Edge-KI für die Fertigung
Ob Sie KI-gestützte Prüfung zum ersten Mal evaluieren, sich von einem Cloud-Pilotprojekt erholen, das die Taktzeit nicht einhalten konnte, oder einen funktionierenden Prototyp auf 15 Werke skalieren – das Problem ist immer dasselbe: Edge-KI in die Produktion zu bringen ist eine Integrations- und Betriebsaufgabe, kein Hardwarekauf.
Wir entwickeln maßgeschneiderte Edge-Vision- und akustische KI-Systeme, die sich in Ihre bestehenden SPS, MES und Qualitätsprozesse integrieren. Herstellerneutrale Architektur. Echte OT/IT-Konvergenz. Flottenbetrieb, der skaliert.
84 %
der Integrationsprojekte scheitern ganz oder teilweise
HiveMQ / Branchendaten, 2025
5–15 %
Falschausschussrate bei Out-of-the-Box-AOI
Edge AI Vision Alliance, 2026
22.000 $/Min.
durchschnittliche Kosten ungeplanter Ausfallzeiten (Automobilbranche)
Siemens True Cost of Downtime, 2024
Das Edge-KI-Versprechen klingt überzeugend: einen Jetson auf das Förderband setzen, in 12 ms Inferenz durchführen, Defekte in Echtzeit erkennen. NVIDIA verkauft Ihnen die Hardware. Landing AI verkauft Ihnen das Modell. Doch 84 % der Systemintegrationsprojekte scheitern ganz oder teilweise – und der Grund ist nie die Inferenzgeschwindigkeit.
Ein Tier-2-Automobil-Stanzbetrieb installiert zwei GigE-Kameras an einer 200-Tonnen-Folgeverbundwerkzeug-Presse, die mit 40 Hüben pro Minute läuft. Das Vision-Modell erkennt Grate, Fehlfüllungen und Butzenmarken im Labor mit 97 % Genauigkeit. In der Produktion erreicht die Falschausschussrate 14 %.
Warum? Die Laboraufnahmen wurden unter kontrollierter LED-Ringbeleuchtung gemacht. An der Presse reflektiert die Blechoberfläche die Hallenbeleuchtung bei jedem Hubwinkel anders. Stanzschmierstoff sammelt sich auf warmen Werkzeugen anders als auf kalten. Die ersten 50 Teile einer Schicht sehen anders aus als Teile im thermischen Gleichgewicht.
Die Lösung ist kein besseres Modell. Sie besteht aus strukturierter Beleuchtung mit polarisierten Hintergrundbeleuchtungen zur Beseitigung spiegelnder Reflexionen, einer Wärmebildkamera zur Korrelation von Oberflächenerscheinung und Werkzeugtemperatur sowie einer Trainingspipeline, die Bilder aus Kaltstart-, Mittlauf- und Endlaufbedingungen umfasst. Dann beginnt die Integrationsarbeit: das Abbilden des Prüfergebnisses auf die Allen-Bradley ControlLogix über EtherNet/IP, damit der Ausschussaktor innerhalb des 750-ms-Hubfensters auslöst, das Kennzeichnen jedes Teils mit seinem Prüfergebnis im MES zur Rückverfolgbarkeit und das Weiterleiten von Defektbildern an das Dashboard des Qualitätsingenieurs, gefiltert nach Defektklasse und Werkzeugstation.
Diese Integrationsarbeit macht 60 % der Projektlaufzeit aus. Das Modelltraining 15 %. Die Hardware ist eine Bestellung.
Nur 34 % der Hersteller verfügen über Produktionssysteme mit Echtzeit-Datenstreaming. Die übrigen 66 % befinden sich noch in Pilot- oder Forschungsphasen. Ohne werksweite Echtzeit-Dateninfrastruktur kann Edge-KI nicht im großen Maßstab funktionieren. Wenn Ihr Historian alle 5 Sekunden Daten erfasst, Ihre Prüfentscheidungen aber in 50 ms getroffen werden müssen, liegt eine architektonische Diskrepanz vor, die keine noch so große Edge-Rechenleistung lösen kann.
Eine Edge-Bereitstellung in der Logistik aus dem Jahr 2025 brach sechs Monate nach dem Start zusammen. 30 % von 500 Edge-Geräten gingen aufgrund von Stromproblemen offline, und die IT benötigte 48 Stunden, um jedes einzelne zu beheben, weil sie keinen etablierten Prozess für die Fehlerbehebung im Feld hatte. Edge-KI im großen Maßstab braucht operative Rahmenwerke: OTA-Modellaktualisierungen mit Rollback, Überwachung des Gerätezustands und Wartungsabläufe, die OT-Teams ohne den Anbieter in Rufbereitschaft ausführen können.
Die Landschaft umfasst Plattformanbieter, reine KI-Start-ups, etablierte Anbieter der Industrieautomatisierung und große Systemintegratoren. Jeder löst einen Teil des Problems. Keiner löst die vollständige Pipeline von der Integration bis zum Betrieb für einen mittelgroßen Hersteller, der Siemens und Allen-Bradley nebeneinander betreibt.
| Anbieter | Was sie verkaufen | Stärke | Lücke |
|---|---|---|---|
| Siemens Industrial Edge | Plattform für Edge-Apps innerhalb des Siemens-OT-Ökosystems. IEC 62443-4-2-konformes Flottenmanagement. | Tiefe SPS-Integration (S7-1500), Xcelerator-Marktplatz, Sicherheitszertifizierungen. | Siemens-zentriert. Wenn Sie auf der Hälfte Ihrer Linien Allen-Bradley betreiben, überbrückt Industrial Edge diese Lücke nicht. Eine CISA-Sicherheitswarnung vom Januar 2026 erforderte ein Patchen. |
| NVIDIA Metropolis | Entwicklertools und Workflows für Vision-KI. Über 50 Fabrikkunden, darunter Foxconn und Wistron. | 99,8 % AOI-Genauigkeit in Benchmarks. GPU-Ökosystem, TensorRT-Optimierung, DeepStream-Pipelines. | Verkauft Hardware und SDKs, keine bereitgestellten Lösungen. Sie benötigen weiterhin Integration, OT-Konnektivität und operative Rahmenwerke. Vollständige NVIDIA-Bindung. |
| Rockwell FactoryTalk VisionAI | No-Code-KI-Prüfung mit geschlossener Integration in Rockwell-SPS. | Werksbediener trainieren Modelle ohne ML-Expertise. Enge ControlLogix-Integration. | Nur Rockwell-Ökosystem. Keine Integration mit Siemens, Mitsubishi oder Werken mit gemischten Anbietern möglich. Begrenzte Modellkomplexität im Vergleich zu maßgeschneiderten Architekturen. |
| Landing AI (LandingLens) | Datenzentrierte Plattform für visuelle Prüfung. Bis zu 60 % Kostensenkung bei der KI-Entwicklung. | Starker Workflow für Datenkennzeichnung. Das Team von Andrew Ng versteht den Engpass bei Trainingsdaten. | Plattform, keine Integration. Übernimmt keine OPC-UA-Konnektivität, SPS-Programmierung oder Flottenbetrieb in Ihrer spezifischen OT-Umgebung. |
| Cognex (In-Sight + Edge Learning) | FPGA-basiertes Edge Learning (5–10 Trainingsbilder) plus Deep Learning für komplexe Defekte. | Branchenübliche Bildverarbeitung. Schnelle Einrichtung für einfache Gut/Schlecht-Prüfungen. Robust für Fabrikumgebungen. | Die regelbasierte Herkunft begrenzt die Flexibilität. Komplexe mehrklassige Defekterkennung oder maßgeschneiderte Segmentierungslogik erfordert ein Verlassen des Cognex-Ökosystems. |
| Augury | Akustik- und Vibrations-KI für den Maschinenzustand. Bewertung über 1 Mrd. $, Kunden darunter PepsiCo und Nestlé. | Bewährte vorausschauende Wartung mit Fortune-500-Bereitstellungen. Starke Pipeline vom Sensor zur Erkenntnis. | SaaS-Modell, nicht Edge-first. Fokussiert auf kontinuierliche Prozessindustrien, nicht auf die Prüfung in der diskreten Fertigung. Keine Fähigkeit zur visuellen Prüfung. |
| Lokaler IPC + GPU | Robuster x86-Industrie-PC mit NVIDIA RTX A2000/A4000 oder Intel Arc. | Vertraut für OT-Teams. Standard-PCIe-Erweiterung. Einfachere Wartung: eine GPU-Karte wie jede andere Komponente tauschen. | Höhere Leistungsaufnahme (70 W+ gegenüber 25 W). Größerer Formfaktor erfordert Schrankplatz. Höhere Stückkosten im großen Maßstab (3–5 Tsd. $ gegenüber 500–900 $ pro Jetson-Modul). Nicht praktikabel für Bereitstellungen mit hoher Dichte. |
| Big 4 / große SIs | Accenture, Deloitte und die großen Industrie-SIs bieten Transformationsprogramme für die „intelligente Fabrik“ an. | Glaubwürdigkeit auf Unternehmensebene. Große Teams, die mehrjährige Programme besetzen können. Bestehende Beziehungen zu Ihrer Führungsebene. | Sie implementieren Plattformen, sie bauen keine maßgeschneiderten Inferenz-Pipelines. Engagements beginnen bei 500 Tsd. $–2 Mio. $+ und bewegen sich mit Unternehmensgeschwindigkeit. Eine sechsmonatige Discovery-Phase, um zu entscheiden, welche Plattform gekauft werden soll, ist nicht dasselbe wie eine funktionierende Prüfstation an Linie 3. |
Lücken, die kein Anbieter gut löst: organisatorisches Change Management für die KI-Einführung, Kuratierung von Trainingsdaten, wenn nur 5 % der Hersteller umfassende Aufzeichnungen über Anlagenausfälle führen, und herstellerübergreifende OT-Integration, bei der ein einzelnes Werk drei SPS-Generationen von zwei Herstellern betreibt.
Jedes Engagement ist maßgeschneidert. Dies sind die Fähigkeiten, die wir auf den Werksboden bringen.
Wir entwerfen die vollständige Prüf-Pipeline: Kameraauswahl (Global-Shutter-GigE-Vision für bewegte Förderbänder, Flächenscan mit strukturierter Beleuchtung für statische Stationen), Modellarchitektur (YOLOv8-Varianten für mehrklassige Echtzeit-Erkennung, U-Net-Segmentierung für Maßtoleranz und Oberflächenbewertung) sowie Quantisierungsstrategie.
Wir setzen auf INT8-Quantisierung mit QAT (quantisierungsbewusstes Training), wenn die Defektklassen subtile Merkmale wie Haarrisse oder Verfärbungen umfassen. Post-Training-Quantisierung funktioniert für kontrastreiche Defekte wie fehlende Bauteile oder grobe Verformungen. Die Wahl hängt von Ihrer spezifischen Defekttaxonomie ab, und wir validieren die Genauigkeit pro Defektklasse, nicht nur über aggregierte Kennzahlen.
Ultraschall-MEMS-Mikrofonarrays (96–192 kHz Abtastung) gepaart mit leichtgewichtigen 1D-CNN-Klassifikatoren, die auf ARM-Cortex-M7-Mikrocontrollern laufen. Modelle unter 200 KB, Inferenz unter 1 ms. Wir verwenden Arrays mit 4–8 Elementen zur räumlichen Filterung, was ausreichende Richtwirkung bietet, um Emissionen aus dem Lagergehäuse in 85–100 dB lauten Fabrikumgebungen zu isolieren – ohne die Kosten von 10.000–50.000 $ für 64-Element-Forschungsarrays.
Die eigentliche Arbeit besteht im Aufbau der Spektralbibliothek. Jeder Lagertyp, jede Maschine, jeder Betriebszustand hat eine andere akustische Grundsignatur. Wir ermitteln Baselines über 2–4 Wochen überwachten Betriebs und trainieren dann Fehlerklassifikatoren auf den spezifischen Frequenzbändern (typischerweise 25–50 kHz), in denen sich Schmierstoffverlust und beginnende Pittingbildung für Ihre Anlagen zeigen.
Die Integration ist die häufigste Ursache für das Scheitern von Projekten (siehe die Statistik oben). Wir überbrücken die Protokolle: Modbus TCP für ältere Anlagen, EtherNet/IP für Allen-Bradley ControlLogix, Profinet für Siemens S7-1500 und OPC-UA als vereinheitlichende Schicht. Wir übernehmen das Tag-Mapping, die Datentypkonvertierung und die zeitlichen Randbedingungen, die darüber entscheiden, ob Ihr Ausschussaktor innerhalb des Hubfensters auslöst.
Die Integration reicht über die SPS hinaus. Prüfergebnisse fließen in Ihr MES zur teilebezogenen Rückverfolgbarkeit, in Ihr ERP zur Ausschussbuchhaltung und in Ihr Qualitäts-Dashboard für Echtzeit-SPC-Diagramme. Wir bauen diese Datenpipelines mit leichtgewichtigen MQTT-Brokern am Edge auf, nicht indem wir alles durch die Cloud leiten.
Die Verwaltung von 50–500 Edge-Geräten über mehrere Werke hinweg ist eine operative Disziplin, kein Software-Feature. Wir bauen die Flottenmanagement-Schicht auf: containerisierte Modellbereitstellung über K3s (leichtgewichtiges Kubernetes), OTA-Update-Pipelines mit gestaffeltem Rollout und automatischem Rollback, Überwachung des Gerätezustands mit Alarmierung sowie Modellversionierung mit Audit-Trails für die regulatorische Rückverfolgbarkeit.
Jedes Gerät speichert sein aktuelles Modell und zwei vorherige Versionen. Wenn ein neues Modell die Falschausschussrate während seiner ersten Produktionsschicht über einen konfigurierbaren Schwellenwert hinaus erhöht, führt das Gerät automatisch ein Rollback durch. Das bedeutet, dass ein fehlerhafter Nachtrainingszyklus eine Schicht mit erhöhtem Falschausschuss kostet, keine Produktionskrise.
Die Verpflichtungen aus dem EU AI Act werden ab dem 2. August 2026 vollständig anwendbar. Fertigungs-KI, die für sicherheitskritische Qualitätsentscheidungen eingesetzt wird, erfordert Konformitätsbewertung, Nachverfolgung der Datenherkunft, Human-in-the-Loop-Kontrollpunkte und Risikoklassifizierungs-Tags für jedes bereitgestellte Modell. Wir bauen diese Rückverfolgbarkeit von Tag eins an in die Bereitstellungspipeline ein: Jedes Modellartefakt trägt Metadaten, die es mit seinem Trainingslauf, dem Datensatz-Hash, den Validierungskennzahlen und dem Freigabevermerk verknüpfen. Auf der Sicherheitsseite gestalten wir die Netzwerksegmentierung der Edge-Geräte nach den Zonen- und Conduit-Modellen der IEC 62443 und härten die Angriffsfläche, die verteilte Edge-Geräte in Ihr OT-Netzwerk einbringen.
Vier Phasen. Realistische Zeitpläne. Die Vorbehalte, die Sie einplanen müssen.
Wir erfassen Ihren aktuellen Prüfprozess, die OT-Netzwerktopologie, die SPS-Plattformen, die MES-Integrationspunkte und die Dateninfrastruktur. Wir messen Ihre tatsächlichen Taktzeiten und Latenzbudgets. Wir inventarisieren vorhandene Defektdaten, falls welche existieren.
Vorbehalt: Wenn Ihr Werk keine gekennzeichneten Defektbilder und keine systematische Defektkategorisierung hat, dauert die Datenerfassungsphase (Phase 2) 3–5 Wochen länger, als wenn Sie historische Daten haben. Wir sind hierbei von Anfang an ehrlich, denn es ist die größte Einzelvariable im Zeitplan.
Hardwarebeschaffung und -installation. Erfassung von Trainingsdaten bei Bedarf: Wir setzen Kameras 1–3 Wochen lang im Aufnahmemodus parallel zu Ihrer bestehenden Prüfung ein, wobei Bediener Defekte über eine Touchscreen-Oberfläche kennzeichnen. Modelltraining, Quantisierung und Validierung gegen Ihre spezifische Defekttaxonomie. Entwicklung der SPS-Integration: Tag-Mapping, Kommunikationstests, Programmierung der Ausschusslogik.
Vorbehalt: Die Modellgenauigkeit auf Ihrer Produktionslinie wird nicht den Laborbenchmarks entsprechen. Reale Bedingungen wie Beleuchtungsschwankungen, Wechsel der Materiallieferanten und thermische Effekte erfordern iteratives Feintuning. Wir kalkulieren 2–3 Trainingsiterationen in dieser Phase ein.
Das KI-System läuft parallel zu Ihrer bestehenden Prüfung, ohne den Ausschussmechanismus auszulösen. Jede Entscheidung wird protokolliert: hätte ausgeschleust, hätte durchgelassen. Wir vergleichen mit dem bestehenden Prozess, um Erkennungsraten, Falschausschussraten und Taktzeit-Konformität zu validieren. Die Bediener gewinnen vor der Umstellung Vertrauen in das System.
Vorbehalt: Der Schattenmodus wird Defektklassen aufdecken, die die Trainingsdaten übersehen haben. Das ist zu erwarten, kein Fehler. Wir nutzen die Erkenntnisse aus dem Schattenmodus, um vor der Umstellung nachzutrainieren. Den Schattenmodus zu überstürzen, um ein Go-Live-Datum zu treffen, ist die mit Abstand häufigste Ursache für Probleme nach der Bereitstellung.
Umstellung auf die Live-Ausschussauslösung. Operative Übergabe an Ihr Team: Überwachungs-Dashboards, Nachtrainingsabläufe, Eskalationspfade. Bei mehrzeiligen Rollouts dauert jede weitere Linie 3–5 Wochen unter Nutzung etablierter Modell- und Integrationsmuster. Mehrwerk-Rollouts fügen pro Werk 2–3 Wochen für Netzwerk-Provisioning und Standortkalibrierung hinzu.
Vorbehalt: Die erste Linie ist die teuerste und langsamste. Die Linien 2–5 sind deutlich schneller. Aber jedes Werk hat standortspezifische Variablen (Beleuchtung, Vibration, Netzwerktopologie), die eine lokale Kalibrierung erfordern. Gehen Sie nicht davon aus, dass Werk B eine Kopie von Werk A ist.
Gesamtzeitplan für eine einzeilige Bereitstellung: 8–14 Wochen vom Kick-off bis zur Produktionsvalidierung. Die größte Variable ist die Verfügbarkeit von Trainingsdaten, nicht die Hardwarebeschaffung. Kalkulieren Sie 2–4 Stunden/Woche Zeit eines Qualitätsingenieurs für die laufende Label-Überprüfung und die Überwachung der Modellleistung nach dem Go-Live ein.
Beantworten Sie sechs Fragen zu Ihrem aktuellen Stand. Die Bewertung identifiziert, welche Bereitstellungsphase auf Ihr Werk zutrifft und welche Grundlagenarbeit nötig ist, bevor Edge-KI Ergebnisse liefern kann.
1. Welche Prüfmethode setzen Sie derzeit ein?
2. Verfügen Sie über gekennzeichnete Defektbilddaten aus Ihren Produktionslinien?
3. Welche SPS-/Automatisierungsplattformen befinden sich auf Ihrem Werksboden?
4. Welchen Bereitstellungsumfang streben Sie an?
5. Verfügt Ihr Werk über Echtzeit-Datenstreaming von der Produktionsausrüstung?
6. Bestehen für Ihre Produktions-KI Compliance-Anforderungen aus dem EU AI Act?
Traditionelle automatisierte optische Prüfsysteme erzeugen ab Werk Falschausschussraten von 5–15 %. Gut abgestimmte KI-Vision-Systeme bringen diese unter 2 %, während sie eine echte Defekterkennung von 99 %+ aufrechterhalten. Der Weg von 15 % auf unter 2 % ist ein Kalibrierungs- und Datenproblem, kein Problem der Modellarchitektur.
Erstens: Trainieren Sie auf akzeptablen Produktschwankungen, nicht nur auf Defektbibliotheken. Ein kosmetischer Kratzer auf einer nicht dichtenden Fläche ist nicht derselbe Defekt wie ein Kratzer auf einer Gegenfläche, und pixelgenaue Segmentierung erlaubt es, diese Unterscheidung zu kodieren: „ausschleusen, wenn die Kratzerlänge 2 mm innerhalb von 5 mm der Dichtfläche überschreitet.“
Zweitens: Hardwarewartung verursacht mehr Falschausschuss-Drift als Modelldegradation. Die Beleuchtungsintensität sinkt, die Kameraoptik sammelt Ablagerungen, Montagevibrationen verschieben die Ausrichtung. Wir bauen geplante Hardwarevalidierung in jede Bereitstellung ein: Prüfung der Spektralleistung der Beleuchtung, MTF-Messung an der Optik, Überwachung der Positionsdrift an den Halterungen.
Drittens: Trainieren Sie kontinuierlich mit aktuellen Falschausschuss-Proben nach. Das vor sechs Monaten ausgelieferte Modell hat die etwas andere Oberflächengüte des neuen Lieferanten nie gesehen. Wir richten Feedbackschleifen ein, in denen Bediener Falschausschuss auf einem Touchscreen markieren, und diese Bilder fließen automatisch in den nächsten Nachtrainingszyklus ein.
Die Schwellenwertabstimmung selbst ist defektklassenspezifisch: Kritische strukturelle Defekte erhalten aggressive Empfindlichkeit (mehr Falschpositive akzeptieren), kosmetische Defekte erhalten gelockerte Schwellenwerte (Falschausschuss minimieren). Das ist kein einzelner Konfidenz-Schieberegler. Es ist eine klassenspezifische Entscheidungsmatrix, die um Ihre Qualitätsspezifikation herum aufgebaut ist.
Das ist die häufigste technische Frage, die wir hören, und die ehrliche Antwort lautet: Es hängt von Ihrer operativen Reife und Ihrem Umfang ab.
Jetson Orin NX liefert 100 TOPS in einem 15-W–25-W-Budget. Ein Industrie-PC mit einer NVIDIA RTX A2000 liefert einen ähnlichen Inferenzdurchsatz bei 70 W, gibt Ihnen aber eine vertraute x86-Umgebung, Standard-PCIe-Erweiterung und Wartungsabläufe, die Ihr OT-Team bereits kennt.
Für Einzelstationen-Bereitstellungen oder Werke mit starkem IT-Support ist der IPC-Weg oft schneller in der Produktion. Ihr Wartungsteam kann eine GPU-Karte tauschen, ohne Embedded Linux zu lernen. Für Bereitstellungen mit hoher Dichte (10+ Prüfstationen pro Linie, mehrere Linien) gewinnen die Energieeffizienz und der Formfaktor des Jetson. Die Montage eines lüfterlosen 100×87-mm-Moduls direkt am Förderbandrahmen macht einen separaten Schrank überflüssig.
Für Mehrwerk-Rollouts, bei denen Sie 50–200+ Geräte benötigen, verändern die niedrigeren Stückkosten des Jetson (500–900 $ für das Modul gegenüber 3.000–5.000 $ für einen robusten IPC) die Gesamtbetriebskosten erheblich.
Wir konstruieren auf Hardwareflexibilität. Modelle werden in das ONNX-Format exportiert, das auf dem Jetson zu TensorRT kompiliert wird oder über die ONNX Runtime auf Intel/AMD-IPCs läuft. Der Anwendungscontainer ist in beiden Fällen derselbe. Das bedeutet, Sie können in Ihrem Pilotwerk mit IPCs beginnen und für den skalierten Rollout auf Jetson migrieren, ohne den Software-Stack neu aufzubauen.
Eine einzeilige Bereitstellung mit einer Prüfstation dauert typischerweise 8–14 Wochen vom Kick-off bis zur Produktionsvalidierung. Der Zeitplan teilt sich ungleichmäßig auf, und die Verteilung überrascht die meisten Teams.
Hardwareauswahl, -beschaffung und -montage dauern 2–3 Wochen. Die Modellentwicklung dauert 2–3 Wochen, wenn Sie über gekennzeichnete Trainingsdaten verfügen. Wenn Sie keine gekennzeichneten Daten haben, kommen 3–5 Wochen für Datenerfassung und Annotation hinzu.
Die OT-Integration – also das Übertragen des Prüfergebnisses vom Edge-Gerät in die SPS-Ausschusslogik über OPC-UA oder Modbus TCP – dauert 2–4 Wochen. Hier sehen wir die meiste Zeitplanverschiebung. Das Tag-Mapping zwischen der KI-Ausgabe und dem SPS-Programm erfordert eine Abstimmung zwischen dem KI-Team und dem Steuerungsingenieur.
Produktionsvalidierung: das System 1–2 Wochen im Schattenmodus parallel zur bestehenden Prüfung laufen lassen, dann Umstellung mit paralleler Verifizierung für eine weitere Woche.
Mehrzeilige Rollouts nach der ersten Linie sind schneller: 3–5 Wochen pro Linie, weil Modell, Integrationsmuster und Betriebsabläufe etabliert sind. Mehrwerk-Rollouts fügen pro Werk 2–3 Wochen für Netzwerk-Provisioning, OT-Team-Schulung und standortspezifische Kalibrierung hinzu. Die größte Variable sind die Daten. Wenn Ihr aktueller Prozess gekennzeichnete Defektbilder erzeugt, können wir ab Tag eins trainieren. Wenn Bediener derzeit Teile verschrotten, ohne den Defekt zu fotografieren, dominiert die Datenerfassungsphase den Zeitplan.
Das ist die Frage, die die meisten Edge-KI-Anbieter meiden, und es ist diejenige, die darüber entscheidet, ob sich Ihre Investition verzinst oder abwertet. Jeder Produktwechsel, jedes neue Lieferantenmaterial oder jede Werkzeuganpassung kann verändern, was für das Vision-System „normal“ aussieht. Ein neuer Eloxal-Lieferant erzeugt eine leicht andere Oberflächentextur. Ein umgerüstetes Werkzeug erzeugt ein anderes Trennlinienprofil. Das auf der alten Produktion trainierte Modell beginnt, gute Teile zu beanstanden.
Wir bauen die Nachtrainings-Pipeline als zentrales Liefergut auf, nicht als nachträglichen Einfall. Edge-Geräte erfassen und vorkennzeichnen während der Produktion kontinuierlich Bilder. Bediener bestätigen oder korrigieren Kennzeichnungen auf einer lokalen Touchscreen-Oberfläche. Gekennzeichnete Bilder werden während der Schichtwechsel mit einem lokalen Trainingsserver synchronisiert, nicht in Echtzeit, sodass die Produktionsbandbreite unbeeinträchtigt bleibt. Das Nachtraining läuft automatisch, wenn der Datensatz einen Schwellenwert überschreitet, typischerweise wöchentlich. Neue Modellkandidaten werden vor der Bereitstellung gegen einen zurückgehaltenen Testdatensatz validiert.
Die zentrale architektonische Entscheidung ist die versionierte Modellbereitstellung mit sofortigem Rollback. Jedes Edge-Gerät speichert das aktuelle Modell und die zwei vorherigen Versionen. Wenn ein neues Modell die Falschausschussrate während seiner ersten Produktionsschicht über einen konfigurierbaren Schwellenwert hinaus erhöht, führt das Gerät automatisch ein Rollback durch und benachrichtigt das Betriebsteam. Das bedeutet, dass ein fehlerhafter Nachtrainingszyklus Sie eine Schicht mit erhöhtem Falschausschuss kostet, keine Produktionskrise.
Bei größeren Produktänderungen, etwa einer völlig neuen Teilegeometrie, führen wir einen fokussierten Datenerfassungs-Sprint durch: 3–5 Tage Produktion mit erweiterter Erfassung, manuelle Annotation durch Qualitätsingenieure und einen dedizierten Trainingszyklus. Das sind die Wartungskosten der KI-Prüfung. Kalkulieren Sie 2–4 Stunden pro Woche Zeit eines Qualitätsingenieurs für die Label-Überprüfung sowie die Rechenkosten für das wöchentliche Nachtraining auf dem lokalen GPU-Server ein.
Die meisten Verpflichtungen aus dem EU AI Act werden ab dem 2. August 2026 vollständig anwendbar. Fertigungs-KI-Systeme, die für sicherheitskritische Entscheidungen, für Qualitäts-Gating, das die Produktsicherheit betrifft, oder für die Überwachung von Mitarbeitenden eingesetzt werden, fallen unter die Hochrisiko-Klassifizierung und erfordern vor der Bereitstellung eine Konformitätsbewertung.
Die praktischen Anforderungen, die Ihre Edge-KI-Architektur betreffen: vollständige Nachverfolgung der Datenherkunft von den Trainingsdaten über die Modellversionen bis zu den Produktionsentscheidungen. Jede Prüfentscheidung braucht einen rückverfolgbaren Pfad zurück zur Modellversion, zum Trainingsdatensatz und zum Kalibrierungszustand, der sie erzeugt hat. Human-in-the-Loop-Kontrollpunkte für Workflows, die sich auf die Sicherheit auswirken. Wenn Ihr KI-System entscheidet, ob ein Bremsbauteil die Prüfung besteht, muss ein qualifizierter Mensch in der Lage sein, dies zu überprüfen und zu übersteuern. Risikoklassifizierungs-Tags für jedes bereitgestellte Modell, die Risikostufe, Nutzungskontext und Compliance-Status angeben.
Für Edge-Bereitstellungen bedeutet das, dass Ihr Flottenmanagementsystem nachverfolgen muss, welche Modellversion auf welchem Gerät läuft, wann sie zuletzt aktualisiert wurde und aus welchen Trainingsdaten sie erstellt wurde. Wir bauen diese Rückverfolgbarkeit in die Bereitstellungspipeline ein: Jedes Modellartefakt trägt Metadaten, die es mit seinem Trainingslauf, dem Datensatz-Hash, den Validierungskennzahlen und dem Freigabevermerk verknüpfen.
Die Strafen sind erheblich: bis zu 35 Mio. EUR oder 7 % des weltweiten Jahresumsatzes bei verbotenen KI-Verstößen. Selbst bei nicht verbotenen, aber nicht konformen Hochrisikosystemen erreichen die Bußgelder 15 Mio. EUR oder 3 % des Umsatzes. Jetzt mit der Compliance-Bewertung zu beginnen ist nicht optional, wenn Sie bis August KI in der Produktion haben wollen.
Ja, und die Physik erklärt warum. Vibration ist ein nachlaufender Indikator. Ein Lager vibriert erst dann abnormal, nachdem ein physischer Schaden eingetreten ist: Pitting am Innenring, Lochfraß an den Wälzkörpern. Bis ein Beschleunigungssensor eine erhöhte Amplitude bei der Überrollfrequenz aufnimmt, ist der Schaden strukturell.
Die akustische Ultraschallemission ist ein vorlaufender Indikator. Wenn ein Lager Schmierung verliert oder einen mikroskopischen Riss entwickelt, erzeugt die erhöhte Metall-auf-Metall-Reibung hochfrequente Spannungswellen im Bereich von 20–100 kHz. Diese Ultraschallemissionen treten Wochen vor niederfrequenten Vibrationssignaturen oder hörbarem Geräusch auf. Das Erkennungsfenster zwischen Ultraschallanomalie und Vibrationsalarm beträgt typischerweise 4–8 Wochen für langsam laufende Lager (unter 1.000 U/min) und Tage bis Wochen für hochdrehende Spindeln.
Die Bereitstellung verwendet MEMS-Mikrofonarrays, die mit 96 kHz oder 192 kHz abtasten, gepaart mit leichtgewichtigen 1D-CNN-Klassifikatoren, die auf Mikrocontrollern wie dem ARM Cortex-M7 laufen. Die Modelle sind klein, typischerweise unter 200 KB, und die Inferenz dauert unter 1 ms. Die Gesamtsystemkosten pro Überwachungspunkt betragen 500–2.000 $, abhängig von der Sensorkonfiguration und den Montageanforderungen.
Die praktische Herausforderung ist das Umgebungsgeräusch. Ein Werksboden mit 85–100 dB enthält Gabelstapler, Druckluftwerkzeuge, benachbarte Maschinen. Wir nutzen räumliche Filterung über kleine Mikrofonarrays (4–8 Elemente, nicht die 64-Element-Arrays, die manche Veröffentlichungen vorschlagen), um auf das Lagergehäuse zu fokussieren und Umgebungsgeräusche aus anderen Richtungen zu unterdrücken. Vier Elemente bieten für die meisten Montagegeometrien ausreichende Richtwirkung zu einem Bruchteil der Kosten großer Arrays.
Bei kritischen Spindeln, die über 10.000 U/min laufen, bei denen ein Trockenlauf-Ereignis Lager in Sekunden verschweißen kann, verdrahten wir die Klassifikatorausgabe über ein sicherheitsgerichtetes Relais direkt mit dem Not-Halt-Kreis der Maschine. Die Latenz von der Erkennung bis zur Auslösung liegt unter 5 ms. Der Kostenunterschied zwischen einem 500-$-Lagertausch, der durch akustische Erkennung erfasst wird, und einem 45.000-$-Spindeltausch, der durch Vibrationsüberwachung erfasst wird, macht den ROI-Fall eindeutig.
Die technischen Grundlagen hinter dieser Lösungsseite, verfügbar als interaktives Whitepaper.
Der Latenz-Killschalter: Die Entwicklung der industriellen Post-Cloud-ArchitekturTiefgehende technische Analyse der Edge-Inferenz-Latenz, INT8-Quantisierungs-Benchmarks, akustischer TinyML-Architekturen und der wirtschaftlichen Begründung, KI aus der Cloud auf den Werksboden zu verlagern.
Knauf Insulation erzielte im ersten Jahr 511 % ROI mit Edge-Vision-KI zur Ausschussreduzierung.
Ob Sie ein einzeiliges Pilotprojekt benötigen, um den Business Case zu belegen, oder eine Flottenarchitektur, um über Werke hinweg zu skalieren – wir beginnen mit einem Latenz- und Integrations-Audit Ihrer aktuellen Produktionslinien.