Warum die Industrie auf KI in Werkzeugmaschinen setzt

Kurzfristige Effekte überschätzt, langfristige Veränderungen unterschätzt: So beschreiben Experten die Wahrnehmung von Disruptionen wie der Künstlicher Intelligenz (KI). Wo KI bereits in innerhalb von Werkzeugmaschinen praktisch eingesetzt wird, welche Grenzen die Wissenschaft sieht und was es mit Allianzen auf sich hat.

Das Hochtechnologieunternehmen Trumpf sieht in der KI eine Chance, sich vom globalen Wettbewerb im Bereich der Fertigung zu differenzieren. „Europa hat die einmalige Gelegenheit, seine tief verwurzelte Industriekompetenz und sein klares Verantwortungsbewusstsein mit KI-Technologie zu verknüpfen“, bekräftigt Sarah Engel, Head of AI bei Trumpf. „Hier unterscheiden wir uns fundamental von Nationen wie den USA und China.“

Das untermauert Sarah Engel mit konkreten Beispielen. Für ein automatisiertes Absortieren von variantenreichen Bauteilen in Laserschneidmaschinen kommt der SortMaster Vision zum Einsatz. Dazu hat Trumpf adaptive Robotikfunktionen integriert, darunter die automatisierte Wahrnehmung und die Planung von Roboterpfaden. 

Dadurch kann ein Roboter die Teile mit einer KI-gestützten Bilderkennung selbstständig erkennen. Die Software berechnet autonom den Bewegungsplan des Roboters einschließlich der Greifpunkte. Der SortMaster Vision holt sich dabei sämtliche Teileinformationen selbständig aus dem Schneidprogramm. Dadurch entfällt jegliche Programmierung des Absortierprozesses. Darüber hinaus schafft der Prozess maximale Flexibilität hinsichtlich Teilespektrum und Losgrößen bis zur Stückzahl 1.

Verbesserte Parameter für den Prozess

Auch für den Kernprozess, dem Laserschneiden, setzt Trumpf bereits auf den Einsatz von KI. Der „Cutting Assistant“ verbessert die Qualität der Schnittkanten, spart Zeit und ermöglicht es auch „Anfängern“, eine hohe Bauteilqualität zu erzielen. Der Maschinenbediener nimmt mit einem Handscanner ein Bild von der Schnittkante seines Bauteils auf. Der Assistent bewertet die Kantenqualität anhand objektiver Kriterien wie Gratbildung. Mit diesen Informationen schlägt der Algorithmus verbesserte Parameter für den Schneidprozess vor. Anschließend schneidet die Maschine das Blech erneut. Erfahrung beim Laserschneiden ist dafür nicht erforderlich. Der Cutting Assistant ist in der Software der Maschine integriert. Daher lassen sich die optimierten Parameter nahtlos und ohne Programmieren in die Software übertragen.

Expertise des Anwenders schützen

Die Daten aus der Anwendung im Feld fließen kontinuierlich in die Lösung ein. Dieses Vorgehen ermöglicht noch schnellere und zuverlässigere Ergebnisse, weil sich das selbstlernende System kontinuierlich verbessert. Trumpf stellt dabei sicher, dass der Algorithmus die Expertise des Anwenders nicht verbreitet. “Bei der Entwicklung von KI überlegen wir uns immer erst, wofür welche Daten genutzt werden, was die Risiken sind und wie wir sie im Zaum halten können“, sagt Sarah Engel und verweist auf die enge Zusammenarbeit mir den hauseigenen Legal-, IT- und Cybersicherheits-Abteilungen.

Eine weitere, bereits in der Automobilindustrie eingesetzte KI-Funktion von Trumpf überprüft die Qualität von komplexen Bauteilen, wie etwa Batterien für E-Autos. Eine Kamera fotografiert die Schweißnaht in der Zelle und die KI analysiert, ob sie den vorgegebenen Kriterien entspricht. Dabei arbeitet die KI mit nachvollziehbaren Messwerten. Für eine transparente Qualitätskontrolle ohne Black-Box-Effekte ist das wichtig. Entdeckt die KI einen Fehler, benachrichtigt sie den Anwender, während das Bauteil noch in der Laserzelle liegt. Das erhöht den „first-pass-yield“, also die Anzahl der Teile, die bereits beim ersten Durchlauf den Qualitätsstandards entsprechen. Dafür sind keine Programmierkenntnisse erforderlich. Anwender trainieren die KI anhand von Bildmaterial von korrekten und fehlerhaften Schweißnähten.

Für Sarah Engel stehen die konkreten Anforderungen der Kunden im Mittelpunkt: “ Als Lösungsanbieter beherrschen wir unsere Prozessketten vollumfassend – von der Hardware bis zum Service.“

Nicht für sicherheitskritische Systeme geeignet

Trumpf ist als Branchenschwergewicht sicher ein Vorreiter. Auch eröffnet die Laserbearbeitung Freiheitsräume, die spanende Verfahren nicht haben. Grundsätzlich ist der Einsatz von KI in Werkzeugmaschinen auf nicht sicherheitskritische Systeme und Funktionen beschränkt. „Es gibt derzeit keine im Feld lernende Safe AI. Bei sicherheitskritischen Anwendungen im Feld muss aber immer nachvollziehbar sein, was die Software warum macht“, betont Gereon Weiß, Leiter der Abteilung Automation Systems am Fraunhofer-Institut für Kognitive Systeme IKS.

Das sehen auch Hersteller wie die Index Werke so. Das Unternehmen gehört mit den Marken Index und Traub zu den weltweit führenden Herstellern von CNC-Drehmaschinen. „Unsere Werkzeugmaschinen müssen über viele Jahre hinweg mit absoluter Präzision und maximaler Wiederholgenauigkeit arbeiten. KI‑Technologien entwickeln sich dagegen extrem schnell und ihr statistischer Charakter kann zu inhaltlich falschen oder unzuverlässigen Ausgaben führen,“ schränkt Dr. Christopher Kohl, Projektleiter Digitalisierung der Index-Werke, ein. „Deshalb setzen wir KI dort ein, wo sie echten Mehrwert schafft: in mobilen Assistenzlösungen wie iXmobile und in cloudbasierten Mehrwertdiensten wir unsere IIoT Plattform iX4.0, nicht jedoch als integrierte Funktion in der Maschine selbst.“

Assistenzfunktionen werten Prozessdaten aus und decken Optimierungspotenziale auf oder erhöhen die Verfügbarkeit. Solche Lösungen können schnell aktualisiert und unabhängig vom Maschinenlebenszyklus weiterentwickelt werden. Spezialisierte KI‑Anwendungen wie Vorhersagen zur Werkstückqualität oder Werkzeugstandzeit sind hochgradig prozess- und nutzerspezifisch. Daher werden sie aus Sicht des Maschinenherstellers idealerweise von spezialisierten Drittanbietern entwickelt, die sich ausschließlich auf solche datengetriebenen Lösungen konzentrieren.

Immer ein Nachtraining vorsehen

Vor dem Einsatz von KI-Funktionen in der täglichen Produktion gilt es aber, sich mit dem Kleingedruckten zu beschäftigen. Während Fertigungsanlagen - einmal eingefahren - oft über viele Jahre mit einem unveränderten Softwarestand arbeiten, bemessen sich die Innovationszyklen bei KI in Monaten. Auch wenn eingefrorene Versionen genutzt werden, erfordern die KI-Funktionen und ihre Aufgaben eine kontinuierliche Beobachtung. „Ich muss immer ein Nachtraining vorsehen“, warnt Gereon Weiß, Leiter der Abteilung Automation Systems am Fraunhofer-Institut für Kognitive Systeme, IKS. “Ich muss in der Lage sein, selbst damit zu arbeiten oder mich um entsprechende Dienstleister kümmern.“

Aktuell dominieren noch proprietäre KI-Modelle. Was aber passiert, wenn ein Anbieter seinen Service einstellt? „Dieses Szenario sollten Anwender vor der Entscheidung durchspielen und auf Standards setzen, Open Source Modelle vorziehen oder sich den Zugriff auf den Quellcode sichern“, erläutert Dr. Gereon Weiß mögliche Lösungen.

Risikomanagement wie bei Safety

Er empfiehlt für den Entscheidungsprozess Risikomanagementstrategien wie sie auch bei Safety bekannt sind. „Es geht darum, das System so einzustellen, dass Fehler zuverlässig aufgefangen werden. Damit reduzieren Anwender auf der einen Seite Fehlerkosten, schöpfen aber auf der anderen Seite gegebenenfalls nicht das gesamte Potenzial der KI aus“, beschreibt er die notwendige Abwägung. Dazu ist es notwendig, zu wissen wie zuverlässig das System arbeitet. Denkbar ist zu Beginn ein „Shadow Mode“. 

Dabei läuft die KI-Funktion passiv im Hintergrund mit, löst aber keine Aktion aus. Der Mensch überwacht das System nicht im Betrieb, sondern wertet aus, wie gut die KI funktioniert, bevor sie im Betrieb quasi scharf geschaltet wird. Grundsätzlich müssen kritische Entscheidungen immer von Menschen getroffen werden. „Es gibt auch bei nicht-sicherheitskritischen Systemen kein Null-Risiko, wir müssen in jedem Einzelfall die Vorteile sauber erfassen und definieren, welche Kosten dafür akzeptabel sind,“ so der Wissenschaftler vom Fraunhofer-Institut IKS.

Menschenzentrierte Mensch-Maschine-Interaktion

Auch das Institut für Produktionsmanagement, Technologie und Werkzeugmaschinen, PTW, der TU Darmstadt beschäftigt sich intensiv mit Künstlicher Intelligenz. „Wir forschen an datengetriebenen Ansätzen und entwickeln KI-Lösungen für verschiedene Anwendungsfälle der Fertigung“, erklärt Gilbert Ely Engert, Teamleiter Forschungsgruppe Fertigungstechnologie am PTW, das Vorgehen. „KI-basierte Optimierung der Prozessplanung sowie die prozessparallele Regelung mit Machine Learning, Ansätze des Transfer Learnings für das Übertragen von Modellen auf andere Maschinen und Prozesse und die menschenzentrierte Entwicklung zeitgemäßer intelligenter Systeme zur Interaktion zwischen Mensch und Maschine mit KI-Agenten.“

Der Fokus liegt dabei auf dem Einsatz in kleinen und mittelständischen Unternehmen und der Kleinserien- und Einzelstückfertigung im Gegensatz zur vollautomatisierten Großserienfertigung. „Hier herrschen heterogene Maschinenlandschaften vor, kleine Losgrößen und es besteht ein Fachkräftemangel.“ Ganz aktuell stellt das PTW neue Ergebnisse für die Mensch-Maschine-Interaktion vor. Das neue Bedienkonzept zielt auf effizientere Prozesse und weniger Fehler bei Bestandsmaschinen ab. Besonderes Augenmerk legen die Wissenschaftler auf Bediener der nächsten Generation, die mit Smartphone aufgewachsen sind. 

„Wir haben im Rahmen eines Forschungsprojekts mit der Industrie ein neuartiges KI-gestütztes System zur Bedienung von Werkzeugmaschinen entwickelt, mit dem die Bedienung so einfach werden soll wie die von Smartphones“, stellt er einen Demonstrator am PTW in Darmstadt vor. Wie die neue Bedienung funktioniert, können Interessierte im Rahmen einer einstündigen Evaluation im Juni am PTW selbst ausprobieren (siehe Kasten).

Hey KI, fertige mir mein Bauteil

Kann eine Werkzeugmaschine so einfach wie ein Smartphone bedient werden? Gilbert Engert hat im Rahmen eines Forschungsprojekts mit der Industrie ein neuartiges KI-gestütztes System zur Bedienung von Werkzeugmaschinen entwickelt und in einem Demonstrator implementiert. Für seine Dissertation sucht Gilbert Engert Probanden für die Evaluation der neuen Mensch-Maschine-Schnittstelle – mit und ohne Vorerfahrung in der Maschinenbedienung. Die Versuchsdauer beträgt eine Stunde.

Termine: Jeden Mittwoch, Donnerstag und Freitag im Juni 2026 von 09:00 - 17:30 Uhr im TEC-Lab des PTW an der TU Darmstadt.

Die Anmeldung finden Sie hier.

Kontextualisierte Daten notwendig

Ob die vorhandenen KI-Modelle gut oder schlecht sind, spielt für Dr.-Ing. Marcel Fey, von der RWTH Aachen aus Sicht der Anwender eine untergeordnete Rolle. Der Oberingenieur der Abteilung Maschinentechnik im Werkzeugmaschinenlabor WZL sieht eine andere Kernherausforderung: „In der heterogenen Produktionslandschaft sind Daten selten sauber nutzbar, weil sie nicht ausreichend kontextualisiert sind.“ Zwar erfassen Anwender durchaus Roh- und Zeitreihendaten aus Maschinen, beispielsweise Achspositionen, Drehzahlen, Vorschübe, Alarme oder Energieverläufe.

„Diese Signale sind allein jedoch meist nur `Rauschen`, solange nicht klar ist, welcher Auftrag, welches Werkstück, welches Werkzeug, welches NC-Programm, welche Maschine beziehungsweise Kinematik oder welche Prozessphase gerade dazu gehört“, macht der Wissenschaftler deutlich. Diese Kontextinformationen liegen in der Realität oft vor, aber in übergeordneten Systemen außerhalb der Werkzeugmaschinen.

Für ihn besteht die eigentliche Aufgabe daher in vielen Fällen darin, die Datenbasis und Datenlogik zu verknüpfen: eindeutige Identifizierungen, konsistente Zeitbezüge, saubere Ereignis- und Prozesssegmentierung, nachvollziehbare Zuordnung von Kontext zu Zeitreihen. Dieser Aufwand lohnt sich, ist Dr.-Ing. Marcel Fey sicher: „Schon auf dem Weg zu einer sauberen Datenbasis lösen Unternehmen häufig einen großen Teil ihrer Probleme ohne KI - allein durch Transparenz, bessere Rückverfolgbarkeit, konsistente Prozessdaten, klare KPI-Definitionen und verlässliche Auswertungen.“

Siemens KI-Datenallianz für offenen Standard

Diese Einschätzungen kommen nicht aus dem luftleeren Raum. Siemens hat gemeinsam mit verschiedenen Werkzeugmaschinenherstellern und dem Werkzeugmaschinenlabor der RWTH Aachen eine umfassende KI-Datenallianz gegründet. Ziel ist ein industriespezifisches Foundation Model für Künstliche Intelligenz. „Unser Ziel ist es, Ingenieure dabei zu unterstützen, zeitaufwändige Aufgaben produktiver zu bewältigen, die Einhaltung von Industriestandards zu gewährleisten und den Produktentwicklungsprozess in den Bereichen Design, Planung, Engineering, Betrieb und Service zu verbessern und zu beschleunigen“, umschreibt Dr. Stefanie Frank, Head of Machine Tool Systems, Siemens Digital Industries, den Hintergrund.

Ein anvisierter Anwendungsfall ist die automatisierte Erstellung eines Teileprogramms für Werkzeugmaschinen. Dadurch können Teileprogramme erheblich schneller erstellt werden, während die Fehlerquote bei der Code-Erstellung sinkt. Voraussetzung dafür ist die kontextualisierte Aufbereitung von Maschinendaten. Diese Daten werden unter anderem zur Entwicklung und zum Training von KI-Modellen verwendet, die spezifisch auf die Anforderungen der industriellen Fertigung zugeschnitten sind. „Die Partnerschaft umfasst den Austausch anonymisierter Maschinendaten unter strenger Einhaltung von Datenschutz- und Sicherheitsstandards“, hebt Dr. Stefanie Frank hervor.

Langfristig soll die Allianz als offener Plattformansatz weiteren Industrieunternehmen offenstehen, um branchenübergreifende Standards für KI-basierte Fertigung zu etablieren. Damit bestätigt sich: Die Effekte der KI auf kurze Sicht werden vielleicht von vielen überschätzt. Aber ganz sicher unterschätzen die meisten wie grundlegend die Auswirkungen von KI auf lange Sicht sein werden.