Agentische KI in der Produktion Neues Forschungsprojekt bricht Datensilos auf

Anbieter zum Thema

Werkzeugmaschinenlabor WZL der RWTH Aachen

FAULHABER Antriebssysteme

Schneider Electric GmbH

HMS Technology Center GmbH

Generative KI scheitert im industriellen Umfeld oft an isolierten Datenstrukturen. Das neue Forschungsprojekt Skipro unter der Leitung des WZL der RWTH Aachen will das nun ändern – und macht heterogene SPS- und Maschinendaten fit für verlässliche, kollaborative Multi-Agenten-Systeme.

In modernen industriellen Fertigungsumgebungen existiert ein enormer Schatz an relevanten Informationen. Doch diese Daten liegen meist stark fragmentiert vor: Sie verteilen sich über speicherprogrammierbare Steuerungen (SPS) von Maschinen, verschiedenste Automatisierungssysteme, Mess- und Prüfprozesse sowie herstellerspezifische Engineering-Tools.Auf den unterschiedlichen Ebenen der klassischen Automatisierungspyramide sind diese Daten oft nur im direkten Kontext des jeweiligen Fertigungsschritts aussagekräftig. Für moderne generative KI-Systeme – wie etwa industrielle Großsprachmodelle (LLMs) oder kollaborative Multi-Agenten-Systeme – stellt diese Heterogenität bislang eine massive Barriere dar. Mangels einer verlässlichen, kontextbewussten Dateneinbindung verharren solche KI-Anwendungen in der industriellen Praxis meist im Stadium isolierter Demonstratoren.

Verteilte Produktionsdaten nahtlos für KI nutzbar machen

Hier setzt das kürzlich gestartete Forschungsprojekt SKIPRO an. Unter der Konsortialführung von Prof. Robert H. Schmitt vom Werkzeugmaschinenlabor WZL der RWTH Aachen University (Lehrstuhl für Informations-, Qualitäts- und Sensorsysteme, WZL-IQS) entwickelt ein interdisziplinäres Team neuartige Softwaretechnologien. Das Ziel: Heterogene, verteilte Produktionsdaten nahtlos für KI nutzbar zu machen – ohne dabei den geschäftskritischen Prozesskontext und die industrielle Zuverlässigkeit zu verlieren.

Drei technologische Kernpfeiler für die Praxis

Das Konsortium entwickelt praxistaugliche Methoden und eine Integrations-Middleware, um generative KI-Systeme fit für den rauen Einsatz in der Produktionstechnik zu machen. Im Fokus stehen dabei drei technologische Kernpfeiler:

• Ebenenübergreifende Informationsarchitekturen: Konzeptionierung robuster Datenarchitekturen für einen sicheren und verlustfreien Informationsaustausch über alle Ebenen der Fertigung hinweg. 
• Standardisierte Middleware: Entwicklung einer flexiblen Software-Zwischenschicht, die heterogene Datenströme harmonisiert, semantisch anreichert und den Systemen echtzeitnah zur Verfügung stellt.
• Generative Multi-Agenten-Workflows: Gestaltung intelligenter, kollaborativer Software-Agenten, die komplexe Aufgaben in der Produktion selbstständig analysieren, kontextbasiert lösen und für den Bediener nachvollziehbar dokumentieren.

„Mit Skipro schließen wir die Lücke zwischen visionärer KI-Forschung und der realen Produktionsfläche“, erklärt Lucky Adam, Projektkoordinator am WZL-IQS. „Unser Ziel ist es nicht, den nächsten isolierten KI-Prototypen zu bauen, sondern verlässliche, nutzerzentrierte Softwarewerkzeuge bereitzustellen. Diese übersetzen heterogene Produktionsdaten industrietauglich, wahren aber den vollen Prozesskontext. So gestalten wir den Weg zur autonomen Produktion, die wahrnimmt, denkt und handelt: Sense, Think, Act.“

Unser Ziel ist es nicht, den nächsten isolierten KI-Prototypen zu bauen, sondern verlässliche, nutzerzentrierte Softwarewerkzeuge bereitzustellen. 

Lucky Adam, Projektkoordinator am WZL-IQS

Breit aufgestelltes Konsortium

Durch eine enge Verzahnung von Hard- und Softwarekompetenzen, metrologischer Präzision und der Expertise aus der Industrie soll eine schnelle Übertragung der Ergebnisse sichergestellt werden. Das Konsortium spiegelt dazu die gesamte Wertschöpfungskette wider:

• Industriesoftware, KI & Beratung: Eurogard GmbH, INC Innovation Center GmbH, Peak Solution GmbH, Nucos GmbH, Siemens AG.
• Validierung & Anwendung (Industriepartner): Johnson Electric Aachen GmbH, Miltenyi Biotec B.V. & Co. KG.
   Das Projekt wird gefördert durch das Bundesministerium für Bildung und Forschung (Förderkennzeichen: 16IS26018A).