IoT Use Case

KI in der Produktion: Analytics- und KI-Software

Analytics- und KI-Software wertet die Daten aus, die Sensoren und Maschinen liefern und Plattformen speichern. Sie erkennt Muster und Anomalien, sagt Ausfälle oder Qualitätsabweichungen voraus und schlägt Optimierungen vor. Im IoT-Stack sitzt sie auf der Funktionsebene, also dort, wo aus Messwerten Entscheidungen für Produktion, Wartung und Energie werden.

  • Schmitz Cargobull
  • CFL-Wartungsleiter, Société Nationale des Chemins de Fer Luxembourgeois
  • Co-Founder & CTO/CPO, Greenlyte Carbon Technologies
  • Leiter Forschung und Entwicklung, MARTIN GmbH für Umwelt- und Energietechnik
  • Magna Exteriors (Meerane) GmbH, Leiter Automatisierung, Magna
  • PLM-Innovation-Consultant, Liebherr-IT Services GmbH

8 Anwender aus dem Netzwerk haben das schon umgesetzt (+2)

Tausch dich mit Anwendern über die Umsetzung aus

Im Anwenderkreis besprechen 300+ Anwender jeden Monat, was in ihren Projekten funktioniert hat und was sie heute anders machen würden. Kein Anbieter im Raum, ehrlicher Austausch unter NDA.

Warteliste beitreten →

Wer es anbietet

Analytics / KI-Software im Praxiseinsatz

5 Hersteller aus unserem Partnernetzwerk mit 86 Lösungsbeispielen. Zuerst die, deren Einsatz in dieser Kategorie am häufigsten belegt ist.

Wofür es eingesetzt wird

Wofür und womit sie eingesetzt werden

Ausgewertet aus den Lösungsbeispielen dieser Hersteller: die häufigsten Use Cases und die Technologien, die ihre Lösungen sprechen.

Use Cases

Worauf du achtest

Was Analytics- und KI-Software leistet

Analytics-Software macht Daten aus der Produktion lesbar: Sie verdichtet Zeitreihen zu Kennzahlen wie OEE, Ausschussquote oder Energie pro Stück und zeigt Zusammenhänge in Dashboards. KI-Software geht einen Schritt weiter. Modelle des maschinellen Lernens lernen aus historischen Daten, wie ein normaler Prozess aussieht, und melden Abweichungen, bevor sie zu Ausschuss oder Stillstand führen. Typische Aufgaben sind Anomalieerkennung, Prognosen für Wartung und Qualität, Bildauswertung in der Prüfung und die Suche nach optimalen Prozessparametern.

Hinzu kommen Sprachmodelle, die Maschinendaten, Handbücher und Störungshistorie zusammenführen und Fragen von Instandhaltern oder Schichtleitern im Klartext beantworten. Ebenfalls verbreitet ist AutoML: Die Software wählt Modelle und Parameter weitgehend selbst, sodass Prozessexperten ohne eigenes Data-Science-Team erste Modelle aufbauen können.

Abgrenzung zu Plattformen und Condition Monitoring

Eine IoT-Plattform sammelt, speichert und verwaltet Daten, Analytics- und KI-Software zieht daraus Schlüsse. Viele Plattformen bringen einfache Auswertungen mit, der Primärkaufgrund für diese Kategorie ist aber die Analyse selbst. Condition Monitoring ist ein spezieller Anwendungsfall mit Fokus auf den Zustand einzelner Komponenten. Analytics- und KI-Software arbeitet breiter und verknüpft Daten aus Maschinen, Prozessen, Qualität und Energie.

Worauf man bei der Auswahl achtet

Entscheidend ist der Zugang zu den Daten: Welche Schnittstellen zu Plattform, Historian oder Data Lake gibt es, und wie gut sind die Daten beschrieben? Ohne saubere Zeitstempel und Kontext wie Auftrag, Material oder Rezeptur bleibt jedes Modell schwach. Weitere Kriterien sind Betrieb in der Cloud, on premises oder am Edge, die Nachvollziehbarkeit der Ergebnisse für Fachanwender und der Aufwand für Training und Pflege der Modelle. Beispiele aus dem Netzwerk sind ALD Vacuum Technologies mit AutoML für Anlagen- und Prozessdaten sowie RIZM für Energieentscheidungen auf Basis von Smart-Meter-Daten. Bewährt hat sich ein klar umrissener Start: eine Linie, eine Fragestellung und eine messbare Zielgröße wie Ausschuss oder Stillstandszeit. Erst wenn das Modell dort trägt, lohnt die Übertragung auf weitere Anlagen. Die Lösungsbeispiele zeigen, mit welchen Daten und Modellen Betriebe in der Praxis gestartet sind.

Häufige Fragen zu Analytics- und KI-Software

Was ist industrielle KI?

Industrielle KI bezeichnet Verfahren des maschinellen Lernens, die auf Daten aus Produktion, Anlagen und Logistik angewendet werden. Sie erkennen Muster in Sensor- und Prozessdaten, sagen Ausfälle oder Qualitätsabweichungen voraus und unterstützen bei der Einstellung von Prozessparametern. Anders als bei Büroanwendungen stehen Zeitreihen, Bilder und physikalische Zusammenhänge im Mittelpunkt, und Ergebnisse müssen für Fachleute an der Anlage nachvollziehbar sein.

Welche Beispiele für KI in der Produktion gibt es?

Häufige Beispiele sind die Erkennung von Anomalien in Maschinendaten, Prognosen für die Instandhaltung, optische Qualitätsprüfung per Kamera und die Optimierung von Prozessparametern wie Temperatur oder Vorschub. Dazu kommen Energieprognosen, die Planung von Aufträgen und Assistenzsysteme, die Störungshistorie und Handbücher durchsuchen. Die Lösungsbeispiele im Netzwerk zeigen, welche Daten dafür jeweils nötig waren.

Was ist Anomalieerkennung?

Anomalieerkennung findet Datenpunkte oder Verläufe, die vom normalen Verhalten eines Prozesses abweichen. Ein Modell lernt dazu aus historischen Daten, wie Vibration, Strom, Druck oder Temperatur im Normalbetrieb aussehen, und meldet ungewöhnliche Muster. Der Vorteil: Fehlerbilder müssen vorher nicht bekannt sein. Anomalieerkennung ist deshalb oft der erste KI-Anwendungsfall, wenn noch wenige dokumentierte Ausfälle vorliegen.

Was ist Industrial Analytics?

Industrial Analytics ist die systematische Auswertung von Maschinen-, Prozess- und Qualitätsdaten, um Produktion und Instandhaltung zu verbessern. Die Spanne reicht von Kennzahlen und Dashboards über statistische Auswertungen bis zu Modellen des maschinellen Lernens. Grundlage ist eine Datenbasis mit Zeitstempeln und Kontext, etwa Auftrag, Material und Schicht, die über eine IoT-Plattform oder einen Historian bereitsteht.

Wie funktioniert KI in der Qualitätskontrolle?

KI in der Qualitätskontrolle wertet Kamerabilder oder Prozessdaten aus und entscheidet, ob ein Teil in Ordnung ist. Bildmodelle lernen aus Beispielbildern guter und fehlerhafter Teile und erkennen Kratzer, Risse oder falsche Positionen. Prozessbasierte Modelle sagen aus Messwerten wie Druck und Temperatur voraus, ob ein Teil die Toleranzen einhält. So lässt sich häufiger prüfen, ohne die Taktzeit zu verlängern.

Im Podcast

Folgen mit diesen Herstellern und ihren Kunden.

Verwandte Kategorien

Weitere Kategorien derselben Ebene und die Technologien, über die Lösungen dieser Kategorie angebunden werden.

Weitere Kategorien der Funktionsebene

Technologie-Lösungen mit dieser Kategorie

Alle Lösungen im Überblick

Was in keinem Datenblatt steht

Was hat die Einführung gekostet? Was hat im Feld nicht gehalten, was würde man heute anders machen? Solche Fragen besprechen 300+ Anwender aus unterschiedlichen Branchen jeden Monat untereinander, offen und ohne Anbieter im Raum.

Zum Anwenderkreis →