# Industrielle Daten: vom Sensor zur Entscheidung

> Vor der künstlichen Intelligenz stehen die Daten. Zu verstehen, woher sie kommen, wie sie gespeichert werden und warum sie kontextualisiert werden müssen, ist die Grundlage jedes Daten- oder KI-Projekts in der Anlage.

- Quelle : https://industryhub.site/de/learn/data-ai/donnee-industrielle
- Lernpfad : Daten & KI
- Niveau : Entdeckung
- Lesezeit : 5 min
- Sprache : Deutsch

## Kurz gefasst

Industrielle Daten entstehen im Feld (Sensoren, Steuerungen), sammeln sich als Zeitreihen in einem Historian und werden erst nach der Kontextualisierung nützlich. Ihre Qualität bestimmt jedes Analyse- oder KI-Projekt.

## Der neue Rohstoff der Fabrik

Man spricht von künstlicher Intelligenz, digitalen Zwillingen, vorausschauender Instandhaltung. Doch alle beruhen auf einem: **den Daten**. Eine Fabrik erzeugt sie in gewaltigen Mengen — jeder Sensor sendet mehrmals pro Sekunde einen Wert. Das Problem ist nicht, Daten zu haben, sondern **gute** Daten zu haben, gut geordnet und verständlich. Vor jedem KI-Projekt muss man die industrielle Datenwelt verstehen.

## Im Feld geborene Daten

Industrielle Daten stammen aus dem Prozess: ein Temperaturtransmitter, ein Zähler, ein Ventilzustand, eine Steuerungsstörung. Sie steigen über die Steuerungen auf ([PLC, DCS, SCADA](/de/learn/automation/plc-dcs-scada)), oft über das Standardprotokoll [OPC UA](/de/standards/iec-62541), das den Zugriff auf Geräte vereinheitlicht. Es sind Echtzeit-Rohdaten in der Einheit des Sensors — und nicht immer zuverlässig: Ein Sensor driftet, verstopft, fällt aus.

## Die Zeitreihe und der Historian

Der Großteil industrieller Daten ist eine **Zeitreihe**: eine Folge von Paaren „Zeitstempel + Wert". Sie wird in einer spezialisierten Datenbank archiviert, dem **Historian**, optimiert, um Millionen Punkte zu speichern und schnell wiederzugeben. Er ist das Gedächtnis der Anlage: Er erlaubt, eine Drift erneut zu betrachten, einen Vorfall zu analysieren, zwei Produktionskampagnen zu vergleichen. Die Volumina sind enorm: Ein einzelner Sensor mit 1 Hz erzeugt **86.400 Punkte pro Tag**; eine Anlage mit 10.000 Messstellen produziert **~1 Milliarde pro Tag**. Daher die Kompression (oft 10–20×) und die adaptive Abtastung der Historians.

## Kontextualisieren: der Messung Sinn geben

Ein Wert allein — „73,4" — bedeutet nichts. Man muss wissen, **worauf** er sich bezieht (welches Gerät), **in welcher Einheit**, **in welchem Kontext** (welches Produkt, welche Charge, welcher Betriebsmodus). Das ist die **Kontextualisierung**: die Rohdaten mit dem Modell der Anlage zu verknüpfen. Ohne sie ist keine Analyse möglich. Sie ist oft der längste und am meisten unterschätzte Schritt eines Datenprojekts, und es ist die Aufgabe eines [MES](/de/glossary#term-mes), diesen Produktionskontext zu liefern.

## OT und IT: zwei Datenwelten

Felddaten (OT) und Geschäftsdaten (IT) haben weder denselben Takt noch dieselben Prioritäten. OT bevorzugt Echtzeit und Verfügbarkeit; IT bevorzugt Konsistenz und Analyse. Beide ins Gespräch zu bringen — ohne eine Sicherheitslücke zu öffnen, siehe das [Purdue-Modell](/de/learn/cybersecurity/modele-purdue) — ist eine der großen Herausforderungen der vernetzten Fabrik und des [IIoT](/de/glossary#term-iiot).

## Von den Daten zur Entscheidung

Das letztliche Ziel ist nicht, Punkte anzuhäufen, sondern **eine Entscheidung zu fundieren**: eine Leistungs[kennzahl](/de/glossary#term-kpi), ein Drift-Alarm, eine Optimierung. Die Kette ist immer dieselbe: messen, transportieren, archivieren, kontextualisieren, analysieren, entscheiden. Die künstliche Intelligenz kommt erst am Ende — und ist nie besser als die Qualität der Daten, die sie speist.