„Unreife Prozesse“ Schluss mit dem Schatzkästchen-Denken: Wie geteilte Daten Prozesse im Brownfield retten

Vier Jahre Karlsruher Forschungsfabrik: Dr. Olaf Sauer (Fraunhofer IOSB) teilt seine praktischen Erfahrungen aus dieser Zeit: Warum der deutsche Maschinenbau mehr Mut zur Datenoffenheit braucht, weshalb die Industrie „Daten glatt bürsten“ muss, bevor sie ihre Prozesse per KI optimiert.

Dr. Olaf Sauer vom Fraunhofer IOSB nutzte die Fachpressetage des Redaktionsbüro Stutensee für eine Bilanz nach vier Jahren Karlsruher Forschungsfabrik (KFF). Denn hinter der modernen Fassade auf dem Campus Ost des KIT geht es um harte technische Nüsse: Die KFF, getragen von Fraunhofer IOSB, Fraunhofer ICT und dem wbk Institut für Produktionstechnik, hat sich zum Ziel gesetzt, KI und Machine Learning (ML) serientauglich zu machen. Und zwar für Prozesse, welche die Industrie bisher nur bedingt im Griff hat.

Doch wie gelingt der Schritt vom Labor in die Serienfertigung, wenn physikalische Zusammenhänge noch nicht vollständig verstanden sind? Sauers Antwort liegt in der gezielten Kombination aus Domänenwissen und datengetriebenen Methoden. Anstatt nur fertige Produkte zu prüfen, greift die KI direkt in die Entstehung ein und optimiert Industrieprozesse in Echtzeit. Ein Paradigmenwechsel, der insbesondere dort ansetzt, wo klassische Regelungstechnik nicht ausreicht.

Bildergalerie

Bildergalerie mit 13 Bildern

Wenn der Prozess „unreif“ ist

„Wir wollen Prozesse, die wir noch nicht hundertprozentig beherrschen, zur Serienreife bringen“, erklärt Sauer das Kernziel. Er nennt diese Vorgänge „unreife Prozesse“ – ein Begriff, den Industrievertreter ungern hören. Gemeint sind Abläufe, für die es kein festes Datenblatt gibt (Trial & Error).

Als prominentes Beispiel nennt Sauer die Batteriefertigung, speziell das Auftragen der Elektrodenpaste (Slurry). Bislang kommt das Material einfach aus einer Schlitzdüse. „Da kommt das Zeug raus. Fertig“, beschreibt Sauer den Status quo pragmatisch. Doch Viskosität und Schichtdicke schwanken, was die Batteriequalität massiv beeinflusst. In der KFF wird nun an einer regelbaren Schlitzdüse gearbeitet, die den Spalt und die Bahngeschwindigkeit basierend auf Live-Qualitätsdaten anpasst. Dafür braucht es das Zusammenspiel von drei Disziplinen: Werkstofftechnik (Wie verhält sich die Paste?), Produktionstechnik (Wie steuere ich die Düse?) und Informationstechnik (Wie lerne ich das Modell?).

Use Case 1: Dieffenbacher – „Baum rein, Platte raus“

Dass so ein Ansatz auch bei etablierten Maschinenbauern funktioniert, zeigt die Kooperation mit Dieffenbacher. Der Anlagenbauer für Holzwerkstoffplatten stand vor einer Black Box: „Ganz einfach gesagt: Vorne Baum rein, hinten Holzwerkstoffplatte raus“, so Sauer.

Doch da Holz ein Naturprodukt mit schwankender Feuchtigkeit ist, war die Qualität der Platten, etwa die Einhaltung von DIN-Normen oft erst nach aufwendigen Labortests klar. Die Folge: Die Anlage produzierte während der Wartezeit munter weiter – im Zweifel eben Ausschuss.

Die Lösung war eine massive Nachinstrumentierung der Anlagen und die Entwicklung der digitalen Suite „Evoris“. Mittlerweile nutzen Dieffenbacher-Kunden eine KI-gestützte „Quality Prediction“. Die Anlage sagt die Qualität der Platte voraus und regelt Prozessparameter wie Leimmenge oder Temperatur online nach. Sauer betont den Wandel beim Maschinenbauer: „Inzwischen haben die eine Data Science Abteilung mit 20 Leuten.“

Das Brownfield-Dilemma: „Erstmal Daten glatt bürsten“

Doch nicht jedes Projekt läuft so rund. Das Hauptproblem bei der Einführung von KI sieht Sauer in der fehlenden Datenbasis im Brownfield: „Ich würde mal sagen, 80 Prozent aller Anwender haben keine OPC-UA-Server.“

Bevor überhaupt an KI zu denken ist, müssen Maschinen oft mühsam nachinstrumentiert und Daten bereinigt werden. „Das finden unsere Mitarbeiter, denen wir erzählen, wir machen tolle Data-Science-Projekte, nicht so toll“, gibt Sauer offen zu. „Das meiste ist erstmal, dass man die Daten da irgendwie glatt bürstet.“

So sind etwa fehlende Metadaten ein Problem. Ein nackter Wert wie „27,3“ ist wertlos, wenn man nicht weiß, ob es sich um Grad Celsius oder eine Taktzeit handelt. Hier plädiert Sauer eindringlich für den Einsatz der Verwaltungsschale (Asset Administration Shell), um dem „Sprachsalat“ ein Ende zu bereiten.Use Case 2: Trützschler – Mit KI gegen den Wettbewerb

Wie wichtig externe Daten sind, zeigt das Beispiel Trützschler. Das Unternehmen baut Karden (Textilmaschinen), deren Kernkomponente kilometerlange, feinste Sägezahndrähte sind. Das Problem: Chinesische Wettbewerber lassen ihre Anlagen 20 Prozent schneller laufen. Um hier mitzuhalten und gleichzeitig die Standzeit der Drähte zu erhöhen, musste Trützschler den Prozess des Drahtwalzens und Härtens, der mit „affenartiger Geschwindigkeit“ abläuft, transparent machen.

Hier stieß man an Grenzen: Trützschler fehlen Daten der Vorketten. „Wir haben gar keine Daten über den Walzprozess. Was passiert, wenn der Rohdraht aus dem Stahlwerk reinkommt?“, fragt Sauer. Auch Daten aus den verbauten Lenze-Antrieben waren nicht ohne Weiteres zugänglich.

Die Lösung: Manufacturing-X und das „Bier in der Bar“

Genau hier liegt laut Sauer die Zukunft: Weg vom Einzelkämpfer, hin zu Datenökosystemen wie Manufacturing-X. Ein Unternehmen allein kann komplexe Ketten nicht optimieren. Es braucht den Datenaustausch über Firmengrenzen hinweg.

Sauer vergleicht das Prinzip mit einem Abend in der Kneipe: „Das ist so ungefähr, wie wenn ich in der Bar stehe und ich geb' jemanden ein Bier aus. Und dann gibt der seinem Kumpel wieder ein Bier aus. Und irgendwann habe ich auch was davon.“

Diese Mentalität, die man vom Open-Source-Gedanken aus der IT her kennt, also Daten zu geben, um im Netzwerk davon zu profitieren, sei im deutschen Maschinenbau noch nicht flächendeckend angekommen. Viele säßen auf ihren Prozessdaten wie auf einem Schatzkästchen. Doch Sauer ist überzeugt: Wenn wir Prozesse ganzheitlich verbessern wollen, führt an föderierten Datenräumen kein Weg vorbei. (mc)

(ID:50707753)