Wenn die Maschine selbst hinsieht

Der nächste Automatisierungsschub beginnt nicht mit KI im Rechenzentrum, sondern direkt an der Maschine. Sensoren messen nicht mehr nur Temperatur, Druck, Vibration oder Abstand. Moderne Geräte verarbeiten Signale, überwachen ihre eigene Funktion und stellen zusätzliche Zustandsdaten bereit. Kamerasysteme wiederum entwickeln sich zu kompakten Recheneinheiten, die Defekte klassifizieren, Objekte lokalisieren und Qualitätsentscheidungen innerhalb des Produktionstakts treffen.

Der Begriff „smarter Sensor“ wird bei moderner Sensorik dabei häufig großzügig verwendet. Technisch relevant wird er dort, wo ein Gerät neben dem eigentlichen Messwert weitere Funktionen übernimmt: Signalaufbereitung, Diagnose, Parametrierung, Ereigniserkennung oder lokale Merkmalsextraktion. Ein Vibrationssensor kann beispielsweise nicht nur einen Effektivwert ausgeben, sondern Frequenzbänder überwachen und Auffälligkeiten melden. Ein optischer Sensor kann Kontrast, Objektabstand und Verschmutzungsreserve gleichzeitig erfassen.

Dieser Wandel verändert die Datenarchitektur. Statt jeden Rohwert ungefiltert in eine Cloud zu übertragen, werden Daten am Entstehungsort verdichtet. Die Steuerung oder ein Edge-System erhält dann nicht unbedingt die komplette Zeitreihe, sondern Zustandsmerkmale, Qualitätskennzahlen oder eine Anomaliewahrscheinlichkeit. Das reduziert Netzwerk- und Speicherbedarf und erleichtert schnelle Reaktionen.

Edge-KI erweitert dieses Prinzip. Kleine neuronale Netze können auf intelligenten Kameras, Industrie-PCs oder spezialisierten Beschleunigern ausgeführt werden. Die Inferenz bleibt nahe am Prozess; Trainings- und Flottenmanagement können weiterhin zentral erfolgen. Für Anwender zählt dabei weniger das Etikett „KI“ als die garantierte Zykluszeit, die Nachvollziehbarkeit des Ergebnisses und ein kontrollierter Umgang mit Modellversionen.

Machine Vision wird hybrid

In der industriellen Bildverarbeitung setzt sich ein hybrider Ansatz durch. Regelbasierte Verfahren bleiben stark, wenn Geometrien, Kontraste und Toleranzen eindeutig beschrieben werden können. Deep Learning spielt seine Vorteile bei variierenden Oberflächen, komplexen Fehlerbildern, organischen Strukturen und schwankenden Erscheinungsformen aus. In der Praxis werden beide Welten kombiniert: Ein klassisches Verfahren richtet das Bauteil aus und misst Konturen; ein KI-Modell segmentiert Kratzer, Poren oder Beschichtungsfehler.

Der Nutzen liegt nicht nur in höheren Erkennungsraten. Hybride Systeme können Trainingsaufwand und Validierungsrisiko begrenzen, weil nicht jede Teilaufgabe einem neuronalen Netz überlassen wird. Zudem bleiben geometrische Entscheidungen messbar. Für regulierte oder auditierbare Prozesse ist das wichtig: Ein System muss nicht nur „N.i.O.“ melden, sondern den Fehler lokalisieren, die Entscheidung dokumentieren und die verwendete Modell- und Parametersituation zuordnen können.

Auch bei der Softwareentwicklung verschiebt sich der Fokus auf Performance und Bedienbarkeit. MVTec kündigte im April 2026 für Halcon 26.05 unter anderem automatische Konturoptimierung, eine Rektifizierung verzerrter Data-Matrix-Codes und eine neue Generation der Deep-Learning-Objekterkennung an. Laut Hersteller erreicht diese bis zu fünfmal schnellere Inferenz bei gleichbleibend hoher Erkennungsgenauigkeit. „Unser Ziel ist es, dass Machine-Vision-Applikationen in sämtlichen Industriebranchen und auch in anspruchsvollen Automatisierungsszenarien nicht nur robust und präzise arbeiten, sondern auch schnell“, sagte Produktmanager Jan Gärtner. Die Leistungsangabe bleibt eine Herstellerangabe und muss für den konkreten Datensatz sowie die Zielhardware validiert werden. Sie zeigt aber, wohin die Entwicklung geht: KI muss den Takt der Anlage einhalten, nicht umgekehrt.

3D-Vision verlässt die Spezialanwendung

Ein zweiter Schwerpunkt ist 3D-Vision. Stereo-, Time-of-Flight- und strukturlichtbasierte Systeme werden kompakter und einfacher integrierbar. Sie liefern Tiefeninformationen für Bin Picking, Palettierung, Volumenmessung, Vollständigkeitskontrolle sowie die Navigation autonomer mobiler Roboter. RGB-D-Systeme verbinden Farbbild und Tiefenkarte; in schwierigen Anwendungen ergänzen LiDAR, Kraft-Momenten-Sensoren oder klassische Abstandssensoren das Kamerabild.

Welche Technologie passt, entscheidet die Umgebung. Time of Flight eignet sich für schnelle Tiefenbilder und größere Arbeitsbereiche, kann aber an stark reflektierenden oder lichtabsorbierenden Oberflächen Grenzen zeigen. Stereosysteme benötigen ausreichend Textur oder eine aktive Beleuchtung. Lasertriangulation liefert hohe Genauigkeit, erfasst eine Fläche jedoch häufig erst durch Relativbewegung. Die Auswahl darf deshalb nicht bei Megapixelzahl und Reichweite enden. Entscheidend sind Punktwolkenqualität, Latenz, Fremdlichtrobustheit, Kalibrierstabilität und die verfügbare Softwareintegration.

Ein aktuelles Marktsignal ist die im März 2026 bekannt gegebene Technologiepartnerschaft von Basler und Orbbec. Das erste gemeinsame Produkt, eine kompakte Stereokamera, zielt auf Navigation, Hinderniserkennung und Umfelderfassung bei mobilen Robotern. Basler-Manager René von Fintel betonte dabei neben dem 3D-Portfolio ausdrücklich Preis-Leistung und geringe Baugröße. Für Anwender ist vor allem die angekündigte Integration in bestehende Vision-Workflows relevant: 3D-Technik skaliert in der Fabrik erst dann, wenn Kalibrierung, Software, Diagnose und Ersatzteilstrategie beherrschbar bleiben.

Sensorfusion macht Prozesse verständlicher

Das Kamerabild allein erklärt nicht jeden Fehler. Eine matte Stelle kann ein Oberflächendefekt, eine Beleuchtungsänderung oder Prozessverschmutzung sein. Werden Bilddaten mit Temperatur, Druck, Kraft, Schwingung oder Maschinenparametern zeitlich verknüpft, lassen sich Ursachen besser eingrenzen. Aus Qualitätskontrolle wird Prozessdiagnose.

Besonders interessant ist diese Sensorfusion für Predictive Maintenance und zustandsorientierte Instandhaltung. Nicht ein einzelner Schwellenwert, sondern das gemeinsame Muster mehrerer Signale kündigt Verschleiß an. Ein Motor kann erhöhte Vibrationen zeigen, während Stromaufnahme und Temperatur noch unauffällig sind. Ein Vision-System erkennt parallel eine langsam zunehmende Maßabweichung. Zusammen ergibt sich ein belastbareres Zustandsbild als aus jedem Kanal für sich.

Voraussetzung ist eine saubere Zeitbasis und Kontextinformation: Welches Produkt lief? Welches Werkzeug war montiert? Welche Rezeptur und welche Modellversion waren aktiv? Ohne diese Metadaten bleibt der Datensee schnell nur ein teurer Teich.

IO-Link und OPC UA statt Datensilos

Für die breite Umsetzung zählt Konnektivität mehr als spektakuläre Einzelwerte. IO-Link bringt Prozess-, Parameter- und Diagnosedaten standardisiert aus der Feldebene. Die IODD beschreibt das Datenmodell eines Geräts; Master übernehmen die Protokollumsetzung. Über Integrationsspezifikationen lassen sich die Informationen unter anderem in Profinet, EtherNet/IP, EtherCAT, JSON und OPC UA überführen. Die IO-Link Community verweist zudem auf eine gemeinsam mit der OPC Foundation erarbeitete Companion Specification.

Damit entsteht noch keine vollständige semantische Interoperabilität. Unterschiedliche Bezeichnungen, Einheiten und Zustandsmodelle müssen weiterhin vereinheitlicht werden. Doch standardisierte Gerätebeschreibungen reduzieren manuelle Zuordnung und erleichtern Gerätetausch, automatische Parametrierung sowie Condition Monitoring. OPC UA kann den vertikalen Datenaustausch zu SCADA, MES und IT-Systemen ergänzen. 5G und TSN bleiben für mobile, weitläufige oder streng deterministische Anwendungen relevant, sind für viele Sensor- und Vision-Projekte aber nicht der Startpunkt. Häufig schaffen erst konsistente Datenmodelle und robuste Schnittstellen den größeren Nutzen.

Fazit: Intelligenz muss industrietauglich werden

Smarte Sensoren und Machine Vision prägen die nächste Stufe der Fabrikautomation nicht durch ein einzelnes technisches Wunder, sondern durch ihr Zusammenspiel. Edge-KI bringt Entscheidungen näher an den Prozess. Hybride Bildverarbeitung verbindet lernende Modelle mit messbaren Regeln. 3D-Vision und Sensorfusion erweitern den Blick auf Objekt und Maschinenzustand. IO-Link und OPC UA helfen, daraus nutzbare Informationen statt neuer Datensilos zu machen.

Für Anwender entscheidet am Ende nicht die größte KI, sondern die robusteste Gesamtlösung: beherrschbare Zykluszeiten, dokumentierte Datenqualität, offene Schnittstellen, sichere Updates und ein klarer wirtschaftlicher Nutzen. Wer Projekte an realen Fehlerkosten, Stillstandszeiten und Materialverlusten ausrichtet, kann klein beginnen und gezielt skalieren. Die Maschine muss nicht alles sehen. Aber sie sollte das Richtige erkennen – rechtzeitig, nachvollziehbar und direkt dort, wo die Entscheidung fällt.