Automatisierung einer Skiving-Maschine (Schälen/Schleifen) für die ökologisch vorteilhafte Runderneuerung von Altreifen mittels Deep Learning im Bereich Computer Vision
Projektdurchführung
Rigdon GmbH
Langer Staudenweg 18
89312 Günzburg
Zielsetzung
Die Runderneuerung von Reifen ist ein ökologisch besonders vorteilhafter Verwertungsweg für Altreifen. Allein in Deutschland fielen 2019 rund 571.000 t Altreifen an. Weil der Reifenkörper (Karkasse) wiederverwendet wird, braucht ein runderneuerter Reifen gegenüber einem Neureifen bis zu rund 70 Prozent weniger Material und Energie. Je Lkw-Reifen werden etwa 135 kg CO₂-Äquivalente eingespart. Lkw-Reifen lassen sich bis zu dreimal runderneuern.
Ein Engpass im Prozess ist die Nachbearbeitung tiefer Schadstellen der Karkasse beim sogenannten Skiving. Sie erfolgt bisher von Hand, ist körperlich schwer und erfordert viel Erfahrungswissen. Wegen des Fachkräftemangels lässt sie sich immer schwerer besetzen. Die am Markt verfügbaren Automatisierungslösungen scannen einmal und bearbeiten dann jede Schadstelle gleich. Sie können Schadstellen weder einzeln bewerten noch schrittweise nachbearbeiten, sodass trotzdem von Hand nachgearbeitet werden muss.
Ziel des Vorhabens ist es, diesen Arbeitsschritt durch eine adaptive, lernende Prozesssteuerung zu automatisieren. Dazu werden Computer Vision und Imitation Learning kombiniert. Computer Vision erfasst den Zustand jeder Schadstelle, Imitation Learning überträgt das Erfahrungswissen der Fachkräfte auf die Maschine. Reinforcement Learning ist für eine spätere Verfeinerung vorgesehen. So sollen die Beschäftigten entlastet und Qualität, Wirtschaftlichkeit und Umweltbilanz der Runderneuerung als ressourcenschonende Alternative zum Neureifen weiter verbessert werden.
Arbeitsschritte
Das Vorhaben wird arbeitsteilig durchgeführt. Das TTZ Günzburg der Hochschule Neu-Ulm verantwortet die Methodik, die Softwareentwicklung sowie die Erhebung und Auswertung der Daten. Die Rigdon GmbH stellt die Skiving-Anlage bereit und bringt ihre Prozesskompetenz ein. Gemeinsam mit erfahrenen Fachkräften bewertet sie außerdem die Aufnahmen.
Die Arbeitspakete bauen aufeinander auf:
Prozessanalyse
Vorbereitung mit Wahl des Ansatzes und Datengewinnung
Abstimmung des Ansatzes auf Prozess und Basissoftware
Implementierung
Prototypisches Lernen in einer Simulationsumgebung
Codebereinigung
Prototypisches Lernen an der realen Anlage
Es gibt drei Meilensteine: ein Modellkonzept einschließlich Maschinenschnittstelle, ein in der Simulation trainiertes Modell und ein an der realen Anlage trainiertes Modell. Alle Lern- und Steuerungsschritte setzen zwei Dinge voraus: eine bidirektionale Schnittstelle zur Anlage und eine ausreichende Bildqualität.
Methodisch werden drei Verfahren kombiniert:
Computer Vision bewertet den Zustand jeder Schadstelle. Grundlage sind die Geometriedaten aus dem 3D-Scan der Anlage und die Kamerabilder, die der Bearbeitungsroboter vor und nach jedem Bearbeitungsschritt aufnimmt.
Imitation Learning (Behavioral Cloning) lernt aus Aufnahmen, die Fachkräfte bewertet haben. Das Modell entscheidet, ob eine Stelle fertig ist. Falls nicht, wählt es das Werkzeug (Carbid oder Stein) und die Intensität für die weitere Bearbeitung.
Reinforcement Learning ist für eine spätere Verfeinerung in einer Simulation vorgesehen.
Die Bearbeitung läuft als Schleife: Der Roboter bearbeitet die Schadstelle, nimmt sie erneut auf, und das Modell entscheidet über den nächsten Schritt, bis alle Schadstellen fertig sind. Als Werkzeuge entstehen ein multimodales Sensor-Setup, eine MQTT-basierte Maschinenschnittstelle, ein Steuerungsprogramm mit strukturierter Datenhaltung und ein Labeling-Tool.
Marktübliche Lösungen scannen einmal und bearbeiten dann jede Schadstelle gleich. Das neue System soll dagegen jede Stelle einzeln bewerten und mit Qualitätskontrolle nachbearbeiten. So wird das Erfahrungswissen der Fachkräfte für eine automatisierte Steuerung nutzbar. Das stärkt die Runderneuerung als Alternative zum Neureifen, die Material, Energie und CO₂ spart.
Ergebnisse
Die Ziele wurden teilweise erreicht. Geschaffen wurden die technischen und methodischen Grundlagen für eine adaptive, lernende Steuerung der Skiving-Nachbearbeitung, insbesondere die für den ersten Meilenstein vorgesehene Maschinenschnittstelle. Das Training der Steuerungsmodelle steht noch aus.
Wesentliche Ergebnisse sind:
- eine Prozessanalyse mit Lastenheft sowie definierten Zustands- und Aktionsräumen
- ein multimodales Sensor-Setup (Industrie- und Thermalkamera, Mikrofon, Lagesensor), das unabhängig vom Anlagenhersteller nutzbar ist
- als zentrales Ergebnis eine Schnittstelle zwischen Anlage und KI-System auf Basis von MQTT, gemeinsam mit dem Hersteller erarbeitet und gegen reale Maschinenprotokolle verifiziert
- ein Steuerungsprogramm mit strukturierter Datenhaltung
- ein Labeling-Tool zur Erfassung des Erfahrungswissens der Fachkräfte
- ein Proof of Concept mit 3.118 Aufnahmen, der zeigt, dass sich Defekte mit YOLO-Modellen grundsätzlich auf Bildern erkennen lassen
Das Training war aus zwei Gründen nicht mehr möglich: Die Schnittstelle war erst gegen Ende der Laufzeit nutzbar, und die Qualität der werkseitigen Kamera reicht für ein belastbares Training nicht aus. Beides hing vom Anlagenhersteller ab.
Ein Umweltnutzen entsteht, sobald die Steuerung im Betrieb läuft. Eine individuelle, bildkontrollierte Bearbeitung trägt nur so viel Material ab wie nötig. Außerdem bleiben Karkassen erhalten, die sonst wegen zu starken Abtrags oder unzureichender Nacharbeit aussortiert würden. So gelangen mehr Karkassen in die Runderneuerung. Jede zusätzlich runderneuerte Karkasse spart gegenüber einem Neureifen bis zu rund 70 Prozent Material und Energie sowie rund 135 kg CO₂-Äquivalente je Lkw-Reifen. Zudem werden Beschäftigte von schwerer Handarbeit entlastet. Übertragbar ist die Lösung auf die rund 50 Betriebe, die in Deutschland Nutzfahrzeugreifen runderneuern.
Als Nächstes sollen die Bildgebung verbessert, Daten im laufenden Betrieb erhoben und die Modelle trainiert werden. Eine Fortführung ist in Vorbereitung.
Öffentlichkeitsarbeit
Das Vorhaben wurde in der Fachöffentlichkeit und im regionalen Transferumfeld vorgestellt:
- Vortrag „KI-Basierte Steuerung einer Skivingmaschine“ (Prof. Dr. Brune, R. Erbel, TTZ Günzburg) auf dem 1. Runderneuerungsgipfel der Allianz Zukunft Reifen am 7./8.10.2024 in Günzburg vor internationalem Fachpublikum
- Poster „Von Handarbeit zu KI-Präzision“ bei der Netzwerkveranstaltung „Impact Schwaben“ am 16.04.2026 in Leipheim, danach Fachgespräche mit Unternehmen
- Projektseite und Pressemeldung der Hochschule Neu-Ulm (18.01.2024)
- Bachelorarbeit zur bildbasierten Defekterkennung (A. Schobloch, HNU, 2025)
Die Ergebnisse der Defekterkennung eignen sich als Grundlage für eine wissenschaftliche Veröffentlichung. Eine Veröffentlichung des Bilddatensatzes wäre wünschenswert; ob sie möglich ist, wird unter Berücksichtigung der Rechte an den Aufnahmen noch geklärt.
Perspektivisch ist ein Einsatz an den Bearbeitungsplätzen der Rigdon GmbH vorgesehen. Bewährt sich die Lösung, ist ein Transfer in die Branche möglich, u. a. über Anlagenhersteller. So kann sie auch Runderneuerungsbetrieben zugänglich werden, die selbst keine KI entwickeln. In Deutschland runderneuern rund 50 Betriebe Nutzfahrzeugreifen.
Fazit
Die Wahl von Imitation Learning ist aus Sicht der Projektpartner weiterhin fachlich begründet. Für die Skiving-Nachbearbeitung lässt sich eine Belohnungsfunktion kaum formalisieren, und Ausprobieren an der realen Anlage wäre langsam und teuer und könnte Karkassen beschädigen. Das Erfahrungswissen der Fachkräfte ist dagegen vorhanden und lässt sich mit dem entwickelten Labeling-Tool erfassen. Ob der Ansatz die erwartete Steuerungsqualität erreicht, zeigt sich erst mit dem Training der Modelle.
Der Projektverlauf hat gezeigt, wie stark ein solches Vorhaben vom Anlagenhersteller abhängt. Die zu Beginn in Aussicht gestellte Steuerungsschnittstelle musste erst gemeinsam erarbeitet werden. Das dauerte rund eineinhalb Jahre. Die Anlage nimmt nur vordefinierte Bearbeitungsmodi an, deshalb wurde der Ansatz angepasst. Das Modell bildet keine freien Handbewegungen nach, sondern wählt aus festen Befehlen mit einstellbaren Parametern. Auf ein Training in einer Simulation wurde verzichtet, weil die Schnittstelle dafür noch nicht geklärt war.
Die Bildqualität begrenzt, wie gut das Modell werden kann. Die werkseitige Kamera reicht nicht aus. Naheliegend ist eine leistungsfähigere Kamera am Bearbeitungsroboter; das projekteigene Sensor-Setup steht als herstellerunabhängige Alternative bereit. Sobald die Bildgebung verbessert ist, kann ein Folgeprojekt mit Datenerhebung und Training beginnen.