Die Zukunft der Industrie beginnt mit semantischer Modellierung

In der Fertigungsindustrie spricht jeder über KI. Vorausschauende Wartung. Autonome Qualitätsprüfung. Selbstoptimierende Produktionslinien. Die Vision ist überzeugend. Doch die meisten industriellen KI-Projekte scheitern — nicht weil die Algorithmen falsch sind, sondern weil die Daten ein Chaos sind.

Die unbequeme Wahrheit: KI kann nicht über Daten urteilen, die sie nicht versteht. Und derzeit sind die meisten industriellen Daten unbeschriftet, unstrukturiert und zwischen Maschinen inkonsistent. Ein Temperaturwert von Linie 1 sieht völlig anders aus als ein Temperaturwert von Linie 3, obwohl beide dasselbe an identischen Maschinen messen.

Die Lösung ist nicht bessere KI. Die Lösung sind bessere Daten — konkret: semantisch modellierte Daten. Und die Technologie dafür existiert bereits. Sie heißt OPC UA Informationsmodellierung.

Was ist semantische Modellierung?

Semantische Modellierung bedeutet, Daten eine Bedeutung zu geben, die Maschinen automatisch interpretieren können — nicht nur einen Wert, sondern einen Kontext.

Betrachten Sie einen rohen Datenpunkt: 42.7. Was ist das? Eine Temperatur? Ein Druck? Eine Geschwindigkeit? In welcher Einheit? Ist der Wert normal? Ohne Kontext ist er bedeutungslos.

Nun betrachten Sie denselben Datenpunkt in einem semantischen Modell:

• Objekt: Pumpe_3 (Typ: Kreiselpumpe)
• Variable: Austrittstemperatur
• Wert: 42.7
• Einheit: °C (UNECE-Code: CEL)
• Bereich: 20,0 – 65,0
• Status: Good
• Zeitstempel: 2025-04-22T08:15:32Z

Plötzlich kann jedes System — ob Mensch oder KI — verstehen, was diese Daten bedeuten, ob sie innerhalb normaler Grenzen liegen und wie sie mit anderen Variablen derselben Pumpe zusammenhängen.

Das ist semantische Modellierung: Zahlen in Wissen verwandeln.

OPC UA: das semantische Rückgrat

OPC UA ist der einzige industrielle Kommunikationsstandard, der ein vollständiges Framework zur Informationsmodellierung beinhaltet. Er transportiert nicht nur Daten — er beschreibt, was die Daten sind.

In OPC UA lebt jeder Datenpunkt in einem Adressraum — einem strukturierten Graphen aus Objekten, Variablen, Methoden und Ereignissen. Objekte haben Typen. Variablen haben technische Einheiten und Wertebereiche. Methoden haben Ein- und Ausgangsargumente. Ereignisse tragen strukturierte Nutzlasten.

Das sind keine nachträglich angehängten Metadaten. Es ist das Fundament des Protokolls. Wenn sich ein OPC UA Client mit einem Server verbindet, kann er den gesamten Datenmodell zur Laufzeit durchsuchen — er entdeckt, welche Daten existieren, was sie bedeuten und wie sie organisiert sind. Keine Dokumentation erforderlich. Kein manuelles Mapping.

Companion Specifications: branchenweite Standardmodelle

Semantische Modellierung funktioniert jedoch nur, wenn sich alle auf das Modell einigen. Wenn jeder Maschinenhersteller „Temperatur" anders definiert, landet man wieder bei der Mapping-Tabelle.

Hier kommen die Companion Specifications ins Spiel. Eine Companion Specification ist ein standardisiertes OPC UA Informationsmodell für eine bestimmte Branche oder einen bestimmten Maschinentyp. Sie definiert die Objekte, Variablen und Beziehungen, die alle Maschinen dieses Typs bereitstellen sollen.

Wichtige Beispiele:

PackML (ISA-88 / ISA-TR88). Definiert eine Zustandsmaschine für Verpackungsmaschinen — Zustände wie Execute, Idle, Held, Aborted. Jede Maschine, die PackML implementiert, stellt dasselbe Zustandsmodell bereit, unabhängig vom Hersteller.

Euromap 77 / 83. Definiert Informationsmodelle für Spritzgießmaschinen und Extrusionslinien. Eine Maschine von Engel und eine Maschine von KraussMaffei stellen dieselben Variablen für Zykluszeit, Schussgewicht und Zylindertemperatur bereit.

PADIM (Process Automation Device Information Model). Definiert Modelle für die Prozessinstrumentierung — Drucktransmitter, Durchflussmesser, Temperatursensoren. Ein Siemens-Transmitter und ein Endress+Hauser-Transmitter stellen dieselben Diagnose- und Messvariablen bereit.

PLCopen. Definiert ein Modell für Antriebssysteme — Achsen, Programme, Status.

MTConnect (über OPC UA). Definiert Modelle für CNC-Maschinen — Spindeldrehzahl, Vorschubgeschwindigkeit, Werkzeugverschleiß.

Heute gibt es über 80 veröffentlichte Companion Specifications, die Branchen von der Robotik bis zur gewerblichen Küchentechnik abdecken.

Warum das für KI wichtig ist

Hier ist der Zusammenhang, den die meisten KI-Diskussionen übersehen:

1. KI braucht konsistente Features

Machine-Learning-Modelle erfordern konsistente, beschriftete Features. Wenn „Austrittstemperatur" auf einer Maschine DT_03 heißt, auf einer anderen temp_discharge und auf einer dritten TI_342, verbringt man 80 % der Zeit mit Datenaufbereitung und 20 % mit der eigentlichen Modellierung.

Companion Specifications beseitigen dieses Problem. Jede Maschine desselben Typs stellt dieselben Variablen mit denselben Namen, Typen und Einheiten bereit. Das Feature Engineering wird trivial — oder automatisch.

2. KI braucht Kontext, nicht nur Werte

Ein Anomalieerkennungsmodell, das nur einen Wert von 42,7 sieht, weiß nichts. Ein Anomalieerkennungsmodell, das weiß, dass der Wert eine Austrittstemperatur einer Kreiselpumpe ist, dass der Normalbereich 20–65 °C beträgt und dass die Pumpe seit der letzten Wartung 3.200 Stunden gelaufen ist — dieses Modell kann eine aussagekräftige Vorhersage treffen.

Das OPC UA Informationsmodell liefert diesen Kontext als strukturierte, maschinenlesbare Metadaten.

3. KI muss über Anlagen hinweg transferierbar sein

Der wahre Wert industrieller KI liegt nicht darin, ein Modell für eine Maschine zu trainieren. Er liegt darin, ein Modell auf 50 Maschinen desselben Typs zu trainieren und es ohne erneutes Training auf der 51. einzusetzen.

Das funktioniert nur, wenn alle 50 Maschinen dasselbe Datenmodell bereitstellen — dieselben Variablen, in derselben Struktur, mit denselben Einheiten. Genau das garantiert eine Companion Specification.

4. KI muss ihre Entscheidungen erklären können

Ein Modell, das sagt „Alarm: Anomalie erkannt in Variable X17A", ist für einen Bediener nutzlos. Ein Modell, das sagt „Alarm: Austrittstemperatur von Pumpe_3 überschreitet das 95. Perzentil für diesen Betriebszustand", ist handlungsrelevant.

Semantische Modelle geben der KI das Vokabular, um sich in Begriffen zu erklären, die Bediener verstehen.

Die Modellierungslücke

Wenn semantische Modellierung so leistungsfähig ist, warum nutzt sie nicht jeder?

Modellierung ist schwierig. Die Erstellung eines guten OPC UA Informationsmodells erfordert tiefes Domänenwissen — ein Verständnis der Ausrüstung, des Prozesses und der relevanten Companion Specifications. Es ist eine Kompetenz an der Schnittstelle von Automatisierungstechnik, Softwarearchitektur und Fachexpertise.

Werkzeuge waren rar. Bis vor kurzem bedeutete die Erstellung eines OPC UA Informationsmodells, XML-NodeSet-Dateien von Hand zu schreiben — ein mühsamer, fehleranfälliger Prozess, der die meisten Teams abschreckte.

Die Vorteile sind anfangs unsichtbar. Der Wert eines semantischen Modells wird erst dann deutlich, wenn man skalieren will — wenn die 10. Maschine hinzukommt, das 3. Analysetool eingesetzt wird oder ein neuer Lieferant angebunden werden muss. Zu diesem Zeitpunkt ist die nachträgliche Modellierung teuer.

Das ändert sich. Tools wie Sterfives OPC UA Modeler ermöglichen es, Informationsmodelle in YAML zu definieren, in Echtzeit zu validieren, NodeSet-Dateien automatisch zu generieren und sie in Git zu versionieren — derselbe Workflow, den Softwareentwickler seit Jahrzehnten nutzen.

Der Weg nach vorn

Die Fabriken, die bei industrieller KI führend sein werden, sind nicht diejenigen mit den besten Algorithmen. Es sind diejenigen mit den am besten modellierten Daten.

Der Weg ist klar:

1. Modellieren Sie Ihre Prozesse mit OPC UA Informationsmodellen und den relevanten Companion Specifications. Beginnen Sie mit einem Maschinentyp. Bringen Sie das Modell zum Funktionieren.

2. Setzen Sie OPC UA Server ein, die dieses Modell an der Edge bereitstellen. Jede Maschine desselben Typs stellt denselben Adressraum bereit.

3. Bauen Sie Anwendungen auf dem Modell auf, nicht auf rohen Tag-Listen. Analytik, KI, Dashboards, MES-Konnektoren — alle nutzen dieselben semantischen Daten.

4. Skalieren Sie horizontal. Fügen Sie Maschinen hinzu, Linien, Werke. Das Modell ist der Vertrag. Anwendungen funktionieren überall dort, wo das Modell eingesetzt wird.

5. Lassen Sie KI das tun, was KI am besten kann — Muster finden, Ausfälle vorhersagen, Prozesse optimieren — auf Daten, die sauber, konsistent und selbstbeschreibend sind.

Die Zukunft der Industrie ist nicht KI. Es sind semantisch modellierte Daten — mit KI darauf.

Referenzen

1. OPC Foundation — OPC UA Part 5: Information Model. opcfoundation.org
2. OPC Foundation — Companion Specifications. opcfoundation.org/developer-tools/documents
3. ISA — ISA-88 / PackML: Packaging Machine Language. isa.org
4. Euromap — Euromap 77/83: OPC UA for Injection Molding and Extrusion. euromap.org
5. FieldComm Group — PA-DIM: Process Automation Device Information Model. fieldcommgroup.org

Sterfive entwickelt die Werkzeuge, die semantische Modellierung praxistauglich machen: OPC UA Modeler zum Definieren von Informationsmodellen, node-opcua zu deren Implementierung in Software und Omni-Edge für den Einsatz in großem Maßstab. Wenn Sie bereit sind, Ihre Prozesse zu modellieren, sprechen Sie mit unserem Team.