KI in der Industrie am Beispiel MES: Wie Software die Fabrik steuert

Ein Manufacturing Execution System (MES) steuert als Software die reale Produktion und verbindet die kaufmännische Planung mit den Maschinen in der Werkhalle.

Die klassische Automatisierungspyramide unterteilt einen Industriebetrieb in klar abgegrenzte Ebenen [1]. Auf der obersten Ebene arbeitet das Enterprise Resource Planning (ERP, die betriebswirtschaftliche Software für Finanzen und Beschaffung). Ganz unten in der Werkstatt stehen Drehmaschinen, Fräsen oder flexible Roboterzellen. Zwischen diesen beiden Welten klaffte früher eine spürbare organisatorische Lücke.

Ein modernes Fertigungsleitsystem schliesst genau diesen Spalt als zentrales Bindeglied [1]. Das ERP plant grob in Tagen oder Kalenderwochen. Ein Manufacturing Execution System (MES, die Software zur operativen Fertigungssteuerung) arbeitet hingegen sekundengenau. Es weiss zu jedem Zeitpunkt, welche Maschine welches Werkstück bearbeitet und welches Werkzeug montiert ist.

Der reale Fertigungsablauf verdeutlicht diese unverzichtbare Rolle im Schichtalltag. Meldet eine Fräsmaschine plötzlich einen Defekt, bemerkt das kaufmännische ERP diesen Ausfall nicht zeitnah. Das MES registriert den Stillstand innerhalb von Sekunden. Es leitet Folgeaufträge unmittelbar an freie Stationen um, damit die Schicht rentabel bleibt.

Direkt an den Industrieanlagen arbeiten die Speicherprogrammierbaren Steuerungen (SPS, robuste Kleinstcomputer für Motoren und Ventile). Das MES nimmt deren Messwerte entgegen und dokumentiert Materialverbräuche sowie Durchlaufzeiten. Es fungiert somit als digitales Gedächtnis der gesamten Fabrikhalle.

Für Mitarbeitende an der Werkbank stellt das System alle relevanten Fertigungsunterlagen digital bereit. Zeichnungen, Prüfpläne und Stücklisten erscheinen ohne Zeitverlust direkt am Touchscreen der Station. Papierstapel und veraltete Baupläne gehören damit der Vergangenheit an.

Die optische Qualitätsprüfung zählt zu den grössten Erfolgen industrieller Bildverarbeitung. Hochauflösende Kameras erfassen Bauteile direkt auf dem laufenden Transportband. Spezialisierte neuronale Netze erkennen minimale Kratzer oder fehlerhafte Schweissnähte in wenigen Millisekunden. Dadurch sinkt der Ausschuss in der laufenden Schicht messbar.

Die vorausschauende Wartung nutzt kontinuierlich aufgezeichnete Sensordaten der Anlagenkomponenten. Beschleunigungssensoren an Spindeln oder Getrieben registrieren minimale Vibrationsänderungen lange vor einem schweren Lagerschaden. Statistische Algorithmen berechnen die verbleibende Nutzungsdauer des Bauteils. Wartungsteams tauschen betroffene Komponenten gezielt während geplanter Rüstpausen aus.

Bei der dynamischen Feinplanung unterstützen mathematische Optimierungsmodelle die Schichtführung. Treffen unerwartete Eilaufträge ein oder fällt ein wichtiges Fräswerkzeug aus, berechnet das System in Sekunden einen neuen Ablauf. Rüstzeiten verringern sich, weil ähnliche Auftragsfolgen intelligent gebündelt werden.

Digitale Schichtassistenten fassen lange Störprotokolle und technische Handbücher verständlich zusammen. Die Werkzeuge erleichtern die Übergabe zwischen Schichten und beantworten Fragen zu seltenen Fehlercodes direkt am Terminal. Werkstattteams finden dadurch schnell passende Reparaturanleitungen vergangener Wartungseinsätze.

Bunte Marketingbroschüren erwecken gerne den Eindruck, smarte Algorithmen verwandelten jede Fabrik sofort in eine vollautonome Fabrik. Die Realität in Schweizer und deutschen Werkhallen sieht deutlich nüchterner aus. Zahlreiche Pilotversuche scheitern nicht an den gewählten Algorithmen, sondern an mangelhaften Ausgangsdaten [2].

Ungenügende Datenqualität bildet in der industriellen Praxis die grösste Hürde [2]. In gemeinsamen Projekten von TRUMPF und dem Fraunhofer IPA trat dieses Problem klar zutage. Rückmeldungen über Fertigstellungen fehlen häufig oder erfolgen erst nach Schichtende. Fehlen exakte Zeitstempel, lernen Modelle falsche Zusammenhänge und liefern unbrauchbare Prognosen [2].

Die Erklärbarkeit von Vorschlägen entscheidet über Akzeptanz oder Ablehnung im Werk. Ein erfahrener Maschinist folgt Systemempfehlungen nur, wenn die logische Begründung nachvollziehbar bleibt. Unerklärliche Berechnungen einer Blackbox erzeugen berechtigtes Misstrauen. Transparente Systeme müssen stets offenlegen, warum eine bestimmte Umplanung vorgeschlagen wird.

Der manuelle Buchungsaufwand überfordert das Bedienpersonal an hochgetakteten Linien schnell. Wenn Werker jede Pause und jeden Palettenwechsel von Hand eingeben müssen, sinkt die Datendisziplin zwangsläufig. Moderne MES setzen deshalb auf automatische Statuserfassungen über Lichtschranken und Scanner.

Die europäische Regulierung rund um den EU AI Act und die Maschinenverordnung (EU) 2023/1230 verlangt eine präzise Unterscheidung [3]. Reine Assistenzfunktionen für Werkstattteams oder statistische Prüfungen zur Ausschussreduktion gelten nicht als Hochrisiko [3]. Anders sieht die Rechtslage aus, wenn Software unmittelbar Sicherheitsfunktionen steuert [3].

Kritische Sicherheitsanforderungen greifen immer dann, wenn der Ausfall eines Modells Menschenleben gefährden könnte [3]. Überwacht ein Kamerasystem den Gefahrenbereich eines Industrieroboters und schaltet Antriebe ab, liegt ein Sicherheitsbauteil vor. Für Schweizer und europäische Maschinenbauer entstehen daraus aufwendige Konformitätsprüfungen durch benannte Prüfstellen.

Verstärkte Angriffsflächen im Netzwerk verlangen strikte Sicherheitskonzepte nach dem Branchenstandard IEC 62443 [4]. Die operative Produktionstechnik (Operational Technology, OT) darf niemals ungeschützt mit Unternehmensnetzen oder dem Internet verbunden werden. Einfallstore über schlecht abgesicherte Schnittstellen bedrohen die gesamte Betriebskontinuität.

Sorgen um den Arbeitsplatz belasten viele Beschäftigte bei der Ankündigung automatisierter Systeme. In der Praxis führt der Einsatz jedoch selten zum Abbau von Personal. Die Software übernimmt repetitive Sortier- und Zählarbeiten, während das Personal für anspruchsvollere Reparaturen gebraucht wird.

In der technischen Architektur nach ISA-95 trennen Ingenieure das operative MES auf Ebene 3 strikt von der ERP-Ebene 4 [1][4]. Rechenintensives Modelltraining erfolgt in isolierten Backend-Umgebungen. Die operative Inferenz läuft direkt auf Edge-Systemen an der Linie, um Zykluszeiten unter 50 Millisekunden sicher einzuhalten.

Die cybersichere Vernetzung erfordert eine Demilitarisierte Pufferzone (Industrial DMZ) gemäss IEC 62443 [4]. Steuerungskomponenten kommunizieren über OPC UA oder MQTT mit TLS-Zertifikaten. Direkte Internetverbindungen aus speicherprogrammierbaren Steuerungen in externe Rechenzentren sind in soliden Sicherheitskonzepten grundsätzlich verboten.

Zur Erfassung der Sensordaten konfigurieren Administratoren standardisierte Schnittstellen. Die folgende Beispielkonfiguration veranschaulicht den Abruf von Zustandsdaten über eine geschützte Edge-Schnittstelle im lokalen Produktionsnetzwerk:

Für deinen praktischen Einstieg solltest du zuerst die tatsächliche Qualität vorhandener Produktionsdaten untersuchen. Analysiere gemeinsam mit der Schichtleitung, wie präzise Auftragszeiten und Ausschussgründe erfasst werden. Erst wenn Buchungen im MES verlässlich sind, lohnt sich der Einsatz statistischer Lernverfahren.

Praktisches Wissen zu KI-Workflows vertiefst du in der Beirat Akademie: Im Kurs für Fortgeschrittene lernst du, wie Modelle und Workflows im Berufsalltag sicher zusammenspielen.

Stand: Oktober 2026

Newsletter abonnieren