KI-gestützte Inline-Qualitätskontrolle für die MedTech-Fertigung

Bei der Herstellung von Medizinprodukten entscheiden kleinste Oberflächenfehler oder Schweißnahtabweichungen im Mikrometerbereich über Sicherheit und Funktion. Dennoch basieren Qualitätsprüfungen in vielen Fertigungshallen noch immer auf stichprobenartigen, manuellen Sichtprüfungen unter dem Mikroskop. KI-basierte Computer-Vision-Systeme ermöglichen dagegen die lückenlose 100-Prozent-Prüfung direkt in der Fertigungslinie.

Zusammenfassung

 

• Von der Stichprobe zur 100-Prozent-Prüfung: Manuelle, mikroskopische Stichprobenanalysen werden den Anforderungen moderner Taktzeiten und strenger MDR-Auflagen nicht mehr gerecht. KI-gestützte Computer-Vision-Systeme ermöglichen eine vollständige Inline-Inspektion jedes einzelnen Werkstücks.

• Erkennung komplexer, unstrukturierter Defekte: Klassische regelbasierte Bildverarbeitung stößt bei organischen Formabweichungen, Transparenz (z. B. bei Kunststoffen) oder variablen Lichtreflexionen an Grenzen. Deep-Learning-Modelle erkennen auch vorher unbekannte Anomalien zuverlässig.

• Der Schlüssel zur automatisierten DHR: Die durch KI erzeugten Inspektionsergebnisse, Bildbeweise und Konfidenzwerte werden direkt in das MES zurückgespielt und speisen die digitale Bauakte (Device History Record).

• Integration in die Asset Administration Shell (AAS): Qualitätsdaten verbleiben nicht in Inselsystemen, sondern fließen als Submodell in den digitalen Zwilling des Produkts ein, wo sie für Audits, UDI-Nachweise und den Digital Product Passport (DPP) bereitstehen.

In der medizintechnischen Fertigung ist Qualität kein relatives Kriterium, sondern eine absolute Notwendigkeit. Ein Mikroriss in der Wandung eines Herzkatheters, eine unvollständige Laserschweißnaht an einem Herzschrittmachergehäuse oder eine minimale Partikelkontamination im Spritzenzylinder können fatale Folgen für Patienten haben und zu Rückrufaktionen führen, die für Hersteller existenzbedrohend sind.

Um diese Risiken zu minimieren, setzen viele MedTech-Betriebe nach wie vor auf aufwendige Stichprobenprüfungen in Qualitätslaboren sowie auf geschulte Prüfer, die Bauteile manuell unter dem Mikroskop bewerten. Dieser Ansatz stößt jedoch an klare Grenzen: Er ist subjektiv, ermüdungsanfällig, verlangsamt die Fertigung und deckt systematische Prozessabweichungen oft erst mit zeitlicher Verzögerung auf.

Die Lösung liegt in der Verlagerung der Qualitätskontrolle von der nachträglichen Laboranalyse hin zur kontinuierlichen KI-gestützten Inline-Inspektion. Erst die Verknüpfung dieser optischen KI-Systeme mit der digitalen Dokumentation schafft das Fundament für eine hochgradig skalierbare und MDR-konforme Fertigung.

KI-Computer-Vision: Wo klassische Bildverarbeitung an ihre Grenzen stößt

Rule-based Machine Vision, also die klassische regelbasierte Bildverarbeitung, ist in der Automatisierung seit Jahrzehnten etabliert. Sie funktioniert hervorragend, wenn geometrische Kanten, Abstände oder Barcodes unter stets identischen Beleuchtungsbedingungen gemessen werden müssen.

Medizinprodukte stellen visuelle Prüfsysteme jedoch vor spezifische Herausforderungen:

• Komplexe Freiformflächen: 
  Implantate für die Orthopädie besitzen organische Geometrien, bei denen feste geometrische Prüfregeln versagen.
• Schwierige Materialeigenschaften: 
  Hochtransparente Polymere, hochglänzende Reintitan-Oberflächen oder elastische Schlauchsysteme erzeugen lichtabhängige Spiegelungen und Brechungen.
• Unstrukturierte Defekte: 
  Abplatzungen, Gratbildungen, Verfärbungen oder Lunkereinschlüsse sehen selten identisch aus.

Hier spielen Convolutional Neural Networks (CNNs) und Deep-Learning-Klassifikatoren ihre Stärken aus. Auf Basis von Trainingsbildern lernen KI-Modelle, zwischen akzeptablen Prozessvarianzen und echten Funktionsdefekten zu unterscheiden. Selbst Anomaly-Detection-Algorithmen, die auf Unsupervised Learning basieren, können Abweichungen erkennen, die im Trainingsdatensatz noch gar nicht explizit enthalten waren.

Der Lückenlose Datenfluss: Von der Kamerasensorik zur Device History Record

Ein hochpräzises KI-Kamerasystem an der Fertigungslinie bringt dem Hersteller wenig, wenn die Prüfergebnisse als isolierte Datenleiche auf der lokalen Festplatte des Prüfstands liegen bleiben. Die europäische Medizinprodukteverordnung EU-MDR sowie die FDA-Richtlinien (21 CFR Part 820) fordern den Nachweis, dass jedes einzelne in den Verkehr gebrachte Medizinprodukt gemäß den freigegebenen Spezifikationen hergestellt und geprüft wurde.

Die KI-Inline-Inspektion wird deshalb zum Katalysator für die vollautomatisierte Device History Record (DHR):

• Erfassung im Takt der Linie: 
  Das Kamerasystem erfasst das Bauteil, führt in Millisekunden die KI-Inferenz durch und bestimmt den Qualitätsstatus (PASS/FAIL inkl. Konfidenzwert).
• Kopplung mit der Produkt-ID: 
  Das Prüfergebnis wird unveränderbar mit der individuellen Seriennummer oder der Unique Device Identification (UDI) des Werkstücks verknüpft.
• Einspeisung ins MES/ERP: 
  Das Manufacturing Execution System (MES) übernimmt das strukturiertes Prüfprotokoll inklusive Zeitstempel, Kamerastandort, Softwareversion des KI-Modells und Bildreferenz direkt in die digitale Bauakte.
• Automatisierte Ausschleusung: 
  Wird ein FAIL-Wert ermittelt, löst das MES sofort das physikalische Ausschleusen des defekten Bauteils aus und sperrt die entsprechende Charge für die Weiterverarbeitung.

Durch diesen geschlossenen Regelkreis entfällt das manuelle Übertragen von Prüfprotokollen oder das nachträgliche Zusammensuchen von Papierakten vor der Produktfreigabe komplett.

KI-Qualitätsdaten in der Asset Administration Shell (AAS / Verwaltungsschale): Das Fundament für den DPP

Die Einbindung der KI-Inspektionsdaten endet nicht im lokalen MES. Um die Daten über den gesamten Produktlebenszyklus nutzbar zu machen, werden sie in die AAS des Medizinprodukts übertragen.

Innerhalb der AAS bildet das Qualitätsmodell ein eigenes Submodell, z. B. Quality & Inspection Data. Hier werden die hochaggregierten Prüfergebnisse zusammen mit den verwendeten Normen, etwa ISO 13485, gespeichert.

Diese Standardisierung bringt zwei entscheidende strategische Vorteile:

• Audit-Sicherheit auf Knopfdruck: 
  Benannte Stellen oder FDA-Auditoren müssen nicht mehr primär physische Prüfstände inspizieren. Sie erhalten Zugriff auf das AAS-Submodell und können die KI-gestützte Prüfhistorie lückenlos und digital nachvollziehen.
• Anschlussfähigkeit an den DPP: 
  Die Information, dass ein Bauteil zu 100 Prozent geprüft und ausschussfrei gefertigt wurde, fließt als Qualitäts- und Langlebigkeitsattribut direkt in den Digitalen Produktpass ein.

Fazit: Qualitätskontrolle wird vom Kostenfaktor zum Wettbewerbsvorteil

Der Einsatz von Künstlicher Intelligenz in der optischen Inline-Qualitätskontrolle ist weit mehr als eine reine Automatisierungsmaßnahme auf der Fabrikfläche. Er transformiert die Qualitätssicherung von einem zeit- und kostenintensiven Nadelöhr zu einem integrierten, datengetriebenen Prozess.

Medizintechnik-Hersteller, die KI-Inspektion, digitale DHR-Erstellung und standardisierte Datenstrukturen wie die Verwaltungsschale miteinander kombinieren, senken ihre Ausschussquoten, verhindern kostspielige Rückrufe und sichern sich den entscheidenden Vorsprung in einem hochregulierten Marktumfeld.

FAQ: Fragen & Antworten

Frage: Warum reicht klassische regelbasierte Bildverarbeitung in der Medizintechnik-Fertigung oft nicht aus?

Antwort: Klassische regelbasierte Bildverarbeitung stößt bei komplexen organischen Geometrien (z. B. Implantaten), hochtransparenten oder spiegelnden Materialien sowie unstrukturierten Defekten (wie Lunkern, Mikrorissen oder variablen Schweißnähten) an Grenzen. KI-basierte Computer-Vision-Systeme (Deep Learning) können im Gegensatz dazu auch komplexe, variable Defekte unter schwankenden Umgebungsbedingungen zuverlässig erkennen und klassifizieren.

Frage: Wie unterstützt KI-gestützte Inline-Inspektion die Erstellung der Device History Record (DHR)?

Antwort: Während des Fertigungsdurchlaufs erfasst das KI-System Qualitätsdaten, Prüfbilder und Konfidenzwerte im Millisekundenbereich und verknüpft sie mit der UDI/Seriennummer des Werkstücks. Diese Daten werden automatisch an das MES übermittelt und fließen ohne manuellen Aufwand direkt in die digitale Bauakte ein.

Frage: Welche Rolle spielt die Verwaltungsschale bei der Speicherung von KI-Prüfdaten?

Antwort: Die Asset Administration Shell nimmt die aggregierten KI-Inspektionsdaten in ein standardisiertes Submodell auf. Dadurch bleiben die Qualitätsnachweise nicht in herstellerspezifischen Datensilos isoliert, sondern stehen herstellerübergreifend, maschinenlesbar und audit-sicher für Regulierungsbehörden (MDR), Qualitätsaudits und den Digital Product Passport (DPP) zur Verfügung.