Warum herkömmliche SPS in der adaptiven Fertigung versagen
Speicherprogrammierbare Steuerungen (SPS) sind hervorragend für deterministische, sich wiederholende Aufgaben geeignet. Sie erfassen Eingaben, führen Kontaktplan-Logik aus und aktualisieren Ausgänge in festen Zyklen. Dieses Modell funktioniert gut bei stabilen Prozessen mit vorhersehbaren Eingaben. Moderne Produktionslinien hingegen sehen sich häufigen Material- und Nachfrageschwankungen gegenüber. Traditionelle SPS können nicht aus Daten lernen oder Geräteabweichungen vorhersagen. Daher müssen Ingenieure die Logik manuell neu programmieren, sobald sich Bedingungen ändern. Dieser reaktive Ansatz kostet Zeit und lässt Effizienzpotenziale ungenutzt.
Definition AI-SPS – Wo Echtzeitsteuerung auf maschinelles Lernen trifft
Eine AI-SPS ist keine Standard-SPS mit angehängter Cloud-API. Stattdessen sind Inferenz-Engines direkt in die Echtzeit-Steuerungsschleife eingebettet. Die SPS führt konventionelle Logik für Sicherheit und grundlegende Ein-/Ausgänge aus. Parallel dazu führt ein Co-Prozessor oder FPGA trainierte Modelle aus. Diese Modelle sagen Ergebnisse wie Ventilverschleiß, Viskositätsänderungen oder Drehmomentspitzen voraus. Die KI-Ausgabe passt dann PID-Verstärkungen, Sollwerte oder Alarmgrenzen in Echtzeit an. Entscheidend bleibt die Steuerzykluszeit bei den meisten Anwendungen unter 1–10 ms.
Kernarchitektur-Entscheidungen für die AI-SPS-Integration
Ingenieure haben heute drei Hauptwege zur Integration. Erstens: Edge-AI-Module werden direkt auf der SPS-Rückwand montiert. Ein typisches Beispiel ist Siemens S7-1500 mit TM NPU-Modul. Dies hält Daten lokal und vermeidet Netzwerklatenz. Zweitens: Eine Soft-SPS auf einem Industrie-PC führt KI-Modelle parallel aus. Codesys oder TwinCAT RT können sowohl Logik als auch leichte Modelle hosten. Dies eignet sich gut für Bild- oder Schwingungsanalysen. Drittens: KI-fähige I/O-Geräte verarbeiten Sensordaten vor, bevor die SPS sie sieht. Intelligente Sensoren mit eingebetteten neuronalen Netzen reduzieren die Haupt-CPU-Last. Die Wahl hängt von Zykluszeit, Datenvolumen und verfügbaren Ingenieursfähigkeiten ab.
Wie föderiertes Lernen für verteilte SPS-Flotten funktioniert
Föderiertes Lernen löst ein kritisches Problem für Fabriken mit mehreren Linien. Man möchte keine proprietären Produktionsdaten in eine zentrale Cloud senden. Allerdings sieht jede SPS allein möglicherweise nicht genug seltene Fehlerbeispiele. So funktioniert föderiertes Lernen in der Praxis: Jede SPS trainiert ein kleines lokales Modell mit eigenen Daten. Sie sendet nur Gewichtungsupdates (nicht Rohdaten) an einen zentralen Koordinator. Der Koordinator mittelt die Updates und verteilt ein verbessertes globales Modell. Die SPS-Logik nutzt dann das aktualisierte Modell für bessere Vorhersagen. Zum Beispiel können zehn Verpackungslinien voneinander lernen, wenn Dichtungsfehler auftreten, ohne Produktbilder zu teilen.
Feinabstimmung adaptiver Regelalgorithmen – Ein praktischer Leitfaden
Adaptive Regelung in AI-SPS geht über Gain Scheduling hinaus. Verwenden Sie modellreferenzierte adaptive Regelung (MRAC), wenn der Prozess langsam driftet. Für schnelle Störungen wenden Sie Reinforcement Learning (RL) in einer abgeschotteten Schleife an. Begrenzen Sie stets die Autorität der KI – zum Beispiel die Ausgabe auf ±15 % des Nennwerts. Ich empfehle, adaptive Schleifen zuerst an einem digitalen Zwilling zu testen. Simulieren Sie Sensorrauschen und Aktuatorverzögerungen, bevor Sie auf physische Hardware gehen. Protokollieren Sie außerdem KI-Entscheidungsereignisse zusammen mit SPS-Scan-Daten für spätere Ursachenanalysen.
IEC 61131-9 und sichere KI-Ausführung
Der 2020 veröffentlichte Standard IEC 61131-9 behandelt die KI-Integration. Er führt Richtlinien für Datenqualität, Modellvalidierung und Aktualisierungszyklen ein. Der Standard ersetzt keine Sicherheits-SPS (IEC 61508). Stattdessen deckt er nicht-sichere KI-Funktionen ab, die Sollwerte oder Warnungen beeinflussen. Für sicherheitskritische Entscheidungen sollte immer zertifizierte Hardware-Logik als Monitor verwendet werden. Die KI kann Aktionen vorschlagen, aber eine Standard-Sicherheits-SPS muss diese absegnen oder begrenzen.
Hersteller-Analyse – Implementierungen von Siemens, ABB, Rockwell
Siemens Simatic S7-1500 mit Edge AI nutzt TensorFlow Lite-Modelle. Ingenieure konvertieren Keras- oder PyTorch-Modelle ins .tflite-Format. Die SPS startet die Inferenz über eine einfache T_CONFIG-Anweisung. Inferenz-Ergebnisse erscheinen in SPS-Tags, auf die die Logik reagieren kann. ABB Ability AI-SPS konzentriert sich auf Energieoptimierung von Pumpen und Kompressoren. Sie lernt normale Druck-Durchfluss-Kurven während der Inbetriebnahme. Überschreitet eine Abweichung statistische Grenzen, passt sie die VFD-Drehzahlreferenzen an. Typische Energieeinsparungen liegen in meinen Projekten bei 12–25 %. Rockwell FactoryTalk Analytics für SPS führt Anomalieerkennung im Hintergrund aus. Es erstellt ein Profil normaler Ein-/Ausgangsmuster über zwei Wochen Betrieb. Dann meldet es subtile Zeitänderungen – z. B. wenn ein Zylinder 30 ms länger braucht. So wird mechanischer Verschleiß vor einem Ausfall erkannt.
Schritt-für-Schritt: Nachrüstung einer AI-SPS an einem Mischaggregat
Betrachten Sie ein chemisches Mischaggregat mit pH- und Temperaturregelung. Die bestehende SPS verwendet feste PID-Regelschleifen. Die Produktqualität driftet, wenn die Rohstoffviskosität variiert. Schritt 1 – Installieren Sie ein Edge-AI-Modul (z. B. Siemens TM NPU). Schritt 2 – Protokollieren Sie eine Woche pH-, Temperatur-, Viskositäts- und Endqualitätsdaten. Schritt 3 – Trainieren Sie ein Regressionsmodell, um den optimalen Sollwert für die aktuelle Viskosität vorherzusagen. Schritt 4 – Konvertieren Sie das Modell in ONNX- oder TensorFlow-Lite-Format. Schritt 5 – Ändern Sie den SPS-Code: Lesen Sie die Modellausgabe, passen Sie den Temperatursollwert an und setzen Sie Grenzen durch. Schritt 6 – Führen Sie drei Tage parallel: KI-Regelung vs. historische Basislinie. Schritt 7 – Verbessert sich die Qualität um >10 %, schalten Sie die KI-Schleife auf aktive Regelung um. Behalten Sie immer einen manuellen Bypass-Schalter am HMI.
Häufige Implementierungsfehler und Lösungen
Ingenieure unterschätzen oft die Datenabstimmung. KI-Modelle benötigen zeitlich abgestimmte Eingabe- und Label-Daten. Driftet eine Sensorsample auch nur um 200 ms, lernt das Modell falsche Korrelationen. Verwenden Sie eine deterministische Datenpipeline – denselben Scanzyklus für alle relevanten Tags. Ein weiterer Fehler ist Überanpassung an aktuelle Produktionsdaten. Ein Modell, das nur mit Sommerdaten trainiert wurde, kann im Winter versagen. Daher sollten mindestens drei Monate historische Daten einbezogen werden, die alle Schichten und Jahreszeiten abdecken. Vermeiden Sie schließlich stille KI-Ausfälle. Implementieren Sie einen Watchdog-Timer, der die Inferenzlatenz prüft. Dauert die Inferenz länger als 5 ms oder liefert NaN, schalten Sie auf sichere Standardlogik zurück.
Praxisnahe Leistungsdaten aus drei Branchen
Lebensmittelverarbeitung – Pasteurisierungslinie mit AI-SPS. Energieverbrauch sank um 22 % (über sechs Monate validiert). Temperaturschwankungen verringerten sich von ±1,2 °C auf ±0,3 °C. Windpark – Blattwinkelanpassung via Edge AI-SPS. Jährliche Energieausbeute stieg um 18 % bei gleicher Durchschnittsgeschwindigkeit. Lagerersatz der Rotorblätter sank in zwei Jahren um 25 %. Pharmazeutischer Batchreaktor – Automatisierte Qualitätskontrolle mit Vision AI-SPS. Menschliche Fehler bei Chargenprüfungen sanken um 40 %. Freigabezeit der Charge reduzierte sich im Schnitt von 14 auf 9 Tage.
Fachkräftemangel angehen – Was Ingenieure lernen müssen
AI-SPS-Projekte scheitern häufiger an fehlenden Fähigkeiten als an Hardwaregrenzen. SPS-Programmierer brauchen grundlegende Datenwissenschaftskompetenz. Lernen Sie, Sensorbereiche zu normalisieren (0–1-Skalierung) für stabiles Training. Verstehen Sie Überanpassung – ein Modell mit 99 % Trainingsgenauigkeit, aber 70 % Testgenauigkeit ist nutzlos. Lernen Sie auch, Verwirrungsmatrizen für Klassifikationsergebnisse zu lesen. Hersteller-Schulungen helfen, reichen aber nicht aus. Ich empfehle, einen Offline-Teststand mit simulierten Feldgeräten einzurichten. Üben Sie Modellkonvertierung, Deployment und Fehlerinjektion. Innerhalb von drei Monaten kann ein Team aus zwei Ingenieuren kompetent werden.
Wann KI in einer SPS nicht einsetzen
KI ist keine universelle Lösung für jedes Steuerungsproblem. Verwenden Sie KI nicht für einfache Ein-/Aus-Schaltungen oder feste Ablaufsteuerungen. Nutzen Sie KI nicht, wenn keine sauberen, gelabelten historischen Daten vorliegen. Setzen Sie KI nicht bei sicherheitsrelevanten Funktionen ein (z. B. Not-Aus). Vermeiden Sie KI auch bei sehr schnellen Schleifen unter 1 ms – hier gewinnt weiterhin die traditionelle PID-Regelung. Wählen Sie KI nur, wenn der Prozess messbare, aber unvorhersehbare Schwankungen aufweist.
Zukunftsausblick – Selbstoptimierende Fabriken
In den nächsten fünf Jahren wird On-Device-Learning in SPS Einzug halten. Statt Cloud-basiertem Retraining aktualisieren SPS Modelle inkrementell. Das erfordert robuste Konzeptdrift-Erkennung – also das Erkennen von Prozessänderungen. Ich erwarte, dass große Hersteller bis 2027 integrierte AI-SPS mit nativen Sicherheitszertifikaten herausbringen. Ingenieure, die heute mit kleinen Pilotprojekten starten, werden morgen ihre Organisationen anführen.
Praktische Anwendungsszenarien (B2B-Fokus)
Szenario 1 – Reduzierung von Ausschuss an Verpackungslinien
Ein Getränkeabfüller nutzt AI-SPS zur Erkennung von Dichtungsfehlern. Die SPS überwacht Drehmoment, Temperatur und Ultraschalldichtungsdaten. Sie sagt einen fehlerhaften Verschluss 200 ms vor der nächsten Flasche voraus. Das System wirft nur die fehlerhafte Flasche aus, nicht die ganze Reihe. Ergebnis: 37 % weniger Produktabfall innerhalb eines Jahres.
Szenario 2 – Energieoptimierung der Lüftung in Reinräumen
Eine Halbleiterfabrik setzt AI-SPS an Luftaufbereitungsanlagen ein. Die KI lernt Druckabfallmuster im Reinraum bei unterschiedlichen Filterbelastungen. Sie passt die Lüftergeschwindigkeiten proaktiv an, nicht reaktiv auf Alarme. Die Energieeinsparung erreicht 19 % ohne Verletzung der ISO 14644-Normen.
Szenario 3 – Predictive Changeover für Spritzgussmaschinen
Ein Medizintechnikwerk nutzt AI-SPS an Spritzgussmaschinen. Die KI verfolgt Zyklus für Zyklus die Kavitätsdruckprofile. Sie sagt voraus, wann eine Form beginnt, Teile außerhalb der Toleranz zu produzieren. Das System plant die automatische Reinigung 50 Zyklen vor dem Ausfall. Die Umrüstzeit wird geplant, nicht zum Notfall.
Geschrieben von Gu Jinghong, Ingenieur für industrielle Automatisierung mit Schwerpunkt SPS- & DCS-Lösungen für Öl-, Gas- und Chemieindustrie.
