KI-gestützter Programmierassistent für die Automatisierungsindustrie

Wie können Entwickler speicherprogrammierbare Steuerungen effizienter programmieren – ohne sensible Daten in die Cloud zu übertragen? Im Auftrag von Mitsubishi Electric hat das Team Machine Learning des Fraunhofer IOSB-INA einen spezialisierten KI-Assistenten entwickelt, der herstellerspezifischen Code generiert und validiert. Das Projekt zeigt exemplarisch, wie der Transferansatz des Leistungszentrums Engineering Automation industrielle Herausforderungen löst.

 

Herausforderung: Proprietäre Systeme treffen auf Datenschutz

Die Programmierung von speicherprogrammierbaren Steuerungen (SPS) ist zeitaufwändig und fehleranfällig. Jeder Hersteller verwendet eigene Dialekte und proprietäre Funktionsbausteine – was bei einer Siemens-Steuerung funktioniert, lässt sich nicht ohne Weiteres auf ein Mitsubishi Electric-System übertragen. Moderne KI-Modelle wie GPT-4 können zwar grundsätzlich Code schreiben, kennen jedoch die spezifischen Syntaxregeln einzelner Hersteller nicht. Diese Informationen sind in umfangreichen Handbüchern dokumentiert und den Trainingsdaten der Modelle nicht zugänglich. Gleichzeitig scheiden cloudbasierte Lösungen für viele Industrieunternehmen aus Datenschutzgründen aus.

 

Lösung: Intelligente Wissensdatenbank mit Compiler-Integration

Im Projekt GeneriST entstand ein KI-Assistent, der speziell auf die Structured-Text-Implementierung von Mitsubishi Electric zugeschnitten ist. Das System nutzt Retrieval-Augmented Generation (RAG): Eine spezialisierte Wissensdatenbank enthält Funktionsbausteine, Syntaxregeln und Codebeispiele, die bei jeder Anfrage gezielt abgerufen und dem Sprachmodell als Kontext bereitgestellt werden.

Ein besonderes Merkmal ist die direkte Integration des GX Works3-Compilers. Generierter Code wird automatisch kompiliert und bei Fehlern iterativ korrigiert. Der Mehrwert: Nutzer erhalten validierten, sofort ausführbaren Code. Das System unterstützt sowohl cloudbasierte Modelle als auch ein lokal lauffähiges Modell, das vollständig offline auf einem Standard-Laptop betrieben werden kann.

 

Ergebnisse: Hohe Trefferquote und Praxistauglichkeit

Die Evaluation mit 100 Testaufgaben zeigt beeindruckende Ergebnisse:

Varianten und ihre  Kompilierungsrate

RAG-unterstütztes System: bis zu 87 %

Ohne Wissensdatenbank: 38 %

Lokales Modell (offline): 86 %

 

„Das lokale Modell ermöglicht den Einsatz in sicherheitskritischen Umgebungen ohne externe Abhängigkeiten – ein entscheidender Faktor für die Akzeptanz in der Industrie“,

erläutert Dr. Joschka Kersting, der das Projekt im Team Machine Learning des Fraunhofer IOSB-INA umgesetzt hat. Die Lösung wird derzeit von Mitsubishi Electric pilotiert; ein Folgeprojekt zur Weiterentwicklung ist angedacht.

 

Übertragbarkeit: Blaupause für die Industrie

Die entwickelte Architektur ist nicht auf Mitsubishi Electric beschränkt. Durch Austausch der Wissensdatenbank und Anpassung der Prompt-Vorlagen lässt sich das System auf andere SPS-Hersteller übertragen. GeneriST bietet damit eine Blaupause für Unternehmen, die KI-gestützte Programmierassistenten für proprietäre Systeme entwickeln möchten.

Das Thema ist auch für Sie interessant? Ansprechpartnerin ist Dr. Gesa Benndorf, Leiterin des Teams Machine Learning am Fraunhofer IOSB-INA.