Industrial AI in der Fabrik: Definition, Beispiele und erste Schritte

Industrial AI ist künstliche Intelligenz für industrielle Prozesse und Aufgaben. Zum Beispiel Modelle, die Abweichungen in Maschinendaten erkennen, auf Qualitätsrisiken hinweisen oder technische Dokumente durchsuchbar machen. Der Einsatzbereich bestimmt den Begriff; nicht jede digitale Fabrik nutzt AI. Ein Dashboard, ein Barcodescanner und feste PLC-Logik können auch ohne AI bestens funktionieren.

Kurz gesagt: Industrial AI hilft Menschen in Produktion, Instandhaltung und Qualitätssicherung, anhand von Maschinen- und Prozessdaten schneller die richtige Entscheidung zu treffen. Zuverlässig funktioniert das erst mit Daten im richtigen Kontext (Maschine, Auftrag, Einheit, Zeitpunkt), einem messbaren Ziel und einem Menschen, der das Ergebnis beurteilt.

Für Vlegel, das Team für Data, AI und Software Engineering aus Genk, beginnt die Entscheidung mit einer Frage aus dem Betrieb. Welche Entscheidung soll ein Maschinenbediener, Instandhalter oder Qualitätsverantwortlicher besser treffen können? Erst danach prüfen wir, ob AI mehr bringt als eine einfache Regel, ein Bericht oder eine Standardanwendung.

Wann ist AI sinnvoll, und wann nicht?

AI ist sinnvoll, wenn ein Muster für eine feste Regel zu komplex ist, genügend historische Daten mit bekannten Ergebnissen vorliegen und eine bessere Einschätzung Zeit oder Ausfälle spart. Ein fester Grenzwert, ein gutes Dashboard oder eine bessere Arbeitsanweisung ist oft die schnellere und günstigere Lösung. Eine ehrliche Empfehlung kann also auch lauten: Fang ohne AI an.

Drei Anwendungen in der Produktion

Anomalieerkennung: Ein Modell vergleicht zum Beispiel Schwingungen, Temperatur oder Strom mit dem normalen Verhalten einer Maschine. Eine Meldung kann helfen, Wartungsmaßnahmen zu priorisieren. Aber auch ein anderes Produkt, ein Rüstvorgang oder ein defekter Sensor kann eine Abweichung verursachen. Die Meldung ist ein Anlass zur Prüfung, kein nachgewiesener Defekt.

Qualitätsanalyse: Prozessmessungen werden mit bekannten Qualitätsergebnissen je Charge oder Produkt verknüpft. Ein Modell kann helfen, Risikomuster zu finden. Teste es an späteren, bisher ungesehenen Chargen und vergleiche es mit der bestehenden Prüfung. Ein statistischer Zusammenhang beweist keine Ursache; ein Modell darf eine Charge nicht eigenständig freigeben.

Bedienerunterstützung: Ein Assistent durchsucht freigegebene Handbücher und Störungshistorien und verweist auf seine Quellen. Das kann auch bei Anlagen in Lagern und in der Intralogistik sinnvoll sein. Fehlen Informationen oder widersprechen sie sich, muss er das sagen. Zugriffsrechte bestimmen, welche Dokumente Besucher oder Mitarbeitende lesen dürfen.

Die Datenebene: OPC UA, MQTT, UNS und Bedeutung

Für Prozessanalysen kannst du Maschinendaten über OPC UA auslesen und mit MQTT austauschen, abhängig von deiner bestehenden Steuerung. Ein Unified Namespace (UNS) organisiert die Veröffentlichung unter gemeinsamen Namen, zum Beispiel nach Standort, Linie und Maschine. Ein semantisches Modell legt fest, was ein Wert bedeutet: Einheit, Zeitpunkt, Auftrag, Maschine und Datenqualität.

Dieser Kontext ist entscheidend. Eine hohe Temperatur während der Produktion kann etwas anderes bedeuten als während der Reinigung. Bewahre relevante historische Daten auf und mache fehlende, veraltete oder unzuverlässige Messwerte sichtbar. Ein UNS ersetzt weder klare Vereinbarungen noch Datenspeicherung oder Sicherheit und ist nicht für jede AI-Anwendung erforderlich.

MCP ist eine Anbindung, kein Sicherheitsnachweis

Model Context Protocol (MCP) beschreibt, wie AI-Anwendungen Quellen und Tools nutzen können. Das Protokoll kann auch Tools bereitstellen, die Änderungen vornehmen. Für unsere Industrial AI beschränken wir den Zugriff auf Quellen mit reinem Lesezugriff. Autorisierung, Netzwerkgrenzen, Protokollierung und die Kontrolle der bereitgestellten Tools bleiben notwendig. AI erhält keinen Schreibzugriff auf PLC-Einstellungen, Aufträge oder Sicherheitsfunktionen.

Ein erster Test mit messbarem Ziel

Wähle eine Maschine, Linie oder einen Arbeitsprozess und lege vorab fest, was besser werden soll. Zum Beispiel: schneller das richtige Handbuch finden, weniger unbrauchbare Wartungsmeldungen oder ein Qualitätsrisiko früher erkennen. Erfasse zuerst den Istzustand, einschließlich des Aufwands, den Menschen zur Beurteilung einer Meldung brauchen.

Teste unter repräsentativen Bedingungen: normale Produktion, Rüstvorgänge, schlechte Sensordaten und Ausnahmefälle. Halte Trainings- und Testdaten getrennt. Vergleiche die Ergebnisse mit einem einfachen Ansatz und lass sie von Maschinenbedienern beurteilen. Erweitere den Einsatz erst, wenn das Ergebnis brauchbar ist, die Grenzen klar sind und Updates und Support stehen. Ohne geeignete Daten kann der richtige erste Schritt auch schlicht die Datenerfassung sein.

Industrial AI ist nicht automatisch Physical AI

Industrial AI bezeichnet den industriellen Einsatzbereich. Physical AI beschreibt Systeme, die ihre physische Umgebung wahrnehmen und darin handeln, zum Beispiel autonome Roboter. Ein Dokumentenassistent oder eine Wartungsempfehlung fällt nicht automatisch unter den zweiten Begriff. Vlegel entwickelt hier die Software- und Datenebene; unsere AI berät und ein Mensch entscheidet.

Du möchtest prüfen, ob Industrial AI zu deiner Fabrik oder Maschine passt? Buche 15 Minuten mit Jorg oder Yannic. Wir besprechen eine konkrete Frage, die verfügbaren Daten und ob ein Test sinnvoll ist. Ein mögliches Date ist eine Auftragsklärung oder ein Workshop bei dir vor Ort, kein Versprechen für ein AI-Ergebnis innerhalb einer festen Frist.