand produktiver Daten der Motormontage zeigt eine erhebliche Verbesserung der Fehlererkennung gegenüber rein regelbasierter Überwachung - insbesondere bei Fehlertypen, die keine klare Grenzwertverletzung erzeugen.

Mustererkennung über große Kurvenmengen

Ein weiterer echter Mehrwert: ML kann über Tausende von Kurven hinweg Driftmuster erkennen, die sich schleichend entwickeln. Werkzeugverschleiß, veränderte Reibungsverhältnisse durch Schmiermittelwechsel, saisonale Temperaturschwankungen - all das verändert die Kurvencharakteristik graduell. Die traditionelle Qualitätsprüfung analysiert Kurven manuell, was zeitaufwändig und fehleranfällig ist. LSTM-basierte Modelle können die Qualität von Anzugskurven automatisch analysieren und dabei Aktualität und Genauigkeit der Prüfung verbessern.

Die Grenzen - klar benannt

1. Datenqualität und Labeling sind der Engpass

Ein ML-Modell ist nur so gut wie die Daten, auf denen es trainiert wurde. In der Praxis scheitern Projekte selten am Algorithmus - sie scheitern an der Datenbasis.

Konkret bedeutet das: Kurven müssen rückführbar kalibriert sein. Ein Messwert ohne Kalibriernachweis ist kein Messwert - er ist eine Zahl. Kurven müssen korrekt annotiert sein: Welche Kurve zeigt ein Kreuzgewinde? Welche ist wirklich IO? Wer hat das entschieden, nach welchem Kriterium? Und Kurven müssen konsistent erfasst sein - gleiche Abtastrate, gleiche Werkzeugkonfiguration, nachvollziehbare Metadaten.

Ziel einer Schraubfallanalyse ist es, belastbare und reproduzierbare Parameter zu definieren - denn theoretische Annahmen aus der Konstruktion weichen häufig von den tatsächlichen Bedingungen in der Produktion ab. Genau diese Lücke zwischen Annahme und Realität macht sauberes Labeling so aufwändig.

2. Das Black-Box-Problem

Neuronale Netze und Ensemble-Methoden liefern Klassifikationsergebnisse, aber keine physikalische Begründung. Das ist in der Qualitätssicherung ein ernstes Problem: Damit KI-Systeme das nötige Vertrauen gewinnen können, ist die menschenverständliche Erklärung ihrer Vorhersagen und Entscheidungen elementar - denn nur wenn Prozesse nachvollziehbar sind, wird ihnen das nötige Vertrauen entgegengebracht.

Für sicherheitskritische Schraubfälle der Klasse A nach VDI/VDE 2862 - also Verbindungen, bei deren Versagen Leib und Leben gefährdet sind - reicht "das Modell sagt NOK" als Begründung nicht aus. Fehlende Transparenz und Erklärbarkeit können dazu führen, dass schwere Fehler unerkannt bleiben oder dass das Modell unbrauchbar wird.

Methoden der erklärbaren KI (XAI) wie SHAP-Werte oder Surrogatmodelle helfen, sind aber kein vollständiger Ersatz für physikalisches Prozessverständnis. Techniken wie LIME schaffen interpretierbare Modelle für einzelne Vorhersagen; SHAP-Werte und Salienz-Karten bieten intuitive Erklärungen für KI-Entscheidungen. Das ist ein Fortschritt - aber kein Freifahrtschein.

3. Seltene Fehlerklassen

Kreuzgewinde, Doppelverschraubungen, falsche Bauteile: Diese Fehler sind in einer gut laufenden Produktion selten. Das ist gut für die Qualität - schlecht für das ML-Modell. Ein Klassifikator, der auf 10.000 IO-Kurven und 12 NOK-Kurven trainiert wurde, lernt im Zweifelsfall: "Alles ist IO." Der Mangel an ausgewogenen Datensätzen durch unzureichende Daten zu fehlerhaften Verbindungen stellt eine erhebliche Herausforderung für die Entwicklung robuster Erkennungsmodelle dar.

Techniken wie synthetische Datengenerierung, Oversampling oder One-Class-Klassifikation können helfen - erfordern aber Expertise und erhöhen die Komplexität des Projekts.

4. Begrenzte Übertragbarkeit zwischen Schraubfällen

Ein Modell, das auf M8-Schrauben an einem Aluminiumgehäuse trainiert wurde, funktioniert nicht ohne Weiteres für M10-Schrauben an einem Stahlbauteil. Jeder Schraubfall hat seine eigene Kurvencharakteristik. Die Schwierigkeit bei der Identifikation und Überwachung von Schraubverbindungen ergibt sich aus der Variabilität und den nichtlinearen Effekten in Schraubverbindungen.

Das bedeutet: Für jeden relevanten Schraubfall braucht man einen eigenen Datensatz, ein eigenes Modell, eine eigene Validierung. Das ist kein Fehler des Ansatzes - es ist die physikalische Realität der Schraubtechnik.

5. Kein Ersatz für Physik und Normen

ML erkennt Muster. Es versteht keine Physik. Es kennt keine Normen. Ein Modell, das auf historischen Daten trainiert wurde, kann nicht beurteilen, ob ein Anzugsverfahren für einen neuen Schraubfall überhaupt geeignet ist. Die VDI 2862 definiert die technischen Mindestanforderungen an die eingesetzte Schraubtechnik in Abhängigkeit von dem Risiko, das von dem jeweiligen Schraubfall und dem Montageprozess ausgeht. Diese normativen Anforderungen lassen sich nicht durch Mustererkennung ersetzen.

Voraussetzungen für einen sinnvollen ML-Einsatz

Bevor ein ML-Projekt gestartet wird, sollten diese Grundlagen gesichert sein:

• Rückführbare Messtechnik: Kurvendaten aus unkalibriertem Werkzeug sind für ML-Training ungeeignet. Die Messunsicherheit muss bekannt und dokumentiert sein.
• Konsistente Erfassung: Gleiche Abtastrate, gleiche Werkzeugkonfiguration, vollständige Metadaten (Schraubfall-ID, Bauteilnummer, Zeitstempel, Werkzeug-ID).
• Strukturiertes Labeling: Fehlertypen müssen von Fachpersonal annotiert werden - idealerweise mit Verweis auf den physikalischen Befund (z.B. Sichtprüfung nach Demontage).
• Ausreichende Datenmenge: Für überwachtes Lernen werden pro Fehlerklasse mindestens mehrere Hundert annotierte Beispiele benötigt.
• Schraubfall-Stabilität: Das Modell gilt für einen definierten Schraubfall - Änderungen an Bauteil, Schraube oder Prozess erfordern Retraining.

Die Datenbasis: Wo OPERATOR® und QUANTEC MCS® ansetzen

Präzise, rückführbare Kurvendaten sind die Voraussetzung für jeden sinnvollen ML-Einsatz - und genau hier liegt der Unterschied zwischen brauchbaren und unbrauchbaren Trainingsdaten.

Der OPERATOR® überträgt Kurvendaten per WLAN direkt in die Analyseplattform. Das Wechselvierkant-System ermöglicht den Einsatz desselben Werkzeugkörpers an verschiedenen Schraubfällen, ohne die Messkette zu unterbrechen. Der OPERATOR® EST01 kommuniziert über SPS und Open Protocol - die Kurven landen strukturiert und mit vollständigen Metadaten in der Datenbank, nicht als isolierte CSV-Dateien.

Das QUANTEC MCS® Analysewerkzeug mit festpunktloser Drehwinkelmessung liefert Kurvendaten mit ±1 % Genauigkeit zwischen 10 und 100 % des Nennbereiches - eine Präzision, die für ML-Training entscheidend ist. Wer mit verrauschten oder systematisch verschobenen Kurven trainiert, bekommt ein Modell, das Messfehler lernt, keine Fehlermuster. Die offenen Schnittstellen zu Analyseplattformen wie QuanLab Pro®, Ceus und QS-Torque ermöglichen die direkte Weiterverarbeitung der Rohdaten ohne Medienbruch.

Fazit: Realistisch einsetzen, nicht überschätzen

Machine Learning ist kein Allheilmittel für die Qualitätssicherung in der Schraubtechnik - aber es ist ein ernstzunehmendes Werkzeug, wenn die Voraussetzungen stimmen. Die sinnvollsten Anwendungen heute sind:

1. OK/NOK-Klassifikation auf Basis des gesamten Kurvenverlaufs, nicht nur der Endwerte
2. Fehlermustererkennung für bekannte Fehlertypen mit ausreichend Trainingsdaten
3. Prozessdrift-Erkennung über große Kurvenmengen hinweg

Was ML nicht kann: physikalische Zusammenhänge erklären, normative Anforderungen ersetzen, mit wenigen Daten zuverlässig arbeiten oder Modelle zwischen verschiedenen Schraubfällen übertragen.

Der entscheidende Erfolgsfaktor ist nicht der Algorithmus. Es ist die Qualität der Daten, auf denen er trainiert wird. Wer das versteht, stellt die richtigen Fragen - und investiert zuerst in die Messtechnik, nicht in die KI-Plattform.

Accuracy by GWK.