KI-WISSEN FÜR INGENIEURE (TEIL 2) KI IN DER INDUSTRIELLEN PRAXIS: VON DER
THEORIE IN DIE WERKSHALLE
04.08.2026 Von 8 min Lesedauer
Anbieter zum Thema
Sieben Anwendungsfälle zeigen, wie KI konkreten Nutzen in der Produktion stiftet
– von der vorausschauenden Wartung bis zur agentenbasierten Konstruktion.
Im haben wir die theoretischen Grundlagen von und neuronalen Netzen beleuchtet.
Nun geht es um den tatsächlichen Nutzen in der Werkshalle. Der industrielle
Einsatz von unterscheidet sich wesentlich von der generativen KI in bekannten
Alltags-Anwendungen:
Wenn ein Musik-Streaming-Dienst einen unpassenden Titel vorschlägt, klickt der
Nutzer einfach weiter. Entscheidet eine KI in der Produktion falsch und steuert
einen Roboterarm in ein Hindernis, drohen massive Anlagenschäden,
Produktionsstillstände oder gar Personenschäden. Falsche Entscheidungen sind in
der Industrie teuer. Die Systeme müssen robust sein. „Dementsprechend ist es im
industriellen Bereich sehr, sehr wichtig, dass diese Systeme sehr robust sind“,
sagt Sebastian Maier, Wissenschaftler am Fraunhofer IGCV, der für das zum Thema
referierte.
In der Industrie stehen deshalb oftmals nicht die allwissenden, riesigen Modelle
im Zentrum, sondern spezialisierte und effiziente KI-Lösungen, die aus
Maschinendaten konkretes Wissen extrahieren. Die folgenden sieben
Anwendungsfälle zeigen, wie Daten in der Automatisierung handfeste Mehrwerte
schaffen.
VORAUSSCHAUENDE WARTUNG: VERSCHLEISS ERKENNEN, BEVOR DIE MASCHINE STEHT
Die vorausschauende Wartung () gehört zu den etabliertesten KI-Anwendungen im
industriellen Umfeld. Das Ziel besteht darin, den Verschleißzustand von
Maschinenkomponenten präzise zu ermitteln, um Ausfälle vorherzusagen. Bislang
dominiert jedoch ein anderes Bild: „In der Realität sieht es aber aktuell eher
so aus, man hat Wartungspläne, jede Anlage wird zu genau demselben Intervall
gewartet, was natürlich zu viel, viel mehr Aufwand führt“, erklärt Sebastian
Maier. Die Folge ist laut dem Wissenschaftler oftmals, „dass die Anlage
eigentlich viel, viel mehr steht, als sie eigentlich müsste, weil man eben nicht
genau weiß, wann sie ausfällt und dementsprechend lieber erstmal vorsorglich
wartet, dass auch wirklich nichts ausfällt.“
Ein typisches Einsatzgebiet sind CNC-Maschinen. Hier erfassen
Beschleunigungssensoren die Vibrationen der Achsen, oder das System analysiert
die Motorströme der Antriebe. Aus diesen Messwerten leitet die KI bestimmte
Frequenzbereiche ab. Anhand der Muster im Frequenzband bewertet das Modell den
Verschleißzustand von Bauteilen wie Kugellagern oder Spindeln. Die
Instandhaltung greift erst dann ein, wenn die KI einen drohenden Ausfall
prognostiziert. Das reduziert unnötige Stillstandzeiten und schöpft die
tatsächliche Lebensdauer der Komponenten vollständig aus.
ANOMALIEERKENNUNG: DIE GRENZEN STATISCHER SCHWELLWERTE ÜBERWINDEN
Während Predictive Maintenance gezielt den Verschleiß einzelner Bauteile
überwacht, blickt die Anomalieerkennung auf das Gesamtbild hochkomplexer
Anlagen. Ein anschauliches Beispiel liefert der Betrieb eines
Geothermie-Kraftwerks. In der Leitwarte laufen kontinuierlich Daten von über 400
Parametern zusammen – darunter Drücke, Durchflüsse und Temperaturen.
Statische Grenzwerte stoßen hier an ihre Grenzen. „Das Problem ist, in den
meisten Fällen sind diese Intervalle viel zu breit gesetzt“, so Maier. Definiert
der Betreiber einen festen Alarmwert, etwa bei einem Druck von 20 Bar, greift
dieser oft zu spät. „Das bedeutet, wenn ich diesen Alarm eigentlich reiße oder
diesen Schwellwert reiße, ist es schon viel zu spät. Ich muss vielleicht die
ganze Anlage abschalten. Ich habe vielleicht schon Ausschuss produziert in
meiner Anlage.“
Um dieses Problem zu lösen, kommt das sogenannte unüberwachte Lernen
(Unsupervised Learning) zum Einsatz. Ein KI-Modell, in diesem Fall ein
Autoencoder, analysierte Daten aus zweieinhalb Jahren im 15-Minuten-Takt. Das
Modell lernt aus dieser gewaltigen Historie selbstständig die physikalischen
Zusammenhänge der 400 Parameter und definiert so den Normalzustand des
Kraftwerks. Im laufenden Betrieb vergleicht der Autoencoder kontinuierlich die
Live-Daten mit dem von ihm erwarteten Zustand. Weichen die Werte ab, schlägt das
System frühzeitig Alarm, lange bevor herkömmliche statische Schwellwerte
reagieren.
PREDICTIVE QUALITY: DEN PERFEKTEN TORTENBODEN BERECHNEN
Die vorausschauende Qualitätssicherung (Predictive Quality) zielt darauf ab,
Ausschuss zu vermeiden, indem sie den Produktionsprozess vorausschauend steuert.
Jeder Fertigungsprozess unterliegt bestimmten Einflussgrößen. Es gibt
Steuergrößen, die der Anlagenbediener aktiv einstellen kann, wie die Temperatur
eines Ofens oder die Drehzahl eines Rührwerks. Gleichzeitig wirken Störgrößen
auf den Prozess ein, die sich zwar messen, aber nicht direkt beeinflussen
lassen. Das können Schwankungen in der Hallenluftfeuchtigkeit oder natürliche
Varianzen bei Rohstoffen sein.
JETZT NEWSLETTER ABONNIEREN
TÄGLICH DIE WICHTIGSTEN INFOS ZU BIG DATA, ANALYTICS & AI
Geschäftliche E-Mail
Bitte geben Sie eine gültige E-Mailadresse ein.
Abonnieren
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 . Weitere Informationen finde ich in unserer .
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
Stand: 08.12.2025
Es ist für uns eine Selbstverständlichkeit, dass wir verantwortungsvoll mit
Ihren personenbezogenen Daten umgehen. Sofern wir personenbezogene Daten von
Ihnen erheben, verarbeiten wir diese unter Beachtung der geltenden
Datenschutzvorschriften. Detaillierte Informationen finden Sie in unserer .
EINWILLIGUNG IN DIE VERWENDUNG VON DATEN ZU WERBEZWECKEN
Ich bin damit einverstanden, dass die Vogel IT-Medien GmbH,
Max-Josef-Metzger-Straße 21, 86157 Augsburg, einschließlich aller mit ihr im
Sinne der §§ 15 ff. AktG verbundenen Unternehmen (im weiteren: Vogel
Communications Group) meine E-Mail-Adresse für die Zusendung von Newslettern und
Werbung nutzt. Auflistungen der jeweils zugehörigen Unternehmen
können abgerufen werden.
Der Newsletterinhalt erstreckt sich dabei auf Produkte und Dienstleistungen
aller zuvor genannten Unternehmen, darunter beispielsweise Fachzeitschriften und
Fachbücher, Veranstaltungen und Messen sowie veranstaltungsbezogene Produkte und
Dienstleistungen, Print- und Digital-Mediaangebote und Services wie weitere
(redaktionelle) Newsletter, Gewinnspiele, Lead-Kampagnen, Marktforschung im
Online- und Offline-Bereich, fachspezifische Webportale und E-Learning-Angebote.
Wenn auch meine persönliche Telefonnummer erhoben wurde, darf diese für die
Unterbreitung von Angeboten der vorgenannten Produkte und Dienstleistungen der
vorgenannten Unternehmen und Marktforschung genutzt werden.
Meine Einwilligung umfasst zudem die Verarbeitung meiner E-Mail-Adresse und
Telefonnummer für den Datenabgleich zu Marketingzwecken mit ausgewählten
Werbepartnern wie z.B. LinkedIN, Google und Meta. Hierfür darf die Vogel
Communications Group die genannten Daten gehasht an Werbepartner übermitteln,
die diese Daten dann nutzen, um feststellen zu können, ob ich ebenfalls Mitglied
auf den besagten Werbepartnerportalen bin. Die Vogel Communications Group nutzt
diese Funktion zu Zwecken des Retargeting (Upselling, Crossselling und
Kundenbindung), der Generierung von sog. Lookalike Audiences zur
Neukundengewinnung und als Ausschlussgrundlage für laufende Werbekampagnen.
Weitere Informationen kann ich dem Abschnitt „“ in der Datenschutzerklärung
entnehmen.
Falls ich im Internet auf Portalen der Vogel Communications Group einschließlich
deren mit ihr im Sinne der §§ 15 ff. AktG verbundenen Unternehmen geschützte
Inhalte abrufe, muss ich mich mit weiteren Daten für den Zugang zu diesen
Inhalten registrieren. Im Gegenzug für diesen gebührenlosen Zugang zu
redaktionellen Inhalten dürfen meine Daten im Sinne dieser Einwilligung für die
hier genannten Zwecke verwendet werden. Dies gilt nicht für den Datenabgleich zu
Marketingzwecken.
Recht auf Widerruf
Mir ist bewusst, dass ich diese Einwilligung jederzeit für die Zukunft
widerrufen kann. Durch meinen Widerruf wird die Rechtmäßigkeit der aufgrund
meiner Einwilligung bis zum Widerruf erfolgten Verarbeitung nicht berührt. Um
meinen Widerruf zu erklären, kann ich als eine Möglichkeit das unter abrufbare
Kontaktformular nutzen. Sofern ich einzelne von mir abonnierte Newsletter nicht
mehr erhalten möchte, kann ich darüber hinaus auch den am Ende eines Newsletters
eingebundenen Abmeldelink anklicken. Weitere Informationen zu meinem
Widerrufsrecht und dessen Ausübung sowie zu den Folgen meines Widerrufs finde
ich in der .
In der industriellen Tortenboden-Produktion erfasst eine KI diese komplexen
Zusammenhänge. Das Modell lernt, wie sich Ofentemperatur, Drehzahl,
Luftfeuchtigkeit und der pH-Wert der Eier auf die Zielgrößen, den Bräunungsgrad
und die Backhöhe, auswirken. Mit dem Konzept der Closed-Loop Predictive Quality
dreht der Betreiber den Spieß um. Maier verdeutlicht den Ansatz: „Ich kenne mein
Produkt, ich weiß, welche Qualitätsmerkmale ich treffen sollte. Und ich frage
jetzt einfach das Vorhersagemodell, basierend auf den Störgrößen, die ich
aktuell habe, die ich ja nicht beeinflussen kann, wie steuere ich denn jetzt am
besten meine Anlage, mit welcher Ofentemperatur, mit welchen Drehzahlen und so
weiter, um genau diese Zielgrößen zu erreichen.“ Das senkt nicht nur die
Ausschussquote auf ein Minimum, sondern erhöht auch die allgemeine
Ressourceneffizienz des Betriebs.
AUTOMATISIERTE QUALITÄTSSICHERUNG: WENN KI GENAUER HINSCHAUT
Im Bereich der optischen Qualitätskontrolle ersetzt KI zunehmend das menschliche
Auge. Ein Hersteller von Kühlschränken nutzt maschinelles Lernen, um
transparente Spritzgussbauteile, wie etwa Gemüse-Schubladen, auf Qualitätsmängel
zu prüfen. Die Kamerasysteme sollen mikroskopisch kleine Kratzer, Risse oder
schwarze Punkte (Lufteinschlüsse) identifizieren, die für das bloße Auge kaum
erkennbar sind.
Doch dieser Anwendungsfall offenbart auch eine zentrale Schwachstelle vieler
KI-Projekte: die Datenmenge. In einem realen Versuch standen dem Algorithmus
lediglich 50 Aufnahmen fehlerhafter Bauteile zum Trainieren zur Verfügung. Mit
dieser schmalen Datengrundlage erreichte das System eine
Klassifikationsgenauigkeit von 86,25 Prozent. „50 ist für so ein System viel zu
wenig. Es ist eigentlich schon beeindruckend, dass es damit so viel
klassifizieren kann“, betont Maier.
Für einen zuverlässigen und robusten Industrieeinsatz ist dieser Wert dennoch zu
gering. Experten gehen davon aus, dass in der optischen Fehlererkennung 500 bis
1.000 spezifische Fehlerbilder nötig sind, um eine Genauigkeit jenseits der 99
Prozent zu erzielen und das System sicher in die Produktionslinie zu
integrieren.
SYNTHETISCHE DATEN: DEFEKTE AUS DEM COMPUTERMODELL
Fehlen diese realen Fehlerbilder, behilft sich die Industrie mit synthetischen
Daten. Der einfachste Weg ist sogenannte Data Augmentation. Vorhandene Bilder
werden gedreht, beschnitten oder im Kontrast verändert, um der KI mehr
Lernmaterial zu bieten. Bei komplexeren Szenarien setzen Entwickler auf
Simulationen und generative Ansätze.
Ein Beispiel findet sich in Anlagen zur Abfallsortierung, die Inhalte des gelben
Sacks trennen. Eine genormte PET-Flasche existiert im Müll nicht; sie ist
verbeult, gepresst oder verdreht. Um der KI beizubringen, diese Verformungen zu
erkennen, generieren Ingenieure ideale 3D-Modelle der Flaschen. In einer
physikalischen Simulation beschießen sie diese Modelle mit virtuellen Kugeln, um
realistische Beulen und Knicke zu erzeugen. Die daraus gerenderten Bilder dienen
als perfektes Trainingsmaterial.
Ein anderes Verfahren kam bei der Inspektion von Autobahn-Bohrkörnern zum
Einsatz. Um Risse im Asphalt zuverlässig zu erkennen, existierten nicht genügend
reale Aufnahmen. Mit sogenannten (GANs) – Modellen, die künstliche Inhalte
erzeugen – generierten die Entwickler täuschend echte Risse auf den
Bohrkern-Bildern. Wichtig für den Erfolg solcher Modelle ist jedoch stets das
richtige Mischungsverhältnis. Maier mahnt: „Wenn ich jetzt zu 99 Prozent
synthetische Daten habe und nur drei Bilder, die real aufgenommen wurden, auch
dann wird sich das Machine Learning-System schwer tun, in die Realität
übertragbar zu sein. Also das Verhältnis von echten Daten zu synthetischen Daten
muss hier stimmen.“
RETRIEVAL AUGMENTED GENERATION: DER CHATBOT FÜR DAS FIRMENWISSEN
Neben der Auswertung von Sensordaten und Bildern hält die Einzug in die
Industrie, primär im Wissensmanagement. Das endlose Suchen nach Dokumenten,
Handbüchern oder Fehlerprotokollen in verschachtelten Laufwerksordnern kostet
wertvolle Arbeitszeit. „Sie müssen sich überlegen, liegt das jetzt noch auf
einem Laufwerklokal, auf einem PC, vielleicht auf einem Sharepoint, habe ich es
auf Teams abgelegt und so weiter. Diese Suche sparen Sie sich mit so einem
System“, fasst der Wissenschaftler den Nutzen zusammen. Die Lösung nennt sich
(RAG).
Das System kombiniert ein Large Language Model () mit einer unternehmensinternen
Vektordatenbank oder einem Knowledge-Graphen. Ein Monteur steht beispielsweise
vor einer defekten Anlage, die einen spezifischen Fehlercode meldet. Anstatt in
Katalogen zu blättern, tippt er den Code in den firmeninternen ein. Ein
intelligenter KI-Agent durchsucht daraufhin sekundenschnell alle hinterlegten
Handbücher, Richtlinien und alten Wartungsreports. Das LLM formuliert aus den
gefundenen Informationen eine präzise, leicht verständliche Handlungsanweisung.
Das Unternehmen verlässt sich dabei nicht auf allgemeines Internetwissen,
sondern nutzt exklusiv die verifizierte, interne Datenbasis.
AGENTENBASIERTES ENGINEERING: VON DER TEXTEINGABE ZUM CAD-MODELL
Noch einen Schritt weiter geht das agentenbasierte Engineering in der
Produktentwicklung, bei dem Textanweisungen in physische Modelle übersetzt
werden. Zunächst überführen Konstrukteure physikalische Regeln, Materialvorgaben
und Design-Anforderungen in eine domänenspezifische Modellierung. Sie bringen
das Fachwissen aus ihren Köpfen in eine strukturierte, maschinenlesbare Form.
Anschließend steuert ein KI-Agent den Designprozess. Der Konstrukteur tippt
beispielsweise einen Prompt ein: „Generiere ein CAD-Modell für ein Windrad mit
drei Blättern und 20 Megawatt.“ Der Agent prüft die Parameter, gleicht sie mit
den hinterlegten physikalischen Regeln ab, stellt bei Bedarf Rückfragen und
generiert vollautomatisch einen ersten, physikalisch validen CAD-Entwurf. Maier
stellt klar: „Das ist kein perfektes Detailmodell, das am Ende rausspringt mit
jeder Schraube, die richtig gesetzt ist, oder jeder Niet, der da richtig passt.
Darum geht es nicht. Es geht nur darum, dass erste Entwürfe physikalisch richtig
designt sind.“ Dennoch beschleunigt das Vorgehen frühe Designphasen und die
Entwicklung von Produktvarianten massiv.
FAZIT: DIE DATEN MACHEN DEN UNTERSCHIED
Der Einsatz von KI in der Fertigung ist keine Zukunftsmusik mehr. Die Beispiele
zeigen aber deutlich, dass KI selten als universelles, alles umfassendes Gehirn
der Fabrik agiert. Es sind die spitz zugeschnittenen Anwendungen, die in
speziellen Szenarien industriellen Nutzen stiften.
Der Schlüssel zum Erfolg liegt dabei fast immer in der Datenbasis. „Die KI
selbst ist meistens nur so zehn Prozent des Aufwands. 90 Prozent des Aufwands
liegen erstmal darin, die Daten so aufzunehmen, so zu speichern, dass man sie am
Ende des Tages auch gut verwerten kann“, erklärt Maier abschließend. Unternehmen
sollten KI daher nicht als Selbstzweck einführen. „Am Ende des Tages macht man
KI nicht, um KI zu machen oder weil es schön klingt, sondern Sie wollen
Mehrwerte für Ihr Unternehmen generieren.“ Wer diese Grundregel befolgt, ebnet
den Weg von der Theorie in eine effizientere Werkshalle.
Wenn erst einmal die Daten passen, liegen noch weitere Hürden vor einem: die
Implementierung sowie das rechtliche Korsett, das allen voran aus dem EU
besteht. Darum geht es im dritten Teil der Artikelserie.
Dieser Artikel stammt von unserem Partnerportal .
(ID:50906054)