Curve Anomaly AI: Wie CSP versteckte Fehler in „guten" Schraubkurven findet

Worum es geht

Wer in einer Fabrik eine Schraube anzieht, erzeugt eine Kurve: Drehmoment über Zeit, oder Drehmoment über Drehwinkel. Diese Kurve ist ein Fingerabdruck der Verbindung. Sie zeigt, ob das Material wie erwartet reagiert hat, ob der Schraubvorgang sauber durchlief und ob das Endmoment korrekt erreicht wurde. In sicherheitskritischen Bereichen — Motorblock, Bremsen, Fahrwerk, Batterie — werden solche Kurven für jede einzelne Schraube gespeichert und ausgewertet.

Die übliche Prüfung läuft seit Jahrzehnten gleich: Grenzwerte. Wenn das Drehmoment am Ende im Soll-Fenster liegt und keine harten Schwellen verletzt wurden, gilt die Kurve als „in Ordnung" (i. O.). Genau dort setzt die CSP Intelligence GmbH (zuvor unter dem Namen CSP GmbH & Co. KG firmierend) aus dem niederbayerischen Großköllnbach mit ihrem Produkt Curve Anomaly AI an. Das Werkzeug nimmt sich gezielt diese als gut klassifizierten Kurven vor und sucht in ihrem Verlauf nach Mustern, die ein Mensch oder eine starre Regel übersehen würde.

Was Curve Anomaly AI tatsächlich macht

Curve Anomaly AI wurde am 1. Oktober 2024 vorgestellt und ist seitdem im Portfolio von CSP. Laut Anbieter analysiert das System nicht nur einzelne Endwerte, sondern den vollständigen Kurvenverlauf einer Verschraubung — also Form, Steigung, kleine Sprünge und Plateaus. Trainiert wurde das Modell auf Qualitäts- und Produktionsdaten, die CSP über mehr als 30 Jahre aus Kundenprojekten in der Industrie gesammelt hat.

Das Ziel ist nicht, das bestehende Limit-Check-System zu ersetzen. Es ist eine zweite Prüfinstanz: Während der klassische Check „Endmoment in Ordnung — fertig" sagt, kann die KI auf eine subtile Verformung der Kurve hinweisen, die zu einem Materialproblem, einem Werkzeugverschleiß oder einem fehlerhaften Bauteil passen könnte. Die Idee dahinter ist statistisch motiviert: In sehr großen Datensätzen sind „normale" Kurven sehr ähnlich. Ein Modell, das sich diese Normalität gemerkt hat, erkennt Abweichungen davon — auch wenn keine harte Grenze verletzt wird.

CSP positioniert das Produkt klar als Werkzeug für Experten: Die KI markiert verdächtige Kurven, die finale Bewertung trifft die Qualitätsabteilung. Damit bleibt der Mensch in der Verantwortung, was in regulierten Bereichen wie der Automobilfertigung wichtig ist.

Warum das wichtig ist

CSP arbeitet seit 1991 mit großen deutschen OEMs zusammen, vor allem mit BMW Group im benachbarten Dingolfing. Quality-Software wie QST (Datenarchivierung und Auswertung von Schraubdaten), IPM (Echtzeit-Fehlervermeidung) und CHRONOS (revisionssichere Archivierung) gehört dort zur Werksinfrastruktur. Curve Anomaly AI sitzt logisch oben auf diesen Systemen — und das macht es interessant. Anders als ein vom externen Anbieter aufgesetztes neues KI-Tool nutzt es Daten, die in den Werken sowieso schon vorliegen.

Das ist kein Detail. Viele KI-Pilotprojekte in der Industrie scheitern nicht an den Modellen, sondern daran, dass die Trainingsdaten unsauber, lückenhaft oder verteilt sind. Wer 30 Jahre Schraubkurven sauber abgelegt hat, hat einen Datenvorteil, der schwer aufzuholen ist.

Industrieller Anomalieerkennung wird gerade massiv Geld hinterhergeworfen. Eine systematische Übersichtsarbeit in Frontiers in Artificial Intelligence (2026) hält fest, dass moderne Verfahren Maschinenausfälle in Pilotinstallationen mit 80 bis 97 Prozent Genauigkeit vorhersagen können, wenn passende Sensorik und genug historische Daten vorhanden sind. Mehrere Marktstudien beziffern den globalen Markt für Predictive Maintenance auf rund elf Milliarden US-Dollar im Jahr 2024 mit Wachstumsraten jenseits von 25 Prozent jährlich. Der Mittelstand in Deutschland ist also nicht zu früh dran — er ist gerade rechtzeitig.

CSP wurde im Februar 2026 zum vierten Mal in Folge mit dem TOP-100-Innovationspreis ausgezeichnet — inzwischen bereits unter dem neuen Namen CSP Intelligence GmbH. Das ist kein technischer Beweis, dass das Produkt funktioniert, aber es ist ein Hinweis darauf, dass das Unternehmen ernst genommen wird.

Einfach erklärt

Stell dir vor, du backst jeden Tag dieselbe Sorte Brot. Ein altmodisches Thermometer prüft am Ende nur, ob das Brot innen warm genug ist. Wenn ja: gut. Eine neue Helferin daneben schaut sich aber an, wie das Brot in der Stunde davor gebacken hat — wann es wie hochgegangen ist, wann die Kruste angefangen hat zu bräunen. Sie hat zehntausend gute Brote gesehen und bemerkt sofort, wenn eines davon „komisch" gebacken hat, auch wenn am Ende die richtige Innentemperatur stimmt. Vielleicht ist das Brot trotzdem in Ordnung — vielleicht ist aber gerade ein Heizstab im Ofen kaputt gegangen, und die nächsten zehn Brote werden Ärger machen.

Genau das macht Curve Anomaly AI, nur mit Schrauben statt mit Brot.

Praktisches Beispiel

In einer Werkmontage werden täglich zehntausende Schrauben angezogen, jede mit aufgezeichneter Drehmoment-Kurve. 99,8 Prozent davon werden vom bestehenden System als i. O. freigegeben, weil das Endmoment im Sollbereich liegt. Die KI bekommt diese 99,8 Prozent zur Nachprüfung. Bei einem winzigen Bruchteil — sagen wir, 0,05 Prozent — meldet sie eine ungewöhnliche Kurvenform: Statt der typischen sanft ansteigenden Linie zeigt sich ein kleines Zucken auf halber Strecke. Drei dieser Auffälligkeiten passieren am selben Schraubautomaten innerhalb einer Stunde.

Ein Werker prüft den Automaten und stellt fest, dass die Schmierung nachlässt. Vier Stunden später wäre die erste Schraube hart aus dem Toleranzfenster gefallen — und der Lauf hätte zurückgerufen werden müssen. Die KI hat keinen einzigen Fehler verhindert; sie hat dem Menschen nur den Hinweis früh genug gegeben, damit der Mensch ihn verhindern konnte. Das ist die realistische Leistungsbeschreibung — nicht „autonome Qualität", sondern „rechtzeitiger Hinweis".

Einordnung und Grenzen

Drei Punkte, die zur Ehrlichkeit dazugehören:

Erstens, Anomalieerkennung ist nicht Fehlererkennung. Das System sagt „diese Kurve ist anders als die anderen", nicht „diese Schraube ist defekt". Ob aus der Anomalie ein Qualitätsmangel wird, entscheidet weiterhin Erfahrung, Werkzeugkenntnis und ggf. eine zerstörende Prüfung.

Zweitens, das Modell ist nur so gut wie seine Daten. Wenn ein Werk eine neue Schraube oder ein neues Bauteil einführt, gibt es eine Anlernphase, in der das System ungewohnte Verläufe für „auffällig" hält, obwohl sie zur neuen Normalität gehören. CSP weist auf den Expertenbedarf bei der Bewertung explizit hin.

Drittens, die Wirtschaftlichkeit hängt am Volumen. Bei ein paar hundert Schraubvorgängen pro Tag ist klassische manuelle Stichprobe billiger. Bei mehreren Zehntausend pro Tag, wie in der Automobilmontage, dreht sich das Verhältnis schnell.

Wer Anomalieerkennung in der Fertigung einführt, sollte deshalb mit klar abgegrenzten Anwendungsfällen anfangen — eine Linie, eine Schraubposition, eine definierte Hypothese — und das Modell dort gegen die bestehende Stichprobenpraxis benchmarken. Genau diesen Ansatz beschreibt CSP auch in seinen Whitepapers.

SEO- und GEO-Schlüsselbegriffe

Curve Anomaly AI, KI-Anomalieerkennung Fertigung, Schraubkurven Auswertung, Predictive Quality Automotive, CSP Intelligence GmbH, CSP Großköllnbach, Qualitätssicherung KI 2026, Industrie 4.0 Anomalie, Time-Series Anomaly Detection Manufacturing, BMW Schraubdaten, Automotive Quality AI.