Warum KI in der Fertigung ohne verbundene Betriebsdaten scheitert
DBR77 Team7 Min. Lesezeit
Auf dieser Seite
KI in der Fertigung scheitert ohne verbundene Betriebsdaten, weil ein Modell nur aus dem ordnen, vorhersagen oder empfehlen kann, was es sieht. In den meisten Werken liegen die nötigen Fakten in getrennten Systemen, mit unterschiedlichen Maschinen-IDs, fehlenden Stillstandsgründen und ohne Datensatz darüber, was Menschen danach getan haben. Bevor KI helfen kann, braucht ein Werk verlässliche Maschinenereignisse, ein gemeinsames Modell von Anlagen und Aufträgen, abgeschlossene Datensätze zu Maßnahmen und einen Weg, der jede Empfehlung zu einem Menschen zurückbringt, der danach handeln kann.
Das KI-Budget ist oft ausgegeben, bevor jemand die Daten prüft, und das Modell bekommt die Schuld für ein Problem, das weiter vorne liegt.
Warum KI-Piloten in Werken stocken
Die Fehlerquote ist branchenübergreifend hoch. Eine RAND-Studie von 2024, die auf Interviews mit 65 KI-Ingenieuren und Forschern beruht, hält fest, dass nach einigen Schätzungen mehr als 80 % der KI-Projekte scheitern, doppelt so viele wie IT-Projekte ohne KI. Eine der fünf Grundursachen, die sie nennt: Der Organisation fehlen die Daten, um ein wirksames Modell zu trainieren. 30 der 50 Befragten aus der Industrie beschrieben anhaltende Probleme mit der Datenqualität.
Gartner kommt von der Datenseite zu einem ähnlichen Schluss. Gartner sagt voraus, dass Organisationen bis einschließlich 2026 60 % der KI-Projekte aufgeben werden, die nicht durch KI-taugliche Daten gestützt sind, und 63 % der Organisationen haben nicht die richtigen Praktiken im Datenmanagement für KI oder wissen nicht, ob sie sie haben.
Im Werk erhält ein Data Scientist typischerweise einen einmaligen Export: Sensorwerte aus einem System, Arbeitsaufträge aus einem anderen, Ausschuss aus einer Tabelle. Das Modell schneidet auf dieser Historie gut ab, geht dann live und ändert nichts, weil die Live-Daten nicht zum Export passen und die Ausgabe in einer E-Mail landet, für die niemand verantwortlich ist.
Ein Modell auf exportierten Schwingungsdaten meldet bei Kompressor 2 Lagerverschleiß.
Fünf Arten von Daten, die KI im Betrieb braucht
KI im Betrieb muss wissen, wozu ein Wert gehört, was Menschen deswegen getan haben und was danach passiert ist.
| Datenart | Beispiel | Wo sie heute oft liegt | Was ohne sie scheitert |
|---|---|---|---|
| Maschinenereignisse | Zustände, Stückzahlen, Stillstandsgründe, Zustandswerte | SPS, SCADA, ein separates IoT-Werkzeug | Das Modell sieht Zahlen, aber keine Stillstände oder Ursachen |
| Kontext | Anlagen-ID, Arbeitsauftrag, Produkt, Materialcharge, Schicht, Rolle | MES, ERP, Tabellen | Eine Warnung lässt sich keinem Auftrag und keiner Charge zuordnen |
| Maßnahmen und Ergebnisse | Arbeitsaufträge, Prüfungen, Abweichungen, Abschlussvermerke | CMMS, Qualitätsformulare, Papier | Das Modell lernt nie, welcher Rat funktioniert hat |
| Plan | Feinplanung, Umrüstungen, Materialverfügbarkeit | APS, ERP, die eigene Datei des Planers | Eine gute Lösung wird zum schlechtesten Zeitpunkt vorgeschlagen |
| Know-how | SOPs, Instandhaltungsprotokolle, frühere Grundursachen | Netzlaufwerke, Ordner, die Köpfe der Leute | Antworten sind allgemein, nicht auf Ihr Werk bezogen |
Die Qualität der Kennzeichnung zählt so viel wie die Menge. In einer Chalmers-Studie mit OEE-Rohdaten aus 23 Unternehmen und 884 Maschinen ließ sich fast die Hälfte der erfassten Verluste nicht zuordnen, weil Verlustkategorien fehlten oder schlecht beschrieben waren. Ein Modell, das mit „unbekannt“ trainiert wird, lernt nichts Nützliches. Welche Maschinensignale sich überhaupt zu erfassen lohnen, zeigt Welche Daten Sie von Maschinen erfassen sollten.
Warum der Fluss wichtiger ist als die Menge
Viele Werke beantworten das Datenproblem mit einem Data Lake, der beim Berichtswesen hilft, aber Daten sammelt, ohne eine Entscheidung in die Fertigung zurückzugeben. KI im Betrieb braucht einen Kreislauf: Ereignis rein, Empfehlung raus, ein Mensch nimmt sie an oder lehnt sie ab, die Maßnahme wird erfasst, und das Ergebnis kommt als neue Daten zurück.
Illustratives Beispiel: Ein Werk betreibt vier Druckluftkompressoren. Ein Vorhersagemodell, gebaut auf exportierten Schwingungsdaten, meldet bei Kompressor 2 Lagerverschleiß und schickt dem Instandhaltungsleiter wöchentlich ein PDF. Das CMMS ist ein separates System, also verknüpft niemand die Warnung mit einem Arbeitsauftrag. Ein Techniker tauscht das Lager am Donnerstag während eines geplanten Stillstands und schreibt „Geräusch, Lager getauscht“ auf Papier. Drei Wochen später kann niemand sagen, ob das Modell richtig lag, zu früh war oder Glück hatte, und das Vertrauen sinkt.
In einem verbundenen Fluss eröffnet dieselbe Warnung eine Empfehlung, die mit der Anlagen-ID verknüpft ist. Ein Planer gibt sie als Arbeitsauftrag frei, der Techniker schließt ihn mit Befund und Foto ab, und der Abschluss geht als gekennzeichnetes Ergebnis an das Modell zurück. Das Modell ist in beiden Versionen dasselbe, aber nur das verbundene erhält gekennzeichnete Ergebnisse, aus denen es lernen kann.
Ein Reifetest für eine Linie
Machen Sie diesen Ja-oder-Nein-Test an einer Linie, bevor Sie KI kaufen oder entwickeln.
- Eine Anlagenliste. Dieselbe Maschine hat dieselbe ID in Maschinendaten, Instandhaltung und Produktion.
- Stillstände haben Gründe. „Unbekannt“ ist ein kleiner Anteil der Stillstandsminuten, und die Liste der Gründe ist seit Wochen stabil.
- Ereignisse tragen Kontext. Ein Stillstand oder Fehler lässt sich ohne manuelles Nachschlagen einem Auftrag, einem Produkt, einer Materialcharge und einer Schicht zuordnen.
- Maßnahmen werden in einem System abgeschlossen. Arbeitsaufträge und Qualitätsmaßnahmen haben einen Abschlussdatensatz mit dem, was getan wurde, nicht nur einen Status.
- Für jede Ausgabe ist jemand verantwortlich. Jede Art von Empfehlung hat eine benannte Rolle, die sie erhält, und eine Reaktionszeit.
- Es gibt einen Rückweg. Das Ergebnis einer Maßnahme wird dort gespeichert, wo das Modell es lesen kann.
Lautet die Antwort bei vier oder mehr Punkten „nein“, investieren Sie das nächste Quartal in Daten und Fluss, nicht in Modelle. Oft ist der schnellste Weg, bestehende Systeme zu verbinden; Wie Sie MES, WMS, QMS und CMMS vereinheitlichen, ohne alles zu ersetzen zeigt, wie.
Wie das in DBR77 IRIS funktioniert
DBR77 IRIS führt Produktion, Instandhaltung, Qualität, Lager und Planung auf einem gemeinsamen Datenmodell, sodass Maschinenereignisse, Aufträge, Prüfungen und Arbeitsaufträge bereits verknüpft sind, wenn die KI sie liest. Maschinendaten kommen aus DBR77 IIoT: Eingehende Telemetrie wird gegen definierte Schemas geprüft und normalisiert, Geräte sind Stationen zugeordnet, und IRIS CMMS ordnet jede Station ihrer Anlage zu.
Der IRIS-Assistent arbeitet mit diesem gemeinsamen Datensatz. Er beantwortet Fragen aus Live-Daten des Werks und aus Wissensdatenbanken, die aus Ihrer Maschinendokumentation, Ihrer Instandhaltungshistorie, Ihren Prozessen und Produkten aufgebaut sind, und jede Zahl in einer Antwort stammt aus einer Tool-Abfrage Ihrer Daten. Empfehlungen aus Daten & KI zeigen, worauf ihre Bewertung beruht. Über jede entscheidet eine Person, und IRIS erfasst das Ergebnis der umgesetzten Empfehlungen. Wo die Störungshistorie dünn ist, kann DBR77 DT simulierte Daten erzeugen. Sobald diese Basis steht, legt Was KI in der Fertigung heute wirklich leisten kann dar, was KI kann und was nicht.
Häufige Fragen
Brauchen wir einen Data Lake, bevor wir mit KI starten?
Nicht für den Betrieb. KI im Betrieb braucht verbundene Live-Ereignisse, Kontext und abgeschlossene Maßnahmen an den Linien, an denen Sie Ergebnisse wollen.
Wie viel Historie braucht ein Modell?
Das hängt vom Anwendungsfall ab. Offene Probleme zu ordnen oder Fragen aus SOPs zu beantworten kann mit wenig Historie beginnen. Seltene Störungen vorherzusagen braucht gekennzeichnete Beispiele, deshalb zählen Abschlussdatensätze vom ersten Tag an.
Können wir die Daten nutzen, die wir schon haben?
Meist ja, sobald sie verknüpft sind. Die meisten Werke haben die Rohdaten; was ihnen fehlt, sind eine einheitliche Anlagen-ID, saubere Gründe und Abschlussdatensätze.
Müssen unsere Daten das Werk verlassen?
Nicht, wenn Ihre Richtlinien das verbieten. IRIS kann in einer Private Cloud oder in Ihrem eigenen Rechenzentrum laufen, und im SaaS-Betrieb werden die Daten jedes Werks getrennt gehalten. Vereinbaren Sie im Pilotprojekt, wo das Sprachmodell des IRIS-Assistenten läuft.
Fazit
Bevor Sie ein Modell finanzieren, machen Sie an einer Linie den Reifetest mit sechs Punkten. Lautet die Antwort bei vier oder mehr Punkten „nein“, nutzen Sie das nächste Quartal, um bestehende Systeme zu verbinden, die Stillstandsgründe zu bereinigen und Maßnahmen in einem System abzuschließen. Geben Sie dann jeder Art von Empfehlung einen Verantwortlichen und einen Rückweg, damit das Modell aus dem lernt, was Menschen getan haben.
Quellen
- RAND Corporation, Ryseff, De Bruhl, Newberry, The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed, 2024
- Gartner, Lack of AI-Ready Data Puts AI Projects at Risk, 2025
- Hedman, Subramaniyan, Almström, Analysis of Critical Factors for Automatic Measurement of OEE, Procedia CIRP, 2016