Ganz gleich, wo genau im Betriebsablauf KI zum Einsatz kommt, sie hat zwei Aufgaben in der Fertigung:
- Handeln Sie schnell und ergreifen Sie sofort Maßnahmen an der Maschine.
- Lernen Sie abteilungsübergreifend, damit sich die Leistung im Laufe der Zeit stetig verbessert.
Diese Arbeitslasten haben jedoch nicht die gleichen Anforderungen.’ Manche Entscheidungen müssen in Echtzeit getroffen werden, genau dort, wo die Daten entstehen. Andere setzen auf die Analyse von Mustern in Produktionslinien, Werken und Fahrzeugflotten.
Um alle Anforderungen an KI zu erfüllen, gehen die meisten Hersteller davon aus, dass sie zwei Rechenumgebungen benötigen: Edge Computing für Geschwindigkeit und Reaktionsfähigkeit sowie Cloud Computing für Skalierbarkeit und Training.
Die Zukunft der KI in der Fertigung hängt jedoch davon ab, beides gut zu nutzen.
Warum die Unterscheidung zwischen Cloud-KI und Edge-KI nicht ausreicht
Bei Cloud-KI und Edge-KI handelt es sich üblicherweise um eine Entweder/Oder-Entscheidung: Man wählt die Umgebung, die am besten zum eigenen Arbeitsaufwand passt, und baut darauf auf. Dieser Ansatz erzwingt jedoch unnötige Kompromisse.
Warum Cloud-Lösungen allein nicht ausreichen
Ein reiner Cloud-Ansatz kann sinnvoll sein, wenn Ihr Ziel darin besteht, Modelle zu trainieren oder Daten standortübergreifend zu vergleichen, um einen umfassenden Überblick über die Leistung zu erhalten. Aber es scheitert, wenn Ihre Anwendung auf eine sofortige Reaktion des Rechners angewiesen ist. Das Senden jedes Signals in die Cloud kann unnötige Kosten und Bandbreitenprobleme verursachen.
Selbst eine kurze Verzögerung ist wichtig, wenn das Modell nach einem Fehler oder einer Anomalie sucht, um reagieren zu können; die Daten müssen erst in die Cloud und zurück übertragen werden, bevor etwas passieren kann.
Warum die reine Kantenanalyse nicht ausreicht
Ein Ansatz, der ausschließlich auf Kanten basiert, löst zwar das Geschwindigkeitsproblem, schafft aber neue Einschränkungen. Edge-Verarbeitung ist schnell, aber isoliert; sie bietet keinen Einblick in die Vorgänge an anderen Standorten. Ohne die Cloud können Modelle nicht aus umfangreichen Datensätzen lernen, und Muster bleiben auf einzelne Standorte beschränkt oder werden gänzlich übersehen.
Wenn sich beispielsweise ein Vibrationsmuster an einer CNC-Maschine als frühes Warnzeichen für einen Spindelausfall herausstellt, werden andere Werke, die ähnliche Anlagen betreiben, niemals von den Erkenntnissen profitieren, die an dieser einen Maschine gewonnen wurden.
Hybride KI ist der bessere Weg nach vorn
Die Zukunft der KI in der Fertigung ist lokal ausgerichtet und cloudbasiert. Nicht jedes Signal muss das Werksgelände verlassen.
Deshalb setzen viele Hersteller auf ein Hybridmodell: Cloud-KI + Edge-KI anstatt Cloud-KI vs. Edge-KI.’ Jede Schicht spielt eine zentrale Rolle bei der Lösung verschiedener Aspekte derselben industriellen Herausforderungen. Zusammen schaffen sie einen unmittelbaren und skalierbaren Ansatz für die Entscheidungsfindung direkt in der Produktionshalle – genau das, was die industrielle KI braucht.
Die Edge-Geräte erledigen die Aufgaben, die sofort erledigt werden müssen, während die Cloud umfassenderes Lernen, flottenweite Koordination und langfristige Optimierung unterstützt. Dadurch können die Hersteller Entscheidungen maschinennah treffen, ohne dabei die Trends im gesamten Maschinenpark oder langfristige Leistungssteigerungen aus den Augen zu verlieren.
Hybride KI im Einsatz: Anomalieerkennung
Lassen Sie uns über die Echtzeit-Anomalieerkennung als Beispiel dafür sprechen, was eine lokale, Cloud-fähige Architektur leisten kann.’
Diese Demonstration präsentierten wir im April auf der HANNOVER MESSE 2026 zusammen mit Storm Reply und Amazon Web Services (AWS), um zu zeigen, wie eine hybride KI-Architektur, die auf den Komplettlösungen von Belden basiert, das Beste aus beiden Welten vereint. ’ Die darauf folgende Reaktion machte eines deutlich: Die Hersteller sind bestrebt, Wege zu finden, wie Cloud-KI und Edge-KI zusammenarbeiten können.
In dieser Konfiguration überwacht das Edge-Gerät das Maschinenverhalten auf Anomalien, filtert die relevanten Daten heraus und speichert die Rohproduktionsdaten direkt in der Fertigungshalle. Dies geschieht durch die Ausführung von AWS IoT Greengrass v2 auf dem Belden Edge-Gerät zur Datenerfassung und -vorverarbeitung sowie durch die Verwendung eines Isolation Forest AI-Modells zur Verhaltensbewertung.
Wir haben CloudRail auch als containerisierte Greengrass-Komponente für die IO-Link-Datennormalisierung eingesetzt. Dadurch kann das System das Motorverhalten in Echtzeit analysieren, genau dort, wo die Daten entstehen. Es gibt’kein Warten auf eine Antwort eines entfernten Systems. Das Ergebnis sind schnellere Entscheidungen und eine kürzere Zeitspanne zwischen Erkennung und Reaktion.
Lediglich die relevanten Erkenntnisse und Kennzahlen wurden regelmäßig in die Cloud übertragen, um Modelle zu trainieren und die standortübergreifende Transparenz zu gewährleisten. Dies gewährleistet eine effiziente Bandbreitennutzung und reduziert die Kosten für Cloud-Aufnahme und -Speicherung. Dies geschieht durch gebündelte MQTT-Uploads (alle 10 Minuten) zu AWS S3 anstelle von Streaming pro Sample mit IoT Core. Für das Modelltraining und die Versionierung wurden AWS-Cloud-Dienste verwendet; die aktualisierten Modelle werden über Greengrass zurück an den Edge übertragen.
Was die Zahlen zeigen
Mit diesem Setup waren die Ergebnisse hervorragend und spiegelten eindrucksvoll die Leistungsfähigkeit der Kombination von Edge- und Cloud-KI wider:
-
Inferenzzeit: ~63 ms Rand vs. ~442 ms Wolke
-
Reduzierung des Backhaul-Verkehrs: ~40 % weniger
-
Verfügbarkeit während eines simulierten WAN-Ausfalls: 99,2 % Hybrid-Cloud vs. 5,8 % reine Cloud-Cloud
Der dritte Baustein der KI-Gleichung: das Netzwerk
Die Zukunft der KI in der Fertigung vereint Echtzeit-Intelligenz am Netzwerkrand, skalierbare Intelligenz in der Cloud und ein zuverlässiges OT-Netzwerk, das beide miteinander verbindet.
Ein deterministisches, robustes Netzwerk stellt sicher, dass die richtigen Daten zur richtigen Zeit am richtigen Ort ankommen. Es ermöglicht dem Edge-Computing, Entscheidungen in Millisekunden zu treffen, und der Cloud, aus dem zu lernen, was das Edge-Computing „sieht“.
Ohne sie versagt die hybride KI, bevor sie einen Mehrwert bieten kann.
Die Komplettlösungen von Belden unterstützen KI von Anfang bis Ende, von Echtzeitentscheidungen am Netzwerkrand bis hin zum langfristigen Lernen in der Cloud. Wenn Sie mit unseren Experten zusammenarbeiten, erhält Ihr Fertigungsunternehmen einen klaren Weg für seine nächste KI-Strategie: Entwicklung für Edge Computing, Entwicklung für Cloud Computing und Aufbau des Netzwerks, das beides ermöglicht.
Sehen Sie, wie wir Ihnen helfen können.