KI kann Schweißprozesse beobachten, Abweichungen priorisieren und Bediener bei der Diagnose unterstützen. Handlungsfähig wird sie jedoch erst durch eine klar getrennte Kette aus Datenqualitätsprüfung, Zustandsmodell, Aktionsklasse und deterministischer Freigabe. Der Beitrag zeigt einen herstellerneutralen Aufbau, der sicheren Stopp, nachvollziehbare Übergabe und kontrollierten Wiederanlauf von Anfang an mitdenkt.
Vom Messsignal zum belastbaren Prozesszustand
Schweißautomation wird nicht dadurch verlässlich, dass ein Modell eine Abweichung erkennt. Entscheidend ist die Kette zwischen Messsignal, Prozesszustand und zulässiger Aktion. In einer automatisierten Zelle treffen dafür mehrere Ebenen aufeinander: Steuerung und Antriebstechnik führen den programmierten Ablauf aus, Sensorik beobachtet Prozessgrößen, Regelwerke begrenzen den zulässigen Betriebsbereich und eine KI kann Muster einordnen, die mit starren Grenzwerten nur unvollständig beschrieben wären. Diese Ebenen dürfen nicht zu einer einzigen undurchsichtigen Entscheidung verschmelzen.
Am Anfang steht deshalb kein KI Ergebnis, sondern ein definierter Messkontext. Strom, Spannung, Drahtvorschub, Brennerposition, Nahtgeometrie oder weitere Prozesssignale erhalten erst durch Auftrag, Werkstück, Verfahrensschritt und Zeitbezug eine Bedeutung. Ein auffälliger Wert kann auf eine reale Abweichung hindeuten, aber ebenso auf einen Sensorfehler, eine verzögerte Übertragung oder einen Wechsel des Arbeitspunkts. Wer Rohdaten ohne diesen Kontext bewertet, erzeugt eine scheinbar präzise Aussage, deren operative Grundlage unsicher bleibt.
Für den Anlagenbetrieb ist daher ein explizites Zustandsmodell hilfreich. Es beschreibt, ob die Zelle produziert, wartet, gestoppt ist, geprüft wird oder für einen Wiederanlauf vorbereitet ist. Die KI erhält nur die Daten, die zu diesem Zustand passen. Gleichzeitig liefert sie ihr Ergebnis an eine nachgelagerte Freigabelogik zurück. So bleibt nachvollziehbar, welcher Teil der Kette gemessen, abgeleitet, bewertet und schließlich freigegeben wurde.
Datenqualität vor der KI Einschätzung
Eine belastbare Prozessüberwachung beginnt mit Prüfungen, die unabhängig vom Modell funktionieren. Dazu gehören Wertebereich, Aktualität, Vollständigkeit, Zeitstempel und die Übereinstimmung zusammengehöriger Signale. Wenn eine Kamera ein neues Bild liefert, die zugehörigen Stromwerte aber aus einem vorherigen Takt stammen, ist die Kombination fachlich nicht gültig. Eine gute Architektur erkennt diese Situation, markiert die Daten als unvollständig und verhindert, dass daraus eine automatische Prozessaktion abgeleitet wird.
Auch Plausibilität ist mehr als ein einzelner Grenzwert. Signale können für sich betrachtet gültig sein und sich dennoch widersprechen. Meldet die Steuerung einen laufenden Prozess, während die erwartete Energieeinbringung fehlt, muss das System diesen Widerspruch als eigenen Zustand behandeln. Die KI darf ihn beschreiben oder priorisieren, aber nicht durch eine statistisch wahrscheinliche Interpretation verdecken. Der sichere Rückfallweg besteht darin, die Handlungsfähigkeit zu begrenzen, den Kontext zu sichern und eine definierte Prüfung auszulösen.
In der Praxis bewährt sich eine klare Trennung zwischen Datenqualitätsstatus und fachlicher Bewertung. Der Datenqualitätsstatus beantwortet, ob eine Aussage überhaupt getroffen werden darf. Die fachliche Bewertung beantwortet anschließend, welche Abweichung wahrscheinlich vorliegt. Diese Reihenfolge verhindert, dass hohe Modellkonfidenz mit hoher Datenqualität verwechselt wird. Ein Modell kann sich auch bei unvollständigen Eingangsdaten sehr sicher zeigen; die Freigabelogik muss diesen Fall ausdrücklich abfangen.
Konfidenz und Aktionsklassen
Konfidenzwerte sind kein Freigabesignal. Sie beschreiben zunächst nur, wie eindeutig ein Modell sein Ergebnis innerhalb seiner eigenen Logik bewertet. Ob daraus eine Handlung entstehen darf, hängt zusätzlich von Prozessrisiko, Datenqualität, Berechtigung, Reversibilität und der vorgesehenen Aktionsklasse ab. Diese Bedingungen sollten als nachvollziehbare Regeln außerhalb des Modells definiert sein.
Eine einfache Einteilung umfasst vier Klassen. Erstens kann das System einen Hinweis geben und eine Auffälligkeit sichtbar machen. Zweitens kann es eine Handlung vorbereiten, etwa einen Parameterkorridor vorschlagen, ohne ihn zu aktivieren. Drittens kann es eine Bedienerfreigabe anfordern und dafür Messkontext, Begründung und erwartete Auswirkung anzeigen. Viertens kann eine deterministische Schutzlogik einen sicheren Stopp auslösen. Je höher die Eingriffstiefe, desto eindeutiger müssen Zuständigkeit, Prüfkriterien und Protokollierung sein.
Diese Aktionsklassen machen KI Agenten in der Schweißautomation beherrschbar. Der Agent erhält nicht pauschal Zugriff auf alle Funktionen, sondern nur die für seinen Auftrag erforderlichen Werkzeuge. Eine Diagnosekomponente darf beispielsweise Signale zusammenführen und eine Prüfung anstoßen, aber nicht eigenständig Sicherheitsgrenzen verändern. Ein Vorschlag bleibt ein Vorschlag, bis eine dafür vorgesehene Rolle oder ein deterministischer Automat die Freigabebedingungen erfüllt.
Konfidenzschwellen sollten zudem nicht isoliert festgelegt werden. Ein Schwellenwert ist nur sinnvoll, wenn bekannt ist, welche Fehlerarten im jeweiligen Prozess besonders kritisch sind und welche Folgeaktion daran hängt. Für einen reinen Hinweis kann ein unsicheres Ergebnis nützlich sein. Für eine Änderung am laufenden Prozess reicht derselbe Wert nicht aus. Die Schwelle gehört deshalb immer zur Kombination aus Zustand, Aktion und Verantwortung.
Freigabe Bedienerübergabe und sicherer Stopp
Die Freigabelogik übersetzt eine Bewertung in eine zulässige Aktion. Sie prüft nicht nur das KI Ergebnis, sondern auch den aktuellen Anlagenzustand, die Gültigkeit der Eingangsdaten, technische Sperren, Rollenrechte und offene Störungen. Erst wenn alle vorgesehenen Bedingungen erfüllt sind, wird eine Aktion vorbereitet oder ausgeführt. Damit bleibt der Prozess deterministisch begrenzt, selbst wenn die vorgelagerte Einschätzung probabilistisch arbeitet.
Eine Bedienerübergabe muss die Entscheidung vereinfachen, nicht nur Daten abladen. Sinnvoll sind eine kurze Beschreibung der erkannten Abweichung, die betroffenen Signale, der Datenqualitätsstatus, die Konfidenz, die vorgeschlagene Aktion und eine klare Alternative. Ebenso wichtig ist die Frage, was bei Nichtentscheidung geschieht. Das System benötigt einen definierten Zeitrahmen und einen sicheren Standardpfad, damit eine ausbleibende Reaktion nicht zu einem unklaren Zustand führt.
Der sichere Stopp darf nicht vom freien Text oder von der spontanen Interpretation eines Modells abhängen. Er wird durch eine geprüfte Regel oder eine bestehende Schutzfunktion ausgelöst und führt die Anlage in einen bekannten Zustand. Die KI kann den Anlass liefern, einen Widerspruch priorisieren oder bei der Ursachenanalyse unterstützen. Die Ausführung des Stopps bleibt jedoch an nachvollziehbare Bedingungen gebunden.
Ebenso wichtig ist die Begrenzung der Werkzeuge. Schreibzugriffe auf Steuerungsparameter, Quittierungen oder Auftragsdaten sollten technisch getrennt und rollenbezogen freigegeben werden. Lesende Diagnose, vorbereitende Aktion und ausführender Eingriff sind verschiedene Berechtigungsstufen. Diese Trennung reduziert nicht nur das Risiko unbeabsichtigter Aktionen, sondern erleichtert auch Tests, Abnahmen und spätere Änderungen am System.
Protokollierung Rückfallweg und kontrollierter Wiederanlauf
Nach einem Stopp beginnt kein automatischer Normalbetrieb. Der Wiederanlauf ist eine neue Freigabeentscheidung. Zunächst wird geprüft, ob Ursache und betroffene Daten gesichert sind, ob Sensorik und Kommunikation wieder belastbar arbeiten und ob der physische Anlagenzustand zur erwarteten digitalen Sicht passt. Erst danach kann eine befugte Rolle den nächsten Schritt freigeben.
Ein robuster Wiederanlauf ist in kleine und überprüfbare Schritte zerlegt. Dazu können die Rücksetzung eines fehlerhaften Teilauftrags, eine erneute Referenzprüfung, ein begrenzter Testzyklus und die Bestätigung der Prozessbedingungen gehören. Scheitert eine Prüfung, springt der Ablauf nicht an eine beliebige Stelle zurück, sondern folgt einem definierten Rückfallweg. Dadurch bleibt auch bei wiederholten Fehlern klar, welche Aktion zuletzt erfolgreich war und welcher Zustand aktuell gilt.
Die Auditspur verbindet dafür technische und organisatorische Informationen. Sie hält mindestens Zeitpunkt und Auftrag, relevante Messwerte, Datenqualitätsstatus, KI Ergebnis und Konfidenz, angewendete Regel, Freigaberolle, ausgeführte Aktion sowie Prozessantwort fest. Bei Fehlern kommen Fehlercode, Abbruchgrund und mögliche Kompensationsaktion hinzu. Entscheidend ist nicht die größtmögliche Datenmenge, sondern ein vollständiger Zusammenhang, der die konkrete Entscheidung später rekonstruierbar macht.
Für Betreiber entsteht so ein prüfbarer Rahmen für KI gestützte Prozessüberwachung. Die KI bleibt dort stark, wo Muster erkannt, Abweichungen gebündelt und Prioritäten vorgeschlagen werden. Freigabegrenzen, sicherer Stopp und Wiederanlauf bleiben dagegen explizit modelliert. Das Ergebnis ist keine autonome Blackbox, sondern eine kontrollierte Entscheidungskette, die sich in vorhandene Automatisierungsstrukturen integrieren und schrittweise erweitern lässt.
Weitere Informationen zum Thema Automatisierung finden Sie hier.
(Quelle: Deutsche Automatisierungsgesellschaft)
Schlagworte
AutomationFreigabelogikKI AgentenProzessüberwachungSchweißautomationSchweißenWiederanlauf