Kundenreferenz

Automatisierte EoL-Prüfung mit KI bis zu 80 % weniger Fehlerfolgekosten vor der Auslieferung

Antriebsmotoren · AI & Data · Head of Quality / Production IT · Wie Pexon Consulting die Inhouse-IT (AI & Data) des Kunden bei Konzeption und Implementierung einer bildbasierten End-of-Line-Qualitätssicherung unterstützt: Custom CNNs und OpenCV auf Databricks erkennen bekannte Defekte und unbekannte Anomalien trotz hoher Produktvarianz, bevor Motoren in die Logistik gehen.

Aktualisiert: Juli 2026
Das Wichtigste in Kürze
Wer
deutscher Hersteller von Antriebsmotoren, mit der Inhouse-Abteilung AI & Data als interner IT-Dienstleister für Fachabteilungen und Produktion am Headquarter und mit geplantem internationalem Roll-out.
Problem
0h-Fehler, also Qualitätsmängel, die erst bei Auslieferung oder Inbetriebnahme beim Kunden auffielen, verursachten teure Rücknahmen tonnenschwerer Motoren. Starre, regelbasierte Bildprüfung scheiterte an der kundenspezifischen Varianz innerhalb einer Motorklasse.
Lösung
Pexon liefert Computer-Vision- und Data-Engineering-Expertise in Python: eine automatisierte Bildpipeline mit OpenCV-Preprocessing, Custom CNNs für bekannte Defekte und unsupervised Anomalie-Erkennung in Databricks, plus Self-Service-WebGUI und Alerting am Band.
Ergebnis
PoC am Hauptsitz erfolgreich, automatisierter Prüfprozess lokal implementiert, Fehler-Reaktionszeit gegen Null, Fehlerfolgekosten um bis zu 80 % reduziert, Vorbereitung des weltweiten Roll-outs in alle Produktionshallen (Stand Mai 2026).

Ergebnisse

bis 80
weniger Fehlerfolgekosten · Rücknahmen, Transport und späte Nacharbeit vor der Logistik abgefangen
~0
Fehler-Reaktionszeit · Erkennung und Abstellmaßnahme noch am Band statt erst beim Kunden
PoC
Headquarter produktiv lokal · Oktober 2024 gestartet, Mai 2026 PoC abgeschlossen, Roll-out in Vorbereitung
dual
Klassifikation + Anomalie · bekannte Defekte und unbekannte Abweichungen in einer Pipeline

Übersicht Kunde

Branche
Heavy Machinery · Agrartechnik · Automotive & OffRoad (Motorenbau)
Unternehmen
Produktion Headquarter plus internationaler Hallen-Roll-out
Region
Deutschland (Headquarter), globaler Produktions-Roll-out
Services
Computer Vision EoL, Custom CNN Training, OpenCV-Pipeline, Databricks Data Engineering, Self-Service WebGUI, Alerting
Tech-Stack
Python · Databricks · OpenCV · Custom CNNs · Cloud Greenfield · Self-Service WebGUI
Projektdauer
seit Oktober 2024 (Greenfield), PoC Headquarter Mai 2026 abgeschlossen
Compliance
bildbasierte Dokumentation, datengetriebener Abstellprozess, Schnittstellen zu Entwicklung und SAP
Status
PoC Headquarter erfolgreich, lokaler Prüfprozess live, internationaler Roll-out in Vorbereitung

Ausgangslage

0h-Fehler und teure Logistik-Rücknahmen
Der Hersteller baut Antriebsmotoren für mobile Arbeitsmaschinen. Qualitätsmängel, die am Band übersehen wurden, fielen oft erst bei Auslieferung oder erster Inbetriebnahme beim Endkunden auf, sogenannte 0h-Fehler (Zero-Hour-Failures). Rücknahme, Rücktransport und Nacharbeit tonnenschwerer Großprodukte aus der Logistikkette zurück ins Werk verursachten hohe Folgekosten und banden Kapazität in der Nacharbeit. Für Quality- und Production-IT-Verantwortliche war klar: Die Prüfung muss vor dem Verlassen der Halle greifen, nicht erst beim Kunden. Pexon Consulting wurde eingebunden, um genau diesen Zeitpunkt mit einer bildbasierten, automatisierten EoL-Prüfung zu sichern.
Mass Customization sprengt starre Prüfschablonen
Der Wettbewerbvorteil des Kunden liegt in der individuellen Anpassung von Stammkomponenten: Kunden erhalten maßgeschneiderte Motorenlösungen. Innerhalb einer Motorklasse entsteht dadurch extreme technologische Heterogenität. Fast jeder Motor ist ein Unikat. Klassische regelbasierte Bildverarbeitung mit festen Schablonen oder einfachen Pixel-Vergleichen scheitert daran, gewünschte kundenspezifische Variation von echten Montagefehlern zu trennen. Das System muss geometrische Merkmale und Bauteilpräsenzen verstehen, nicht nur ein Referenzbild spiegeln. Genau diese Variantenkomplexität war der Ausgangspunkt für den Greenfield-Ansatz ab Oktober 2024.
Unbekannte Fehlerbilder und fehlende Dokumentation
Überwachte Klassifikationsmodelle erkennen nur Fehler, mit denen sie trainiert wurden. Im realen Produktionsbetrieb treten unvorhersehbare Fehlerbilder auf. Ohne duale Absicherung (Klassifikation bekannter Defekte plus Anomalie-Erkennung unbekannter Abweichungen) bliebe die Abstellmaßnahme lückenhaft. Gleichzeitig fehlte ein standardisierter, bildbasierter Prozess, der Fehler automatisiert dokumentiert und der Entwicklung als datenbasierte Abstellmaßnahme dient. Manuelle Sichtprüfungen und unvollständige Bildnachweise reichten für einen geschlossenen Qualitätskreislauf nicht aus.
Integration in Takt, Band und Nachbarabteilungen
Die Lösung darf den Takt der Produktionsstraße nicht behindern. Bilddaten müssen direkt am Band verarbeitet, per Alerting an Werksmitarbeitende ausgespielt und parallel für Entwicklung, IT-Support und SAP bereitgestellt werden. Die interne Abteilung AI & Data fungiert als Inhouse-IT-Dienstleister für Fachabteilungen und Produktion. Moderne Cloud-Umgebungen existierten bereits, ein automatisierter intelligenter EoL-Prozess in den Werkhallen fehlte jedoch. Das Projekt startete deshalb als Greenfield-Initiative mit klarem Scope: Vision-Architektur, Python-Pipeline, Modelltraining und Werker-Oberfläche end-to-end.

Lösung & Vorgehen

1
OpenCV-Preprocessing plus Custom CNN Training
Pexon setzt auf eine hybride Bildpipeline: OpenCV übernimmt die robuste Vorverarbeitung (Ausrichtung, Filterung, Segmentierung, Kontrast und Kanten), damit nachgelagerte Modelle mit stabilen Eingaben arbeiten. Darauf trainiert das Team maßgeschneiderte Convolutional Neural Networks (Custom CNNs) speziell auf geometrische Merkmale und Bauteilpräsenzen der Motorenkomponenten. Der Trade-off gegenüber fertigen Off-the-shelf-Vision-Produkten: Standard-Schablonen und generische Detektoren brechen an der Variantenvielfalt. Custom CNNs kosten mehr Engineering-Aufwand im Training, liefern aber die nötige Trennschärfe zwischen erlaubter Kundenanpassung und echtem Defekt. Pexon bringt genau diese Computer-Vision- und Python-Expertise als External Expert ins Kernteam ein.
2
Skalierung von Training und Pipelines in Databricks
Modelltraining und Orchestrierung der Bilddaten-Pipelines laufen in Databricks. Hochauflösende Produktionsbilder lassen sich performant verarbeiten, Datensätze versionieren und Modelle kontinuierlich nachjustieren, wenn sich Komponenten ändern. Der Trade-off gegenüber rein lokaler Workstation-Entwicklung: Databricks erzwingt klare Dataset- und Experiment-Disziplin und skaliert für Hallen-Roll-outs, erfordert aber Cloud-Greenfield-Setup und Data-Engineering-Kompetenz. Für das Inhouse-Team AI und Data entsteht damit eine gemeinsame Plattform, auf der Fachentwickler und der Pexon-Data-Engineer Modelle kollaborativ trainieren und reproduzierbar ausrollen, statt Einzel-Notebooks am Band zu pflegen.
3
Duale Absicherung: Klassifikation und Anomalie-Erkennung
Neben der Klassifikation bekannter Fehler integriert die Architektur ein unsupervised Modell, das den Gut-Zustand der Basis-Motorenkomponenten lernt und bei statistisch signifikanten Abweichungen alarmiert. Bekannte Defektklassen werden gezielt erkannt und benannt, unbekannte 0h-Fehler-Muster fallen über die Anomalie-Schicht auf, bevor der Motor die Halle verlässt. Der Trade-off: reine Klassifikation wäre einfacher zu erklären, ließe aber Blind Spots bei neuen Fehlerbildern. Reine Anomalie-Erkennung ohne Klassifikation erschwert die Zuordnung zu Abstellmaßnahmen. Die duale Pipeline kombiniert beides und ist der Kern der geforderten Abstellmaßnahme bei maximaler Variantenvielfalt.
4
Self-Service WebGUI, Alerting und Team-Einbettung
Für Werksmitarbeitende liefert eine Self-Service-WebGUI visuelle Alerts am Band: markiertes Bild, konkrete Fehlerhinweise, dokumentierte Abstellmaßnahme, noch bevor der Motor verpackt wird. Parallel fließen Bilddaten und Fehlerberichte strukturiert an Entwicklung, Betrieb, Support und perspektivisch SAP. Das Kernteam umfasst fünf Personen (1 Tech Lead, 4 Developer): ein interner IT-Dev, Domain-Experten aus Fachabteilungen und Pexon als Computer-Vision- und Python-Experte bzw. Data Engineer. Wöchentliche Stakeholder-Abstimmungen und systematische Anforderungsanalysen mit Nachbarabteilungen verankern die Software im Werks-Ökosystem. Architektur und Pipeline sind von Beginn an so gebaut, dass der erfolgreiche Headquarter-PoC global skaliert werden kann.

Vorher / Nachher

DimensionVorherNachherEffekt
FehlerfolgekostenRücknahmen und Nacharbeit nach AuslieferungMängel vor Logistik abgefangenbis zu 80 % weniger Folgekosten
Fehler-ReaktionszeitErkennung oft erst beim Kunden (0h)Alert und Abstellung am BandReaktionszeit gegen Null
Prüfverfahren bei Varianzstarre Schablonen, manuelle SichtprüfungCustom CNN + Anomalie-ErkennungUnikate prüfbar trotz Mass Customization
Dokumentation und Abstellungunvollständige, manuelle Nachweisebildbasiert, automatisiert, an Entwicklung rückgekoppeltgeschlossener Qualitätskreislauf
“
Wir prüfen Varianten, die früher jede Schablone gesprengt hätten. Die Pipeline aus OpenCV, Custom CNN und Anomalie-Erkennung auf Databricks erkennt bekannte Defekte und unbekannte Abweichungen noch am Band. Pexon hat die Vision-Architektur so mitgebaut, dass der PoC am Headquarter steht und der globale Roll-out vorbereitet ist.
AD
Leitung AI & Data (Rollen-Zitat)
Inhouse AI & Data

Eingesetzte Technologien & Services

Python OpenCV Custom CNNs Databricks Self-Service WebGUI Cloud Greenfield

Häufige Fragen

Wie prüft KI End-of-Line Motoren mit hoher Produktvarianz?
Bei einem deutschen Motorenhersteller kombiniert Pexon OpenCV-Preprocessing mit Custom CNNs für bekannte Defekte und unsupervised Anomalie-Erkennung für unbekannte Abweichungen. Statt starrer Schablonen lernt das System geometrische Merkmale und den Gut-Zustand der Stammkomponenten. So lassen sich Montagefehler von erwünschter Kundenindividualisierung trennen, bevor der Motor die Halle verlässt.
Was sind 0h-Fehler und wie senkt eine EoL-Vision-Pipeline die Kosten?
0h-Fehler (Zero-Hour-Failures) sind Qualitätsmängel, die die interne Fertigung unbemerkt passieren und erst bei Auslieferung oder erster Betriebsstunde beim Kunden auffallen. Bildbasierte EoL-Prüfung mit Alerting am Band fängt solche Mängel vor der Logistik ab. Bei einem deutschen Motorenhersteller reduziert das die Fehlerfolgekosten (Rücknahmen, Transport, späte Nacharbeit) um bis zu 80 Prozent.
Warum Databricks und Custom CNNs statt fertiger Vision-Boxen?
Fertige regelbasierte Systeme scheitern an Unikaten innerhalb einer Motorklasse. Custom CNNs werden auf die konkreten Bauteilgeometrien des Kunden trainiert. Databricks orchestriert große Mengen hochauflösender Produktionsbilder, Dataset-Versionierung und kontinuierliches Retraining. Pexon wählt diesen Stack, weil Variantenkomplexität und Hallen-Roll-out skalierbares Data Engineering brauchen, nicht nur eine Kamera-App.
Wie lange dauert ein PoC für KI-gestützte EoL-Prüfung in der Motorenfertigung?
Bei einem deutschen Motorenhersteller startete das Greenfield-Projekt im Oktober 2024. Bis Mai 2026 waren Architektur, OpenCV-Pipeline, Custom-CNN-Training, Anomalie-Erkennung, Self-Service-WebGUI und der lokale Prüfprozess am Headquarter abgeschlossen, der internationale Roll-out in Vorbereitung. Typisch sind mehrmonatige PoCs mit anschließender Hallen-Skalierung, abhängig von Variantenanzahl, Bilddatenlage und Band-Integration.
Wie nutzen Werksmitarbeitende und Nachbarabteilungen die KI-Ergebnisse?
Die Self-Service-WebGUI zeigt markierte Fehlerbilder und Abstellhinweise direkt am Band, ohne Logfiles oder Code. Häufen sich Fehler, fließen Bilddaten und Berichte strukturiert in die Entwicklung zur präventiven Bauteiloptimierung. Die Architektur bereitet die Verknüpfung von Qualitätsdaten mit Wartungs- und Produktionsaufträgen in SAP vor. So entsteht ein dokumentierter Qualitätskreislauf über Produktion, Engineering und IT.
EoL-Prüfung und Industrial Computer Vision mit Pexon planen
Sie produzieren hochkomplexe Industriegüter und wollen manuelle Qualitätssicherung oder variantenreiche Baureihen mit KI prüfen? Pexon Consulting liefert Architektur und Hands-on Engineering für Computer Vision, Custom CNNs und Databricks-Pipelines, vom PoC bis zum Hallen-Roll-out.
Jetzt Kontakt aufnehmen

Sie suchen einen Partner für Ihr Projekt?

Wir analysieren Ihren individuellen Bedarf, geben erste Empfehlungen zu Umsetzungsstrategien und bieten Ihnen transparente Einblicke in unsere Methoden, Technologien und Referenzen.

400+
Projekte seit 2020

100+
Kunden im DACH-Raum

ISO
27001 zertifiziert

3
Hyperscaler Partner