KI-gestützte Skiving-Steuerung für die Reifenrunderneuerung

In vielen industriellen Reparatur- und Aufbereitungsprozessen entscheidet heute ein erfahrener Mitarbeiter mit Auge, Hand und Erfahrung darüber, ob ein Werkstück freigegeben, nachgearbeitet oder verworfen wird. Verfügbare Automatisierungslösungen folgen starren Programmen und stoßen an Grenzen, sobald jeder Fall individuell beurteilt werden muss. Mit dem demografischen Wandel verschwindet dieses Erfahrungswissen schneller, als es weitergegeben werden kann — und mit ihm Qualität, Ausschussquote und Wiederverwendungsfähigkeit ganzer Materialströme.

Am TTZ Günzburg haben wir gemeinsam mit der Rigdon GmbH eine adaptive, KI-gestützte Steuerung entwickelt, die genau diesen Prozesstyp automatisiert — am konkreten Fall der Reifenrunderneuerung, einem der wirksamsten Hebel der industriellen Kreislaufwirtschaft (rund 70 % weniger Material und zwei Drittel weniger CO₂ je Reifen). Die Lösung kombiniert ein formalisiertes Regelwerk, das das Wissen erfahrener Maschinenbediener explizit abbildet, mit einem lernenden System aus Sensorik und Bilderkennung, das daraus schrittweise eigene Bearbeitungsstrategien entwickelt — ohne den vom Regelwerk vorgegebenen Sicherheitsrahmen zu verlassen.

Das Ergebnis ist eine Prozesssteuerung, die individuelle Bearbeitungsentscheidungen automatisiert, nachvollziehbar bleibt und das Erfahrungswissen einer ganzen Mitarbeiter-Generation dauerhaft sichert. Das Prinzip — Expertenwissen formalisieren, KI darin lernen lassen — ist auf eine Vielzahl industrieller Prozesse übertragbar: Überall dort, wo heute noch menschliche Erfahrung über Qualität, Ausschuss und Materialeinsatz entscheidet.

Demonstriert wird der Ansatz an der Reifenrunderneuerung — der industriellen Wiederaufbereitung gebrauchter LKW-Reifen. Beim sogenannten Skiving wird die verschlissene Karkasse für eine neue Lauffläche vorbereitet: Schadstellen werden iterativ ausgeschnitten, geprüft und nachbearbeitet. Werkzeugwahl, Fahrmuster, Drehzahl und Bearbeitungstiefe richten sich dabei nach Schadensbild und Karkassenzustand und werden heute überwiegend manuell entschieden.

Am TTZ Günzburg wurde gemeinsam mit der Rigdon GmbH eine hybride Steuerungsarchitektur entwickelt, die einen symbolischen und einen neuronalen Pfad verbindet:

• Formalisiertes Regelwerk — explizite Abbildung des Bedienerwissens (Werkzeug, Bearbeitungsmuster, Drehzahl, Bearbeitungstiefe)
• 3D-Profilometrie (Wenglor) — geometrische Erfassung von Schadstellen vor und nach jeder Bearbeitung
• Bildklassifikator (Computer Vision) — visuelle Schadens- und Qualitätsbewertung der Karkasse
• Lernender Agent (Imitation Learning, Behavioral Cloning / DAgger) — adaptive Bearbeitungsstrategien innerhalb des regelbasierten Sicherheitsrahmens
• MQTT-Integration — produktive Anbindung an die Skiving-Maschinensteuerung im laufenden Werksbetrieb

Das Ergebnis ist eine Prozesssteuerung, die ihre Entscheidungen aus Sensordaten und Bildinformation iterativ ableitet, dabei jederzeit gegen das explizite Regelwerk prüfbar bleibt und sich kontinuierlich an neue Reifentypen, Schadensmuster und Materialqualitäten anpasst.

Aktueller Stand: Die regelbasierte Bearbeitungslogik ist produktiv im Werksbetrieb der Rigdon GmbH im Einsatz: Die MQTT-Schnittstelle zur Skiving-Anlage läuft stabil, die KI-Phase mit Bildklassifikator und lernendem Agenten wird derzeit unter wissenschaftlicher Leitung der Hochschule Neu-Ulm / TTZ Günzburg vorbereitet. Förderung: Deutsche Bundesstiftung Umwelt 

Übertragbarkeit: Das Architekturmuster — Sensorik plus formalisiertes Expertenregelwerk plus lernender Agent unter regelbasiertem Sicherheitsrahmen — adressiert eine ganze Klasse industrieller Prozesse, in denen iterative, individuell zu beurteilende Bearbeitungs- oder Reparaturentscheidungen heute noch manuell getroffen werden: u. a. Karkasseninspektion, Schweißnaht-Nachbearbeitung, Gussfehler-Reparatur, Composite-Repair in Luftfahrt und Windindustrie sowie adaptive Spanabhebung.