Erläuterung der Datenbereitschaft in der Fertigung für KI
AI Summary
Operations Calling 2025 showcased how modern manufacturing depends on open ecosystems, with dozens of partners demonstrating integrated AI, hardware, and software solutions. The event emphasized that collaboration and interoperability—not single all-in-one systems—are key to scalable, future-ready operations.
Unter „Datenbereitschaft in der Fertigung“ versteht man den Zustand, in dem Betriebsdaten nicht nur korrekt, sondern auch kontextualisiertsind – das heißt, jeder Datenpunkt (z. B. Temperatur) wird zum Zeitpunkt seiner Erfassung automatisch mit den zugehörigen Kontextinformationen (Mitarbeiter-ID, Arbeitsauftrag, Maschinenzustand) verknüpft, sodass er von KI-Modellen sofort und ohne manuelle Aufbereitung genutzt werden kann.
Jahrelang wurde den Herstellern gesagt, dass sie „Big Data“ bräuchten, um sich auf KI vorzubereiten. Also gaben sie Millionen aus, um Data Lakes aufzubauen, und speicherten Terabytes an Sensorwerten in der Cloud.
Heute sind die meisten dieser „Seen“ eigentlich „Datensümpfe“. Die Daten sind zwar vorhanden, aber unbrauchbar. Warum? Weil ein Schwingungswert von 0,54 mm/s für eine KI nichts aussagt, solange sie nicht weiß, welches Produkt gerade verarbeitet wurde, wer die Maschine bedient hat und ob die Maschine eigentlich im Leerlauf sein sollte.
Bei der Datenbereitschaft geht es nicht um das Volumen, sondern um den Kontext. Ohne diesen wird Ihre KI-Strategie bereits in der Pilotphase ins Stocken geraten.
Die Kontextlücke: Warum KI-Modelle in der Fertigung versagen
In der Konsumwelt werden Daten ganz selbstverständlich in einen Kontext eingebettet. Eine Kreditkartentransaktion enthält Angaben zum Nutzer, zum Händler, zum Zeitpunkt und zum Ort, die in der Datei verankert sind.
In der Fertigung sind die Daten über den ISA-95-Stack verteilt:
- Die SPS (auf Maschinenebene) kennt die Temperatur.
- Die „ ERP “ (auf Geschäftsebene) kennt die „ Arbeitsauftrag “.
- Die „ MES “ (Ausführungsebene) kennt den Operator.
Für ein KI-Modell sind dies drei Sprachen, die nichts miteinander zu tun haben. Das ist die „Context Gap“.
KI-Halluzinationen verstehen
Wenn man einer KI rohe, zusammenhangslose Daten zuführt, geht man das Risiko von Mehrdeutigkeiten ein.
Wenn ein Bediener einen KI-Assistenten fragt: „Warum ist Linie 1 stehen geblieben?“, und die KI lediglich ein Signal „Motor_Amps: 0“ erkennt, könnte sie fälschlicherweise einen mechanischen Defekt vermuten.
Würde dieser Datenpunkt jedoch mit dem Tag „State: Planned_Changeover“ in einen Kontext gestellt, würde die KI das Ereignis korrekt als Standardverfahren identifizieren. Der Kontext macht den Unterschied zwischen einer hilfreichen Erkenntnis und einer gefährlichen Lüge aus.
Die drei Säulen einer KI-fähigen Datenarchitektur
Um den Weg aus dem Sumpf hin zu einer Strategie zu finden, muss Ihre Datenarchitektur drei spezifische Ebenen abdecken:
1. Struktur (das semantische Schema)
In Altsystemen werden unverständliche Bezeichnungen wie „PLC_Tag_101“ oder „Register_4002“ verwendet. Daher muss jeder Punkt manuell von einer Person zugeordnet werden.
KI-fähige Daten basieren auf einem semantischen Modell (z. B. Standort/Bereich/Linie/Ofen_1/Temperatur). Dadurch wird sichergestellt, dass eine KI bei der Suche nach „Ofentemperatur“ diese Angabe sofort an jedem Standort findet – unabhängig davon, ob der Ofen von Siemens oder Allen-Bradley stammt.
2. Kontext (die Metadaten)
Das ist das entscheidende fehlende Glied. Maschinendaten müssen durch menschlichen Kontext ergänzt werden.
- Rohdaten: „Die Maschine wurde um 10:00 Uhr angehalten.“
- Kontextbezogene Daten: „Die Maschine wurde um 10:00 Uhr währendder „ Umrüstung “ durch den Bediener John für Produkt X angehalten.“
- Apps sind die beste Möglichkeit, diese menschenzentrierten Daten zu erfassen, da sie neben dem „Wann“ der Maschine ganz natürlich auch das „Wer, Was und Warum“ protokollieren.
3. Zugang (Das Protokoll)
Herkömmliche Punkt-zu-Punkt-Integrationen (SQL-Abfragen, API-Aufrufe) sind für KI zu starr. Sie führen zu engen Abhängigkeiten.
KI erfordert eine Pub/Sub-Architektur (wie MQTT/Sparkplug), bei der Daten an einen zentralen Broker gesendet werden. Dadurch kann ein KI-Agent einen Datenstrom einfach „abonnieren“, ohne dass eine maßgeschneiderte Integration durch die IT-Abteilung erforderlich ist.
Die Rolle des einheitlichen Namensraums (UNS)
Die architektonische Lösung für die Kontextlücke ist der Unified Namespace (UNS).
Stellen Sie sich das UNS als das zentrale Nervensystem Ihrer Fabrik vor. Anstatt jede App mit jeder Maschine zu verbinden, senden alle Systeme ihre Daten an einen zentralen Knotenpunkt, der nach einer klaren Hierarchie organisiert ist.
- Die Maschine gibt Folgendes aus:
Linie 1/Ofen/Temperatur: 400 - Das „ App “ gibt Folgendes aus:
Leitung 1/Ofen/Status: Aktiv - Die KI abonniert
„Line1/Oven/#“und sieht sofort beides.
Durch die Implementierung eines UNS stellen Sie sicher, dass der Kontext in Echtzeit berücksichtigt wird, sodass Ihre Daten bereits in der Millisekunde, in der sie generiert werden, „KI-fähig“ sind. Dies ermöglicht RAG-Muster (Retrieval Augmented Generation), bei denen die KI den aktuellen Zustand der Fabrik abfragen kann, um Fragen in Echtzeit zu beantworten.
Von Menschen generierte Daten: Das fehlende Glied
Die meisten Initiativen zur Datenbereitschaft konzentrieren sich ausschließlich auf Maschinensensoren. Das ist ein entscheidender Fehler. Sensoren können zwar Aufschluss darüber geben, was passiert ist, aber sie geben selten Aufschluss darüber, warum.
- Ein Vibrationssensor zeigt an, dass der Motor ausgefallen ist.
- Nur der Bediener weiß, dass es fehlgeschlagen ist, weil „das Rohmaterial nass war“.
Wenn Sie diese menschlichen Erkenntnisse aus Ihrem Datensatz ausschließen, wird Ihre KI niemals Kausalzusammenhänge lernen. Der Einsatz von No-Code-Apps zur Erfassung von Protokollen, Beobachtungen und Handlungen der Bediener ist unerlässlich, um KI-Modelle zu trainieren, die die gesamte Realität der Produktion erfassen.
Umgang mit Altgeräten: Die „Wrapper“-Strategie
Ein häufiger Einwand lautet: „Meine Maschinen sind 30 Jahre alt; sie verfügen über keine APIs.“
Sie müssen ältere Geräte nicht ersetzen, um sie KI-fähig zu machen. Sie müssen sie lediglich „einhüllen “.
- IoT Gateways: Kostengünstige Hardware lässt sich an ältere SPSen anschließen, um Daten zu extrahieren und in moderne Protokolle wie MQTT zu konvertieren.
- Kamerasicht: Bei Maschinen ohne Datenanschlüsse Computervision können analoge Messgeräte oder Signalsäulen „auslesen“ und das Signal digitalisieren.
- Der „App -Wrapper“: Befindet sich eine Maschine vollständig offline, platzieren Sie einen Tulip App daneben. Der Bediener, der „Zyklusstart“ und „Zyklusstopp“ manuell eingibt, fungiert als digitaler Sensor.
Vergleich: Rohdaten vs. KI-fähige Payloads
Um den Unterschied zu veranschaulichen, schauen Sie sich einmal an, wie eine KI ein Datenpaket auswertet.
| Rohdaten (der „Sumpf“) | KI-fähige Nutzlast (Sparkplug B / kontextbezogen) |
|---|---|
{ "val": 402, "id": "t101" } | { "metric": "Temperature", "value": 402, "unit": "F", "asset": "Oven_1", "operator": "J.Doe", "state": "Running" } |
KI-Interpretation: | KI-Interpretation: |
„Der Wert beträgt 402.“ (Nutzlos) | „Ofen 1 läuft unter der Bedienung durch J. Doe zu heiß (402 °F).“ (Maßnahmen erforderlich) |
Eine praktische Checkliste: Vom Sumpf zur Strategie
Wenn Sie Ihre Einrichtung auf Frontline Intelligence vorbereiten möchten, fangen Sie hier an:
- Hören Sie auf, Rohdaten anzuhäufen: Wenn Daten keinen Zeitstempel und keine Kontext-Tags enthalten, speichern Sie sie nicht. Sie stellen eine Belastung dar, keinen Gewinn.
- Eine Edge-Strategie umsetzen: Verarbeiten Sie hochfrequente Daten am Edge. Bereiten Sie die Daten lokal auf (fügen Sie Kontext hinzu), bevor Sie sie an die Cloud senden.
- Führen Sie einen semantischen Standard ein: Legen Sie eine Namenskonvention fest (z. B. MQTT Sparkplug B) und halten Sie sich daran.
- Das „Warum“ digitalisieren: Ersetzen Sie Papierlogbücher durch Apps, damit der menschliche Kontext digitalisiert und für die KI zugänglich wird.
Häufig gestellte Fragen
Das größte Hindernis ist der fehlende betriebliche Kontext. Die meisten Fabriken verfügen zwar über reichlich Daten, diese sind jedoch in verschiedenen Systemen (SPS, ERP, MES) isoliert gespeichert und weisen keine einheitliche Struktur auf, sodass es für KI unmöglich ist, Ursache und Wirkung miteinander in Zusammenhang zu bringen.
Ein einheitlicher Namensraum ist ein architektonischer Ansatz, bei dem alle Daten von Geräten, Anwendungen und Sensoren anhand einer gemeinsamen Hierarchie an einem zentralen Ort veröffentlicht werden. Er dient als zentrale Informationsquelle, auf die KI-Systeme problemlos zugreifen können.
Sie müssen sie nicht austauschen. Nutzen Sie Gateways von IoT , um Daten zu extrahieren, oder setzen Sie Apps und Kameras ein, um die Maschine mit einer digitalen Hülle zu „umhüllen“, sodass Sie Daten erfassen können, ohne die Kernsteuerung aufrüsten zu müssen.
