From Industrial AI Pilots to Real Business Value: How ABB Is Connecting Predictive AI and IoT

Von industriellen KI-Pilotprojekten zu echtem Geschäftswert: Wie ABB prädiktive KI und IoT verbindet

Industrielle künstliche Intelligenz geht über experimentelle Anwendungen hinaus und wird Teil des Alltags in der Fertigungs- und Prozessindustrie. Messbare Erträge lassen sich jedoch nicht allein durch die Installation vernetzter Sensoren oder den Einsatz prädiktiver Algorithmen erzielen. Entscheidend ist die Integration von Betriebsdaten, technischem Fachwissen, Automatisierungssystemen und menschlicher Entscheidungsfindung in eine koordinierte digitale Infrastruktur.

Rajesh Ramachandran, globaler Chief Digital Officer des Geschäftsbereichs Automation von ABB, ist überzeugt, dass die Kombination von Technologien des industriellen Internets der Dinge (IIoT) mit prädiktiver KI Herstellern helfen kann, die Anlagenzuverlässigkeit zu verbessern, den Energieverbrauch zu optimieren und zunehmend autonome Betriebsabläufe zu ermöglichen.

Seine Einschätzung verdeutlicht eine wichtige Herausforderung für Industrieunternehmen: Große Mengen an Betriebsdaten in Entscheidungen umzuwandeln, die messbare Verbesserungen bewirken.

1. Industrielle KI und IoT: Mehr als nur Datenerfassung

Das industrielle Internet der Dinge ist zu einem wichtigen Treiber der digitalen Transformation geworden. Vernetzte Sensoren, intelligente Instrumente und vernetzte Steuerungssysteme ermöglichen es Herstellern, kontinuierlich Betriebsdaten zu erfassen. Prädiktive KI wiederum bietet die nötigen Analysefunktionen, um Muster zu erkennen, ungewöhnliche Zustände festzustellen und mögliche Anlagenausfälle vorherzusehen.

Diese Technologien erfüllen unterschiedliche, sich aber ergänzende Aufgaben. IoT ermöglicht den Einblick in physische Anlagen und Prozesse, während KI die erfassten Informationen auswertet und potenzielle Betriebsrisiken erkennt.

Mehr Daten zu erfassen, verbessert die industrielle Leistung jedoch nicht automatisch. Ein Schwingungsmesswert oder eine Temperaturmessung hat nur begrenzten praktischen Nutzen, wenn die Betriebsbedingungen der Anlage, ihre Wartungshistorie und die technischen Grenzwerte nicht bekannt sind.

Meiner Ansicht nach sollte sich die nächste Phase der industriellen Digitalisierung weniger auf die Erhöhung des erfassten Datenvolumens konzentrieren als vielmehr auf die Verbesserung ihrer technischen Relevanz. Eine geringere Menge gut kontextualisierter Informationen kann bessere Wartungsentscheidungen unterstützen als Millionen unzusammenhängender Sensormesswerte.

2. Datenqualität und technischer Kontext bestimmen die KI-Leistung

Laut Ramachandran sollte eine erfolgreiche Strategie für prädiktive KI mit einem klar definierten Geschäftsproblem beginnen.

Industrieunternehmen müssen bestimmen, was sie prognostizieren möchten, wie früh eine Warnung erforderlich ist und welche betriebliche Entscheidung von dieser Prognose profitieren soll.

Bei diesem Ansatz haben die technischen Anforderungen Vorrang vor der Technologieauswahl.

Damit Prognosemodelle nützliche Ergebnisse liefern, müssen Informationen aus verschiedenen Quellen verknüpft werden, darunter:

  • Betriebstechnik (OT): Echtzeitmesswerte von Sensoren, SPS, DCS-Plattformen und anderen Steuerungssystemen.
  • Informationstechnologie (IT): Unternehmensinformationen, Produktionsaufzeichnungen und betriebliche Daten mit Geschäftsbezug.
  • Engineering Technology (ET): Anlagenspezifikationen, Prozesskenntnisse, Betriebsgrenzen und technische Dokumentation.
  • Wartungsaufzeichnungen: Anlagenwartungshistorien, Inspektionsergebnisse, Störungsberichte und frühere Korrekturmaßnahmen.

Die Integration von OT, IT und ET ermöglicht ein umfassenderes Verständnis des Anlagenverhaltens.

Ein plötzlicher Anstieg der Motorvibrationen kann beispielsweise auf ein sich entwickelndes mechanisches Problem hinweisen. Die Interpretation hängt jedoch von der Motordrehzahl, den Belastungsbedingungen, der Lagerhistorie und den jüngsten Wartungsarbeiten ab.

Deshalb erfordert industrielle KI mehr als Data Science. Technisches Fachwissen liefert den Kontext, durch den Analyseergebnisse zu aussagekräftigen betrieblichen Informationen werden.

3. Integration prädiktiver KI in bestehende Industriesysteme

Eines der größten Hindernisse für die Einführung industrieller KI ist nicht unbedingt die Entwicklung von Modellen. Es geht vielmehr darum, KI-generierte Erkenntnisse in bestehende Arbeitsabläufe zu integrieren.

Ein Prognosemodell kann einen abnormalen Zustand mit hoher Genauigkeit erkennen, doch sein Nutzen bleibt begrenzt, wenn das Wartungsteam die Information nicht rechtzeitig erhält oder nicht weiß, welche Maßnahmen zu ergreifen sind.

Ramachandran betont, dass KI-Lösungen sicher in bestehende Systeme integriert werden müssen und klare Zuständigkeiten für die Umsetzung ihrer Empfehlungen festgelegt sein müssen.

Für Industrieanlagen erfordert dies die Berücksichtigung mehrerer praktischer Aspekte:

  • Integration in die bestehende Automatisierungs- und Überwachungsinfrastruktur.
  • Sichere Kommunikation zwischen Betriebs- und Unternehmenssystemen.
  • Angemessener Zugriff auf Echtzeit- und historische Anlagendaten.
  • Klare Verfahren zur Alarmpriorisierung und Benachrichtigung über Wartungsbedarf.
  • Festgelegte Zuständigkeiten für die Prüfung und Freigabe von KI-Empfehlungen.
  • Kontinuierliche Bewertung der Modellleistung und der Betriebsergebnisse.

Aus Sicht der Automatisierungstechnik sollte KI bestehende Steuerungs- und Schutzarchitekturen ergänzen, statt sie unnötig komplexer zu machen.

Prädiktive Analysen können die Wartungsplanung und die Betriebsoptimierung unterstützen, doch sicherheitsbezogene Steuerungsfunktionen und kritische Schutzmechanismen müssen ihre etablierten technischen Grenzen beibehalten.

4. ABB Genix: Aufbau einer industriellen AIoT-Plattform

ABB begegnet diesen Integrationsherausforderungen mit seiner Plattform ABB Genix Industrial IoT and AI.

Die Plattform wurde entwickelt, um Industriedaten zu verknüpfen, Informationen zu kontextualisieren und Analysen auf verschiedenen Betriebsebenen anzuwenden. Sie soll Unternehmen dabei unterstützen, Effizienz, Anlagenzuverlässigkeit und Nachhaltigkeit durch eine besser koordinierte Nutzung industrieller Informationen zu verbessern.

Ein plattformbasierter Ansatz ist besonders für große Industrieanlagen relevant, in denen Anlagen, Steuerungssysteme und Wartungsanwendungen oft in getrennten Informationsumgebungen betrieben werden.

Anstatt einzelne KI-Anwendungen für bestimmte Maschinen bereitzustellen, können Hersteller auf eine stärker integrierte Architektur hinarbeiten, die die Datenerfassung, Integration, Analyse und Optimierung unterstützt.

Dadurch entstehen auch Möglichkeiten, erfolgreiche Anwendungen auf mehrere Produktionslinien und Standorte auszuweiten.

Die Bereitstellung einer Plattform allein garantiert jedoch keine betrieblichen Verbesserungen. Data Governance, Systemintegration, technische Validierung und die Akzeptanz der Belegschaft bleiben notwendige Bestandteile des Implementierungsprozesses.

5. Den „Pilot Purgatory“ überwinden: KI im gesamten Industriebetrieb ausweiten

Vielen Herstellern ist es gelungen, KI-Anwendungen an einzelnen Maschinen oder Produktionsprozessen erfolgreich zu erproben. Schwieriger ist es, diese Ergebnisse auf einen ganzen Betrieb oder ein gesamtes Unternehmen auszuweiten.

Diese Situation wird oft als „Pilot Purgatory“ bezeichnet: Vielversprechende digitale Projekte bleiben isolierte Demonstrationen, anstatt sich zu etablierten betrieblichen Fähigkeiten zu entwickeln.

Ramachandran sieht die Unternehmensführung als wichtigen Faktor bei der Bewältigung dieses Problems. Unternehmen benötigen klare Geschäftsziele, eine geeignete digitale Infrastruktur und die Zusammenarbeit zwischen Technologieteams und Betriebspersonal.

In der Praxis müssen Unternehmen mehrere Herausforderungen bewältigen, um industrielle KI auszuweiten:

  • Datensilos: Informationen müssen in den relevanten Betriebs- und Geschäftssystemen zugänglich sein.
  • Veraltete Infrastruktur: Die Integration bestehender PLC-, DCS-, SCADA- und Anlagenmanagement-Umgebungen muss möglicherweise sorgfältig geplant werden.
  • Akzeptanz der Belegschaft: Ingenieure und Wartungspersonal müssen verstehen, wie KI-Empfehlungen ihre Arbeit beeinflussen sollten.
  • Betriebliche Verantwortung: Für jede KI-Anwendung muss klar festgelegt sein, wer ihre Ergebnisse überprüft und Maßnahmen einleitet.
  • Bereitstellungsstrategie: Erfolgreiche Anwendungen sollten entsprechend ihrem nachgewiesenen betrieblichen Nutzen ausgeweitet werden und nicht allein deshalb, weil die Technologie verfügbar ist.

Ich bin der Meinung, dass Hersteller die Einführung von KI nicht als Wettlauf betrachten sollten, bei dem jeder Prozess automatisiert werden muss. Eine praktischere Strategie besteht darin, wiederkehrende betriebliche Probleme zu ermitteln, Lösungen in kontrollierten Umgebungen zu validieren und Anwendungen nur dann auszuweiten, wenn sich ihr Nutzen nachweisen lässt.

6. Industriellen KI-ROI anhand der betrieblichen Leistung messen

In industriellen Anwendungen sollte die Leistung von KI nicht allein anhand der Modellgenauigkeit bewertet werden.

Ein technisch beeindruckender Algorithmus schafft nicht zwangsläufig geschäftlichen Nutzen. Sein Beitrag muss sich in messbaren Verbesserungen niederschlagen, etwa bei Anlagenverfügbarkeit, Produktionsertrag, Wartungskosten, Energieverbrauch und Betriebssicherheit.

Ein sinnvoller Ausgangspunkt ist die Festlegung einer betrieblichen Ausgangsbasis, bevor prädiktive KI eingeführt wird.

Wenn ein System für die vorausschauende Wartung beispielsweise rechtzeitig vor einem unerwarteten Anlagenstillstand warnt, sodass dieser verhindert werden kann, lässt sich der finanzielle Nutzen anhand vermiedener Produktionsausfälle, Notfallwartungskosten und möglicher Folgeschäden an Anlagen bewerten.

ABB hat eine Anwendung zur multivariaten Anomalieerkennung in seiner Lösung Genix Asset Performance Management vorgestellt.

Laut Ramachandran haben aktuelle Kundeneinsätze potenzielle Geräteausfälle sechs bis zehn Tage vor ihrem Eintreten erkannt. Dieser Vorwarnzeitraum kann Wartungsteams zusätzliche Zeit geben, um anomale Zustände zu untersuchen und Korrekturmaßnahmen zu planen.

Die Vorhersagequalität muss dennoch sorgfältig bewertet werden.

Falschmeldungen können zu unnötigen Inspektionen und Wartungsarbeiten führen, während übersehene Warnungen Produktionsanlagen erheblichen Betriebsrisiken aussetzen können.

Aus diesem Grund sollte die Leistung industrieller KI sowohl anhand technischer Kennzahlen als auch anhand tatsächlicher Wartungsergebnisse beurteilt werden.

7. Prädiktive Analytik, präskriptive Intelligenz und digitale Zwillinge

Industrielle KI geht allmählich darüber hinaus, zu erkennen, was passieren könnte. Sie erklärt zunehmend, warum ein Ereignis wahrscheinlich eintreten wird, und empfiehlt, was als Nächstes zu tun ist.

Prädiktive Analytik erkennt potenzielle zukünftige Zustände. Präskriptive Analytik bewertet mögliche Reaktionen, während Kausalanalysen dabei helfen können, die zugrunde liegenden Faktoren zu untersuchen, die zu anomalem Verhalten beitragen.

Digitale Zwillinge erweitern diese Möglichkeiten, indem sie virtuelle Darstellungen physischer Anlagen, Prozesse oder Systeme erstellen. In Verbindung mit Betriebsdaten in Echtzeit können Simulationsmodelle Ingenieuren helfen, verschiedene Betriebsszenarien zu bewerten, bevor sie Änderungen an physischen Anlagen vornehmen.

Diese Kombination bietet mehrere potenzielle Vorteile:

  • Frühere Erkennung anomaler Betriebsbedingungen.
  • Besseres Verständnis möglicher Mechanismen für Geräteausfälle.
  • Bewertung alternativer Wartungs- oder Betriebsstrategien.
  • Geringere Unsicherheit bei der Bewertung vorgeschlagener Prozessänderungen.
  • Besser fundierte Entscheidungen auf Basis von Betriebsszenarien.

Meiner Meinung nach könnte die Kombination aus prädiktiver Analytik und digitalen Zwillingen bei komplexen industriellen Prozessen besonders wertvoll werden. Anstatt Ingenieure lediglich darüber zu informieren, dass ein Parameter seinen normalen Bereich überschritten hat, sollten zukünftige Systeme zunehmend dabei helfen, mögliche Ursachen zu erklären und die Folgen verschiedener Korrekturmaßnahmen zu bewerten.

8. Agentische KI und die Zukunft autonomer industrieller Betriebsabläufe

Mit Blick auf die Zukunft erwartet Ramachandran, dass prädiktive, präskriptive und generative KI-Funktionen zunehmend enger zusammenarbeiten und agentische KI dazu beiträgt, analytische Erkenntnisse mit betrieblichen Arbeitsabläufen zu verknüpfen.

Prädiktive KI kann aufkommende Risiken erkennen. Generative KI kann Ingenieuren helfen, technische Informationen zu interpretieren, während agentische KI die Ausführung von Arbeitsabläufen und koordinierte Aufgaben innerhalb festgelegter betrieblicher Grenzen unterstützen kann.

Diese Entwicklung könnte die Interaktion von Beschäftigten in der Industrie mit Automatisierungssystemen verändern.

Anstatt mehrere Dashboards, Wartungsprotokolle und technische Dokumente manuell zu prüfen, können Beschäftigte zunehmend KI-gestützte Systeme nutzen, um den Zustand von Anlagen zu untersuchen, relevante Informationen zu finden und empfohlene Maßnahmen vorzubereiten.

Mehr Automatisierung bedeutet jedoch nicht, menschliche Verantwortung abzuschaffen.

In industriellen Umgebungen müssen Entscheidungen zu Sicherheit, Anlagenintegrität und Produktionskontinuität einer angemessenen technischen Aufsicht unterliegen. Von KI generierte Empfehlungen müssen validiert werden, und automatisierte Maßnahmen müssen innerhalb klar festgelegter Berechtigungen und Systemgrenzen erfolgen.

Ziel sollte nicht einfach sein, Fabriken zu schaffen, die mehr KI einsetzen. Vielmehr sollten Industriebetriebe entwickelt werden, die bessere Entscheidungen treffen, effektiver auf veränderte Bedingungen reagieren und ein angemessenes Maß an menschlicher Verantwortung wahren.

9. Perspektive aus dem Engineering: Der Erfolg industrieller KI beginnt mit betrieblicher Disziplin

Der Ansatz von ABB verdeutlicht eine allgemeinere Lektion für Hersteller: Industrielle KI ist keine isolierte Softwareinvestition. Sie ist eine Erweiterung der bestehenden Automatisierungs-, Informations- und Engineering-Infrastruktur.

Die größten Chancen dürften dort entstehen, wo Unternehmen bereits klar erkennbare betriebliche Probleme, ausreichend historische Daten und Echtzeitdaten sowie Teams haben, die analytische Erkenntnisse in praktische Maßnahmen umsetzen können.

Für Automatisierungsingenieure bedeutet dies, dass die Entwicklung KI-gestützter Betriebsabläufe zunehmend die Zusammenarbeit zwischen Regelungstechnik, Instrumentierung, IT-Infrastruktur, Instandhaltung und Data Science erfordern wird.

Das bedeutet auch, dass bestehende Industrieanlagen nicht außer Acht gelassen werden sollten. Viele etablierte Anlagen enthalten bereits wertvolle Betriebsinformationen in SPS, DCS-Plattformen, Zustandsüberwachungssystemen und Wartungsdatenbanken. Diese Ressourcen zu verknüpfen und in ihren Kontext einzuordnen, kann einen praktischeren Ausgangspunkt bieten als die bestehende Infrastruktur zu ersetzen.

Letztlich hängt der Übergang zu intelligenten Industriebetrieben davon ab, wie effektiv Unternehmen digitale Technologien mit technischer Erfahrung verbinden. KI kann die Transparenz und Entscheidungsfindung verbessern, doch messbarer industrieller Nutzen entsteht weiterhin durch die Lösung realer betrieblicher Probleme.

Von industriellen KI-Pilotprojekten zu echtem Geschäftswert: Wie ABB prädiktive KI und IoT verknüpft
Vorheriger Beitrag