Software Defined Automation Von Handarbeit zu KI-Co-Creation: Warum wir die SPS nicht mehr wie 1995 programmieren müssen

Anbieter zum Thema

logiccloud AG

MicroConsult Academy GmbH

ISH Ingenieursozietät GmbH

Die Anforderungen an die Automatisierung steigen exponentiell, doch die Tools haben sich seit 30 Jahren kaum verändert. Ein neuer Cloud-Ansatz verspricht nun, mittels kontextbezogener KI nicht nur Steuerungslogik, sondern auch HMI-Visualisierungen fast vollautomatisch zu generieren.

„Warum programmieren wir SPS immer noch wie 1995?“ Diese provokante Frage stellt Bernhard Böhrer, Gründer von logiccloud, am Anfang seiner Präsentation auf den Fachpressetagen des Redaktionsbüros Stutensee. Und er trifft damit einen Nerv. Wer an die 90er-Jahre denkt, erinnert sich an AWL (Anweisungsliste), manuelle Speicheradressierung und starre Hardware-Kopplungen. Doch während sich die IT-Welt in den letzten drei Jahrzehnten mehrfach neu erfunden hat, dominiert in der SPS-Entwicklung trotz mittlerweile virtuellen Steuerungen oft noch immer die klassische „Fleißarbeit“.

Die Komplexität moderner Automatisierungslösungen wächst exponentiell. Cloud-Anbindungen, IoT-Schnittstellen, Cybersecurity und immer mehr Software-Varianten treiben den Aufwand in die Höhe. Die Engineering-Budgets und vor allem die verfügbaren Fachkräfte wachsen jedoch, wenn überhaupt, nur linear. Die Produktivität wird zum Flaschenhals. Ingenieure verbringen zu viel Zeit mit dem Schreiben von Boilerplate-Code und Standard-Routinen, statt sich auf die Prozessoptimierung zu konzentrieren. Oder wie Böhrer es ausdrückt: „Hochqualifizierte Ingenieure erledigen Fleißarbeit.“

Bildergalerie

Bildergalerie mit 7 Bildern

Der Ausweg: Die SPS wird Software

Der Lösungsansatz, den Unternehmen wie logiccloud verfolgen, bricht mit zwei Paradigmen der klassischen Automatisierung: der Bindung an proprietäre Hardware und der lokalen Entwicklungsumgebung. Die Steuerung wird zur „App“. Losgelöst von dedizierter SPS-Hardware läuft die Runtime auf beliebigen Industrie-PCs oder Edge-Gateways, beispielsweise in Kooperation mit Hardware-Partnern wie InHub.

Die gesamte Entwicklungsumgebung wandert außerdem in den Browser, ist also per (deutscher oder privater) Cloud zugänglich. Es ist keine lokale Installation mehr nötig. Erst dieser Schritt in die Cloud schafft die Datengrundlage, um den nächsten Evolutionssprung zu zünden: den Einsatz von generativer künstlicher Intelligenz (GenAI) im Engineering-Prozess.

Architektur: Erst der Plan, dann der Code

Viele Entwickler nutzen bereits Tools wie ChatGPT oder andere Coding-Agents, um Code-Schnipsel zu erzeugen. Doch für die industrielle Automatisierung greift das zu kurz. Einer generischen KI fehlt das Verständnis für die IEC 61131-3 Normen, die Hardware-Restriktionen und vor allem für den spezifischen Projektkontext.

„Ein plausibler Code ist nicht automatisch ein sicherer Code“, warnt Böhrer vor dem blinden Vertrauen in Standard-LLMs. Um der KI das Halluzinieren auszutreiben, setzt logiccloud auf eine spezialisierte Architektur, die weit über einfaches „Prompting“ hinausgeht. Der „Project Assistant“ basiert auf einer Pyramide aus internem Know-how, einer technischen Knowledge Base und darauf aufgesetzten KI-Modellen. Der Workflow ähnelt dabei der Arbeitsweise eines menschlichen Ingenieurs:

• 1. Input & Domain Knowledge: Der Prozess beginnt mit einer Projektbeschreibung in natürlicher Sprache (Text) oder einem Q&A-Dialog.

• 2. Planning Engine: Bevor eine Zeile Code geschrieben wird, zerlegt eine Planungs-Instanz die Anforderung in logische Teilbereiche. Die KI entscheidet, welche Artefakte benötigt werden: Das eigentliche SPS-Programm, wiederverwendbare Komponenten, I/O-Definitionen und, ein entscheidender Unterschied zu reinen Code-Generatoren, auch die passenden HMI-Screens.

• 3. Validierung: Dies ist der kritische Gatekeeper. Der generierte Output wird nicht ungeprüft übernommen, sondern gegen logiccloud-Regeln und IEC-Normen validiert. Nur so wird verhindert, dass syntaktisch korrekter, aber funktional unsinniger oder unsicherer Code in die Runtime gelangt.

Vier Modi der Interaktion: Von „Vibe Coding“ bis Reverse Engineering

Die KI ist dabei keine Einbahnstraße, sondern in die logiccloud-IDE integriert. Der Chatbot agiert nicht isoliert, sondern kennt den Kontext des gesamten Projekts, inklusive Variablen und Architektur. „Die KI arbeitet im Kontext des Projekts und nicht im luftleeren Raum“, betont Böhrer. In der Praxis lassen sich vier Anwendungsfälle unterscheiden:

• Code Analyse und Optimierung („What’s wrong?“): Die KI analysiert bestehende Routinen auf Fehler, Ineffizienzen oder Verstöße gegen Best Practices und schlägt Optimierungen vor.

• Vibe Coding („Add this feature“): Ein Begriff, der das fließende KI-Programmieren beschreibt. Der Entwickler gibt grobe Richtungen vor, etwa „Füge eine Überwachung für den Füllstand hinzu“, und die KI ergänzt den notwendigen Code fast in Echtzeit, passend zum Stil des restlichen Projekts.

• Logic Reverse-Engineering („What does this do?“): Besonders wertvoll bei Legacy-Projekten oder bei der Einarbeitung in fremden Code. Die KI analysiert komplexe Bausteine und erklärt deren Funktion in verständlicher Sprache.

• Zugeschnittene Hilfe („How to do this?“): Kontextbezogene Hilfestellung bei der Umsetzung spezifischer Aufgaben, die das Wälzen von Handbüchern ersetzt.

Der Netzwerkeffekt der Cloud

Ein oft unterschätzter technischer Aspekt ist die Datenhaltung. In der klassischen Automation schlummern Terabytes an wertvollem Projektwissen und Lösungsstrategien auf lokalen Festplatten von Laptops, isoliert in Silos. Für das Training von KI-Modellen sind diese Daten unzugänglich.

Durch den Cloud-Ansatz zentralisiert logiccloud die Projekte. Das ermöglicht, natürlich unter Wahrung des Datenschutzes und mit Einverständnis, das Trainieren der Modelle auf einer immer breiteren Basis realer Automatisierungsmuster. Die KI lernt mit jedem Projekt dazu („Network Effect“), erkennt Muster in der Hardware-Anbindung oder bei Standard-Regelkreisen und wird so kontinuierlich präziser. Das unterscheidet das System von lokalen On-Prem-Lösungen, die jedoch genauso möglich seien.

Das Pareto-Prinzip: Vom Coder zum Validierer

Das Ziel ist nicht, den Programmierer zu ersetzen, sondern ihn massiv zu entlasten. Es gilt das Pareto-Prinzip: Etwa 80 Prozent des Codes, darunter Standardfunktionen, I/O-Mappings und Grundstrukturen, übernimmt der KI-Assistent. Die verbleibenden 20 Prozent, also Feinjustierung, Sicherheitsabnahmen und komplexe Prozesslogik, bleiben in der Hand des Ingenieurs. Die Aufteilung ist laut des Referenten klar: „Die KI übernimmt das Mechanische, der Mensch das Bedeutungsvolle.“

Dieser Workflow verändert seine Rolle: Er muss weniger tippen, aber mehr prüfen. Die Validierung der KI-Ergebnisse wird zur Kernkompetenz. Gleichzeitig löst die KI ein weiteres leidiges Thema der Branche: die Dokumentation. „Kein Programmierer, den ich kenne, mag Dokumentation. Die meisten wollen nur programmieren“, weiß Böhrer aus der Praxis. Über die Reverse-Engineering-Funktionen kann der Assistent bestehenden Legacy-Code analysieren und automatisch verständliche Kommentare hinzufügen.

Ausblick: Demokratisierung der Automatisierung

Langfristig könnte die KI die Hürden für den Einstieg in die Automatisierung deutlich senken. Die Vision ist, dass künftig auch Verfahrenstechniker oder Heizungsbauer ohne vertiefte SPS-Programmierkenntnisse ihre Anforderungen in Prosa beschreiben und eine funktionierende Basis-Applikation erhalten.

Zudem soll die KI künftig nicht nur Software schreiben, sondern auch Hardware-Empfehlungen aussprechen. Basierend auf der Komplexität des Codes und den benötigten Zykluszeiten könnte das System vorschlagen, welche Steuerungshardware für das spezifische Projekt am wirtschaftlichsten ist.

Es ist der Schritt von der manuellen Manufakturarbeit hin zur industrialisierten Software-Erstellung. Oder anders gesagt: Das endgültige Update für das Jahr 1995.

 (mc)

(ID:50709940)