An der Constructor University in Bremen startet im Oktober 2026 ein Forschungsprojekt, das Produktionsfehler in der Industrie nicht nur aufspüren, sondern erklären will. Unter der Leitung von Prof. Dr.-Ing. Hendro Wicaksono entwickelt die Universität gemeinsam mit der Electronics GmbH eine kausale und erklärbare künstliche Intelligenz. Der Projektname: „AluKauKi“ – kurz für „Causal AI-supported Reduction of Scrap Rates in Aluminum Die Casting“.

Gefördert wird das Vorhaben vom Bundesministerium für Wirtschaft und Energie (BMWE) mit insgesamt 475.000 Euro. Davon erhält die Constructor University 277.000 Euro. Im Mittelpunkt steht zunächst der Aluminium-Hochdruckguss, ein Verfahren, bei dem geschmolzenes Aluminium unter hohem Druck in Formen gespritzt wird. Solche Bauteile finden sich unter anderem in der Automobil- und Elektronikindustrie.

Wenn kleine Abweichungen teuer werden

In komplexen Fertigungsprozessen genügt manchmal eine geringe Veränderung: etwas mehr oder weniger Temperatur, ein anderer Druck, abweichende Materialeigenschaften oder ein veränderter Maschinenzustand. Die Faktoren wirken zudem nicht unabhängig voneinander. Ihre Wechselwirkungen sind teilweise komplex und nichtlinear – und können am Ende mangelhafte Bauteile und hohe Kosten verursachen.

Herkömmliche KI-Systeme erkennen in großen Datenmengen oft Muster und Auffälligkeiten, die mit fehlerhaften Produkten zusammenhängen. Was sie häufig nicht zuverlässig liefern, ist die Antwort auf die entscheidende Frage: Warum ist der Fehler entstanden? Auch die Folgen veränderter Bedingungen bleiben oft unklar. Zwischen Korrelation und tatsächlicher Ursache zu unterscheiden, ist eben ein anderer Brocken.

AluKauKi soll deshalb untersuchen, warum Fertigungsfehler entstehen und welche Auswirkungen Änderungen einzelner Prozessparameter haben könnten. Das vorläufige Ziel ist, den Ausschuss in der Produktion um bis zu 30 Prozent zu senken.

Hier könnte Ihr Advertorial stehen
Ein Advertorial bietet Unternehmen die Möglichkeit, ihre Botschaft direkt im redaktionellen Umfeld zu platzieren

Keine Black Box für die Werkhalle

Eine weitere Säule des Projekts ist Explainable Artificial Intelligence, kurz XAI. Das geplante System soll seine Kausalkette offenlegen, statt lediglich eine schwer nachvollziehbare Empfehlung auszuspucken. Ingenieurinnen und Ingenieure sollen erkennen können, welche Prozessbedingung zu einem Qualitätsproblem beiträgt, wie dieser Zusammenhang aussieht und welche Änderung voraussichtlich Abhilfe schafft.

Auch mögliche Folgen einer Parameteränderung sollen sich darstellen lassen. Vor einer Entscheidung könnten Fachleute verschiedene „Was-wäre-wenn“-Szenarien durchspielen: Was passiert, wenn der Druck verändert wird? Welche Auswirkungen hätte eine andere Temperatur oder ein anderer Maschinenzustand? Erst prüfen, dann an der Produktion drehen – das klingt unspektakulär, kann im laufenden Betrieb aber viel Ärger ersparen.

Wicaksono und die Forschungsgruppe „Data-Driven Industrial Systems“ verfolgen dabei einen menschenzentrierten Ansatz. Die KI soll menschliches Fachwissen ergänzen, nicht ersetzen. Empfehlungen sollen verständlich, hinterfragbar und bewertbar sein, damit Ingenieurinnen und Ingenieure den Ergebnissen vertrauen und auf ihrer Grundlage Entscheidungen treffen können.

Universität und Industrie teilen sich die Arbeit

Die Constructor University übernimmt die wissenschaftliche Entwicklung und Validierung der KI-Methoden. Electronics GmbH konzentriert sich auf Sensortechnologien, Produktionsdaten sowie die Software- und Systemintegration. Hinzu kommen Tests und die Validierung unter realen Fertigungsbedingungen.

Der Ansatz verbindet damit menschliches Wissen, Produktionsdaten, physikalisches Verständnis und KI. Das ist weniger die Idee einer Maschine, die alles allein entscheidet, sondern eher ein Werkzeug, das Zusammenhänge sichtbar macht, die im Produktionsalltag zwischen Messwerten, Maschinenzuständen und Materialeigenschaften leicht untergehen.

Langfristig sollen die entwickelten Methoden auf andere Maschinen, Werkstoffe und Fertigungsprozesse übertragbar sein. Im Blick stehen dabei weniger Ausschuss, ein schonenderer Umgang mit Ressourcen und bessere Produktionsentscheidungen. Ob das System diese Versprechen einlösen kann, wird sich ab dem Projektstart im Oktober 2026 zeigen.