Industrielle Feldbuszyklen liegen bei 0,5 bis 10 Millisekunden. Der Weg in die Cloud und zurück dauert selbst unter guten Bedingungen 50 bis 200 Millisekunden; bei vollständiger Cloud-Steuerung inklusive Routing und Verarbeitung werden 800 bis 2.400 Millisekunden dokumentiert. Wer Anomalien in einem laufenden Zerspanprozess in Echtzeit per KI erkennen will, stößt mit Cloud-Ansätzen strukturell oft an Grenzen. Nicht wegen fehlender Bandbreite, sondern wegen physikalisch unvereinbarer Zeitfenster. Denn für reaktive Anomalieerkennung sind Latenzen unter 100 Millisekunden erforderlich. Edge Computing, also KI-Inferenz direkt auf einem industriellen Rechner im Shopfloor, erreicht 15 bis 45 Millisekunden. Das löst das erste Problem.
Dilemma Datensouveränität
Ein weiteres Problem liegt bei der Datensouveränität etwa beim Modelltraining. Ein belastbares Anomalieerkennungsmodell braucht Tausende annotierte Fehlerereignisse: Vibrationssignale kurz vor dem Lagerausfall, Stromsignale eines stumpfen Fräswerkzeugs, Temperaturgradienten vor dem Spindelversagen. Ein einzelner Betrieb sammelt solche Ereignisse in Jahren nicht in ausreichender Zahl. Klassisches KI-Training in der Cloud setzt voraus, dass alle Rohdaten zentral zusammenfließen. Unternehmen wollen ihre Prozessgeheimnisse aber nicht an Dritte herausgeben.
Hier unterstützt Federated Learning. Dabei trainiert jedes Unternehmen sein Modell lokal auf eigenen Edge-Geräten. Nur die Modellgewichte fließen an einen Aggregationsserver. Nach aktuellem Stand der Technik ist unter diesen Architekturbedingungen kein Rückschluss auf Rohdaten vorgesehen. Zehn Betriebe mit je 50 Fehlerereignissen produzieren gemeinsam eine Datenbasis, die keiner allein hätte. Es gibt auch Szenarien, in denen Daten und Services geteilt werden sollen, aber nicht in vollem Umfang und mit allen Partnern. Hier kommen dezentrale Datenräume ins Spiel. Genau an diesem Spannungsfeld zwischen Datensouveränität und geteilten Ressourcen setzen nun die Edge-Forschungsprojekte an.
Easy: KI-Plattform für den Mittelstand
Im Projekt Easy haben die Beteiligten eine Plattform entwickelt, über die KI-Aufgaben flexibel an der Edge oder in der Cloud ausgeführt werden können. Die Rechenlast verschiebt sich automatisch: Das System balanciert lokale und globale Kapazitäten dynamisch und bedarfsgerecht. Die Basis sind überwiegend Open-Source-Komponenten, die die eigene IT betreiben kann, ohne zwingend auf externe Dienstleister angewiesen zu sein.
Use Case aus der Zerspanung
Am Use Case Werkzeugverschleiß wird das Prinzip deutlich. Bohr- und Fräswerkzeuge gehen häufig nach festen Intervallen in den Tausch, obwohl ihre Standzeit noch nicht erreicht ist. Das Easy-System erkennt per Anomaliedetektion aus Vibrations- und Stromsignalen, wann ein Werkzeug tatsächlich an seine Grenzen kommt. Mehrere Betriebe trainieren gemeinsam ein besseres KI-Modell, ohne Prozessdaten zu teilen. Parallel läuft auf dem Maschinen-Controller eine Service-Indicator-App für Lagerschäden: Sie signalisiert Wartungsbedarf dreistufig, von ‚OK‘ über ‚consider service‘ bis ‚urgent replacement‘.
Edna: CO2-Bilanz von der Anlage bis zum Trailer
Im Projekt Edna wurde am Beispiel der LKW-Aufliegerproduktion von Krone, einem Hersteller von Landmaschinen und Nutzfahrzeugen, gezeigt, wie sich Energie- und CO2-Kennzahlen mit Edge Computing durchgängig erfassen lassen. Von der Schweißstation bis in die Zuliefer-Logistik. Die technische Basis ist eine ereignisbasierte IoT-Broker-Architektur, über die Sensordaten in Echtzeit erfasst und vorverarbeitet werden können. Statt proprietärer Software wird eine Open-Source-Eigenentwicklung genutzt; Krone setzt das Ergebnis bereits produktiv ein, die Veröffentlichung eines Architecture Blueprint für die gesamte Branche ist geplant.
In einem ersten Use Case optimiert Edna automatisierte Schweißprozesse, bei denen auch Lagerungs- und Handlingvorgänge erhebliche Ressourcen verbrauchen. Dafür nutzten die Beteiligten einen IoT-Broker und kombinierten den Einsatz von Edge- und Cloud-Computing gezielt mit KI-Methoden und digitalen Zwillingen. Die Werte laufen in ein Sustainability-Dashboard ein, dessen Open-Source-Code ebenfalls öffentlich auf GitHub abrufbar ist. Im zweiten Use Case schätzt ein KI-Algorithmus die Masse von Trailergespannen mit Ladung und berechnet daraus CO2-Emissionen im Straßengüterverkehr. Ein dritter Use Case erprobt einen Ansatz, der den vollständigen CO2-Fußabdruck eines Sattelaufliegers aus tatsächlichen Prozessdaten in Produktion und Logistik zwischen den Werken berechnet.
Escom: Datensouveränität im Shopfloor
Im Projekt Escom geht es darum, Komponentenhersteller und Maschinenanwender über einen gemeinsamen, sicheren Edge-Cloud-Datenraum zu verbinden. Da viele Betriebe ihre vertraulichen Maschinendaten lokal auswerten, erreichen Informationen z.B. aus Kugelgewindetrieben oder Motorspindeln die Komponentenhersteller aber oft nur in Ausschnitten. Damit bleiben Potenziale für präzise Zustandsdiagnosen und datenbasierte Services ungenutzt.
Escom bindet deshalb Edge-fähige Komponenten an ein Gaia-X-konformes Daten- und Serviceökosystem an. Mikroelektronik und Sensorik in Kugelgewindetrieben und Motorspindeln erfassen Zustands- und Prozessdaten, die zunächst auf Edge-Geräten oder in Embedded-Systemen vorverarbeitet werden. Über Verwaltungsschalen können berechtigte Akteure auf KI-gestützte Services zugreifen, die etwa Verschleiß bewerten, Restlaufzeiten abschätzen oder Optimierungsvorschläge für konkrete Prozesse liefern. Maschinenanwender erhalten so Zustandsreports und Empfehlungen für Austausch und Prozessanpassung, während ein Rechtemanagement steuert, welche Daten in den gemeinsamen Datenraum gelangen und wer welche Services nutzen darf.
Drei Projekte, ein Prinzip
Alle Projekte folgen demselben Prinzip: Training und Inferenz dort, wo Daten entstehen. Nur Ergebnisse übermitteln, keine Rohdaten. Datensouveränität über offene Standards absichern.
