Industrielle Edge-KI Wie Qualcomm KI und Echtzeitsteuerung getrennte Wege gehen lässt

Von Manuel Christa 6 min Lesedauer

Anbieter zum Thema

Qualcomm will künstliche Intelligenz direkt in industrielle Steuerungssysteme bringen. Doch KI und zeitkritische Regelkreise stellen unterschiedliche Anforderungen an die Hardware. Zwei Experten erläutern, wie beides zusammenspielen soll.

KI in der Fabrik: Edge-Systeme sollen Maschinendaten auswerten und Bedienern helfen, Störungen und deren Folgen schneller zu erkennen.(Bild:  Qualcomm)
KI in der Fabrik: Edge-Systeme sollen Maschinendaten auswerten und Bedienern helfen, Störungen und deren Folgen schneller zu erkennen.
(Bild: Qualcomm)

Ungewöhnliche Vibrationen an einem Förderbandantrieb bereiteten einem Pharmahersteller Probleme. Nach Angaben von Qualcomm mussten Fachleute aus verschiedenen Bereichen des Werks die Ursache untersuchen. Als sie den Fehler gefunden hatten, hatte sich die Störung bereits auf die Produktionsausbeute ausgewirkt.

Für Anand Venkatesan, Senior Director im Bereich Industrial and Edge AI bei Qualcomm, zeigt das Beispiel eine Schwäche heutiger Automatisierungssysteme. „Wir müssen verstehen, welche Folgen ein Problem haben wird, etwa für die Produktionsausbeute oder den Rohstoffverbrauch“, erklärte er im Gespräch mit der ELEKTRONIKPRAXIS auf der electronica 2026 in München. Mit Marcello Majonchi, Chief Product Officer der Qualcomm-Tochter Arduino, sprach er über KI in der Industrie und die Rolle der Echtzeitsteuerung.

Maschinen sollen nicht nur Daten liefern, sondern Zusammenhänge erkennen

In Fabriken erfassen Sensoren Temperaturen, Drücke, Vibrationen und elektrische Größen. Steuerungen verarbeiten die Messwerte, Bedienoberflächen zeigen sie an, übergeordnete Systeme sammeln Betriebsdaten. Was häufig fehlt, ist die Verbindung zwischen einer Auffälligkeit und ihren Auswirkungen auf die Produktion.

„Die Erzeugung von Sensordaten ist nicht das Problem. Die Herausforderung besteht darin, daraus Erkenntnisse zu gewinnen“, sagt Venkatesan. Qualcomm beschreibt seine Dragonwing-Strategie mit drei Begriffen: Control, Connect, Interpret. Maschinen sollen gesteuert, vernetzt und ihre Daten so ausgewertet werden, dass Mitarbeiter daraus Handlungsmöglichkeiten ableiten können.

Dafür setzt Qualcomm auf mehrere Verarbeitungsebenen. Direkt an einer Kamera erkennt ein KI-Modell beispielsweise Fertigungsfehler. Ein Edge-Rechner führt Informationen aus verschiedenen Maschinen zusammen. Cloud-Systeme können größere Modelle ausführen und zusätzliche Analysen übernehmen. Venkatesan beobachtet dabei eine Verschiebung: Was früher in der Cloud lief, funktioniert zunehmend auf lokalen Industriecomputern; deren bisherige Aufgaben wandern teilweise direkt an Sensoren und Maschinen. Welche Ebene sinnvoll ist, hängt unter anderem von Latenz, Energiebedarf, Kosten und Datenmenge ab.

KI-Rechenleistung vor Ort: Qualcomms Dragonwing-IQ10-Referenzdesign richtet sich an Robotik und andere rechenintensive Edge-Anwendungen.(Bild:  Qualcomm)
KI-Rechenleistung vor Ort: Qualcomms Dragonwing-IQ10-Referenzdesign richtet sich an Robotik und andere rechenintensive Edge-Anwendungen.
(Bild: Qualcomm)

Für rechenintensive Edge-Anwendungen bietet Qualcomm die Dragonwing-IQ10-Serie an. Ihre KI-Einheit erreicht laut Hersteller bis zu 700 TOPS bei Sparse-INT8-Berechnungen. Entscheidend sei aber nicht allein die Leistung, betont Venkatesan: Das System müsse aus einer Vibration oder anderen Störung auf mögliche Folgen für Produktqualität, Materialverbrauch und weitere Produktionsschritte schließen können.

Warum KI nicht jeden Regelkreis steuern sollte

Wie weit darf KI in eine Maschinensteuerung eingreifen? Bei der schnellen Motorregelung zieht Venkatesan eine Grenze: „In diesen schnellen Regelkreisen sehen wir keine KI.“ Ein geschlossener Regelkreis muss Messwerte innerhalb festgelegter Zeitgrenzen erfassen, verarbeiten und in neue Stellgrößen umsetzen. Verspätungen können das Regelverhalten beeinträchtigen.

Komplexe KI-Modelle beanspruchen dagegen teils erhebliche Rechenressourcen. Ihre Laufzeiten hängen etwa von Modellarchitektur und Systemauslastung ab. Auch KI-Berechnungen können zeitlich vorhersagbar laufen. Hochfrequente Regelkreise stellen jedoch besonders strenge Anforderungen an garantierte Reaktionszeiten. Deshalb will Qualcomm die Arbeitslasten voneinander trennen.

Ein Mikrocontroller übernimmt die zeitkritische Motorregelung, während leistungsfähigere Prozessoren Sensordaten analysieren oder Anlagenzustände bewerten. Venkatesan nennt als Beispiel eine SPS, die mehrere Maschinen überwacht. Eine KI könnte ihre Betriebsdaten auswerten, Auffälligkeiten erkennen und die Ergebnisse auf einer Bedienoberfläche darstellen – ohne selbst in den schnellen Regelkreis einzugreifen.

Jetzt Newsletter abonnieren

Verpassen Sie nicht unsere besten Inhalte

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung. Die Einwilligungserklärung bezieht sich u. a. auf die Zusendung von redaktionellen Newslettern per E-Mail und auf den Datenabgleich zu Marketingzwecken mit ausgewählten Werbepartnern (z. B. LinkedIn, Google, Meta).

Aufklappen für Details zu Ihrer Einwilligung

Bei einem Schweißroboter ginge das über eine einfache Fehlermeldung hinaus: Ein System könnte nicht nur feststellen, ob eine Naht fehlerhaft ist, sondern Ergebnisse mehrerer Produktionslinien verknüpfen und mögliche Auswirkungen auf die Fertigung aufzeigen.

Zwei Rechensysteme für unterschiedliche Aufgaben

Diese Trennung spiegelt sich in der Hardware wider. Qualcomm setzt auf heterogene Architekturen, in denen CPU-Kerne, KI-Beschleuniger und Echtzeiteinheiten unterschiedliche Aufgaben erledigen. „KI-Inferenz und Echtzeitsteuerung sind sehr unterschiedliche Arbeitslasten, die auf unterschiedlichen Architekturen laufen sollten“, erläutert Arduino-Manager Marcello Majonchi. Er spricht von Dual-Brain- oder Multi-Brain-Systemen, deren Recheneinheiten auf einem Chip oder auf getrennten Bausteinen sitzen.

Getrennte Aufgaben: Beim Arduino Ventuno Q übernimmt ein STM32H5-Mikrocontroller zeitkritische Steuerungsaufgaben, während der Dragonwing IQ8 KI-Anwendungen ausführt.(Bild:  Qualcomm)
Getrennte Aufgaben: Beim Arduino Ventuno Q übernimmt ein STM32H5-Mikrocontroller zeitkritische Steuerungsaufgaben, während der Dragonwing IQ8 KI-Anwendungen ausführt.
(Bild: Qualcomm)

Ein Beispiel ist das Arduino Ventuno Q. Der Einplatinencomputer kombiniert einen Qualcomm Dragonwing IQ8 mit einem STM32H5-Mikrocontroller von STMicroelectronics. Der Qualcomm-Prozessor führt unter anderem Linux-Anwendungen, Bildverarbeitung und lokale KI-Modelle aus. Der STM32H5 kümmert sich um zeitkritische Steuerungsaufgaben wie die Ansteuerung von Aktoren. Die KI-Einheit des IQ8 liefert bis zu 40 Dense-TOPS. Beide Komponenten tauschen Daten aus, ohne dass die Motorregelung unmittelbar von der Laufzeit eines KI-Modells abhängen muss.

Auch die Dragonwing-Prozessoren IQ8, IQ9 und IQ10 verfügen über eigene Echtzeit-Subsysteme, die zeitkritische Aufgaben von Anwendungsprozessoren und KI-Beschleunigern trennen. Auf diese Weise können Entwickler KI-Funktionen ergänzen, ohne die eigentliche Regelung grundsätzlich umzubauen. Allerdings ersetzt die Aufgabentrennung keine Systemprüfung: Schnittstellen, Fehlerverhalten und funktionale Sicherheit müssen weiterhin für die jeweilige Maschine abgesichert werden.

Die KI soll entscheiden, wann der Mensch entscheiden muss

Qualcomm sieht auch bei der Bedienung einen Wandel. Statt sich durch Messwertanzeigen, Diagramme und Fehlermeldungen zu arbeiten, könnten Mitarbeiter künftig Fragen an ein lokales KI-System stellen. Venkatesan skizziert ein Szenario, in dem ein Bediener auf einem mobilen Gerät nach einer ungewöhnlichen Vibration fragt: Was bedeutet die Störung für die Produktion? Ein Sprachmodell könnte zuvor zusammengeführte Maschinendaten in natürlicher Sprache erklären.

Marcello Majonchi sieht die eigentliche Veränderung jedoch nicht allein in der Spracheingabe. „Es geht nicht darum, dem Bediener die Entscheidung abzunehmen, sondern zu erkennen, wann ihm überhaupt eine Entscheidung vorgelegt werden sollte“, sagt er. KI könnte verschiedene Datenströme auswerten und aus der Vielzahl von Warnungen jene Ereignisse herausfiltern, die tatsächlich Aufmerksamkeit erfordern. Idealerweise liefert sie die Zusammenhänge gleich mit.

Der Mensch bliebe bei diesen Anwendungen Teil des Entscheidungsprozesses. Die KI soll Probleme früher sichtbar machen und die Beurteilung erleichtern, nicht sämtliche Eingriffe autonom auslösen. Dafür kann eine Verarbeitung nahe an den Maschinen sinnvoll sein: Sie vermeidet je nach Aufbau Übertragungswege in die Cloud, und sensible Prozessdaten können innerhalb der betrieblichen Infrastruktur bleiben.

Softwarebausteine sollen den Hardwarewechsel erleichtern

Neben der Hardwaretrennung hält Majonchi eine stärker softwaredefinierte Architektur für entscheidend. Industrielle Steuerungen bleiben oft viele Jahre im Einsatz. Wenn Anwendungen eng mit proprietärer Hardware oder Entwicklungsumgebungen verknüpft sind, kann ein Austausch aufwendig werden. „Wir schlagen damit eine stärker softwaredefinierte Architektur für die industrielle Automatisierung vor“, erklärt Majonchi.

Arduino setzt dafür unter anderem auf wiederverwendbare Softwarebausteine namens Bricks. Sie können KI-Modelle, Datenbankanbindungen oder Bedienoberflächen bereitstellen. Entwickler kombinieren diese Komponenten und ergänzen den Code für ihre Anwendung. Im Arduino App Lab lassen sich auch eigene Bricks erstellen und in weiteren Projekten verwenden. So muss nicht jede Funktion bei einem neuen Projekt erneut entwickelt werden.

Majonchi verspricht sich davon auch einen einfacheren Übergang auf spätere Hardwaregenerationen. Wenn Betriebssysteme, Entwicklungswerkzeuge und Softwarekomponenten ausreichend standardisiert sind, lässt sich vorhandene Software eher weiterverwenden. Ein Selbstläufer ist das nicht: Treiber, Schnittstellen, Echtzeitverhalten und Sicherheitsanforderungen müssen auch auf der neuen Plattform geprüft werden.

Automobilindustrie als Ausgangspunkt für weitere Anwendungen

Als ersten wichtigen Zielmarkt nennt Venkatesan die Automobilindustrie. Qualcomm arbeitet dort bereits mit Herstellern und Zulieferern zusammen, die zugleich Roboter, Industriecomputer und Steuerungen in ihren Werken einsetzen. Diese Kundenbeziehungen will das Unternehmen auch für industrielle Edge-KI nutzen.

Ein Anwendungsfeld ist die Batterieproduktion für Elektrofahrzeuge. Defekte Zellen fallen nach Venkatesans Schilderung mitunter erst spät im Herstellungsprozess auf, wenn bereits Material und Fertigungszeit investiert wurden. Kameras und lokale KI sollen Auffälligkeiten früher erkennen und so helfen, Ausschuss zu vermeiden. Unabhängige Erfolgsdaten nennt Qualcomm nicht.

Ähnliche technische Aufgaben sieht das Unternehmen in der mobilen Robotik. Autonome mobile Roboter müssen ihre Umgebung wahrnehmen, sich lokalisieren, Wege planen und Bewegungen steuern – ob sie Pakete im Lager transportieren oder Material in einer Halbleiterfabrik bewegen. Qualcomm möchte solche Grundfunktionen über verschiedene Branchen hinweg nutzbar machen. Partner sollen darauf aufbauend Lösungen entwickeln, die besondere Einsatzbedingungen und erforderliche Zertifizierungen berücksichtigen.

Damit geht die Strategie über einzelne Prozessoren hinaus: Qualcomm will Rechenhardware, Konnektivität, KI-Beschleunigung und Softwarewerkzeuge für unterschiedliche Anwendungen zusammenführen. Ob das in der Fertigung trägt, hängt weniger von möglichst hohen TOPS-Zahlen ab als von Integration, Zuverlässigkeit und nachweisbarem Nutzen. Das Beispiel aus der Pharmaindustrie zeigt, worauf es ankommt: Eine Störung zu erkennen ist der erste Schritt. Entscheidend ist, ihre Folgen für den gesamten Prozess rechtzeitig einordnen zu können.(mc)

(ID:51021867)