Autor: Jan Metzner, Principal Specialist Solutions Architect Manufacturing bei Amazon Web Services (AWS)
Industrielle Anlagen erzeugen enorme Datenmengen, die häufig ungenutzt in einzelnen Steuerungen verbleiben. Erst die gezielte Verbindung von Werkhalle, Edge und Cloud schafft den Kontext, den KI für messbare Verbesserungen benötigt. Die Roboterzelle zeigt exemplarisch, wie sich diese Architektur sicher, skalierbar und wirtschaftlich umsetzen lässt.
Roboterzellen arbeiten im Millisekundenbereich, koordinieren komplexe Fertigungsschritte und liefern fortlaufend Positions-, Sensor- und Statusdaten. In vielen Fabriken bleiben diese Informationen jedoch auf der Feldebene isoliert. Zukunftsfähige Produktion entsteht erst, wenn reale Anlagen mit digitalen Modellen verknüpft und die Daten so aufbereitet werden, dass KI daraus konkrete Handlungsempfehlungen ableiten kann.
Datenmengen ohne gemeinsamen Kontext
Bereits eine einzelne Speicherprogrammierbare Steuerung verwaltet oft Tausende Variablen. Hinzu kommen Achspositionen der Roboter, Rückmeldungen von Sensoren sowie Meldungen aus Schweiß-, Greif- oder Prüfsystemen. Diese Daten werden lokal benötigt, um Abläufe zu synchronisieren, Kollisionen zu vermeiden und Fehlerzustände sofort abzufangen. Für eine übergreifende Analyse fehlt ihnen jedoch häufig der fachliche Zusammenhang. Dadurch bleibt unklar, wie einzelne Signale die Leistung einer Zelle oder einer gesamten Linie beeinflussen.
Erschwert wird die Nutzung durch die Trennung von Operational Technology (OT) und Information Technology (IT). In der Werkhalle dominieren echtzeitfähige Feldbusse wie Profinet, während Cloud-Systeme mit MQTT, HTTPS oder strukturierten JSON-Nachrichten arbeiten. Feldbusdaten können deshalb nicht sinnvoll ungefiltert in die Cloud weitergereicht werden. Notwendig ist eine vermittelnde Instanz, die Daten auswählt, übersetzt und semantisch zuordnet.
Edge und Cloud mit klar verteilten Aufgaben
Diese Aufgabe übernimmt eine hybride Edge-Cloud-Architektur. Die Edge verarbeitet Daten unmittelbar an der Anlage und dient als intelligenter Filter. Relevante Zustandswechsel und Fehlermeldungen werden direkt an die Cloud übertragen, während hochfrequente Prozesswerte zunächst in einem lokalen, rollierenden Puffer verbleiben. Tritt ein definierter Fehler auf, bündelt die Edge die Daten aus dem Zeitraum davor und stellt sie für die Ursachenanalyse bereit. So werden Bandbreite und Speicher geschont, ohne wichtige Informationen zu verlieren.
Die lokale Vorverarbeitung gleicht zugleich zeitliche Inkonsistenzen aus. Da Fabriknetze nicht immer durchgehend synchronisiert sind, können einzeln versandte Nachrichten in der Cloud in falscher Reihenfolge eintreffen. Die Edge führt die Datenströme vor Ort zusammen, versieht sie mit einem einheitlichen Zeit- und Anlagenkontext und überträgt anschließend ein konsistentes Paket.
Sicherheit und Datenkontext als Fundament
Die Kopplung von Produktionsanlagen mit Cloud-Diensten verlangt ein mehrstufiges Sicherheitskonzept. Viele ältere OT-Protokolle besitzen keine integrierte Verschlüsselung, und Brownfield-Steuerungen unterstützen moderne Standards oft nicht. Deshalb bleibt die Roboterzelle in einem geschützten Netzsegment. Der Datenaustausch läuft über eine Demilitarisierte Zone mit dedizierten Edge-Gateways. Firewalls erlauben nur verschlüsselte, ausgehende Verbindungen und reduzieren damit das Risiko unbefugter Zugriffe.
Für KI reicht die reine Erfassung von Maschinendaten nicht aus. Erst die Verbindung mit Informationen aus Manufacturing Execution System (MES) und Enterprise Resource Planning (ERP) macht die Werte interpretierbar. Temperatur- oder Vibrationsänderungen können bei einem bestimmten Produkt völlig normal sein, bei einem anderen jedoch auf ein Problem hinweisen. Das System muss daher wissen, welches Produkt, welche Charge und welcher Fertigungsauftrag zum jeweiligen Zeitpunkt bearbeitet werden. Aus isolierten Signalen entstehen so verlässliche Trainingsdaten.
KI-Aufgaben und Digitaler Zwilling
KI wird sinnvoll zwischen Edge und Cloud aufgeteilt. Kompakte, latenzkritische Modelle laufen direkt an der Anlage, etwa zur lokalen Auswertung von Kamerabildern in der Qualitätssicherung. Die Cloud stellt dagegen skalierbare Rechenleistung für das Training, die Optimierung und die zentrale Verteilung komplexer Modelle bereit. Generative KI kann zusätzlich aktuelle Sensordaten mit Wartungsberichten und Maschinendokumentationen verbinden und dem Instandhaltungspersonal konkrete Schritte zur Fehlerbehebung vorschlagen.
Diese Infrastruktur bildet zugleich die Grundlage des Digitalen Zwillings. Sein Nutzen geht über eine dreidimensionale Visualisierung hinaus: Physikalische und mathematische Simulationen können seltene oder kritische Prozesszustände nachbilden. Fehlen historische Beispiele für bestimmte Schäden, lassen sich synthetische Daten erzeugen, mit denen Modelle zur Störungserkennung trainiert und kalibriert werden.
Skalierung und messbarer Nutzen
Ein Proof of Concept mit einer einzelnen Roboterzelle ist meist schnell umgesetzt. Schwieriger ist die Skalierung auf zahlreiche, heterogene Anlagen und Standorte. Dafür braucht es standardisierte Datenmodelle und containerisierte Softwarekomponenten für Datenerfassung, Mapping und KI-Inferenz. Über ein zentrales Flottenmanagement lassen sich diese Komponenten automatisiert ausrollen, aktualisieren und überwachen. Neue Anlagen können dadurch mit geringerem lokalem Aufwand eingebunden werden.
Der wirtschaftliche Nutzen zeigt sich vor allem in geringeren ungeplanten Stillständen. Predictive Maintenance erkennt auffällige Verschleißmuster frühzeitig und ermöglicht Wartung während regulärer Pausen. Gleichzeitig macht der Digitale Zwilling verborgene Ursachen sichtbar: Häufig entstehen Wartezeiten nicht durch mechanische Defekte, sondern durch ungünstige Logistik oder fehlerhafte Steuerungsabläufe. Datenbasierte Analysen verbessern dann die Taktzeit, ohne die Anlage stärker zu belasten.
KI unterstützt außerdem den Wissenstransfer. Erfahrungswerte langjähriger Beschäftigter, etwa das Erkennen ungewöhnlicher Geräusche oder Vibrationen, werden durch Sensorik und Modelle reproduzierbar. Der Mensch wird nicht ersetzt, sondern erhält präzise Entscheidungshilfen, beispielsweise zur Anpassung von Prozessparametern bei schwankender Materialqualität.
Schrittweise Umsetzung mit klarem Ziel
Der größte Fehler besteht darin, ohne definierten Anwendungsfall sämtliche Daten in die Cloud zu übertragen. Das erzeugt Kosten und Komplexität, aber keinen sicheren Nutzen. Erfolgreiche Projekte starten deshalb mit einem konkreten Ziel, etwa der höheren Verfügbarkeit einer Roboterzelle. Daraus wird abgeleitet, welche Daten benötigt werden, welche Verarbeitung lokal erfolgt und welche Analysen in der Cloud stattfinden.
Die strukturierte Verbindung von OT, Edge und Cloud markiert den Übergang von starrer Automatisierung zu einer flexiblen, lernenden Produktion. Unternehmen, die Sicherheit, Standardisierung und Skalierbarkeit von Beginn an berücksichtigen, erschließen ihre vorhandenen Datenbestände und schaffen ein belastbares Fundament für eine wirtschaftliche KI-gestützte Fertigung.