Grundlagen: Industrie 4.0, IoT und KI

Eine moderne CNC-Fraesmaschine hat 47 verschiedene Sensoren. Temperatur, Vibration, Spindelstrom, Vorschubkraft, Kuehlmittelfluss. Jeder Sensor spricht sein eigenes Protokoll. Und der KI-Algorithmus? Der braucht alle Daten gleichzeitig, in Echtzeit, in einem einheitlichen Format.

Willkommen in der Realitaet der Datenintegration in der Produktion.

Wie IoT, Edge und KI zusammenspielen

In Lektion 1 hast du die Industrie-4.0-Pyramide kennengelernt — fuenf Ebenen von Sensorik bis KI. Jetzt schauen wir uns an, wie die Daten tatsaechlich von der Maschine zum KI-Modell fliessen.

Schicht	Technologie	Aufgabe	Latenz
Sensor	IoT-Sensoren, Kameras	Rohdaten erfassen	< 1 ms
Edge	Edge-Gateway, Industrial PC	Vorverarbeitung, Echtzeit-Inferenz	1-10 ms
Fog	Lokaler Server, On-Premise	Aggregation, lokales Training	10-100 ms
Cloud	AWS, Azure, Google Cloud	Training, langfristige Analyse	50-500 ms

Der entscheidende Punkt: Nicht alle Daten muessen in die Cloud. Ein Qualitaetssystem, das defekte Teile erkennt, braucht Millisekunden — das laeuft am Edge. Die Langzeitanalyse ueber Qualitaetstrends? Die kann in die Cloud.

✅ Quick Check: Warum laeuft die KI-Inferenz bei zeitkritischen Anwendungen am Edge und nicht in der Cloud? (Tipp: Latenz. Bei 60 Teilen pro Minute hast du eine Sekunde pro Teil — die Cloud-Roundtrip-Zeit ist zu lang.)

Die Schluessel-Technologien im Detail

OPC UA — Die gemeinsame Sprache

Das groesste Problem in der Produktions-IT: Jeder Maschinenhersteller kocht sein eigenes Sueppchen. Siemens nutzt Profinet, Bosch spricht IO-Link, aeltere Maschinen reden Modbus. OPC UA loest genau dieses Problem.

Eigenschaft	OPC UA	Proprietaere Protokolle
Herstellerunabhaengig	Ja	Nein
Security integriert	Ja (TLS, Zertifikate)	Oft nicht
Informationsmodell	Semantisch (nicht nur Rohwerte)	Meist nur Rohwerte
KI-tauglich	Ja — einheitlicher Datenstrom	Adapter noetig

OPC UA liefert nicht nur den Wert „87.3" — sondern auch: Das ist eine Temperatur, gemessen am Spindelkopf, in Grad Celsius, mit Zeitstempel. Diese Semantik ist Gold wert fuer KI-Modelle.

Digital Twin — Simulation statt Trial-and-Error

Ein Digital Twin ist das virtuelle Abbild deiner Maschine — gespeist mit Echtzeit-Sensordaten. Stell dir vor: Du willst die Schnittgeschwindigkeit um 15% erhoehen. Statt an der echten Maschine zu experimentieren (Risiko: Werkzeugbruch, Ausschuss), testest du am Twin.

KI + Digital Twin = Optimierung ohne Risiko:

Anwendung	Ohne Twin	Mit Twin + KI
Parameteroptimierung	Trial-and-Error an der Maschine	Simulation am virtuellen Modell
Ausfallvorhersage	Reaktiv — Maschine faellt aus	Proaktiv — Twin zeigt Verschleiss
Neuprodukt-Anlauf	Wochen fuer Einfahren	Stunden — Twin kennt optimale Parameter

Edge Computing — KI direkt an der Maschine

Edge Computing bedeutet: Die Rechenleistung sitzt nicht in einem Rechenzentrum 500 km entfernt, sondern direkt neben der Maschine. Fuer Produktions-KI ist das oft entscheidend.

Typische Edge-Hardware in der Produktion:

Industrial PCs mit GPU (z.B. NVIDIA Jetson) — fuer Bildanalyse
Edge Gateways — fuer Sensordaten-Aggregation und einfache Modelle
FPGA-Module — fuer ultra-niedrige Latenz bei Regelungsaufgaben

✅ Quick Check: In welchem Szenario wuerdest du die Cloud bevorzugen statt Edge? (Tipp: Wenn du grosse Datenmengen ueber Wochen analysieren willst — zum Beispiel Qualitaetstrends ueber alle Standorte.)

Der Datenfluss: Von der Maschine zum KI-Modell

Sensor → Edge Gateway → OPC UA Server → Datenplattform → KI-Modell
  ↓           ↓              ↓               ↓              ↓
Rohwert   Filterung      Semantik        Speicherung    Vorhersage
(87.3)    (Ausreisser    (Temperatur,    (Time-Series   (Ausfall in
           entfernt)      Spindel, °C)    Database)      72 Stunden)

Kritisch: An jeder Station kann etwas schiefgehen. Der haeufigste Fehler: Die Daten kommen an, aber ohne Kontext. „87.3" ist nutzlos, wenn die KI nicht weiss, dass es eine Temperatur ist.

RAMI 4.0 — Der deutsche Referenzrahmen

Das Referenzarchitekturmodell Industrie 4.0 (RAMI 4.0) ist der deutsche Standard fuer die Strukturierung von Industrie-4.0-Systemen. Fuer KI ist besonders die Schichtenachse relevant:

RAMI-Schicht	Relevanz fuer KI
Business	KI-ROI, Geschaeftsmodelle
Functional	KI-Funktionen (Predictive Maintenance, Qualitaet)
Information	Datenmodelle, Semantik (OPC UA)
Communication	Protokolle, Latenz, Edge/Cloud
Integration	Sensoren, Aktoren, Schnittstellen
Asset	Physische Maschinen und Anlagen

Tja, auf dem Papier sieht RAMI 4.0 elegant aus. In der Praxis stecken die meisten Unternehmen irgendwo zwischen Integration und Communication fest — die oberen Schichten sind genau da, wo KI reinkommt.

Key Takeaways

IoT-Sensoren erfassen Daten, Edge verarbeitet in Echtzeit, Cloud trainiert und analysiert langfristig
OPC UA ist der Schluessel zur herstelleruebergreifenden Datenintegration — ohne gemeinsame Sprache keine KI
Digital Twins ermoeglichen risikofreie Optimierung: Simulieren statt Experimentieren
Edge Computing bringt KI-Inferenz an die Maschine — entscheidend fuer zeitkritische Anwendungen
RAMI 4.0 strukturiert die Industrie-4.0-Landschaft — KI sitzt in den oberen Schichten

Up Next

In der naechsten Lektion schauen wir uns die konkreten KI-Anwendungsfaelle in der Produktion an — wo hat KI den groessten ROI, und welche Use Cases eignen sich fuer den Einstieg?