Klein und fein ist die Siemens- Forschungsgruppe Sustainable Automation Solutions: Das in Wien angesiedelte Team forscht insbesondere an der IT-OT-Integration vor dem Hintergrund brennender Zukunftsthemen wie KI und Business Process Mining. Das Team rund um Forschungsgruppenleiter Michael Hartl beschäftigt sich seit der Gründung im Juli 2024 mit der Aufgabe, Künstliche Intelligenz in den Shopfloor, also in die Fabriksabläufe, zu bringen. „Die Grundidee war, aktuelle Aufgabenstellungen, primär im Hinblick auf KI-Projekte, auf die Datenebene zu bringen“, so der Siemens- Technology-Professional Steffen Schuhmann. Konkret bedeutet dies, einen Lösungsweg zu finden, Informationen der Datenebene des Shopfloors abzugreifen, diese aufzubereiten und gewinnbringend verwertbar zu machen. „Dies beginnt bei der Anreicherung von Metadaten und geht bis zu generativen KI-Systemen, Stichwort agentische KI“, erklärt Schuhmann, „wir wollen sozusagen eine durchgehende Story entwickeln und setzen unsere Forschungsschwerpunkte nach dieser Zielsetzung.“

Während agentische KI-Systeme Aufgaben autonom planen, Entscheidungen treffen und proaktiv ausführen, um komplexe Ziele mit minimaler menschlicher Aufsicht zu erreichen, dockt das Business Process Mining, einer der Forschungsschwerpunkte, an diese an. Schuhmann: „Agentische KI-Systeme haben den Nachteil, dass sie gegebenenfalls auch Informationen oder Antworten erfinden, wenn die zur Verfügung stehende Datenbasis nicht ausreicht – eine Eigenschaft, die man in der Industrie in Wahrheit überhaupt nicht gebrauchen kann, umso weniger, je autarker die Systeme arbeiten sollen. Business Process Mining setzt hier an. Es handelt sich im Wesentlichen um einen Schritt zur Datenvorverarbeitung. Deterministisch können Aussagen über die Datenbasis getroffen und Prozesse rekonstruiert werden, um zu sehen, wie Bedienende in der Historie mit der Anlage interagiert haben.“ Diese Informationen geben den erforderlichen Input für die Weiterverarbeitung.

Business Process Mining

Künstliche Intelligenz mit ihren autonom getroffenen Entscheidungen allein zu lassen, erweist sich also als der falsche Weg. „Durch das Business Process Mining fließen Aktionen, die Mitarbeitende in der Vergangenheit gesetzt, und Erfahrungen, die sie gesammelt haben, in zukünftige Entscheidungen der KI mit ein“, so der Experte. Seinen Ursprung hat das Business Process Mining in der IT, wo man versucht, Geschäftsprozesse aus bestehenden Daten zu rekonstruieren und zu bewerten – in ganz unterschiedlichen Ausprägungen. Dabei zeigt sich, wie Mitarbeitende in der Praxis agieren. Folgen sie den vordefinierten Prozessen? Wo und warum weichen sie ab? Entstehen dadurch Probleme? Staut sich an bestimmten Stellen die Arbeit? „Diese Themen haben wir mit unseren Forschungsarbeiten und dem DCS Advisor, einem KI-gestützten Supportsystem, in die Prozessindustrie und insbesondere in die OT-IT-Integration gebracht“, gibt Steffen Schuhmann Einblick. Bei dem DCS (Distributed Control System) Advisor handelt es sich um ein Proof of Concept, eine gemeinsame Vorentwicklung mit dem Forschungsbereich Data Analytics & AI von Siemens Österreich.

Über diesen Weg gelangte das Forschungsteam auf eine zutiefst menschliche Ebene. Betrachtet man den demografischen Wandel, sieht man, dass viele Mitarbeitende in einer bestimmten Altersgruppe in den nächsten Jahren in Pension gehen werden. Schuhmann: „Das brachte uns zur Frage, wie wir deren Wissen dem Unternehmen erhalten, rekonstruieren, aufbereiten und für die Zukunft nutzbar machen können.“ Besonderes Augenmerk gilt folglich den Daten der Interaktionen der Bedienenden mit den Anlagen. So entstehen „Aktions-Muster“, die widerspiegeln, welche Handlungen in der Vergangenheit zum Beispiel in der Folge eines Alarms gesetzt wurden. Neue Mitarbeitende erhalten auf Basis dieser Daten ein „Empfehlungs-Muster“ für ihre eigenen Handlungen, in das der Erfahrungsschatz früherer Kolleg:innen geradezu automatisch miteinfließt. Die Daten stammen aus dem DCS wie etwa dem Prozessleitsystem Siemens Simatic PCS7 und umfassen idealerweise einen möglichst langen Betrachtungszeitraum. „Durch die statistische Verteilung erhalten wir korrekte Handlungsmuster“, hebt der Technology Specialist hervor. Selten, aber doch vorkommende Fehlbedienungen haben auf Grund der Gewichtung keine Auswirkungen.

© Siemens

Das Team der Forschungsgruppe rund um Leiter Michael Hartl (Mitte): Ivan Svogor, Research Professional (links), und Steffen Schuhmann.

Aktuell werden die von der Forschungsgruppe entwickelten Algorithmen, die Basis für den DCS Advisor sind, in zwei Kundenprojekten im Food & Beverage- und im Chemiebereich einem Praxistest unterzogen. Steffen Schuhmann: „Unsere Entwicklung stieß auf großes Interesse und die Zusammenarbeit ist sehr intensiv. Ganz plakativ vor Augen geführt wurde uns zudem der enorme Stellenwert erfahrener Mitarbeitender für ein Unternehmen: Sie konnten durch die von ihnen gesetzten Maßnahmen bei Alarmen die Funktionsfähigkeit der Anlagen erhalten und die Produktivität nachhaltig absichern. Das Bemerkenswerte: In der theoretischen Betrachtung der Anlage kamen diese Maßnahmen in dieser Form nicht vor. Diese Phänomene konnten wir jetzt allerdings in die Algorithmen einbauen.“

Höchst gewinnbringend sind die Ergebnisse der Forschungsgruppe Sustainable Automation Solutions für den Bereich von Trainings und Schulungen. Neuen Mitarbeitenden lässt sich schnell und unkompliziert Wissen vermitteln, wie bei Alarmen und in Notfallsituationen bestmöglich zu handeln ist, auch wenn keine ausgewiesenen Expert:innen verfügbar sind. Zudem gibt es in vielen Unternehmen „Springer“, also Mitarbeitende, die an mehreren verschiedenen Anlagen tätig sind. Diese können gleichermaßen von den wertvollen Informationen profitieren. „Zukünftig möchten wir uns die Integration weiterer Systeme ansehen, etwa von MES, Manufacturing Execution Systems“, gibt Steffen Schuhmann Einblick, „wir wollen in die eigentliche Produktion gehen und auf Basis historischer Prozessdaten der agentischen KI die Möglichkeit geben, die richtigen Schlüsse für die aktuelle Produktion zu ziehen“. Dazu gehört – und hier setzt ein weiteres Forschungsprojekt für die Pharmaindustrie an – im Falle einer nicht ausreichenden aus der Historie generierten Datenbasis diese durch KI-gestützte Simulation zu ergänzen und so die Plausibilität und Sicherheit gesetzter Parameter zu überprüfen. Aktuell wird dies in der realitätsnahen Produktionsumgebung des Living Lab in der Siemens City in Wien erprobt. Dort können in gemeinsamer Co-Creation mit Kunden Vorgänge in der Prozessindustrie mathematisch modelliert, simuliert, analysiert und auf Basis der so generierten Daten optimiert werden. Nicht nur der Kernprozess einer Produktion kann damit digitalisiert werden, sondern auch eine gesamte Prozesskette.