Top 10 Anwendungen: KI im Maschinenalltag
Während viele Branchen noch an der Umsetzung von KI-Projekten scheitern, zeigt der Maschinenbau konkrete Fortschritte. Mit gezielten Anwendungen steigern sie Effizienz, verbessern Prozesse und reduzieren Ausfallzeiten. Hier kommen Top 10-Anwendungen.
Künstliche Intelligenz ist längst in der Automatisierung angekommen. Wo diese in der Anwendung zum Einsatz kommt, zeigen unsere zehn Praxisbeispiele.
(Bild: Лариса Лазебная - stock.adobe.com)
Die amerikanische Elite-Universität MIT erregte im August Aufsehen mit Studienergebnissen zum Einsatz Künstlicher Intelligenz in Unternehmen. Obwohl zwischen 30 und 40 Milliarden Dollar in KI-Projekte investiert worden sind, zahlen sich für 95 Prozent der Unternehmen diese Investitionen nicht aus. Dabei hat das MIT vor allem die Ergebnisse des Einsatzes von Large Language Models wie Chat GPT in betriebswirtschaftlichen Prozessen betrachtet.
Ganz anders sieht es im Bereich Maschinenbau und Fabrikautomation aus. Hier geht es um konkrete Zeit- und Kostenersparnisse über die gesamte Wertschöpfung: von der Konstruktion bis zur Inbetriebnahme, in der Qualitätssicherung und bei der Instandhaltung. Hier müssen nicht Milliarden Euros in neue KI-Modelle investiert werden. Vielmehr liegt der Fokus zahlreicher Unternehmen des Maschinenbaus auf der Umsetzung konkreter Anwendungsfälle mit bereits bestehenden Algorithmen. Das Ergebnis: Viele kleine KI-Lösungen, die bereits heute im Betriebsalltag Zeit und Ressourcen sparen. Nachfolgend hierzu einige Beispiele:
Bilderstrecke: Top 10 Anwendungen von KI im Maschinenalltag
Smart Factory mit 250 digital integrierten Maschinen
Das Rittal Werk in Haiger ist die wohl modernste Schaltschrank-Fertigung der Welt. Die Smart Factory mit 250 digital integrierten Maschinen ist End-to-End vernetzt von der Konstruktion beim Kunden über die Bestellung, Fertigung und Auslieferung bis in den Betrieb der Schränke: Dabei kommen immer mehr AI-Anwendungen zum Tragen, von der Qualitätskontrolle über Informationssysteme oder Predictive Maintenance bis zur Perspektive auf immer weiterreichendere Aufgaben.
Engineering Copilot beschleunigt SPS-Programmierung
Der Engineering Copilot TIA von Siemens repräsentiert eine neue Generation intelligenter Assistenzsysteme für die industrielle Automatisierung. Er wird entwickelt, um Ingenieure bei zentralen Aufgaben zu entlasten und die Effizienz in Entwicklungsprozessen maßgeblich zu steigern. Durch den Einsatz des Engineering Copilots in Verbindung mit dem TIA Portal wird die PLC-Codegenerierung beschleunigt und vereinfacht, was die Entwicklungszyklen verkürzt.
Gleichzeitig bietet der KI-Assistent umfassende Unterstützung bei der Erstellung von HMI-Visualisierungen, wodurch Bedienoberflächen schneller und benutzerfreundlicher gestaltet werden können. Ein weiterer Fokus liegt auf der automatisierten Erzeugung von Projektdokumentationen, was den administrativen Aufwand minimiert und eine konsistente Qualität gewährleistet. Der Engineering Copilot TIA ermöglicht es, sich auf kreative und wertschöpfende Tätigkeiten zu konzentrieren, indem er repetitive und zeitintensive Aufgaben intelligent übernimmt. Er ist ein Schlüsselwerkzeug für die digitale Transformation und die Steigerung der Produktivität in der Industrie.
Vollautomatisch zum Montageplatten Layout
Eplan setzt bei KI im Bereich der Elektrokonstruktion auf durchgängige Daten. Bereits 2024 präsentierte das Unternehmen KI-basierte Wissenserfassung (AI-Copilot), das automatisierte 3D-Schaltschrank-Layout und die Qualitätskontrolle mit KI. Eplan arbeitet mit Siemens am Engineering Copiloten zusammen und entwickelt auf Basis von Microsoft Azure OpenAI Service einen Use-Case, mit dem KI-basiert vollautomatisch ein Montageplatten-Layout generiert werden kann.
KI für die Qualitätsprüfung entlastet Mitarbeiter
Entwickler Philipp Titze-Wolter, Student Moritz Baron und Technologiemanager Michael Hieb zeigen eine KI-basierte Prüfzelle, die in der Kabelfertigung von Phoenix Contact im Einsatz ist. Mitarbeitende können Kabel und Steckverbinder in eine Vorrichtung einklemmen und in die beleuchtete Kugel schieben. Zehn Kameras machen in der Kugel Fotos von dem Produkt. Die KI, die mit einer Vielzahl an Bilddaten angelernt wurde, erkennt daraufhin mögliche Fehler wie den falschen Farbton, Schmutz oder eine fehlerhafte Umspritzung. Die automatisierte Qualitätskontrolle ermöglicht ein standardisiertes Qualitätsmanagement über verschiedene Standorte hinweg und entlastet die Mitarbeitenden in der Produktion von der manuellen Kontrolle jedes einzelnen Produkts.
KI steigert Transparenz und Maschinenverfügbarkeit
Eine zentrale Herausforderung ist die Reduktion ungeplanter Stillstände und Wartungskosten bei gleichzeitiger Transparenzerhöhung. Die Nutzung vorhandener Antriebssensordaten zur Zustandsüberwachung verschleißbehafteter Komponenten ist hier ein vielversprechender Ansatz. Am Beispiel eines Regalbediengeräts im Hochregallager des Mechatronic Competence Campus von Lenze zeigt sich das Potenzial: durch die Überwachung von Riemen, Antriebs- und Führungsrädern kann der Zustand der Komponenten erfasst und Verschleiß vorzeitig erkannt werden. Besonders erfolgreich ist die frühzeitige Erkennung von Abplattungen an Führungsrädern – ein typisches Verschleißbild, das bislang oft erst bei Ausfall auffiel. Die Kombination aus Antriebsdaten und KI-basierten Analysen ermöglicht hier eine vorausschauende Wartung und erhöht die Anlagenverfügbarkeit signifikant.
KI und 3D-Bildverarbeitung treffen intelligente Entscheidungen
Mit seiner Agilität und Kompaktheit eignet sich der AMR P603 von ABB ideal für Anwendungen in der Intralogistik, zum Beispiel in den Bereichen End-of-Line, Linienbeschickung, Verkettung von Fertigungsprozessen und Kitting. Er unterstützt eine Vielzahl von Lasttypen und -abmessungen, z.B. offene und geschlossene Paletten, Container, Racks und Trolleys, die alle mit flexibel konfigurierbaren Aufsatzmodulen bewältigt werden können. Dank KI-gestützter Navigation, genannt Visual-SLAM ist der mobile Roboter in der Lage, autonom in dynamischen Industrieumgebungen zu navigieren, ohne auf physische Führungen angewiesen zu sein.
Visual-SLAM vereint KI und 3D-Bildverarbeitung. Dies ermöglicht es dem AMR, intelligente Entscheidungen zu treffen und zwischen festen und beweglichen Objekten zu unterscheiden. Nach einmaliger manueller Führung erstellt der AMR eine Karte, die ihm zu einem unabhängigen Betrieb befähigt. Das verkürzt die Inbetriebnahmezeit von Wochen auf Tage und ermöglicht den AMR die Navigation in hochkomplexen, dynamischen Umgebungen, in denen sich auch Menschen aufhalten. Die Karten werden laufend aktualisiert und in der gesamten Flotte geteilt, was sofortige Skalierbarkeit ohne Unterbrechung des Betriebs und größere Flexibilität ermöglicht.
Aktuelle Meldungen aus der Industrie
Energiekrise, Lieferengpässe, Fachkräftemangel: Die Industrie steht vor vielen Herausforderungen. Alle Meldungen aus Maschinenbau und Co finden Sie in unserem News-Blog. Hier klicken!
Karosserieproduktion im Smart Press Shop
In der Produktion von Karosserieteilen ist die Qualität der Werkzeuge von entscheidender Bedeutung. Bereits kleinste Fehler wie defekte Werkzeug- oder Tooling-Elemente, Schrottstau oder Risse in den Bauteilen können erhebliche Kosten verursachen und die Effizienz der Produktion beeinträchtigen. Um die Werkzeuge zu schützen und die Produktion störungsfrei zu halten, setzt die Smart Press Shop GmbH & Co. KG – ein innovatives Joint Venture der Porsche AG und Andritz Schuler mit Sitz in Halle (Saale) – auf das Überwachungssystem Metris Visual Die Protection (VDP).
VDP nutzt fortschrittliche Kameratechnologien und Bildverarbeitungsalgorithmen, um den Werkzeugzustand in Echtzeit kontinuierlich zu überwachen. Das System erkennt frühzeitig Fremdkörper und Schrottstau in den Werkzeugen sowie Risse in Bauteilen. Im Bedarfsfall stoppt die Anlage sofort und verhindert so potenzielle Schäden, bevor sie sich auf den Produktionsprozess auswirken. Durch die Analyse der über das gesamte Fertigungslos hinweg erfassten Bilddaten werden Schwachstellen in den Werkzeugen erkannt und gezielt verbessert. Der Smart Press Shop verfügt darüber hinaus über viele weitere digitale Lösungen von Metris, die bei der intelligenten und nachhaltigen Fertigung unterstützen.
Visual Tool Check prüft Werkzeuge in der Maschine
Die Kamera VT 122 und die Software Visual Tool Check von Heidenhain sind ein messendes System zur ganzheitlichen Beurteilung von Werkzeugen. Sie übernehmen drei Aufgaben in einem: Werkzeugvoreinstellgerät, Werkzeugmikroskop und visuelle Werkzeuginspektion. Die Kamera erstellt Aufnahmen im Maschinenraum integriert in den Bearbeitungsprozess. Die Software Visual Tool Check ermöglicht eine Auswertung der Aufnahmen ohne den Umweg über ein Messlabor am Steuerungsbildschirm oder einem PC im Büro, inklusive KI-basierter, automatisierter Verschleißmessung
Der Anwender steuert die KI-basierte Verschleißmessung ganz einfach über die VTC Zyklen. Die Steuerung fährt das Werkzeug dann mit langsam drehender Spindel vor die Kamera. So entsteht ein Panoramabild des Werkzeugs über alle Schneiden. Die Software Visual Tool Check 1.6 bestimmt daraus vollautomatisch den Freiflächenverschleiß. Jede Schneide wird individuell analysiert, zur Verschleißbreite werden der maximale und ein mittlerer Wert angezeigt und automatisch abgespeichert.
KI erkennt Hydraulikkomponenten und Fehler
Mit KI-basierten Tools erhöht der Hydraulic Hub von Bosch Rexroth Effizienz und Produktivität im Service und der Instandhaltung von Hydraulikprodukten: Sie identifizieren rund eine halbe Million Hydraulikkomponenten von Bosch Rexroth. Über den 'Smarten Assistenten' kann das Servicepersonal interaktiv Informationen zum Produkt abfragen und erhält Antworten auf konkrete Fragestellungen. Die 'Smarte Diagnose' ermöglicht ein schnelles Identifizieren von Fehlern anhand der Beschreibung von Symptomen oder der Eingabe eines Fehlercodes. Das Servicepersonal erhält maßgeschneiderte Lösungsvorschläge für eine schnellere Fehlerbehebung. Das Personal vor Ort – egal ob erfahrener Hydrauliker oder Neueinsteiger – kann im Fall von Störungen schnell und zielgerichtet reagieren.
KI-Anschluss durch Retrofitting
Wie künstliche Intelligenz auch in bereits installierte analoge System integriert werden kann, zeigt der Getriebespezialist Flender. In Thailand rüstete das Unternehmen an einem Getriebe der Vorgängergeneration den AIQ-Core-Sensor nach. Er misst Schwingungen, Temperatur und andere Betriebszustände und verarbeitet diese mit Hilfe der Getriebedaten zu einem eindeutigen Status. Für eine tiefergehende Analyse der Daten verbindet sich der Anwender mit dem AIQ Portal. Dort kommen künstliche Intelligenz und Machine Learning zum Einsatz, die die Betriebsdaten analysieren und die Ergebnisse online oder als herunterladbaren Report aufbereiten. Das nachgerüstete Getriebe treibt eine Pumpe in einer thailändischen Zuckerfabrik an.
überarbeitet von: Dietmar Poll
FAQ: KI im Maschinenbau & der Fabrikautomation
1) Warum scheitern viele KI-Investitionen in Unternehmen – und warum funktioniert KI im Maschinenbau besser?
In generischen Office-/BWL-Prozessen fehlen oft saubere Daten, klare Use-Cases und kurzfristig messbare Effekte – daher verpuffen Investitionen. Im Maschinenbau gibt es dagegen präzise, eng umrissene Aufgaben (Qualität, Taktzeit, Verschleiß, OEE), reichhaltige Maschinendaten und direkte Kennzahlen. Ergebnis: kleine, zielgenaue KI-Bausteine liefern schnell Nutzen (Zeit, Kosten, Qualität).
2) Braucht man dafür eigene, teure KI-Modelle?
Nein. In der Regel werden bestehende Algorithmen, Bildverarbeitung und ML-Bausteine eingesetzt – oft ergänzt um Copilots/Assistenzfunktionen. Der Investitionsschwerpunkt liegt auf Datenzugang, Integration ins Engineering/Shopfloor und Change Management – nicht auf Modellforschung.
3) Welche messbaren Effekte sind typisch?
Weniger Ausschuss & Nacharbeit (automatisierte Sichtprüfung)
Kürzere Engineering- und Inbetriebnahmezeiten (Code-/HMI-Generierung, Dokumentation)
Höhere Verfügbarkeit (zustandsbasierte/predictive Wartung)
Entlastung der Mitarbeitenden von repetitiven Prüf-/Dokutätigkeiten
4) Beispiele aus der Praxis?
Eplan: KI-gestützte Wissenserfassung, automatisiertes 3D-Schaltschrank-Layout; zusammen mit Siemens & Azure OpenAI ein Use-Case zur vollautomatischen Montageplatten-Layout-Generierung.
Phoenix Contact: KI-Prüfzelle mit 10-Kamera-Kugel erkennt Farbton-/Schmutz-/Umspritzfehler in der Kabelfertigung.
Rittal (Werk Haiger): End-to-End vernetzte Smart Factory mit >250 integrierten Maschinen; KI u. a. für Qualität, Informationssysteme, Predictive Maintenance.
Lenze (MCC): Zustandsüberwachung via Antriebsdaten; frühe Erkennung von Abplattungen an Führungsrädern eines Regalbediengeräts.
Siemens (Engineering Copilot TIA): Beschleunigt PLC-Code, HMI-Erstellung, Projektdokumentation.
ABB (AMR P603): Visual-SLAM kombiniert KI & 3D-Vision für autonome Navigation ohne physische Leitlinien; Karten werden flottenweit geteilt.
Smart Press Shop / ANDRITZ Schuler (Metris VDP): Bildverarbeitung schützt Werkzeuge, erkennt Schrottstau/Fremdkörper/Risse in Echtzeit.
HEIDENHAIN (Visual Tool Check): Kamera VT 122 + Software ermitteln KI-basiert Freiflächenverschleiß direkt in der Maschine.
Bosch Rexroth (Hydraulic Hub): KI erkennt Hydraulikkomponenten (~500k) und unterstützt Diagnose/Lösungsvorschläge.
Flender (AIQ-Retrofit): Sensorik + KI/ML-Auswertung im Portal – Zustandsanalyse auch bei Bestandsgetrieben.
5) Wie fängt ein Mittelständler pragmatisch an?
Mit einem priorisierten Use-Case-Backlog (3–5 Fälle), klaren Ziel-KPIs (z. B. −20 % Prüfzeit, +1 % OEE), vorhandenen Datenquellen, einem crossfunktionalen Kernteam (Prozess, OT/IT, Qualität, Instandhaltung) und einem 8–12-Wochen-Pilot. Danach: Skalieren, standardisieren, schulen.
6) Welche Daten braucht man – und wie „sauber“ müssen sie sein?
Für Vision-/Qualitäts-Use-Cases: repräsentative Bilddatensätze inkl. Gut/Schlecht-Labels. Für Zustandsüberwachung: Sensordaten (Vibration, Temperatur, Strom, Drehzahl). Wichtig sind Konsistenz, Versionierung, Rückverfolgbarkeit – „perfekt“ ist nicht nötig, aber reproduzierbar und auditierbar.
7) Greenfield vs. Retrofit: Was ist schneller wirtschaftlich?
Retrofit liefert oft den schnellsten ROI (z. B. Flender AIQ-Sensor, HEIDENHAIN VTC in bestehende Maschinen). Greenfield ermöglicht maximalen Durchstich (z. B. Rittal Haiger) – sinnvoll bei neuen Linien/Standorten. Häufig ist eine gemischte Strategie optimal.
8) Wie verändern Copilots die Engineering-Praxis (SPS/HMI/Doku)?
Copilots beschleunigen Routine: Code-Templates, Baustein-Generierung, HMI-Layouts, konsistente Dokumentation. Ingenieur:innen behalten die Verantwortung (Review/Freigabe), sparen aber signifikant Zeit und können Varianten schneller umsetzen (Beispiel: Siemens Engineering Copilot TIA).
9) Welche Rollen & Skills sind entscheidend?
„Product Owner“/Use-Case-Owner mit Prozesskompetenz
OT/IT-Brücke (Edge, Connectivity, Sicherheitskonzept)
Data/ML-Engineering für Datenpipelines & Modellbetrieb
Instandhaltung/Qualität als Fachexperten für Labeling, Tests, Abnahme
10) Risiken & Stolpersteine – und wie mitigieren?
Integrationslücken: Früh Schnittstellen (PLM/ERP/MES/SCADA) planen.
Shadow-IT/Skalierbarkeit: Governance, MLOps/Model-Lifecycle definieren.
Akzeptanz: Mitarbeitende einbinden, klare „Human-in-the-Loop“-Prozesse.
Sicherheit & IP: OT-Security by design, Zugriffs- und Lizenzmanagement, Datenhoheit klären.
