In den letzten Jahren ist „KI“ nahezu zum Synonym für generative Systeme geworden, die Texte schreiben und Fragen beantworten. Deshalb lautet die erste Idee für ein industrielles KI-Projekt oft: ein Chatbot für die Dokumentation, die Instandhaltung oder das Management-Reporting.

Das kann nützlich sein. Die industrielle künstliche Intelligenz ist jedoch ein deutlich breiteres und in vielen Fällen weniger spektakuläres Feld.

Ein gut funktionierendes Modell spricht womöglich nie eine menschliche Sprache. Es bemerkt lediglich, dass sich eine Anlage anders verhält als gewohnt, prognostiziert den Energiebedarf des nächsten Tages oder plant Verbraucher und Speicher so ein, dass Kosten und Netzrisiken sinken.

Vier typische Aufgaben industrieller KI

Anomalieerkennung

Das System lernt das normale Betriebsmuster und meldet anschließend wesentliche Abweichungen davon. Damit lassen sich Veränderungen des Maschinenzustands, des Energieverbrauchs oder des Netzwerkverhaltens sowie Sensorfehler erkennen.

Eine Anomalie ist nicht automatisch ein Defekt. Sie ist eher eine berechtigte Frage: Was hat sich verändert, und ist ein Eingriff erforderlich?

Prognose

Zeitreihenmodelle können Verbrauch, Erzeugung, Last oder Wärmebedarf für die kommenden Stunden oder Tage schätzen. Die Prognose kann als Grundlage für Beschaffung, Einsatzplanung, Kapazitätsplanung und Regelung dienen.

Klassifikation und Diagnose

Stehen geeignet gelabelte Daten zur Verfügung, kann das Modell verschiedene Zustände oder Fehlerbilder identifizieren. Es kann zum Beispiel den Normalbetrieb von Überlast, Unwucht oder einem Sensorfehler unterscheiden.

Optimierung

Ein Optimierungssystem sagt nicht nur voraus, was geschehen wird, sondern schlägt auch vor, wie sich innerhalb der gegebenen Grenzen das beste Ergebnis erzielen lässt. Beispiele sind die Planung von Laden und Entladen eines Batteriespeichers, die Einplanung von Produktionsaufträgen oder die Reduzierung von Lastspitzen.

Industrielle KI arbeitet innerhalb physikalischer Grenzen

Eine falsche Antwort eines textgenerierenden Systems kann unangenehm sein. Eine falsche Entscheidung eines in der Steuerung eingesetzten Modells kann Sachschäden, Produktionsausfälle oder Sicherheitsprobleme verursachen.

Deshalb darf industrielle KI nicht als unbeschränkte Blackbox arbeiten. Die Entscheidungen des Modells müssen in technologische und sicherheitstechnische Regeln eingebettet werden.

So kann ein Energieoptimierungsmodell etwa vorschlagen, eine Batterie schnell zu entladen – die ausführende Ebene muss dabei jedoch Folgendes berücksichtigen:

  • die Grenzen des Ladezustands;
  • die Leistungsgrenze;
  • die Temperatur;
  • die Herstellervorgaben;
  • die Netzanschlussbedingungen;
  • den aktuellen Betriebszustand;
  • die Benutzer- und Systemberechtigungen.

Das Modell kann einen Vorschlag machen. Die sichere Ausführung müssen deterministische Grenzen und ein kontrollierter Prozess absichern.

Ohne Daten keine KI, ohne Kontext keine sinnvolle KI

Eine Energieverbrauchs-Zeitreihe allein reicht selten aus. Man muss wissen, von welchem Gerät sie stammt, in welcher Schicht, bei welchem Produktionsvolumen, unter welchen Wetterbedingungen und in welchem Instandhaltungszustand sie entstanden ist.

Einer der schwierigsten Teile industrieller KI ist deshalb nicht die Wahl des Modells, sondern die Verknüpfung der Daten:

  • Messdaten;
  • Geräte- und Standortstammdaten;
  • Betriebszustände;
  • Produktions- und Instandhaltungsereignisse;
  • Wetter- oder Marktdaten;
  • Eingriffe und deren Ergebnisse.

Liegen diese in getrennten Systemen, mit unterschiedlichen Kennungen und unsicheren Zeitstempeln, kann das Modell zwar technisch fertig werden, geschäftlich aber schwach bleiben.

Auch generative KI hat ihren Platz – nur steuert sie nicht den Motor

Generative KI kann besonders gut mit unstrukturierten Informationen umgehen. Sie kann helfen bei:

  • der Suche in technischer Dokumentation;
  • der Zusammenfassung von Ereignisprotokollen;
  • der Vorbereitung von Wartungsprotokollen;
  • Abfragen in natürlicher Sprache;
  • der Formulierung von Berichten und Maßnahmenvorschlägen;
  • der Zusammenstellung von Auditdokumentation.

In der betrieblichen Ausführung empfiehlt sich jedoch eine klare Grenze. Die Antwort des generativen Modells kann eine entscheidungsunterstützende Information sein, während der tatsächliche Befehl durch Berechtigungen, Freigabe, eine Regelverarbeitung (Rule Engine) und eine lokale Sicherheitslogik geprüft wird.

Das Ergebnis von KI ist kein Score, sondern ein besserer Betrieb

Die Genauigkeit eines Modells ist eine wichtige technische Kennzahl, aber nicht gleichbedeutend mit dem geschäftlichen Ergebnis. Ein Instandhaltungsmodell kann statistisch gut und dennoch unbrauchbar sein, wenn es zu viele Alarme auslöst, zu spät warnt oder der Instandhalter nicht genügend Informationen zum Handeln erhält.

Deshalb lohnt es sich, Erfolgskennzahlen festzulegen wie:

  • vermiedene Stillstandszeit;
  • gesenkte Energie- oder Instandhaltungskosten;
  • Prognosefehler über einen geschäftlich relevanten Zeithorizont;
  • Fehlalarmquote;
  • Zeit vom Ereignis bis zur Maßnahme;
  • Anzahl der manuellen Schritte, die automatisiert oder abgeschafft werden können.

Bei OrigSmart ist KI keine isolierte Demo

Die OrigSmart-Plattform verbindet den physischen Messpunkt, die Datenerfassung im Feld, das zentrale Datenmanagement und den ausführbaren Geschäftsprozess in einem gemeinsamen System. So entsteht die Umgebung, in der das Ergebnis der KI keine isolierte Modellausgabe bleibt.

Aus einer Prognose können Planungsdaten werden. Aus einer Anomalie eine Instandhaltungsaufgabe. Aus einem Optimierungsvorschlag ein freigegebener, begrenzter Steuerungseingriff. Und das Ergebnis der Ausführung kann in das System zurückfließen – so wird der Prozess messbar und lässt sich weiterentwickeln.

Der Ansatz von OrigSmart beginnt deshalb nicht mit der Frage „Wo bringen wir KI unter?“. Zuerst definieren wir das betriebliche Problem, die verfügbaren Daten, den Entscheidungspunkt und die Regeln der Ausführung. Erst danach wählen wir ein Modell.

Gute industrielle KI arbeitet meist im Stillen

Sie verlangt keine Aufmerksamkeit, schreibt keine spektakulären Sätze über sich selbst und versucht nicht, jedes Problem mit einer einzigen Technologie zu lösen. Sie bewertet laufend Signale, erstellt Prognosen, priorisiert, optimiert und liefert der richtigen Person oder dem richtigen System im richtigen Moment ein verwertbares Ergebnis.

Den Wert industrieller KI zeigt nicht, wie menschlich sie spricht, sondern wie viel zuverlässiger, sparsamer und berechenbarer das physische System durch sie arbeitet.

Sprechen wir über Ihr Projekt

Quellen