KI-gestützte Oberflächen- und Maßkontrolle von Türkomponenten

Wenn das Auge nicht mehr mithält

In der Türenfertigung entscheidet die Oberfläche: kleinste Kratzer, Dellen oder Pressfehler können aus einer ansonsten perfekten Tür einen Reklamationsfall machen. Gleichzeitig steigen Taktzahlen und Varianten – manuelle Sichtprüfung stößt schnell an Grenzen.

Viele Werke verlassen sich noch auf geschulte Mitarbeitende, die Türblätter, Zargen und Leisten visuell kontrollieren. Bei wachsendem Druck und kürzeren Durchlaufzeiten ist das schlicht nicht mehr durchgängig zuverlässig und wirtschaftlich.

---

Die Ausgangssituation: Manuelle Prüfung mit vielen Grauzonen

Typischer Ist-Zustand in vielen Türenwerken:

• Sichtkontrolle mit bloßem Auge nach Pressen, Schleifen oder Lackieren.
• Maßkontrolle nur stichprobenartig mit Handmessmitteln.
• Beurteilung von Oberflächenfehlern oft subjektiv – „Grenzfälle“ werden je nach Person unterschiedlich entschieden.
• Dokumentation erfolgt teilweise auf Papier, teilweise gar nicht.

Die Folge: Schwankende Qualität, interne Diskussionen zwischen QS, Produktion und Vertrieb sowie Reklamationen, die erst beim Kunden auffallen.

---

Das Zielbild: Objektive, lückenlose Inline-Qualitätskontrolle

Das Ziel aus Sicht eines Türenwerks ist klar:

• Jede relevante Komponente (Türblätter, Zargen, Leisten) wird geprüft – nicht nur Stichproben.
• Oberflächendefekte und Maßabweichungen werden früh im Prozess erkannt, bevor weitere Wertschöpfung draufgeht.
• Entscheidungen werden objektiv und nachvollziehbar – weniger „Bauchgefühl“, mehr Daten.
• Qualität wird messbar und langfristig steuerbar.

---

Die Lösung

Funktional arbeitet eine KI-gestützte Oberflächen- und Maßkontrolle so:

• Bildaufnahme: Kameras (z. B. Zeilen- oder Flächenkameras) erfassen jede Komponente im Durchlauf.
• Analyse: Ein KI-Modul erkennt typische Holz- und Oberflächenfehler – etwa Kratzer, Dellen, Kantenbeschädigungen, Furnierfehler, Farbabweichungen oder Verzug. Je nach Setup können auch Maße aus den Bilddaten abgeleitet werden.
• Bewertung: Das System vergleicht die Messwerte und Fehlerbilder mit hinterlegten Toleranzen und Regeln und klassifiziert Bauteile als „i. O.“ oder „n. i. O.“.
• Rückmeldung: Auffällige Teile werden markiert oder automatisch ausgeschleust und können gezielt nachgearbeitet oder ausgesondert werden

---

Ergebnisse & Mehrwert

Typische Effekte in der Praxis (branchenübergreifend und auf Türproduktion übertragbar):

• Weniger Reklamationen, weil kritische Oberflächenfehler nicht mehr durchrutschen.
• Reduzierter Ausschuss und Nacharbeit, da Fehler früher erkannt werden.
• Entlastung der Prüfenden, die sich auf Grenzfälle konzentrieren können.
• Lückenlose Dokumentation mit Bild- und Fehlerhistorie je Bauteil.

Die QS wird objektiver, und Diskussionen über einzelne Teile lassen sich anhand von Daten und Bildern führen.

---

Learnings & typische Stolpersteine

Erfahrungen aus vergleichbaren Projekten:

• Die Definition von Fehlerklassen und Toleranzen ist oft anspruchsvoller als die Technik.
• Gute Systeme kombinieren klassische Bildverarbeitung mit KI, um robust gegen Licht- und Materialschwankungen zu sein.
• Die Akzeptanz im Werk steigt, wenn das System als Unterstützung und nicht als „Kontrollinstanz“ vermittelt wird.

---

Voraussetzungen

Technisch

• Reproduzierbare Positionierung der Teile (z. B. auf Fördertechnik).
• Integration von Kamera-Hardware an geeigneten Stellen (z. B. nach Pressen, Schleifen, Lackieren).
• Schnittstellen zu SPS/MES für Statusmeldungen und Ausschleusung.

Organisatorisch

• Gemeinsame Definition von Fehlerbildern und Toleranzen durch QS und Produktion.
• Pilotbereich mit klar abgegrenztem Produktprogramm.

Kulturell

• Bereitschaft, manuelle Prüfprozesse durch digitale Systeme zu ergänzen.
• Offenheit für iterative Verbesserung (Nachjustieren von Schwellen, Kategorien, Workflows).

---

Mehr zu diesem Thema – KI Kurse & Schulungen

Mehr zu diesem Thema – KI Beratung & Automatisierung