Der Retrofit als Schlüssel zur Digitalisierung von Bestandsanlagen
Die massivumformende Industrie fertigt zum Großteil sicherheitsrelevante Produkte, die sich durch hohe Festigkeiten auszeichnen. Für die dabei notwendigen hohen Kräfte sorgen Pressen und Hämmer, zumeist älterer Generationen. Viele dieser Bestandsmaschinen besitzen keine durchgängigen Datenschnittstellen, keine einheitliche Dokumentation und keine integrierten Systeme für Produktions- und Qualitätsdaten.
In ein digitales Umfeld sind diese Maschinen häufig nicht oder nur sehr eingeschränkt integrierbar. Das erschwert oder verhindert die Kommunikation mit Industrie-4.0-Strukturen, eine weitergehende Automatisierung sowie eine systematische Datenverarbeitung. Stillstände, Ausschuss und Energieverluste werden zwar erkannt, jedoch können die Ursachen ohne entsprechende Messsysteme kaum quantifiziert und Maßnahmen selten wirtschaftlich abgeleitet werden. Zugleich fehlen vielfach aufbereitete Betriebsdaten, mit denen sich fertigungstechnische Potenziale wie Stückkostenreduktion, Fehlererkennung, Aussagen zum Verschleißverhalten oder die Optimierung von Taktzeiten gezielt erschließen ließen.
Hier setzte das Forschungsprojekt DiReProFit an. Durch einen digitalen Retrofit, also die Nachrüstung mit Sensoren und moderner Messtechnik, konnte die Prozesstransparenz und die Vernetzbarkeit bestehender, älterer Maschinen verbessert werden, ohne die Kernmaschine zu ersetzen oder in die Steuerung einzugreifen. Gerade für kleine und mittlere Unternehmen stellt dies eine wirtschaftlich tragfähige Alternative zur kostenintensiven Neuanschaffung industrie-4.0-fähiger Umformmaschinen dar.
Fehlinvestitionen beim Retrofit vermeiden
Das IPH und das LFM adressierten im Forschungsprojekt DiReProFit eine Lücke in der Praxis: Unternehmen brauchen eine Vorbetrachtung, bevor sie Sensoren beschaffen, Dateninfrastruktur aufbauen oder externe Dienstleister beauftragen, um mögliche Fehlinvestitionen zu vermeiden. Denn die technische Nachrüstung mit Sensoren ist heute grundsätzlich Stand der Technik; die eigentliche Herausforderung liegt in der Auswahl geeigneter Sensorkonzepte, der wirtschaftlich sinnvollen Messdatenerfassung und vor allem in der korrekten Interpretation der gewonnenen Daten.
Gerade kleine und mittlere Unternehmen müssen Retrofits mit wenig Personal, begrenztem Budget und hoher Produktionsauslastung planen. Ein Fehlgriff bindet Investitionen und blockiert Produktionszeit. Retrofitmaßnahmen ohne klare Zielsetzung bergen deshalb ein erhebliches Risiko: Ist das Sensorkonzept für den beabsichtigten Einsatzzweck ungeeignet, lassen sich die gewünschten Messgrößen nicht belastbar erfassen und Investitionen bleiben ohne nachweisbaren Nutzen.
Ein weiteres Hindernis entsteht durch Regulierung und Haftung. Viele Betriebe vermeiden Eingriffe in bestehende Steuerungen, weil eine sogenannte „wesentliche Veränderung“ im Sinne der Maschinenrichtlinie eine erneute Konformitätsbewertung auslösen kann. Die Praxis kennt dafür die CE-Kennzeichnung: Sie dokumentiert, dass eine Maschine grundlegende Sicherheitsanforderungen erfüllt. Fehlt bei Altanlagen die vollständige technische Dokumentation, wird dieser Schritt aufwendig oder scheitert.
Das Forschungsprojekt DiReProFit begegnete diesem Spannungsfeld mit einem Ansatz, der den Planungsaufwand verringert und den technischen Nutzen möglicher Retrofitvorhaben bereits im Vorfeld abschätzbar machte.
Planbarkeit, Datenqualität und investitionsfeste Entscheidungen
Das IPH und das LFM erstellten drei Bausteine, die Anwender*innen unmittelbar nutzen können.
Zunächst erarbeiteten sie eine Übersicht geeigneter Sensorsysteme für Digitalisierungsmaßnahmen. In Schmiedebetrieben konkurrieren robuste, verschmutzungsresistente Messprinzipien mit Anforderungen an Taktzeiten, Temperaturbereiche und Einbauraum. Die Projektergebnisse ordnen Sensorarten, Messprinzipien und typische Integrationspfade so, dass Prozessverantwortliche und Entscheider*innen schneller zu einer belastbaren Vorauswahl kommen.
Dazu konzipierten das IPH und das LFM in einem zweiten Projektmeilenstein exemplarische Retrofitkonzepte und setzten diese produktionsbegleitend an einer Schmiedelinie um: Stückzahlerfassung nach Prozessschritten, Heißmessung zur frühen Qualitätsbewertung sowie Temperatur- und Energieanalysen für die thermische Prozessführung. Die Umsetzung zeigte, warum eine reine Stückzahlerfassung über Auswerfersignale der Steuerung in der Serie scheitern kann: Bauteilabhängige Hubfolgen und Einrichtvorgänge verfälschen die Interpretation. Das LFM kombinierte deshalb Steuerungssignale mit externen, redundanten Sensoren. Damit entstand für den Retrofit eine Datenbasis, die sich in den Prozesskontext einordnen lässt. Allerdings muss dabei anwendungsseitig weiterhin die Wartung berücksichtigt werden, etwa bei optischen Sensoren, die Zunder, Ölnebel und weiteren Partikeln ausgesetzt sind.
Einen weiteren, für Anwender*innen zentralen Effekt lieferte die Heißmessung. Das LFM setzte die optische Vermessungstechnik eines der am Projekt beteiligten Unternehmen ein, um Geometrieabweichungen von Rohlingen bereits im heißen Zustand zu erkennen. Betriebe können anhand dieses Sensorkonzepts Werkzeugverschleiß oder Gesenkschädigungen früher identifizieren und Werkzeugwechsel innerhalb einer laufenden Serie rechtzeitig planen. Das reduziert Qualitätskosten, Ausschuss und Nacharbeit.
Als dritten Meilenstein entwickelte das IPH einen Softwaredemonstrator als proof-of-concept, der Retrofitwissen in eine anwendungsnahe Entscheidungsfindung überführt. Der Demonstrator arbeitet dialogbasiert und liefert textbasierte Empfehlungen. Kern ist ein Retrieval-Augmented-Generation-Modell (RAG-Modell). Dieses Verfahren kombiniert ein generatives Sprachmodell mit einer vorab kuratierten Dokumentensammlung: Das System sucht passende Textstellen in bestehenden Leitfäden, Literatur, Sensorübersichten und Praxisberichten und formuliert daraus eine Antwort. Damit reduziert es die für inferenzbasierte Sprachmodelle typischen „Halluzinationen“, also KI-Ausgaben ohne belastbare Grundlage.
Für Anwender*innen strukturiert der Demonstrator auf Anfrage die Planung eines digitalen Retrofits, empfiehlt Sensor- und Integrationspfade, benennt typische Risiken einschließlich Aufwänden für die CE-Kennzeichnung und bleibt dabei herstellerunabhängig. Der Demonstrator wurde mitsamt Leitfaden und quellenoffen auf GitHub veröffentlich, sodass Betriebe den Ansatz nachvollziehen und weiterentwickeln können. Die Rechenzeit hängt in der Praxis von der Leistungsfähigkeit der Hardware ab. Während der auf dem Docker-Aufbau basierende Demonstrator auf verschiedenen Betriebssystemen lauffähig ist, empfehlen die Institute eine Serverinstallation auf starker Hardware für den verteilten Zugriff.
Large Language Models mit RAG-System als industrielles Wissenswerkzeug
Unternehmen, welche die im Projekt umgesetzten Ansätze für ein Sprachmodell mit Datenbasis konsequent einsetzen und weiterentwickeln, können dies einerseits für den Erkenntnisgewinn aus den hinterlegten eigenen Unterlagen und andererseits als festen Bestandteil zur technischen Wissensarbeit nutzen. Das Sprachmodell beantwortet dann nicht nur allgemeine Fragen, sondern greift gezielt auf eine unternehmenseigene Wissensbasis zu. Diese muss dabei kuratiert und im besten Fall einheitlich formatiert sein. Genau dann liegt – wie im Projekt – der Vorteil des RAG-Ansatzes daran, dass dieser ein generatives Sprachmodell mit Antworten entlang verifizierten Dokumenten, Leitfäden, Sensorübersichten, Retrofitberichten und weiterem Praxiswissen verbindet. Dadurch entstehen belastbare, kontextbezogene Antworten, ohne dass das Sprachmodell selbst für jede neue Information neu trainiert werden muss. Da Antworten auf die Fragen der Nutzenden bereits im Datenmaterial vorliegen, müssen diese nur noch zusammengestellt werden. Das vermindert auch Antworten, die sich das Sprachmodell aus rein statistischen Wortaneinanderreihungen selbst erstellen muss.
Langfristig entwickelt sich aus diesem Ansatz ein digitaler Wissensassistent für Ingenieurwesen, Produktion, Instandhaltung und Investitionsplanung. Mit der Planung von Retrofits beauftragte Mitarbeitende stellen in diesem System Fragen nach geeigneten Sensorprinzipien, Integrationswegen, typischen Risiken, Dokumentationsanforderungen oder wirtschaftlichen Zielkonflikten. Das Unternehmen hinterlegt dafür neben frei zugänglichen Fachinformationen eigene Unterlagen, Betriebsstandards, Erfahrungswissen und projektspezifische Dokumentationen in der Datenbasis. Diese Ausbaufähigkeit ist zentral: nutzende Unternehmen können die allgemeine Datenbasis um interne Inhalte ergänzen, sodass die Antworten mit wachsender Wissensbasis fallspezifischer und umfassender werden. Die grundsätzliche Systemarchitektur kann mit geeignetem Datenmaterial auch für andere Zusammenhänge genutzt werden.
Lokale KI wahrt die Datensouveränität, ist generalisierbar und macht Wissen nutzbar
Für Unternehmen liegt der strategische Wert im lokalen KI-Ansatz vor allem in drei Punkten. Erstens bleibt die Datensouveränität gewahrt, weil die Lösung auf einem Server oder einer Workstation im Betrieb betrieben werden kann und daher sensible Informationen das Unternehmen nicht verlassen müssen. Zweitens steigt die Generalisierbarkeit: Auch Unternehmen ohne lange Maschinendatenhistorie oder ohne vollständig digitalisierte Altanlagen können mit dem System belastbare Erstbewertungen und Handlungsempfehlungen erhalten, die zu Beginn einer Projektierung wertvoll sind. Drittens sinkt der Aufwand, neues Wissen nutzbar zu machen, weil neue Dokumente in die Datenbasis aufgenommen werden können, statt ein Sprachmodell mit hohem Rechenaufwand immer wieder neu zu trainieren.
Das im Projekt umgesetzte System ist daher kein autonom entscheidendes KI-System, sondern ein belastbares, dokumentengestütztes Assistenzsystem für industrielle Entscheidungen. Es unterstützt Fachkräfte bei der Vorbereitung von Retrofits, bei der Auswahl von Sensoren und Schnittstellen, bei der Bewertung technischer und regulatorischer Randbedingungen und bei der Überführung von Erfahrungswissen in wiederverwendbare Antworten.
Das IPH und das LFM haben mit DiReProFit dafür die Grundlage geschaffen: ein lokal betreibbares, herstellerunabhängiges und schrittweise erweiterbares RAG-System, das mit jeder zusätzlichen Wissensquelle nützlicher wird und langfristig zu einem zentralen Werkzeug der industriellen Wissensarbeit wachsen kann.
Der Schlussbericht des Forschungsvorhabens ist in der Forschungsdatenbank des Industrieverbands Massivumformung e.V. und auf der IPH-Webseite erhältlich.
