Kontextualisierung von Industriedaten (OT-Tag-Zuordnung, Anlagenmodelle, Unified Namespace)

Ein Anlagen-Historian enthält zehntausende Tags wie FIC_2031.PV oder M3_B2_TT07, deren Bedeutung in den Köpfen der Ingenieure, in R&I-Fließbildern und in alten Tabellen steckt. KI schlägt vor, welcher Tag zu welcher Pumpe, Linie oder Einheit gehört, was er misst und in welcher Einheit, und verknüpft ihn mit Dokumenten und Arbeitsaufträgen. Das Ergebnis ist ein gesteuertes Anlagenmodell, auf das Analysen, digitale Zwillinge und Industrie-Assistenten sich verlassen können. Es ist die meist unterschätzte Voraussetzung für die meisten industriellen KI-Anwendungen.

Problem & Nutzen

• Heute: Tags werden von einzelnen SPS-Programmierern benannt, unterscheiden sich je nach Standort und Hersteller und driften über die Jahre. Die Zuordnung zu einer Anlagenhierarchie erfolgt manuell in Tabellen oder in Engineering-Werkzeugen, oft als einmaliges Projekt, das veraltet. Jedes neue Analyse- oder KI-Projekt wiederholt den Aufwand.
• KI-Nutzen: Sprachmodelle und Embeddings lesen Tag-Namen, Beschreibungen, technische Einheiten, Signalverhalten und den Kontext der R&I-Fließbilder und schlagen Zuordnungen vor; Ingenieure prüfen, statt zu tippen. Modelle, die einmal auf einer sauberen semantischen Schicht aufgebaut wurden, lassen sich dann auf ähnliche Anlagen und Standorte ausrollen.
• Belege: Anbieter wie Cognite (Data Fusion), AVEVA (CONNECT), Siemens (Industrial Copilot) und HighByte (Intelligence Hub) positionieren die Kontextualisierung als Kernschritt vor Analysen und Assistenten [1][2][3]. Veröffentlichte Herstellerangaben zur eingesparten Zeit sind Marketingaussagen; messen Sie an Ihren eigenen Tags, bevor Sie sich darauf verlassen.
• EU-Kontext: Manufacturing-X, Catena-X und die Industrial Digital Twin Association (IDTA) fördern standardisierte semantische Modelle (Verwaltungsschale, Asset Administration Shell) für den Datenaustausch entlang von Lieferketten [4].

Varianten

• Diskrete Fertigung: Maschinen, Linien und Zellen; OPC-UA-Companion-Spezifikationen und AAS-Teilmodelle.
• Prozessindustrie / Chemie / Pharma: von R&I-Fließbildern getriebene Hierarchien (Einheiten, Regelkreise, Instrumente), Chargenkontext (ISA-88).
• Energie & Versorger: Umspannwerke, Turbinen, Netze; Benennung nach IEC 61850/CIM, viele Hersteller.
• Brownfield-Rollout an mehreren Standorten: einen Referenzstandort abbilden, Muster auf Schwesterwerke übertragen.
• Produktebene (AAS): Maschinenbauer liefern eine AAS mit ihren Anlagen aus; KI hilft, Teilmodelle aus Handbüchern und Datenblättern zu füllen (siehe DOC-014).
• KMU: kleines Werk mit einem SCADA; die wichtigsten 500 kritischen Tags für Energie- oder OEE-Dashboards kontextualisieren.

So funktioniert es

1. Quellen (OPC-UA-Browse, Historian-Tag-Export, SPS-/SCADA-Projekt, CMMS, R&I-Fließbilder, Datenblätter)
2. Aufnahme & Profilierung (Namen, Beschreibungen, Einheiten, Datentyp, Abtastung, Wertebereiche)
3. Kandidatenerzeugung (Regeln + Embeddings + LLM auf Tag-Text, Verknüpfungen zu Fließbild/Dokument)
4. Zuordnungsvorschlag (Tag
5. Anlage, Eigenschaft/Messgröße, Einheit, Konfidenz, Begründung)
6. menschliche Prüfung (Ingenieure bestätigen, korrigieren, lehnen ab; Warteschlange für niedrige Konfidenz)
7. Veröffentlichung in die semantische Schicht (Anlagenhierarchie / Wissensgraph, ISA-95-Modell, AAS-Teilmodelle)
8. Unified Namespace (MQTT-/Sparkplug-B-Topics mit normalisierten Nutzdaten) / Datenplattform
9. Verbraucher: Dashboards, Anomalieerkennung, Soft Sensors, Assistenten
10. Rückkopplungsschleife (Korrekturen, neue Anlagen, Drift-Überwachung)

• Tag-Interpretation: Ein LLM oder feingetunter Klassifikator entschlüsselt Namenskonventionen (TT Temperaturmessumformer, FIC Durchflussregler nach ISA-5.1), kombiniert mit Beschreibungstext und technischer Einheit.
• Signalbasierte Prüfungen: Zeitreihenprofilierung validiert Vorschläge (ein „Temperatur"-Tag mit Bereich 0–100 in bar ist verdächtig; korrelierte Tags gehören zur selben Einheit).
• Verankerung in Dokumenten: Vision-Sprach- oder OCR-Pipelines extrahieren Instrumenten-Tags und Verbindungen aus R&I-Fließbildern und verknüpfen sie mit Historian-Tags (DOC-013); Retrieval über Handbücher und Arbeitsaufträge liefert zusätzlichen Kontext.
• Semantisches Modell: Hierarchie und Beziehungen werden in einem Wissensgraphen oder Standardmodell gespeichert (ISA-95-Anlagenhierarchie, AAS-Teilmodelle, OPC-UA-Informationsmodelle).
• Mensch-in-der-Schleife (Human-in-the-Loop): zwingend. Ingenieure geben Zuordnungen für sicherheits- oder regelungsrelevante Signale frei; der Zugriff auf OT-Netze ist konstruktionsbedingt nur lesend (kein Zurückschreiben aus der KI-Schicht).

Datenaufbereitung

Benötigt werden Tag-Listen mit Beschreibungen, Einheiten und Bereichen aus SPS-/SCADA-Projekten und dem Historian, Anlagenlisten und Anlagenhierarchien aus CMMS oder ERP, R&I-Fließbilder und Datenblätter (oft Scans oder CAD-PDFs auf Dateiservern) sowie Arbeitsaufträge. Typische Lücken: kryptische oder uneinheitliche Tag-Namen, die über Jahrzehnte gewachsen sind, fehlende Beschreibungen und Einheiten, unterschiedliche Benennung je Linie oder Hersteller, R&I-Fließbilder nur auf Papier oder als Bilder, Wissen bei wenigen Bedienern und Zugriffsbeschränkungen zwischen OT und IT.

Schritte: (1) Tag-Listen per OPC-UA-Browse oder Historian-Export exportieren, nur lesend, und die KI-Schicht niemals mit Steuerungsnetzen verbinden (siehe PREP-005); (2) die Listen bereinigen: Duplikate, tote Tags, Normalisierung der Einheiten; (3) R&I-Fließbilder und Handbücher digitalisieren und per OCR erfassen (PREP-006, DOC-013); (4) die Anlagenhierarchie aus CMMS-Daten zusammenstellen und mit dem Instandhaltungspersonal korrigieren (PREP-004 für Zuständigkeiten); (5) Benennung und ein Glossar vereinbaren (PREP-012, PREP-015); (6) einen geprüften Goldstandard bestätigter Zuordnungen aufbauen, um Vorschläge zu bewerten (PREP-016, PREP-018). Das ist mit grob 60 bis 70 Prozent der dominierende Aufwand und braucht die Zeit der Anlageningenieure. Prüfen Sie die Bereitschaft mit GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• Großunternehmen: Weg C, weil Tag-Namen, R&I-Fließbilder und Prozessdaten Betriebsgeheimnisse und OT-Netze sensibel sind und offene Stacks (MQTT/Sparkplug-B-Unified-Namespace, OPC UA, ein lokales Modell) intern betrieben und über Werke hinweg wiederverwendet werden können.
• Entwickler: Weg C, weil offene Standards und Open-Weight-Modelle Integratoren eine wiederverwendbare, herstellerneutrale Basis für viele Kunden bieten.
• KMU: Weg B, weil die Zuordnung zur eigenen SPS-Benennung und zu den Systemen des Werks passen muss und Industrieprodukte für große Standorte bepreist sind; eine LLM-API auf exportierten Tag-Listen (ohne Live-Zugriff auf OT) mit Prüfung durch Ingenieure ist bezahlbar.

Weg A — Kaufen (Standardsoftware)

• Industrial-DataOps-/Kontextualisierungsplattformen: Cognite Data Fusion (Norwegen, EU-basiert; KI-gestützte Kontextualisierung und Atlas-AI-Agenten) [1], AVEVA CONNECT / PI System mit Asset Framework (UK/Frankreich), Siemens Industrial Copilot und Insights Hub (Deutschland), HighByte Intelligence Hub (UNS-fokussiert), Litmus Edge, Inductive Automation Ignition, Seeq (Analytik mit Anlagenbäumen), TwinThread, Hexagon, Microsoft Fabric Real-Time Intelligence mit Azure IoT Operations [5].
• Optionen mit EU-Ursprung: Cognite, Siemens, an Fraunhofer/IDTA ausgerichtete AAS-Werkzeuge, viele Systemintegratoren im Manufacturing-X-Ökosystem, Eclipse-basierte offene Stacks.
• Wählen Sie A, wenn: mehrere Standorte, vorhandene PI-/Historian-Lizenzen und kein eigenes Data-Engineering-Team vorliegen. Prüfen: EU-Hosting, Edge-to-Cloud-Modell, Export des semantischen Modells in offenen Formaten (Lock-in vermeiden).

Weg B — Auf Cloud-KI-Diensten aufbauen

• LLMs mit strukturierten Ausgaben (Claude, Gemini, GPT, Mistral; EU-Regionen) ordnen Tag-Namen und Beschreibungen einem kontrollierten Vokabular zu; Embeddings (z. B. mehrsprachige Embedding-Modelle) finden ähnliche Tags und Dokumente; Reasoning-Modelle lösen mehrdeutige Fälle.
• Dokumenten-KI/VLMs extrahieren Instrumentenlisten und Verbindungen aus R&I-Fließbildern.
• Orchestrierung mit Azure IoT Operations / AWS IoT SiteWise (Anlagenmodelle, Region Frankfurt) / Google Cloud mit einem MQTT-Broker für den Unified Namespace [5][6].
• Datenminimierung: Senden Sie nur Tag-Namen, Beschreibungen und Metadaten - niemals rohe Prozesswerte oder Rezepturen an externe APIs, es sei denn, dies ist vertraglich und technisch freigegeben (Betriebsgeheimnisse).

Weg C — Selbst betreiben (Open Source)

• Stack: Open-Source-OPC-UA-Clients (open62541, Eclipse Milo), MQTT-Broker (Eclipse Mosquitto, EMQX, HiveMQ Community), Sparkplug B (Eclipse Sparkplug) [7], Eclipse BaSyx und AASX Package Explorer für die AAS, TimescaleDB/InfluxDB/QuestDB für Zeitreihen, Neo4j oder Apache AGE für den Graphen, pgvector für Embeddings, Node-RED für Abläufe.
• Modelle: Open-Weight-LLMs (Qwen3-, Llama-, Mistral-Familien, gpt-oss) über vLLM/Ollama für die Tag-Klassifikation und die Dokumentverknüpfung; Docling oder PaddleOCR-VL für Engineering-Dokumente.
• Hardware: HW2 für quantisierte Modelle der ~30B-Klasse, ausreichend, weil die Last Batch-Verarbeitung und nicht interaktiv ist. Die Anlagendaten bleiben On-Premises, was für OT-Betreiber oft den Ausschlag gibt.

Weg D — Eigenes Training

Feintunen Sie einen kleinen Encoder oder ein LLM auf Ihren eigenen freigegebenen Zuordnungen (einige tausend Tag-Anlage-Paare), wenn die Namenskonventionen eigenwillig sind oder der Tag-Text im Werk bleiben muss. Korrekturen aus der Prüfwarteschlange sind der natürliche Trainingsdatensatz. Vortrainierte Modelle plus Retrieval genügen für den Start meist.

Stand der Technik (2026)

• LLM-gestützte Zuordnung wandert vom Pilotprojekt zum Produkt: Anbieter liefern KI-Agenten aus, die Zuordnungen vorschlagen und ihre Belege nennen; die Genauigkeit ist bei gut benannten Tags hoch und sinkt bei undurchsichtigen, veralteten oder mehrsprachigen Namen, daher bleiben Prüfwarteschlangen unverzichtbar [1][2].
• Standards nähern sich an: Unified Namespace auf MQTT/Sparkplug B, OPC-UA-Informationsmodelle und Companion-Spezifikationen, ISA-95-Hierarchien (IEC 62264) und die Verwaltungsschale (IEC 63278) mit IDTA-Teilmodellvorlagen und semantischen IDs (ECLASS, IEC CDD) [4][7][8].
• Industrie-Assistenten (Siemens, Cognite Atlas AI, AVEVA) hängen von einer guten semantischen Schicht ab; ohne sie liefern Text-zu-Abfrage-Agenten über Anlagendaten plausible, aber falsche Antworten.
• Grenzen und Fehlerbilder: halluzinierte Zuordnungen, die plausibel aussehen, falsche Einheiten oder Skalierungen, doppelte oder umbenannte Tags nach SPS-Änderungen, falsche Sensor-Anlage-Verknüpfungen bei veralteten R&I-Fließbildern und stilles Driften, wenn Engineering-Änderungen nicht zurückgespielt werden. Es gibt keinen etablierten öffentlichen Benchmark für die Genauigkeit der Tag-Zuordnung; bewerten Sie an einer gelabelten Stichprobe aus Ihrem eigenen Werk.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack wie DATA-003 (Stammdatenabgleich), DATA-007 (Katalog-/Metadatenanreicherung) und DATA-022 (Schema-Zuordnung): Entitätsabgleich, Embeddings und Prüfwarteschlangen lassen sich direkt übertragen.
• Vorgelagert: DOC-013 (Verstehen von R&I-Fließbildern und Zeichnungen) und DOC-014 (Dokumenten-Parsing) liefern den Engineering-Kontext.
• Nachgelagert: ANOM-005 (Prozessanomalieerkennung), PRED-014 (Soft Sensors), Anwendungsfälle zu Instandhaltung und Qualität sowie Industrie-Assistenten nutzen alle das kontextualisierte Modell.
• Qualität: DATA-008 (Datenqualitätsüberwachung) beobachtet den veröffentlichten Namespace auf veraltete oder defekte Tags.
• Gemeinsame Infrastruktur: ein MQTT-/UNS-Broker plus Zeitreihenspeicher und ein Wissensgraph bedienen all diese Anwendungen.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen für einen ersten Pilot an einer Linie bzw. einem Standort; Lizenzen skalieren mit Datenvolumen oder Anlagen; der Hauptkostenfaktor sind die Prüfzeit der Ingenieure und die OT/IT-Integration.
• Weg B/C: 3–9 Monate bis zu einer produktiven Pipeline mit Governance; die laufende Pflege ist eine Daueraufgabe.
• Kostentreiber: Zahl der Tags und Standorte, Qualität der vorhandenen Dokumentation, Zahl der Quellsysteme, Prüfaufwand, Sicherheitsfreigaben für die OT-Anbindung.
• Kennzahlen: Anteil der kritischen Tags, die zugeordnet und validiert sind, Präzision der Zuordnung an einer geprüften Stichprobe, Ingenieurstunden je 1.000 Tags, Zeit zur Einbindung einer neuen Linie oder eines neuen Standorts, Anteil der Analyseprojekte, die das Modell wiederverwenden, Quote veralteter oder verwaister Tags.

Menschen & Veränderung

Beginnen Sie mit der Werks- oder Betriebsleitung und der Instandhaltungs- oder Automatisierungsleitung als Prozessverantwortlichen. Anlageningenieure und Bediener sind die Fachleute, die Zuordnungen bestätigen; beziehen Sie sie ab der ersten Woche ein und geben Sie ihnen geschützte Prüfzeit. IT und Informationssicherheit müssen die Grenze zwischen OT und IT festlegen (Datenfluss nur lesend, Segmentierung; siehe GUIDE-013). Dateneigner von Historian, CMMS und ERP sowie Systemlieferanten (SPS-, SCADA-Hersteller) liefern Dokumentation und Zugang.

Betriebsrat: kommt darauf an. Die Tag-Zuordnung selbst betrifft Maschinen, nicht Personen, doch Anmeldungen von Bedienern, Schichtdaten und Alarmquittierungen in den Historian-Daten können Rückschlüsse auf einzelne Personen erlauben, wodurch § 87 Abs. 1 Nr. 6 BetrVG relevant wird; eine kurze Abstimmung klärt das. § 90 Abs. 1 Nr. 3 greift, wenn sich Arbeitsabläufe ändern. Die Beteiligung der(des) Datenschutzbeauftragten ist gering: Prüfen Sie, ob Bediener-IDs in den Daten vorkommen, und schließen Sie sie aus oder pseudonymisieren Sie sie (PREP-022); eine DSFA ist normalerweise nicht nötig.

Kommunizieren Sie, dass die KI vorschlägt und Ingenieure entscheiden; Zuordnungen für sicherheitsrelevante Signale brauchen immer eine menschliche Freigabe. Starten Sie einen Piloten mit einer Linie oder Einheit über zwei bis drei Monate und messen Sie akzeptierte Vorschläge und eingesparte Ingenieurstunden. Typische Sorge: „Die KI greift in die Steuerung ein." Antworten Sie mit der nur lesenden Architektur und einem klaren Freigabeablauf. Planen Sie kurze Schulungen zur KI-Kompetenz für Ingenieure (GUIDE-006) und nutzen Sie den Pilotansatz in GUIDE-009.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): typischerweise minimales Risiko - eine Funktion der Datenaufbereitung. Relevant wird sie, wenn das Ergebnis in eine KI-Sicherheitskomponente einer Maschine oder in das Management kritischer Infrastruktur einfließt (Anhang I über die Maschinenverordnung (EU) 2023/1230, Anhang III Nr. 2); dann trägt das nachgelagerte System die Pflichten für Hochrisiko-Systeme, und Zuordnungsfehler werden zu einer Sicherheitseingabe. Die KI-Kompetenz (Art. 4) gilt in jedem Fall [9].
• Cybersicherheit: NIS2 (Energie, Herstellung kritischer Güter, Wasser und andere), IEC-62443-Zonen und -Übergänge, Cyber Resilience Act für Produkte. Halten Sie die Kontextualisierung nur lesend; kein KI-gesteuertes Zurückschreiben in Steuerungen; segmentieren Sie IT/OT über DMZ und Datendioden, wo erforderlich.
• DSGVO: meist keine personenbezogenen Daten, aber Bediener-IDs, Schichtprotokolle, Arbeitsaufträge und Zugriffsprotokolle können Beschäftigte identifizieren und eine Leistungsüberwachung ermöglichen; beziehen Sie den Betriebsrat ein (in Deutschland Mitbestimmung nach BetrVG) und minimieren Sie solche Felder.
• Data Act (EU) 2023/2854: Von vernetzten Produkten erzeugte Daten begründen Zugangs- und Weitergaberechte; ein sauberes semantisches Modell erleichtert die Einhaltung [10].
• Betriebsgeheimnisse: Rezepturen, Sollwerte und Prozess-Know-how in Tags - beschränken Sie die Nutzung externer APIs.
• Gegenmaßnahmen: menschliche Freigabe bei sicherheitsrelevanten Zuordnungen, versioniertes Modell mit Prüfpfad, Tests gegen zurückgehaltene gelabelte Stichproben, Verknüpfung des Änderungsmanagements mit Engineering-Änderungen (MoC).

Erste Schritte

1. Wählen Sie eine Linie oder Einheit mit wirtschaftlichem Nutzen und brauchbarer Dokumentation; exportieren Sie deren Tags, OPC-UA-Adressraum, Anlagenregister und R&I-Fließbilder.
2. Labeln Sie 200–500 Tags von Hand mit Ingenieuren, um einen Goldstandard zu erstellen, und legen Sie das Zielmodell fest (ISA-95-Ebenen, Namenskonvention, Eigenschaftsvokabular, Einheitenstandard).
3. Führen Sie einen Pilot für die LLM-/Embedding-Zuordnung (oder eine Anbieter-Testphase) durch und messen Sie Präzision/Trefferquote am Goldstandard.
4. Veröffentlichen Sie validierte Zuordnungen in einem Unified Namespace mit MQTT-Broker; halten Sie ihn nur lesend.
5. Binden Sie einen ersten Verbraucher an (OEE-Dashboard oder Anomalieerkennung), richten Sie dann die Korrekturschleife und die Verantwortung für das Modell ein.

Quellen

1. Cognite - Data Fusion industrial DataOps and contextualisation documentation - https://docs.cognite.com/
2. Siemens - Industrial Copilot - https://www.siemens.com/global/en/products/automation/topic-areas/industrial-copilot.html
3. HighByte - Intelligence Hub documentation - https://www.highbyte.com/
4. Industrial Digital Twin Association (IDTA) - Asset Administration Shell and submodel templates - https://industrialdigitaltwin.org/
5. Microsoft - Azure IoT Operations documentation - https://learn.microsoft.com/azure/iot-operations/
6. AWS - IoT SiteWise asset models - https://docs.aws.amazon.com/iot-sitewise/latest/userguide/
7. Eclipse Sparkplug specification - https://sparkplug.eclipse.org/
8. OPC Foundation - OPC UA Companion Specifications - https://opcfoundation.org/about/opc-technologies/opc-ua/
9. Regulation (EU) 2024/1689 (AI Act) - https://eur-lex.europa.eu/eli/reg/2024/1689/oj
10. Regulation (EU) 2023/2854 (Data Act) - https://eur-lex.europa.eu/eli/reg/2023/2854/oj