Welche Rolle spielen SPS, Robotik und KI in modernen Produktionsanlagen?

Moderne Produktionsanlagen laufen heute selten mit einer einzigen Technologie. In der Praxis übernehmen drei Bausteine klar abgegrenzte Aufgaben: Die speicherprogrammierbare Steuerung (SPS) sorgt für deterministische Echtzeitsteuerung von Maschinen und Sicherheitsfunktionen, Industrierobotik führt physische Arbeitsschritte präzise und wiederholgenau aus, und Künstliche Intelligenz wertet Prozess- und Sensordaten aus, um Abweichungen früher zu erkennen und Parameter zu optimieren.

SPS, Robotik und KI ersetzen einander nicht, sie ergänzen sich: Ohne stabile Steuerungsebene gibt es keine belastbaren Daten, und ohne belastbare Daten bleibt jede KI-Anwendung in der Fertigung ein Experiment. Genau an dieser Stelle scheitern viele Projekte, nicht an der Algorithmik, sondern an fehlenden Schnittstellen, unklaren Prozessgrenzen und Daten, die niemand validiert hat.

Der folgende Überblick ordnet die drei Technologien entlang ihrer tatsächlichen Aufgaben ein, zeigt das Zusammenspiel in der Automatisierungsarchitektur und benennt die Voraussetzungen, die vor einer Investition geklärt sein sollten. Der Blick bleibt dabei auf dem, was in Werkshallen messbar ankommt: Ausschuss, Durchlaufzeit, Rüstaufwand und Nachweisfähigkeit im Audit.

Das Wichtigste in Kürze: SPS steuert in Echtzeit, Robotik führt physisch aus, KI analysiert Daten und erkennt Abweichungen. Der Nutzen entsteht erst durch saubere Schnittstellen zwischen Steuerungsebene, MES/CAQ und Unternehmenssystemen. Datenqualität, Validierung und Prozessverständnis entscheiden über Erfolg oder Stillstand eines Automatisierungsprojekts.

Die Aufgaben von SPS, Industrierobotik und künstlicher Intelligenz

Die drei Technologien arbeiten auf unterschiedlichen Zeitskalen und mit unterschiedlichen Anforderungen an Zuverlässigkeit. Wer sie vermischt, baut Systeme, die weder stabil laufen noch wartbar bleiben.

Die SPS ist das deterministische Rückgrat der Anlage. Sie verarbeitet Sensorsignale in Zykluszeiten von wenigen Millisekunden, steuert Aktoren, verriegelt Sicherheitsfunktionen und bricht Prozesse ab, wenn Grenzwerte verletzt werden. Ihre Stärke liegt in der Vorhersagbarkeit: Ein SPS-Programm verhält sich bei gleicher Eingangslage immer gleich. Für sicherheitsrelevante Funktionen nach Maschinenrichtlinie ist genau das die Bedingung, unter der eine Anlage überhaupt abgenommen wird.

Die Industrierobotik übernimmt die physische Ausführung: Handhaben, Fügen, Schweißen, Kleben, Palettieren, Prüfteile aus der Linie entnehmen. Roboter sind wiederholgenau, ermüdungsfrei und lassen sich über Programme auf Varianten umstellen. Kollaborierende Systeme haben in den letzten Jahren zusätzlich Anwendungen erschlossen, in denen sich eine klassische Schutzumhausung nicht rechnet, etwa bei kleinen Losgrößen in der Vormontage.

Künstliche Intelligenz arbeitet auf einer anderen Ebene. Sie trifft keine harten Sicherheitsentscheidungen, sondern erkennt Muster in großen Datenmengen: Bildverarbeitung für Oberflächenfehler, Anomalieerkennung in Schwingungs- oder Stromdaten, Prognose von Werkzeugverschleiß, Parametervorschläge für stabilere Prozessfenster.

Ebene	Aufgabe	Typische Reaktionszeit	Kritischer Erfolgsfaktor
SPS	Steuern, verriegeln, absichern	Millisekunden	Determinismus, Programmstruktur
Robotik	Physisch ausführen	Sekunden	Prozesssicherheit, Greif- und Bahnplanung
KI	Analysieren, prognostizieren	Sekunden bis Tage	Datenqualität, Validierung

Zusammenspiel in der Automatisierungspyramide

Das klassische Modell der Automatisierungspyramide beschreibt fünf Ebenen: Feldebene mit Sensoren und Aktoren, Steuerungsebene mit SPS und Robotersteuerungen, Prozessleitebene mit SCADA, Betriebsleitebene mit MES und darüber die Unternehmensebene mit ERP. Jede Ebene hat eine eigene Aufgabe, und die Grenzen sind in der Praxis fließender, als das Schaubild vermuten lässt.

In der Praxis lösen sich die strengen Hierarchien auf. Daten aus der Steuerungsebene wandern über OPC UA oder MQTT direkt in Analyseplattformen, ohne jede Zwischenstufe zu durchlaufen. Eine KI-gestützte Bildprüfung kann ihr Ergebnis unmittelbar an die SPS zurückmelden, die daraufhin ein Bauteil ausschleust. Der Regelkreis wird kürzer, die Verantwortung für Freigaben bleibt aber bei der Steuerung.

Bewährt hat sich eine klare Rollenverteilung: Die SPS behält die Hoheit über alles, was Sicherheit, Verriegelung und Prozessfreigabe betrifft. KI liefert Empfehlungen und Bewertungen, die entweder von der Steuerung geprüft übernommen oder von Menschen entschieden werden. Wer diese Trennung aufweicht, bekommt Probleme bei der Abnahme, im Audit und spätestens bei der Fehlersuche nach einem Stillstand.

Für die Betriebsleitebene bedeutet das: MES und CAQ sind keine Nebenschauplätze, sondern die Systeme, in denen Prüfergebnisse, Maschinenzustände und Auftragsdaten zusammenlaufen. Ohne diese Schicht bleiben KI-Ergebnisse Einzelbefunde ohne Bezug zu Los, Charge und Werkzeug.

Typische Einsatzfelder in der Fertigung

Die Anwendungen mit dem besten Verhältnis von Aufwand und Ergebnis sind meist unspektakulär. Sie setzen dort an, wo Prozesse ohnehin schon vermessen werden.

• Optische Qualitätsprüfung: Kamerabasierte Fehlererkennung an Oberflächen, Schweißnähten, Dichtungen oder Bedruckungen. KI-Modelle erkennen Fehlerbilder, die sich mit klassischen Regelsätzen nur schwer beschreiben lassen. Die SPS steuert Takt, Belichtung und Ausschleusung.
• Zustandsüberwachung und vorausschauende Instandhaltung: Auswertung von Strom-, Vibrations- und Temperaturdaten aus Antrieben. Ziel ist nicht die perfekte Prognose, sondern das frühzeitige Erkennen von Abweichungen vom Normalverhalten.
• Roboterbasierte Handhabung mit variabler Teilelage: Bin Picking und Griff-in-die-Kiste-Anwendungen, bei denen Bildverarbeitung die Greifposition bestimmt und die Robotersteuerung die Bahn plant.
• Prozessparameteroptimierung: Beim Spritzgießen, Schweißen oder in der Wärmebehandlung liefern Modelle Hinweise, welche Parameterkombinationen zu stabileren Ergebnissen führen. Die Freigabe bleibt beim Prozessverantwortlichen.
• Papierlose Prüfprozesse: Prüfaufträge, Messwerte und Freigaben laufen über CAQ-Systeme statt über Formulare. Der Effekt zeigt sich weniger im Takt als in der Rückverfolgbarkeit und im Aufwand für Auditvorbereitung.
• Innerbetriebliche Transportsysteme: Fahrerlose Transportsysteme verbinden Bearbeitungsstationen und reduzieren Zwischenpuffer, wenn die Materialflüsse zuvor sauber analysiert wurden.

Auffällig in Projekten: Der größte Hebel liegt selten in der Technologie selbst, sondern in der vorgelagerten Prozessanalyse. Wo Wertströme unklar sind, automatisiert man Verschwendung.

Daten, Schnittstellen und die Verbindung von IT und OT

Zwischen der operativen Technik in der Halle und den Informationssystemen im Büro liegt in vielen Werken noch immer eine Lücke. OT-Systeme sind auf Verfügbarkeit und Echtzeit ausgelegt, IT-Systeme auf Datenhaltung, Auswertung und Integration. Beide Welten haben unterschiedliche Lebenszyklen: Eine Anlage läuft zwanzig Jahre, eine Softwareplattform wird alle paar Jahre abgelöst.

Die Verbindung gelingt über standardisierte Schnittstellen. OPC UA hat sich als semantisch beschreibender Zugang zu Steuerungsdaten etabliert, MQTT eignet sich für ereignisbasierte Datenströme mit vielen Teilnehmern. Ältere Anlagen lassen sich häufig über Modbus TCP oder herstellerspezifische Protokolle anbinden, teils über nachgerüstete Edge-Geräte, ohne dass die bestehende Steuerung angefasst werden muss.

Drei Punkte entscheiden über die Datenqualität:

1. Semantik statt Rohwerte. Ein Signal namens DB12.DBW4 ist ohne Kontext wertlos. Eine gepflegte Datenpunktbeschreibung mit Einheit, Messstelle und Zeitbezug ist die Grundlage jeder späteren Auswertung.
2. Zeitstempel und Synchronisation. Wenn Prüfergebnis und Maschinenzustand nicht zeitlich zusammenpassen, sind Korrelationen zufällig.
3. Netzsegmentierung und Zugriffsrechte. Die Anbindung von Produktionsanlagen an Unternehmensnetze erhöht die Angriffsfläche. Regulatorische Anforderungen wie NIS2 verlangen hier dokumentierte Konzepte, keine improvisierten Freigaben.

In der Beratungspraxis zeigt sich immer wieder: Projekte, die mit der Frage „Welche Daten brauchen wir für welche Entscheidung?“ starten, kommen schneller ans Ziel als solche, die zuerst eine Plattform beschaffen.

Nutzen für Qualität, Produktivität und Flexibilität

Der wirtschaftliche Effekt entsteht selten aus einem einzelnen Sprung, sondern aus vielen kleinen Verbesserungen im Tagesbetrieb. Veröffentlichte Studien nennen Produktivitätszuwächse im zweistelligen Prozentbereich und deutlich reduzierte Ausschussquoten. Solche Zahlen taugen als Orientierung, nicht als Planwert für die eigene Investitionsrechnung.

Belastbar sind vor allem drei Wirkungslinien:

Qualität. Eine durchgängig erfasste Prüfhistorie verkürzt die Ursachenanalyse erheblich. Wenn Prozessparameter, Prüfergebnis und Werkzeugstand einem Los zugeordnet sind, lässt sich eine Reklamation in Stunden statt Tagen eingrenzen. Erkenntnisse aus solchen Analysen fließen zurück in FMEA und Prüfplanung, was die Fehlervermeidung systematisch verbessert statt nur die Fehlerentdeckung.

Produktivität. Roboter stabilisieren Taktzeiten und entlasten Mitarbeitende von ergonomisch belastenden Tätigkeiten. Zustandsdaten reduzieren ungeplante Stillstände, weil Verschleiß vor dem Ausfall sichtbar wird. Der Effekt ist am größten bei Engpassmaschinen, dort lohnt sich der Einstieg.

Flexibilität. Umrüstzeiten sinken, wenn Roboterprogramme und Prüfpläne variantenbezogen hinterlegt sind. Kleine Losgrößen werden dadurch kalkulierbar, ohne dass jedes Mal manuell nachjustiert wird.

Realistisch bleibt: Diese Effekte treten dort ein, wo Prozesse zuvor verstanden und stabilisiert wurden. Lean-Methoden wie Wertstromanalyse und 5S sind keine Vorstufe von gestern, sondern die Voraussetzung dafür, dass Automatisierung überhaupt einen messbaren Beitrag leistet.

Voraussetzungen und Risiken bei der Einführung

Vor der ersten Investition sollten einige Punkte geklärt sein, sonst verlagert sich das Problem nur von der Halle in die Projektbesprechung.

Voraussetzungen:

• Ein definierter, stabiler Prozess mit bekannten Streuungsursachen.
• Eine Datengrundlage mit ausreichend dokumentierten Fehlerfällen; KI-Modelle lernen nur aus Beispielen, die auch als solche gekennzeichnet sind.
• Klare Verantwortlichkeiten zwischen Instandhaltung, Qualitätssicherung und IT.
• Kompetenzaufbau im eigenen Haus, mindestens so weit, dass Ergebnisse fachlich beurteilt werden können.

Risiken, die in Projekten regelmäßig auftreten:

Risiko	Auswirkung	Gegenmaßnahme
Unzureichende Datenqualität	Modelle liefern instabile Ergebnisse	Datenerfassung vor Modellauswahl klären
Fehlende Validierung	Keine Nachweisfähigkeit im Audit	Prüfmittelfähigkeit und Freigabeprozess definieren
Insellösungen	Kein Skalierungspfad	Schnittstellenstandards früh festlegen
Überschätzte Autonomie	Verantwortungslücken bei Fehlern	Entscheidungsrechte schriftlich abgrenzen
Vernachlässigte OT-Sicherheit	Angriffsfläche wächst mit Vernetzung	Segmentierung und Rechtekonzept vorab

Besonders unterschätzt wird die Validierung. In regulierten Bereichen wie Medizintechnik oder Pharma reicht es nicht, dass ein Modell gute Ergebnisse liefert; es muss nachvollziehbar, versioniert und reproduzierbar sein. Auch in der Automobilzulieferung erwarten Kundenaudits eine Beschreibung, wie eine automatisierte Prüfentscheidung zustande kommt.

Bei der Kontor Gruppe begleiten wir solche Vorhaben genau an dieser Schnittstelle zwischen Prozess, Qualitätsmanagement und Digitalisierung: erst das Prozessverständnis, dann die Systemauswahl, dann die Skalierung. Die Reihenfolge umzudrehen ist der häufigste und teuerste Fehler.