An Produktionsstandorten entstehen laufend Informationen: Steuerungen werden angebunden, Maschinen nachgerüstet, Gateways installiert, moderne Protokolle übertragen Messwerte und Zustände in Echtzeit. Konnektivität ist damit vielerorts erreicht. Was häufig fehlt, ist das gemeinsame Verständnis dieser Daten und damit der Schritt von "Daten vorhanden" zu "Daten nutzbar". Das heißt, nicht die Datenmenge ist das Kernproblem, sondern die fehlende Einordnung: Welche Information bedeutet was, in welchem Kontext und mit welcher Qualität?

Parallel verändern sich die Architekturen in der Automatisierung: Starre, hierarchische Strukturen weichen flexibleren Modellen. Wer dabei ausschließlich auf technische Verbindungen setzt, ohne die semantische Ebene mitzudenken, riskiert ein digitales Durcheinander statt datengetriebener Fertigung.

Weg vom Polling

Klassische Produktions-IT arbeitet häufig mit zyklischen Statusabfragen (Polling). Maschinenzustände werden in festen Intervallen abgefragt, unabhängig davon, ob sich überhaupt etwas geändert hat. Das erzeugt unnötigen Netzwerkverkehr und bindet Rechenleistung, obwohl oft kein Informationsgewinn entsteht.

Aktuelle Ansätze drehen das Prinzip um: In einer ‚Event-Driven Architecture‘ (EDA) senden Maschinen Daten nur dann, wenn tatsächlich ein relevantes Ereignis eintritt. Für den effizienten Nachrichtentransport hat sich beispielsweise MQTT etabliert.

Doch genau hier stoppen viele Initiativen zu früh. Denn wenn Events lediglich gesammelt und ungeprüft in einen Cloud-Speicher geschoben werden, entsteht schnell ein "Data Swamp" mit viel Material, aber wenig Verwertbarkeit. Zwei Anlagen können zwar dasselbe Transportprotokoll nutzen, aber dennoch völlig unterschiedliche Begriffe und Bezeichner verwenden. Wenn die eine Maschine "Temp_1" meldet und die andere "Heat_Val_X", fehlt ohne Kontext die Grundlage für KI, Analytics oder Echtzeit-Entscheidungen.

Eine gemeinsame Datensprache

Damit Daten über Anlagen, Linien und Werke hinweg vergleichbar und wiederverwendbar werden, braucht es eine verbindliche semantische Logik, eine gemeinsame ‚Grammatik‘ für Produktionsdaten.

In diesem Zusammenhang wird häufig das Konzept des ‚Unified Namespace‘ (UNS) genannt. Als Leitidee beschreibt UNS eine klare Struktur, wie Produktionsdaten organisiert und bereitgestellt werden, oft orientiert an etablierten Modellen wie ISA-95, zum Beispiel Unternehmen/Standort/Linie/Zelle/Maschine. Der Mehrwert entsteht jedoch nicht allein durch eine Struktur auf dem Papier, sondern durch ihre konsequente Umsetzung.

Ein reiner Message-Broker kann Daten transportieren, aber nicht verstehen oder prüfen. Für eine langfristig tragfähige IIoT-Strategie braucht es daher eine Plattform, die Datenmodelle verwaltet, Regeln durchsetzt und Änderungen kontrollierbar macht. Wenn eine neue Maschine integriert wird, muss das System in der Lage sein, deren Datenmodell zu erfassen und unterschiedliche Variablennamen auf kanonische Begriffe zu übertragen.

Erst mit dieser Harmonisierung wird KI in der Breite realistisch: Predictive-Maintenance-Modelle skalieren nur dann über Standorte hinweg, wenn ein Zustand wie "Überhitzung" überall gleich definiert und messbar ist. Andernfalls bleibt KI oft bei Insellösungen, ohne verlässlichen geschäftlichen Effekt.

Gleichzeitig zeigt die Praxis: Je größer die Organisation, desto schwieriger wird ein dauerhaft strikt einheitlicher Namensraum. Zukäufe, neue Werke, Lieferanten, zusätzliche Domänen und verschiedene Teams (Produktion, BI, Data Science, IT) bringen jeweils eigene Konventionen mit. Dann wird ein "ein UNS für alles" schnell zum Abstimmungs- nadelöhr.

Zudem wird die Integrations- und Transformationslogik selbst zu kritischer Infrastruktur. Sie benötigt Versionierung, Tests, Monitoring und Betriebsprozesse, wird aber zum Kostentreiber, wenn sie nebenbei und ohne klare Zuständigkeiten wächst.

Edge statt Cloud-Übertragung

Ein typisches Missverständnis der frühen Industrie-4.0-Phase war die Annahme, sämtliche Daten müssten zur Verarbeitung in die Cloud. In vielen Fällen ist das wirtschaftlich und technisch unattraktiv, denn: Terabytes an Rohdaten zu streamen, verursacht Übertragungskosten, belastet Netzwerke und treibt Cloud-Ausgaben in die Höhe.

Der pragmatische Ausweg ist intelligente Vorverarbeitung am Rand des Netzes in Form von Edge Computing. Dabei geht es nicht zwingend um leistungsstarke Server an jeder Maschine, sondern häufig um ‚Thin Edge‘-Ansätze, bei denen schlanke Software-Agenten direkt auf Gateway oder Steuerung sitzen.

Diese Agenten übernehmen die lokale Filterung und Vor-analyse nach den Regeln der zentralen Datenlogik. Ein Beispiel: Hochfrequente Vibrationsdaten sind in der Cloud oft überflüssig, solange alles stabil läuft. Sinnvoller ist es, vor Ort Kennwerte zu berechnen oder Frequenzmuster auszuwerten und nur dann ein Event zu senden, wenn eine Abweichung oder eine Schwellenwertüberschreitung erkannt wird. Dies reduziert Bandbreiten- und Speicherkosten deutlich und steigert zugleich die Robustheit: Systeme müssen lokal puffern und in begrenztem Umfang handlungsfähig bleiben, falls die Verbindung unterbrochen ist. Auch die Datenaufbereitung kann inklusive semantischer Zuordnung, etwa durch das Mapping unterschiedlicher Signale auf definierte Standardbegriffe, bereits an der Edge starten.

Vom Prototyp zur globalen Betriebsfähigkeit

Technisch einen Proof of Concept aufzubauen, ist vergleichsweise einfach. Die eigentliche Schwierigkeit beginnt, wenn Tausende vernetzte Anlagen weltweit sicher, stabil und nachvollziehbar betrieben werden sollen. Dann rücken Themen wie Sicherheitsupdates im laufenden Betrieb auf vielen Gateways, Zertifikats- und Identitätsmanagement, Schutz vor unautorisierten Änderungen am Datenmodell, Nachvollziehbarkeit von Versionen sowie klare Freigabe- und Betriebsprozesse in den Fokus.

Der Autor: Dr. Jürgen Krämer ist Chief Product Officer und Geschäftsführer bei Cumulocity. © Cumulocity

Eine IIoT-Plattform wird damit zum betrieblichen Rückgrat digitaler Produkte und Services, indem sie Datenmanagement und Governance entlang des gesamten Datenstroms verbindet – von semantischer Standardisierung und Datenqualität bis zur Analysefähigkeit für Use Cases wie Asset Performance Management, Prozessoptimierung und darüber hinaus. Gleichzeitig muss sie sicherstellen, dass Daten sauber und konsistent von der OT- in die IT-Welt übergehen.

Von der Datenerfassung zur Wertschöpfung

Die Industrie bewegt sich sichtbar vom reinen Vernetzen hin zum konsequenten Nutzen von Daten. Die technischen Bausteine sind vorhanden: Event-basierte Architekturen und Protokolle wie MQTT ermöglichen effiziente Kommunikation, Edge Computing sorgt für Wirtschaftlichkeit und Resilienz. Entscheidend ist jedoch das Zusammenspiel: Erst wenn Signale nicht nur empfangen, sondern inhaltlich eingeordnet, standardisiert und zuverlässig betrieben werden, entsteht Skalierbarkeit. Maschinen ‚sprechen‘ längst, aber erst mit Semantik, Governance und einer passenden Plattform wird daraus Verständnis. Und erst dieses Verständnis verwandelt Daten in messbaren Nutzen und operative Exzellenz in tragfähige digitale Geschäftsmodelle. 

Redaktion: Inka Krischke