Wer einen modernen Shopfloor betritt, sieht selten ein einheitliches Bild: CNC-Maschinen von Hersteller A, Roboter von Hersteller B, Fördertechnik von Hersteller C – jede Anlage kommuniziert über eigene Protokolle und liefert Daten in eigenen Formaten. OPC UA hier, MQTT dort, proprietäre Schnittstellen anderswo. Das Ergebnis sind isolierte Datensilos. Produktionsdaten lassen sich nicht übergreifend auswerten. Jede Integration zwischen Systemen erfordert eine aufwendige Einzellösung. Dieses Interoperabilitätsproblem ist eine der zentralen Bremsen für die digitale Transformation in der Fertigung. Die Antwort der Industrie ist die Asset Administration Shell (AAS), ein internationaler Standard (IEC63278), der jeder Anlage und jedem Produkt einen strukturierten digitalen Zwilling gibt. Statt ihre Daten auf eigene Weise bereitzustellen, beschreibt die AAS alle relevanten Informationen in einem einheitlichen, maschinenlesbaren Format. Sobald eine AAS-Instanz mit den Datenschnittstellen der physischen Anlage verknüpft ist, kann sie auch Echtzeitdaten empfangen, wie etwa Sensorwerte, Betriebszustände oder Prozessparameter aus der Maschine. Die AAS wird zur lebenden Beschreibung der Anlage, über die externe Systeme und Agenten mit ihr interagieren können.
Bottleneck ist die Erstellung
Doch dafür braucht jede Anlage eine eigene AAS-Instanz und genau das ist der Engpass. Da technische Daten oft über Systeme verteilt vorliegen, erfordert die manuelle Erstellung einer normkonformen AAS meist Stunden und tiefes Wissen über die AAS-Struktur. Hier setzt das LLM-gestützte Agentensystem an: Es automatisiert die AAS-Erstellung weitgehend. Im Kern steht ein Large Language Model (LLM), das als Orchestrierungsagent arbeitet. Es liest heterogene Quelldaten, versteht deren Inhalt und überträgt die relevanten Informationen strukturiert in eine AAS-Instanz. Entscheidend ist dabei, wie der Agent arbeitet: nicht frei, sondern gebunden an die normativen Vorgaben der AAS Submodel Templates und Spezifikation. Alle Interaktionen mit der AAS-Infrastruktur laufen über spezialisierte Werkzeuge, die nur standardkonforme Aktionen zulassen und korrekte Bezeichner, zulässige Datentypen sowie semantisch referenzierte Eigenschaften erzwingen. Das LLM liefert die Flexibilität im Umgang mit unstrukturierten Quellen, während der Standard die semantische Integrität des Ergebnisses sichert.
Der Prozess in vier Schritten
Der Workflow gliedert sich in vier aufeinander aufbauende Phasen.
Konfiguration und Quellendefinition – Der Nutzer übergibt die Quelldaten, also PDF-Datenblätter, URLs, JSON- oder CSV-Exporte oder Freitext, und legt fest, welche Anlage abgebildet werden soll. Der Agent schlägt passende Submodel Templates (SMTs) vor, also standardisierte Vorlagen für AAS-Submodelle, und legt automatisch eine leere AAS-Instanz an – inklusive aller vorgeschriebenen Submodelle und semantischen Referenzen.
Datenextraktion – Spezialisierte Werkzeuge extrahieren Eigenschaftsnamen, Werte und Einheiten, je nach Dokumenttyp aus Tabellen, Fließtext oder strukturierten Formaten. Das Ergebnis wird als Tabelle präsentiert, die der Nutzer vor der Weiterverarbeitung korrigieren und ergänzen kann.
Semantisches Matching – Das System ordnet jede extrahierte Eigenschaft der richtigen Position im AAS-Graphen zu. Eindeutige Zuordnungen werden automatisch übernommen, bei mehrdeutigen Fällen zieht der Agent sein Kontextwissen hinzu. Nicht auflösbare Fälle werden zur manuellen Klärung markiert und dem Nutzer vorgelegt.
AAS-Befüllung – Die validierten Zuordnungen werden in die AAS-Instanz geschrieben, inklusive automatischer Datentyp-Konvertierung und Einheitennormalisierung. Am Ende steht eine normkonforme, vollständig befüllte AAS-Instanz, die sofort von beliebigen AAS-kompatiblen Systemen abgefragt werden kann.
Digitale Zwillinge erschaffen
Was bisher mehrere Stunden manueller Arbeit pro Anlage erforderte, lässt sich auf einen geführten Prozess von wenigen Minuten reduzieren. Ein Integrationsexperte bleibt eingebunden, trägt aber nur noch an den Stellen aktiv bei, wo echtes Fachurteil gefragt ist. Gerade bei heterogenen Anlagenbeständen mit Maschinen verschiedener Hersteller und Generationen lässt sich die nachträgliche Digitalisierung deutlich effizienter gestalten. PDF-Datenblätter aus dem Archiv werden zur Datenquelle, auch für Anlagen, für die ursprünglich kein digitaler Zwilling geplant war. Da die Werkzeuge die normativen Anforderungen auf Systemebene durchsetzen, ist jede erzeugte Instanz per Konstruktion SMT-konform und von Fremdsystemen interpretierbar.
Übergreifend koordinieren
Das System ist kein Ersatz für AAS-Expertise, es macht diese Expertise skalierbar. Dasselbe Agentensystem lässt sich nicht nur für die Erstellung, sondern auch für den Betrieb einsetzen, etwa zur Abfrage von Maschinenstatus, zur Steuerung von Produktionsabläufen oder zur automatisierten Aktualisierung des digitalen Zwillings. Industriesoftware wie ERP, MES oder PLM wird zunehmend mit agentischen Fähigkeiten ausgestattet, um etwa Routineentscheidungen zu fällen, Produktionspläne anzupassen, Qualitätsabweichungen zu erkennen und systemübergreifend zu koordinieren. Die Voraussetzung dafür ist eine einheitliche, maschinenlesbare Datenbasis. Genau diese Grundlage schafft die AAS.
