Erläuterung der Datenbereitschaft in der Fertigung für KI

Unter „Datenbereitschaft in der Fertigung“ versteht man einen 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 ihn umgebenden Rahmenbedingungen (Mitarbeiter-ID, Arbeitsauftrag, Maschinenzustand) verknüpft, sodass er von KI-Modellen ohne manuelle Aufbereitung sofort 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 eine Schwingungsmessung von 0,54 mm/s bedeutet für eine KI nichts, wenn sie es nicht weiß was das Produkt lief, wer bediente die Maschine, und falls Die Maschine hätte stillstehen sollen.

Bei der Datenbereitschaft geht es nicht um die Datenmenge, sondern um den Kontext. Ohne diesen bleibt Ihre KI-Strategie in der Pilotphase stecken.

In der Konsumwelt sind Daten naturgemäß kontextbezogen. Eine Kreditkartentransaktion enthält Angaben zu Nutzer, Händler, Zeitstempel und Standort, die in der Datei eingebettet sind.

In der Fertigung sind die Daten über den ISA-95-Stack verteilt:

• Die SPS (auf Maschinenebene) kennt die Temperatur.
• Das ERP (auf Unternehmensebene) kennt den Arbeitsauftrag.
• Das MES (Ausführungsebene) kennt den Bediener.

Für ein KI-Modell handelt es sich hierbei um drei Sprachen, die nichts miteinander zu tun haben. Dies ist die Kontextlücke.

Wenn Sie einer KI rohe, unzusammenhängende Daten zuführen, gehen Sie das Risiko von Mehrdeutigkeiten ein.

Wenn ein Mitarbeiter einen KI-Assistenten fragt, „Warum ist die Linie 1 stehen geblieben?“, und die KI sieht nur ein Motor_Stromstärke: 0 Signal könnte das Gerät einen mechanischen Defekt vermuten.

Wenn dieser Datenpunkt jedoch in einen Kontext gestellt würde, Status: Geplante_Umstellung Anhand des Tags erkennt die KI das Ereignis korrekt als Standardverfahren. Der Kontext macht den Unterschied zwischen einer hilfreichen Erkenntnis und einer gefährlichen Lüge aus.

Um den Weg aus dem Sumpf hin zu einer Strategie zu finden, muss Ihre Datenarchitektur drei spezifische Ebenen abdecken:

1. Struktur (das semantische Schema)

Altsysteme verwenden unverständliche Tags wie PLC_Tag_101 oder Register_4002. Dazu muss ein Mensch jeden Punkt manuell zuordnen.

AI-fähige Daten nutzen ein semantisches Modell (z. B. Standort/Bereich/Linie/Ofen_1/Temperatur). Dadurch wird sichergestellt, dass eine KI bei der Suche nach „Ofentemperatur“ diese Angabe sofort auf allen Websites findet, unabhängig davon, ob der Ofen von Siemens oder Allen-Bradley stammt.

2. Kontext (die Metadaten)

Dies 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 während Umrüstung durch den Bediener John für Produkt X angehalten.“
• Apps die beste Möglichkeit, diese menschenbezogenen Daten zu erfassen, da sie neben dem „Wann“ der Maschine ganz selbstverständlich 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 von der IT-Abteilung entwickelte benutzerdefinierte Integration erforderlich ist.

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 veröffentlicht: Zeile 1/Backofen/Temperatur: 400
• Die App veröffentlicht: Leitung 1/Ofen/Status: Aktiv
• Die KI unterstützt Linie 1/Ofen/Nr. 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 ihrer Erzeugung „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.

Die meisten Initiativen zur Datenbereitschaft konzentrieren sich ausschließlich auf Maschinensensoren. Dies ist ein entscheidender Fehler. Sensoren können Ihnen zwar sagen, was passiert ist, aber sie geben selten Aufschluss darüber, warum.

• Ein Vibrationssensor meldet Ihnen, dass der Motor ausgefallen ist.
• Nur der Bediener weiß, dass es fehlgeschlagen ist, weil „das Rohmaterial feucht war“.

Wenn Sie diese menschlichen Erkenntnisse aus Ihrem Datensatz ausschließen, wird Ihre KI niemals Kausalzusammenhänge erlernen. Der Einsatz von No-Code-Anwendungen zur Erfassung von Protokollaufzeichnungen, Beobachtungen und Handlungen der Bediener ist unerlässlich, um KI-Modelle zu trainieren, die die gesamte Realität der Produktion erfassen.

Ein häufiger Einwand lautet: „Meine Maschinen sind 30 Jahre alt; sie verfügen über keine APIs.“

Sie müssen Ihre Altgeräte nicht ersetzen, um sie KI-fähig zu machen. Sie müssen sie lediglich mit einer Schnittstelle ausstatten.

• IoT : Kostengünstige Hardware lässt sich an bestehende SPSen anschließen, um Daten zu erfassen und in moderne Protokolle wie MQTT zu konvertieren.
• Kamerasicht: Für Maschinen ohne Datenanschlüsse, Computervision analoge Messgeräte oder Signalsäulen „auslesen“ und das Signal digitalisieren.
• Der „App-Wrapper“: Wenn eine Maschine vollständig offline ist, platzieren Sie eine Tulip daneben. Der Bediener, der manuell „Zyklus starten“ und „Zyklus stoppen“ eingibt, fungiert als digitaler Sensor.

Vergleich: Rohdaten vs. KI-fähige Payloads

Um den Unterschied zu veranschaulichen, betrachten Sie, wie eine KI ein Datenpaket liest.

Wenn Sie Ihre Einrichtung auf Frontline Intelligence vorbereiten möchten, beginnen Sie hier:

1. Hören Sie auf, Rohdaten anzuhäufen: Wenn Daten keinen Zeitstempel und keine Kontextangaben enthalten, speichern Sie sie nicht. Sie stellen eine Belastung dar, keinen Gewinn.
2. 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.
3. Führen Sie einen semantischen Standard ein: Legen Sie eine Namenskonvention fest (z. B. MQTT Sparkplug B) und halten Sie sich daran.
4. Digitalisieren Sie das „Warum“: Ersetzen Sie Papierlogbücher durch Apps, damit der menschliche Kontext digitalisiert und für die KI zugänglich wird.