Optimierung von Prozessparametern in der Fertigung

Qualität und Kosten vieler Produkte hängen von Dutzenden wechselwirkender Maschineneinstellungen ab, die Bediener nach Erfahrung und durch Ausprobieren einstellen. KI-Modelle lernen aus Historian- und Qualitätsdaten den Zusammenhang zwischen Einstellungen, Materialzustand und Ergebnis und empfehlen bessere Sollwerte (oder wenden sie unter strengen Sicherheitsgrenzen direkt an). Typische Ziele sind weniger Ausschuss, höherer Durchsatz und geringerer Energieverbrauch je Einheit; der Autonomiegrad steigt schrittweise von der Beratung bis zum geschlossenen Regelkreis.

Problem & Nutzen

• Heute: Parameterfenster stammen aus Datenblättern, DoE-Kampagnen und der Erfahrung erfahrener Bediener. Einstellungen werden selten neu abgestimmt, wenn Rohmaterial, Wetter oder Maschinenverschleiß driften; die Anlagen laufen deshalb vorsichtig. Know-how verlässt das Unternehmen mit ausscheidenden Mitarbeitenden.
• Nutzen durch KI: nichtlineare Wechselwirkungen mehrerer Variablen lernen, die einzelne PID-Regler und feste Rezepturen übersehen; Einstellungen bei veränderten Bedingungen nahe am Optimum halten; den Anlauf neuer Produkte mit weniger Versuchen verkürzen (Bayes'sche Optimierung); Expertenwissen in Modellen festhalten.
• Vorteile: Anbieter berichten von Einsparungen bei Energie, Rohmaterial und Ausschussware; diese Zahlen sind standortspezifisch und vom Anbieter veröffentlicht. Messen Sie daher Ihre eigene Ausgangsbasis, bevor Sie sich auf einen Business Case festlegen [3][4]. Verlassen Sie sich nicht auf pauschale Prozentwerte.

Varianten

• Beratend (Stufe 1): Das Modell schlägt Parameterfenster vor; der Bediener entscheidet und gibt sie ein.
• Überwacht / halbautomatisch (Stufe 2): Das System schlägt Sollwerte vor, der Bediener bestätigt mit einem Klick; jede Änderung wird protokolliert.
• KI-basierte APC im geschlossenen Regelkreis (Stufe 3): Ein Reinforcement-Learning- oder modellprädiktiver Agent schreibt Sollwerte innerhalb einer harten Sicherheitshülle selbstständig in DCS/SPS. Dokumentiert in der chemischen Produktion (Yokogawas Algorithmus FKDPP in einer Anlage von ENEOS Materials/JSR) und in Produkten der Prozessindustrie wie Imubits KI-Optimierung im geschlossenen Regelkreis [1][2]. Kontinuierliche Anlagen mit stabilem Historian werden in OPT-038 ausführlicher behandelt.
• Diskrete Fertigung: Spritzgießen, Extrusion, Schweißen, CNC, Beschichten, Wärmebehandlung, Batterie-Elektrodenbeschichtung; Parameterabstimmung je Zyklus plus Kompensation von Los zu Los.
• Anlauf neuer Produkte: stichprobeneffiziente Bayes'sche Optimierung / aktives Lernen auf Basis eines DoE.
• Rezepturen und Mischungen in der Prozessindustrie: siehe OPT-031. Prozessnahe Regelung in der additiven Fertigung: VIS-057.

So funktioniert es

1. sensors/PLC/DCS/MES
2. historian (OPC UA, MQTT)
3. data prep (batch/cycle alignment, lab-result join)
4. process model (gradient boosting / neural net / hybrid physics-ML / digital twin)
5. optimiser (Bayesian optimisation, MPC, RL, MIP/NLP solver) under constraints
6. safety layer (hard limits, rate-of-change limits, plausibility check, fallback to baseline control)
7. operator review (advisory) OR write-back via OPC UA to controller set-point (closed loop)
8. outcome measurement
9. model retraining / drift monitoring

• Prozessmodell: ein Ersatzmodell, das Qualität und Energie aus Einstellungen und Störgrößen (Materialeigenschaften, Umgebung, Verschleiß) vorhersagt. Hybride Modelle aus physikalischen Grundgleichungen und ML extrapolieren sicherer als reine Black Boxes.
• Optimierer: Bayes'sche Optimierung für aufwendige Versuche; modellprädiktive Regelung für kontinuierliche Prozesse; RL (offline auf Historian-Daten und Simulatoren trainiert, dann unter Aufsicht feinabgestimmt) für Dynamiken, die für klassische MPC zu komplex sind.
• Sicherheitshülle: Die KI spricht nie direkt mit Aktoren. Sie verschiebt nur Sollwerte bestehender Basisregler, innerhalb von Grenzen, die außerhalb der KI durchgesetzt werden (im DCS/in der SPS oder in einer sicherheitsgerichteten Schicht), mit einem Watchdog, der bei Anomalien, Datenverlust oder Eingriff des Bedieners auf die konventionelle Regelung zurückschaltet.
• Mensch-in-der-Schleife (Human-in-the-Loop): Verfahrensingenieure legen Ziele und Randbedingungen fest und geben Modellversionen frei; Bediener können die KI jederzeit abschalten; Änderungen an Rezepturen unter Qualitätsregimen (GMP, IATF 16949) durchlaufen die Änderungskontrolle.
• Rolle von LLMs: Erklärung von Empfehlungen in natürlicher Sprache, Zusammenfassung von Schichtbüchern und Übersetzung der Absicht von Ingenieuren in Solver-Modelle (siehe OPT-018). LLMs treffen keine Regelungsentscheidungen.

Datenaufbereitung

• Welche Daten: Historian-Zeitreihen (SPS, SCADA, DCS über OPC UA), MES-Chargen- und Rezepturdaten, Labor- und Inline-Qualitätsergebnisse, Materialchargendaten, Wartungsprotokolle.
• Wo die Daten im Mittelstand liegen: Maschinensteuerungen mit kurzen lokalen Puffern, eine SCADA- oder MES-Datenbank, Laborergebnisse in Excel oder einem LIMS, Rezepturen auf Dateiablagen, Schichtnotizen auf Papier.
• Typische Lücken: uneinheitliche Tag-Namen, zu wenig Variation der Einstellungen, um Ursache und Wirkung zu lernen, Laborergebnisse, die Tage später eintreffen und sich keinem Zyklus zuordnen lassen, Sensorfehler, undokumentierte Rezepturänderungen, Papierlogbücher.
• Schritte: (1) Tags und Quellen erfassen, für Exporte siehe PREP-001 und PREP-005; (2) kontinuierliche Aufzeichnung in einem Zeitreihenspeicher starten (TimescaleDB, InfluxDB); (3) Zyklen und Chargen abgleichen und Laborergebnisse zuordnen; (4) Ausreißer bereinigen und Sensorfehler gemeinsam mit den Verfahrensingenieuren markieren; (5) Schrittversuche oder ein DoE planen, weil reine Beobachtungsdaten Ursache und Wirkung selten erkennen lassen; (6) Papierprotokolle digitalisieren, siehe PREP-008.
• Anteil am Aufwand: typischerweise 50–70 Prozent des Projekts. Prüfen Sie die Voraussetzungen vorab mit GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• KMU: B. Der Anwendungsfall muss in die eigenen Maschinen und den eigenen Historian eingreifen, und für eine typische gemischte Fertigung passt kein Standardprodukt; bauen Sie gemeinsam mit einem Integrator auf Cloud- oder verwalteten Werkzeugen auf und nutzen Sie den integrierten Parameterassistenten eines Maschinenbauers, wo es einen gibt.
• Großunternehmen: C. Prozess-Know-how ist zentral und strategisch, die Historian-Daten sind sensibel, und werksübergreifende Modelle rechtfertigen eine interne Plattform auf Open-Source-Werkzeugen.
• Entwickler: C. Ax/BoTorch, Optuna und offene OPC-UA-Bibliotheken geben volle Kontrolle über Modelle, Sicherheitsschicht und Rückschreibung.

Weg A — Kaufen (Standardsoftware)

• KI-Optimierung für die Prozessindustrie: Yokogawa (JP, starke EU-Präsenz; RL-basierte Regelung FKDPP), Imubit (Optimierung im geschlossenen Regelkreis für Raffinerien/Chemie), AspenTech Aspen DMC / KI-gestützte Optimierung, Honeywell Forge / Profit Optimizer, ABB Ability (CH/SE), Siemens (DE; Industrial AI und Process Insights), AVEVA, Emerson, Schneider Electric (FR).
• Diskrete Fertigung und KMU-tauglich: Siemens Insights Hub, die Smart-Process-Assistenten von TRUMPF (DE) und Engel (AT) für Spritzguss/Laser, Kistler (CH) Prozessüberwachung, Apps von Bosch Rexroth/ctrlX AUTOMATION sowie in MES eingebettete Optimierungsmodule. Viele Maschinenbauer liefern Parameterassistenten mit der Maschine aus; das ist für KMU der einfachste Einstieg.
• Wählen Sie A, wenn: ein Anbieter eine Referenz in Ihrem Prozesstyp hat, Ihnen Data-Science-Personal fehlt und die Integration in das vorhandene DCS/MES unterstützt wird.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Plattformen: Azure ML / IoT Operations, AWS SageMaker mit IoT SiteWise, Google Vertex AI, Databricks oder Snowflake in EU-Regionen; verwaltete Zeitreihenspeicher. Nutzen Sie EU-Regionen und vertragliche Zusagen zum Speicherort der Daten.
• Optimierungswerkzeuge: Google OR-Tools oder kommerzielle Solver (Gurobi, FICO Xpress, HiGHS-basierte Dienste) für die Suche unter Randbedingungen auf Basis von Ersatzmodellen; Ax/BoTorch für Bayes'sche Optimierung [5][6].
• Integration: OPC-UA-/MQTT-Gateway vor Ort, nur aggregierte Daten in die Cloud; die Rückschreibung bleibt lokal über eine validierte Edge-Komponente.
• Wählen Sie B, wenn: Sie ein Datenteam und mehrere Werke haben und Modelle auf Flottenebene wollen.

Weg C — Selbst betreiben (Open Source)

• Stack: Ax/BoTorch, Optuna, scikit-learn, XGBoost/LightGBM, PyTorch; RL-Bibliotheken (Stable-Baselines3, RLlib) mit Simulatoren (Modelica/OpenModelica, FMI-Co-Simulation, Gymnasium-Wrapper); Zeitreihenspeicher (TimescaleDB, InfluxDB); open62541 / Eclipse Milo für OPC UA; Node-RED oder n8n für Abläufe.
• Hardware: HW1 genügt – tabellarische und kleine neuronale Modelle laufen auf einem Industrie-PC oder einer Edge-Box; GPUs nur für RL-Training oder große neuronale Ersatzmodelle (HW2).
• Betriebsaufwand: erfordert Verfahrensingenieure und ML-Ingenieure; Modellvalidierung und Cybersicherheit (IEC 62443) sind der Hauptaufwand.

Weg D — Eigenes Training

Lohnt sich für Prozesse mit hohem Volumen oder hohem Wert, bei denen den Modellen der Anbieter Ihre Physik fehlt: anlagenspezifische Ersatzmodelle, Offline-RL und hybride digitale Zwillinge trainieren. Erfordert Monate sauberer Historian-Daten mit ausreichender Anregung (Variation der Einstellungen); rein beobachtende Daten lassen Ursache und Wirkung oft nicht erkennen, planen Sie daher gezielte Schrittversuche oder DoE-Kampagnen ein.

Stand der Technik (2026)

• Bayes'sche Optimierung und DoE in der Schleife sind für Anlauf und Rezepturabstimmung ausgereift; offene Werkzeuge (BoTorch, Ax) sind produktionsreif [5][6].
• Offline- und sicheres RL hat den Schritt von Fachartikeln zu Anlagenversuchen gemacht: Yokogawa und der Chemiehersteller berichteten von einem mehrwöchigen autonomen Betrieb eines Destillationsprozesses, den die KI direkt regelte [1]. Produkte zur KI-Optimierung im geschlossenen Regelkreis sind in Raffinerien und in der Chemie im kommerziellen Einsatz [2].
• Hybride physikinformierte Modelle und digitale Zwillinge senken den Datenbedarf und verbessern die Extrapolation.
• Ansätze mit Foundation Models (vortrainierte Zeitreihenmodelle, LLM-Copiloten für Ingenieure) helfen bei Analyse und Erklärung, noch nicht bei zertifizierter Regelung.
• Grenzen und Fehlerbilder: Verteilungsverschiebung (neue Rohmaterialien, Wartungsänderungen), Modelle, die Sensorfehler ausnutzen, Korrelation, die in Historian-Daten mit Kausalität verwechselt wird, Optimierung einer Ersatzkennzahl auf Kosten nicht gemessener Qualität, Misstrauen der Bediener und Cybersicherheitsrisiken der Rückschreibewege. Die meisten Werke betreiben weiterhin den beratenden Modus; vollautonomer Betrieb ist selten und auf gut instrumentierte kontinuierliche Prozesse beschränkt.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (tabular-ml + time-series + streaming): Soft-Sensoren aus PRED-014 liefern die Qualitätsprognosen, die dieser Anwendungsfall optimiert; die Anomalieerkennung ANOM-005 speist den Sicherheits-Watchdog; die vorausschauende Wartung PRED-006 nutzt dieselben Historian-Pipelines und Edge-Hardware.
• Planungsebene darüber: OPT-002 (Ablaufplanung) entscheidet, was wann läuft; OPT-009 entscheidet, wie.
• Bildebene: VIS-001 (Inspektion) und VIS-057 (prozessnahe Überwachung) liefern Qualitätsrückmeldungen.
• Verwandte Anwendungsfälle: OPT-031 Rezeptur-/Mischungsoptimierung, OPT-038 Echtzeitoptimierung kontinuierlicher Anlagen, OPT-018 Copiloten für Optimierung in natürlicher Sprache.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen bis wenige Monate Pilot an einer Linie; Lizenz plus Integration; Anbieter bieten oft Piloten mit definierten Wertzielen an.
• Weg B: 3–9 Monate bis zu produktiven beratenden Modellen; Cloud-Kosten gering im Vergleich zum Engineering-Aufwand.
• Weg C/D: 6–18 Monate, insbesondere für den geschlossenen Regelkreis mit Sicherheitsvalidierung.
• Kostentreiber: Datenbereinigung und Tag-Zuordnung, Lücken in der Instrumentierung, OT/IT-Integration, Validierung und Dokumentation der Änderungskontrolle.
• Kennzahlen: Erstausbeute (First-Pass-Yield), Ausschuss-/Nacharbeitsquote, Energie und Material je Einheit, Durchsatz/OEE, Zykluszeit, Zeit bis zur Qualifizierung neuer Produkte, Anteil der Zeit mit aktiver KI (Akzeptanz), Anzahl der Bedienereingriffe, Spezifikationsabweichungen.

Menschen & Veränderung

• Früh einbinden: Geschäftsleitung (Ziel, Budget), Prozessverantwortliche und Verfahrensingenieure (Randbedingungen, Validierung), Bediener (tägliche Nutzer und die eigentlichen Experten), IT und IT-Sicherheit (OT/IT-Segmentierung, Rückschreibung), Datenverantwortliche des Historians und der Laborsysteme. Beziehen Sie den Betriebsrat ein, bevor der Pilot startet.
• Betriebsrat: kommt darauf an. Eingriffsstatistiken, Bediener-IDs und Schichtprotokolle machen das System objektiv geeignet, das Verhalten zu überwachen; deshalb greift in den meisten Werken mit Betriebsrat § 87 Abs. 1 Nr. 6 BetrVG, und § 90 Abs. 1 Nr. 3 verlangt eine rechtzeitige Unterrichtung, wenn Arbeitsverfahren mit KI geplant werden. Vereinbaren Sie, dass Eingriffsdaten nicht zur individuellen Leistungsbewertung verwendet werden (im öffentlichen Dienst: Personalrat).
• Datenschutz: Prozessdaten sind überwiegend nicht personenbezogen; werden Bedienerdaten protokolliert, beziehen Sie die/den Datenschutzbeauftragte(n) ein und prüfen Sie, ob eine Datenschutz-Folgenabschätzung (DSFA) nötig ist (Art. 35 DSGVO).
• KI-Kompetenz: Unterstützen Sie Bediener und Ingenieure mit kurzen Schulungen dazu, was das Modell kann und was nicht (Art. 4 KI-Verordnung), siehe GUIDE-006.
• Pilot und Kommunikation: eine Linie, einige motivierte Bediener als Fürsprecher, zunächst im beratenden Modus. Typische Bedenken sind Misstrauen gegenüber Black Boxes und die Angst, ersetzt zu werden; begegnen Sie ihnen mit Erklärungen zu jedem Vorschlag, einem jederzeit verfügbaren Ausschalter und dem Vetorecht der Bediener.
• Menschliche Kontrolle: Ingenieure geben Modellversionen und Grenzwerte frei; Änderungen folgen der Änderungskontrolle.
• Leitfäden: GUIDE-004, GUIDE-008, GUIDE-009.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): kommt darauf an. Beratende Optimierung ist in der Regel ein minimales Risiko. Ein KI-System, das Sicherheitsbauteil eines Produkts oder des Betriebs kritischer Infrastruktur ist (z. B. Verwaltung und Betrieb kritischer digitaler Infrastruktur oder Versorgung mit Gas, Wärme, Strom), kann nach Anhang I / Anhang III ein Hochrisiko-System sein; die reine Effizienz- oder Qualitätsoptimierung von Produktionslinien ist es im Allgemeinen nicht. Bewerten Sie das je Werk: Kann die KI Sicherheitsfunktionen beeinflussen, behandeln Sie sie als Hochrisiko-System und wenden Art. 9–15 an (Risikomanagement, Daten-Governance, Protokollierung, menschliche Aufsicht, Robustheit) [7]. KI-Kompetenz (Art. 4) gilt immer. Eine verbotene Praxis nach Art. 5 liegt nicht vor, solange keine Überwachung der Bediener hinzukommt (Emotionserkennung am Arbeitsplatz ist verboten).
• Maschinen und Sicherheit: Die Maschinenverordnung (EU) 2023/1230 (gilt ab Januar 2027) betrifft Maschinen mit selbstentwickelndem Verhalten und Sicherheitsfunktionen; halten Sie die KI außerhalb des sicherheitsgerichteten Systems (Sicherheitsfunktionen nach IEC 61511 / ISO 13849 bleiben deterministisch) [8].
• Cybersicherheit: NIS2 für wesentliche/wichtige Einrichtungen, IEC 62443, Cyber Resilience Act für Produkte mit digitalen Elementen; segmentieren Sie OT-Netze und authentifizieren Sie die Rückschreibung.
• DSGVO: Prozessdaten sind überwiegend nicht personenbezogen, Bediener-IDs, Schichtprotokolle und die Erfassung von Eingriffen sind jedoch personenbezogene Daten; beziehen Sie den Betriebsrat ein (Deutschland: Mitbestimmung) und verwenden Sie Eingriffsstatistiken nicht zur individuellen Leistungsbewertung.
• Qualitätsregime: GMP, IATF 16949, ISO 9001 verlangen eine validierte Änderungskontrolle bei Rezepturänderungen.
• Gegenmaßnahmen: harte Grenzen außerhalb der KI, Schattenmodus vor der Aktivierung, Notausschalter, Drift-Überwachung, versionierte Modelle, lückenlose Prüfspur jeder Sollwertänderung.

Erste Schritte

1. Wählen Sie einen Prozess mit messbarem Qualitäts- oder Energieverlust und guter Instrumentierung; legen Sie die Ausgangskennzahl über 3–6 Monate fest.
2. Prüfen Sie die Daten: Tag-Abdeckung, Abtastraten, Verzögerung der Laborergebnisse und ob die Einstellungen genug variiert haben, um daraus zu lernen; planen Sie andernfalls Schrittversuche oder ein DoE.
3. Bauen Sie ein beratendes Modell im Schattenmodus und vergleichen Sie seine Vorschläge mehrere Wochen lang mit den Ergebnissen.
4. Setzen Sie die vom Bediener freigegebenen Vorschläge an einer Linie um; protokollieren Sie alle Änderungen und prüfen Sie sie monatlich mit Prozess- und Qualitätsingenieuren.
5. Erst dann kommt der geschlossene Regelkreis in Frage: Legen Sie zuerst die Sicherheitshülle, die Rückfallebene und die Risikobewertung nach KI-Verordnung bzw. Maschinenrecht fest.

Quellen

1. Yokogawa — AI autonomous control (FKDPP) for chemical plants — https://www.yokogawa.com/library/resources/references/successstory-eneos-materials/
2. Imubit — Closed Loop AI Optimization for process industries — https://imubit.com/
3. AspenTech — AI-driven process optimization — https://www.aspentech.com/en/products/pages/aspen-dmc3
4. Siemens — Industrial AI in manufacturing — https://www.siemens.com/global/en/products/automation/topic-areas/industrial-ai.html
5. BoTorch — Bayesian optimization in PyTorch — https://botorch.org/
6. Ax — Adaptive experimentation platform — https://ax.dev/
7. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
8. Regulation (EU) 2023/1230 (Machinery Regulation) — https://eur-lex.europa.eu/eli/reg/2023/1230/oj