Künstliche Intelligenz ist in der Fertigung zunehmend präsent, von vorausschauender Wartung und maschinellem Sehen bis hin zu Produktionsanalysen und KI-gestützter Fehlersuche. Für Werksleiter lautet die entscheidende Frage jedoch nicht mehr, ob KI in der Fertigung eingesetzt werden kann. Die praktischere Frage ist, ob sie ein klar definiertes betriebliches Problem lösen und messbare Verbesserungen erzielen kann, ohne bestehende Steuerungssysteme zu beeinträchtigen.
KI erweitert die Rolle der Automatisierung
Herkömmliche industrielle Automatisierung ist darauf ausgelegt, vordefinierte Logik zuverlässig auszuführen. SPS, DCS-Plattformen, SCADA-Systeme, Antriebe, Sicherheitssysteme und Instrumentierung bleiben dafür zuständig, physische Prozesse nach festgelegten Regeln zu steuern.
KI fügt eine weitere Ebene hinzu. Statt einfach eine programmierte Sequenz auszuführen, kann ein KI-System große Mengen historischer und Echtzeitdaten analysieren und Zusammenhänge erkennen, die für Menschen manuell möglicherweise schwer zu erkennen sind.
Beispielsweise lassen sich Produktionsdaten mit Vibrationsmessungen, Motorstrom, Temperatur, Wartungsaufzeichnungen, Alarmhistorie und Betriebsbedingungen kombinieren, um Muster zu erkennen, die mit dem Verschleiß von Anlagen zusammenhängen.
Aus technischer Sicht ist dieser Unterschied wichtig. KI sollte nicht als Ersatz für die Steuerungsebene betrachtet werden. In den meisten Anlagen liegt ihr unmittelbarer Nutzen eher darin, Entscheidungen rund um das Steuerungssystem zu unterstützen, als deterministische Steuerungslogik zu ersetzen.
Die Wissenslücke könnte wichtiger sein als der Arbeitskräftemangel
Viele Fertigungsunternehmen haben über Jahrzehnte hinweg durch erfahrene Bediener, Techniker, Wartungsmitarbeiter und Steuerungsingenieure umfangreiches Praxiswissen aufgebaut. Ein Großteil dieses Wissens ist jedoch nicht in formellen Datenbanken erfasst.
Dieses Wissen kann in Wartungsnotizen, handschriftlichen Aufzeichnungen, Verfahren zur Fehlersuche, alten Zeichnungen, Bediengewohnheiten, technischen Dokumenten oder einfach im Gedächtnis eines Technikers stecken, der 25 Jahre lang an derselben Maschine gearbeitet hat.
Wenn erfahrene Mitarbeiter in den Ruhestand gehen, entsteht dadurch ein erhebliches Problem bei der Wissensweitergabe.
Industrielle KI kann Maschinendaten mit Handbüchern, Standardarbeitsanweisungen, Wartungshistorien, Alarmprotokollen und anderen Dokumenten verknüpfen. Weniger erfahrene Techniker erhalten dann bei der Untersuchung ungewöhnlicher Zustände mehr Kontext.
Dadurch wird der Bedarf an erfahrenen Ingenieuren nicht beseitigt. Ihr Wissen kann jedoch über Schichten und Produktionsbereiche hinweg leichter zugänglich gemacht werden.
Meiner Ansicht nach ist dies eine der vielversprechendsten kurzfristigen Anwendungen von KI in der Fertigung: betriebliches Wissen bewahren und weitergeben, statt zu versuchen, jede menschliche Entscheidung zu automatisieren.
Die besten KI-Projekte beginnen mit einem Problem in der Anlage
Ein häufiger Fehler ist, mit der Technologie zu beginnen.
Ein Unternehmen wählt eine KI-Plattform aus, entwickelt ein Pilotprojekt, bindet einige Datenquellen an und fragt erst danach, welches Geschäftsergebnis das System eigentlich liefern soll.
Der technische Ansatz sollte umgekehrt werden.
Beginnen Sie mit einem messbaren Problem:
- Welche Anlagenkomponenten verursachen die meisten ungeplanten Stillstände?
- Welche Prozessabweichungen verursachen die höchsten Ausschusskosten?
- Wo verbringen Techniker übermäßig viel Zeit mit der Fehlersuche?
- Bei welchen Alarmen wird wiederholt Unterstützung durch erfahrene Ingenieure benötigt?
- Welche manuellen Inspektionsaufgaben beanspruchen viel Arbeitszeit?
- Wo ist der Energieverbrauch höher als erwartet?
- Welche Produktionsparameter lassen sich mit herkömmlichen Methoden nur schwer optimieren?
Sobald das Problem definiert ist, wird KI zu einer möglichen technischen Lösung statt zum Selbstzweck.
Ein sinnvolles Projekt sollte letztlich mit Anlagenkennzahlen wie Stillstandszeit, Durchsatz, Ausbeute, Ausschuss, Wartungskosten, Qualität, Personalauslastung oder Energieverbrauch verknüpft sein.
Pilotprojekte sind nicht dasselbe wie ein Mehrwert in der Produktion
Hersteller haben zahlreiche KI-Experimente durchgeführt, doch eine erfolgreiche Demonstration führt nicht automatisch zu einem erfolgreichen Produktionssystem.
Ein Pilotprojekt kann eine Maschinenanomalie unter kontrollierten Bedingungen mit einem begrenzten Datensatz korrekt erkennen. Die Produktionsumgebung ist anders. Sensoren können ausfallen, Messgeräte neu kalibriert, SPS-Logik geändert, Produktionsrezepte angepasst, Netzwerkverbindungen unterbrochen werden, und das Betriebspersonal kann anders reagieren als bei der Entwicklung angenommen.
Hier stoßen viele KI-Initiativen auf Schwierigkeiten.
Die eigentliche Bewährungsprobe ist nicht, ob ein KI-Modell in einer Demonstration funktioniert. Entscheidend ist, ob es weiterhin nützliche Informationen liefert, nachdem es in die üblichen Betriebsabläufe der Anlage integriert wurde.
Vorhandene Automatisierungsinfrastruktur sollte nicht ignoriert werden
Produktionsanlagen haben selten den Luxus, mit einer sauberen Architektur von vorn beginnen zu können.
Eine typische Anlage kann mehrere Generationen von SPSen, DCS-Steuerungen, HMIs, SCADA-Systemen, Prozessdatenarchiven, dezentralen E/A-Systemen, Frequenzumrichtern, Zustandsüberwachungsgeräten, industriellen Ethernet-Netzwerken und älteren seriellen Geräten umfassen.
Diese Infrastruktur nur zur Einführung von KI zu ersetzen, ist in der Regel unpraktikabel.
Eine Nachrüststrategie ist daher realistischer. Daten können aus vorhandenen Prozessdatenarchiven, OPC-Schnittstellen, SPSen, Zustandsüberwachungssystemen, Datenbanken und anderen verfügbaren Quellen erfasst werden, während die primäre Steuerungsarchitektur intakt bleibt.
Dieser Ansatz verringert außerdem das Risiko, unnötige Änderungen an validierten Produktionssystemen vorzunehmen.
Das Ziel sollte sein, bewährte Automatisierungsinfrastruktur durch intelligente Funktionen zu ergänzen, statt die gesamte Anlage neu aufzubauen, nur weil eine neue Technologie aufgetaucht ist.
Die Datenqualität bestimmt die Qualität der KI
KI kann mangelhafte Industriedaten nicht ausgleichen.
Wenn Messstellenkennungen falsch zugeordnet sind, Zeitstempel nicht übereinstimmen, Sensorwerten Lücken aufweisen, Anlagenzustände nicht dokumentiert sind oder historischen Daten ausreichender Kontext fehlt, kann das resultierende Modell technisch beeindruckende, aber betrieblich irreführende Schlussfolgerungen liefern.
Dieses Problem wird oft unterschätzt, weil in der Fertigung kontinuierlich Daten erzeugt werden. Große Datenmengen bedeuten nicht zwangsläufig hohe Datenqualität.
Vor der Implementierung einer KI-Anwendung sollten Ingenieure Folgendes verstehen:
- Woher die Daten stammen
- Wie Sensoren und Messgeräte kalibriert werden
- Ob Zeitstempel synchronisiert sind
- Wie Anlagenzustände ermittelt werden
- Wie fehlende Werte behandelt werden
- Ob frühere Instandhaltungsereignisse korrekt dokumentiert sind
- Welche Personen oder Systeme für die Daten verantwortlich sind
- Wie sich Änderungen an SPS- und DCS-Konfigurationen auf die Bedeutung der Daten auswirken
Ein einfacher, gut dokumentierter Datensatz kann wertvoller sein als Millionen von Datensätzen ohne ausreichenden Kontext.
Sicherheit muss von KI-Experimenten getrennt bleiben
Die Folgen einer fehlerhaften KI-Empfehlung hängen stark von der jeweiligen Anwendung ab.
Wartungsprotokolle mithilfe von KI zusammenzufassen, ist etwas grundlegend anderes, als einer von KI generierten Entscheidung direkten Einfluss auf eine sicherheitsbezogene Abschaltung zu erlauben.
In Prozessindustrien, Chemieanlagen, Raffinerien, Kraftwerken und anderen Umgebungen mit schwerwiegenden möglichen Folgen müssen deterministische Sicherheitsfunktionen weiterhin nach etablierten technischen Grundsätzen und geltenden Sicherheitsanforderungen arbeiten.
KI kann bei Überwachung, Diagnose, Anomalieerkennung und Entscheidungsunterstützung helfen. Das bedeutet jedoch nicht, dass sie automatisch die Befugnis über Sicherheitsfunktionen erhalten sollte.
Eine praxistaugliche Architektur sollte klar festlegen, was die KI beobachten darf, was sie empfehlen darf und welche Maßnahmen unter herkömmlicher Steuerung oder Sicherheitslogik bleiben müssen.
Werksleiter müssen keine Datenwissenschaftler werden
Ein weiteres Missverständnis ist, dass Werksleiter plötzlich zu Experten für maschinelles Lernen, große Sprachmodelle und KI-Agenten werden müssen.
Sie müssen zwar verstehen, was diese Technologien können und was nicht, aber ihr wertvollstes Fachwissen bleibt betrieblich.
Ein Werksleiter kennt die Produktionsbeschränkungen, Instandhaltungsprioritäten, Fähigkeiten der Belegschaft, Qualitätsanforderungen, Sicherheitsanforderungen und finanziellen Folgen von Ausfallzeiten.
Dieses Wissen ist erforderlich, um festzustellen, ob eine KI-Anwendung ein relevantes Problem löst.
Die stärksten Implementierungsteams vereinen deshalb mehrere Fachbereiche: Betrieb, Instandhaltung, Automatisierungstechnik, IT/OT-Netzwerke, Data Engineering, Cybersicherheit und KI.
KI-Projekte sind viel erfolgreicher, wenn die Menschen, die das System entwickeln, verstehen, wie die Anlage tatsächlich betrieben wird.
Der ROI sollte vor der Skalierung gemessen werden.
Vor der Einführung sollte für ein KI-Projekt ein Ausgangswert festgelegt werden.
Wenn beispielsweise die vorausschauende Instandhaltung Ausfallzeiten reduzieren soll, sollte das Unternehmen zunächst die historische Häufigkeit, Dauer und Kosten der relevanten Ausfälle ermitteln. Wird KI für die Qualitätsprüfung eingesetzt, sollten die bisherige Fehlerquote und der Prüfaufwand dokumentiert werden.
Nach der Umsetzung lassen sich dieselben Kennzahlen mit dem Ausgangswert vergleichen.
Dadurch wird die Investitionsentscheidung deutlich klarer.
Ein Projekt, das die Fehlersuche pro Ereignis um 30 Minuten verkürzt, kann in einem Werk wertvoll und in einem anderen bedeutungslos sein. Ebenso kann eine geringe Reduzierung des Ausschusses bei einer Produktionslinie mit hohem Volumen eine erhebliche finanzielle Verbesserung darstellen.
Wichtig ist: Der ROI von KI ist anlagenspezifisch und sollte anhand betrieblicher Ergebnisse berechnet werden, nicht anhand der Komplexität der Technologie.
Menschliche Kontrolle bleibt wichtig
Fertigungsprozesse unterliegen physikalischen Beschränkungen, die sich in historischen Daten nicht immer perfekt abbilden lassen.
Ein erfahrener Ingenieur erkennt vielleicht, dass ein ungewöhnlicher Sensorwert auf ein Instrumentenproblem und nicht auf ein Prozessproblem zurückzuführen ist. Ein Techniker weiß möglicherweise, dass sich eine bestimmte Maschine beim Anfahren anders verhält. Ein Anlagenbediener kennt vielleicht eine Produktionsbedingung, die in der Datenbank nicht ordnungsgemäß dokumentiert ist.
KI kann Muster erkennen, doch Menschen liefern den betrieblichen Kontext.
Aus diesem Grund gehe ich davon aus, dass die effektivsten Fertigungssysteme einem Modell mit menschlicher Einbindung folgen werden. KI erkennt Anomalien, ordnet Informationen, empfiehlt mögliche Ursachen oder priorisiert Maßnahmen, während qualifizierte Mitarbeiter weiterhin für Entscheidungen mit betrieblichen Konsequenzen verantwortlich bleiben.
Die nächste Phase ist Integration, nicht nur Automatisierung
Die Diskussion über KI in der Fertigung geht allmählich über einzelne Pilotprojekte hinaus.
Die nächste Herausforderung ist die Integration: KI-Funktionen mit bestehender Automatisierung, Instandhaltungsabläufen, technischen Dokumentationen, Datenarchiven, Anlagenmanagementsystemen und Betriebsverfahren zu verknüpfen.
Für diese Integration reicht es nicht aus, eine KI-Plattform zu kaufen. Werke benötigen klar definierte Datenverantwortlichkeiten, standardisierte Informationen, Cybersicherheitsmaßnahmen, dokumentierte Arbeitsabläufe und Mitarbeiter, die sowohl industrielle Systeme als auch moderne Software verstehen.
Die Hersteller, die am meisten von KI profitieren, werden wahrscheinlich nicht diejenigen sein, die die größte Anzahl an Modellen einsetzen. Es werden die Unternehmen sein, die konkrete betriebliche Probleme erkennen, zuverlässige Industriedaten mit diesen Problemen verknüpfen, die Ergebnisse gemeinsam mit erfahrenem Personal validieren und erst dann skalieren, wenn ein messbarer Nutzen nachgewiesen wurde.
