Wissen
Industrial AI und Machine Learning in der Produktion
Ein Modell erkennt Muster in Daten. Was es in der Produktion schwer macht, ist selten der Algorithmus — es ist die Frage, wie die Daten von der Anlage zum Modell kommen und was dort ankommt: vollständig, in gleichem Takt und mit dem Bezug zur Maschine, aus der sie stammen.
Voraussetzungen
Was ein Modell in der Produktion wirklich voraussetzt
Ein Modell lernt aus dem, was es sieht. Fehlt eine Stunde in der Messreihe, lernt es diese Stunde als Normalzustand. Steht neben dem Messwert nicht, aus welcher Maschine er kommt, lässt sich eine Auffälligkeit später keiner Anlage zuordnen. Vier Dinge entscheiden deshalb vor jeder Modellwahl.
Zwei Wege
Regel oder Modell — der Datenweg ist derselbe
Ein Grenzwert („Lagertemperatur über 80 °C”) ist einfach, nachvollziehbar und oft völlig ausreichend. Ein Modell lohnt sich dort, wo der Zusammenhang nicht in einer Zahl steht, sondern im Zusammenspiel mehrerer Größen über die Zeit — und wo genug Vergangenheit vorliegt, aus der sich lernen lässt.
Für die Anbindung macht das keinen Unterschied. Beide brauchen dieselben Werte, denselben Takt und denselben Rückweg in die Produktion. Deshalb ist die Entscheidung zwischen Regel und Modell keine, die man vor dem Datenweg treffen muss.
Die Antwort muss zurück
Eine Vorhersage, die nur in einem Dashboard steht, ändert nichts. Nützlich wird sie, wenn aus ihr etwas folgt: ein Wartungsauftrag im ERP, eine Meldung an den Leitstand, ein geänderter Sollwert an der Linie. Der Rückweg gehört zur Anbindung, nicht zum Modell.
Der Datenweg
Wie die Daten von der Anlage zum Modell kommen
connubes sammelt die Werte an der Steuerung ein, versieht sie mit Zeitstempel und Kontext und legt sie dort ab, wo das Modell sie liest. Welches Plug-in dafür zuständig ist, entscheidet das Zielsystem — nicht die Software.
Das Modell steht am Ende einer Kette, die vier Stationen hat — und die erst mit dem Rückweg geschlossen ist.
| Plug-in | Wofür es auf dem Weg zum Modell steht |
|---|---|
| OPC UA Client und Server | Der Zugang zur Anlage — Zustandswerte in dem Takt, in dem sie entstehen |
| InfluxDB | Die Zeitreihe, aus der ein Modell lernt und gegen die es später prüft |
| Apache Kafka | Ereignisströme, wenn viele Quellen gleichzeitig und dauerhaft liefern |
| MQTT-Client | Der leichtgewichtige Weg in IoT- und Analyseplattformen |
| Snowflake | Maschinendaten in der Data Cloud, für Langzeitauswertung und Modelltraining |
| REST-API | Die Übergabe an einen Analysedienst — und der Weg, auf dem seine Antwort zurückkommt |
| MCP-Server | Eine KI greift über eine standardisierte Schnittstelle auf die angebundenen Quellen zu — connubes regelt, was sie zu sehen bekommt |
| SAP-Systeme | Der Wartungsauftrag, der aus einer Vorhersage entsteht |
| Store & Forward | Puffert bei Verbindungsabriss und liefert nach — keine Lücke in der Messreihe |
Die Analyse selbst läuft in Ihrer Plattform, nicht in connubes: Azure IoT Hub, AWS, Google Cloud, Snowflake, ein eigener Analyseserver im Werk. connubes ist der Weg dorthin und zurück — und mit dem MCP-Server auch der Weg, auf dem ein Sprachmodell die Quellen direkt erreicht. Die vollständige Liste steht unter Konnektoren.
In der Praxis
Wo es in der Produktion meistens anfängt
Drei Felder, in denen der Aufwand überschaubar und der Nutzen früh sichtbar ist. Sie bauen aufeinander auf — jedes braucht mehr Kontext als das vorige.
Zustand überwachen
Schwingung, Temperatur, Stromaufnahme: Abweichungen fallen auf, bevor sie zum Stillstand werden. Das ist der Einstieg, weil die Werte meist schon an der Steuerung anliegen.
Qualität erklären
Prüfergebnisse zusammen mit Prozesswerten, Charge und Werkzeug — erst diese Verknüpfung zeigt, woran ein Ausreißer lag.
Verbrauch und Takt
Energie, Durchsatz, Rüstzeiten über längere Zeiträume. Hier lohnt sich die Langzeitablage, weil der Zusammenhang nicht in einer Schicht sichtbar wird.
Grenzen
Woran es in der Praxis scheitert
Nicht am Modell. Die wiederkehrenden Gründe sind Datenqualität — falsch kalibrierte Sensorik und Übertragungsfehler erzeugen Fehlalarme, und Fehlalarme kosten Vertrauen; fehlende Vergangenheit — eine Maschine, die selten ausfällt, liefert keine Beispiele, aus denen sich ein Ausfall lernen ließe; und Altanlagen, an denen die Messstelle erst nachgerüstet werden muss.
Der erste Punkt ist der, an dem eine Middleware etwas ausrichtet: ein Datenweg, der puffert statt Lücken zu lassen, und ein Zeitstempel, der von einer Stelle kommt. Die anderen beiden sind Fragen an die Anlage, nicht an die Software.
Häufige Fragen
Kurz beantwortet
Brauche ich zwingend Machine Learning?
Nein. Regelbasierte Ansätze mit Schwellwerten und Trendanalysen liefern oft schon gute Ergebnisse. Ein Modell lohnt sich, wenn die Zusammenhänge komplex sind und genug Daten vorliegen.
Läuft das Modell in connubes?
Nein. connubes erfasst, verknüpft und transportiert die Daten; gerechnet wird in Ihrer Analyseplattform oder Cloud. Das ist Absicht: Die Plattform lässt sich wechseln, ohne die Feldebene anzufassen.
Müssen die Daten dafür das Werk verlassen?
Nein. Der Datenweg ist derselbe, ob das Modell in der Cloud oder auf einem Rechner im Werk läuft. Sie entscheiden je Datenfluss, was hinausgeht.
Was passiert bei einem Verbindungsabriss?
Das Add-on Store & Forward speichert die Werte zwischen und liefert sie nach, sobald die Verbindung wieder steht — ohne Lücke in der Messreihe, die das Modell sonst als Normalzustand lernen würde.
Kann eine KI direkt auf unsere Produktionsdaten zugreifen?
Ja, über den MCP-Server. Das Model Context Protocol ist eine standardisierte Schnittstelle, über die ein Sprachmodell alle in connubes verfügbaren Quellen erreicht, ohne dass für jede einzelne eine eigene Anbindung gebaut wird. connubes verknüpft die Informationen, stellt sie im Kontext bereit und regelt zugleich, welche Daten überhaupt übergeben werden dürfen — die Zugriffsentscheidung bleibt bei Ihnen, nicht beim Modell.
Wie kommt eine Vorhersage zurück in die Produktion?
Auf demselben Weg, nur andersherum: als Wartungsauftrag ins ERP, als Meldung an den Leitstand oder als Sollwert an die Steuerung.
