Zurück zum Blog

Emerson und Databricks verknüpfen OT-Datenplattform mit Unternehmens-KI

Emerson und Databricks verknüpfen OT-Daten von AspenTech Inmation mit Unternehmensanalysen und KI. Die Chance liegt in einem besseren Kontext; die technische Herausforderung besteht darin, Sicherhe...

Emerson und Databricks haben eine Zusammenarbeit angekündigt, die darauf abzielt, industrielle Betriebsdaten mit Unternehmensanalysen und KI zu verknüpfen. Die Mitteilung vom 19. November 2026 stellt AspenTech Inmation in den Mittelpunkt, das als Datengewebe für Betriebstechnologie beschrieben wird, sowie den nativen Zugriff auf diese Daten über die Databricks Data Intelligence Platform.

Was die Zusammenarbeit umfasst

Emerson zufolge kann Inmation Echtzeit- und historische OT-Informationen aus Feld-, Edge- und Cloud-Umgebungen erfassen, kontextualisieren und verwalten. Die neue Zusammenarbeit soll diese kontextualisierten Informationen neben Geschäfts- und Unternehmensdaten in Databricks zugänglich machen. Emerson erklärt außerdem, dass Nutzer im Databricks-Umfeld auf die industriellen KI-Funktionen von AspenTech AVA und die Inmation-Daten zugreifen können.

Das architektonische Ziel ist klar: Für jeden Anwendungsfall in den Bereichen Wartung, Leistung oder KI ein separates Projekt zur Datenextraktion und Kontextualisierung zu vermeiden. Eine gemeinsame operative Datenschicht könnte es einem Analyseteam ermöglichen, Anlagenstatus, Prozesshistorie, Produktionsaufträge, Qualitätsaufzeichnungen und Wartungsereignisse zu kombinieren, ohne Tag-Zuordnungen und Anlagenkontext wiederholt neu erstellen zu müssen.

Wo Anlagen praktischen Nutzen sehen könnten

Vorausschauende Wartung ist das naheliegende Beispiel, doch die wertvolleren Anwendungsfälle sind meist spezifischer. Ein Team könnte Pumpenvibrationen oder das Verhalten von Ventilen mit Betriebsmodi und Produktqualitäten vergleichen, untersuchen, ob Alarmmuster einem Durchsatzverlust vorausgehen, oder den Energieverbrauch mit Produktionsplänen verknüpfen. Der Nutzen hängt davon ab, Zeitstempel, technische Einheiten, Qualitätscodes und Anlagenbeziehungen zu erhalten - nicht einfach große Mengen an Tags in ein Lakehouse zu kopieren.

Bestehende Steuerungshardware liefert weiterhin einen Großteil dieses betrieblichen Kontexts. Eine Prozessanlage kann Steuerungen wie den Emerson DeltaV MQ-Controller, Schnittstellenmodule wie das DeltaV Virtual I/O Module und herkömmliche Karten wie das Analogeingangsmodul KJ3002X1-BC1 umfassen. Dies sind Beispiele für die installierte Ebene, aus der Prozessinformationen stammen können; in der Ankündigung wird nicht behauptet, dass diese konkreten Produkte über eine direkte native Verbindung zu Databricks verfügen.

Die Regelungsgrenze muss klar definiert bleiben.

Die Veröffentlichung behandelt Zugriff, Analysen, KI-Workflows und Agenten, definiert aber keine Befugnis zur Regelung im geschlossenen Regelkreis. Dieser Unterschied ist wichtig. Eine von Unternehmens-KI generierte Empfehlung ist nicht gleichbedeutend mit einer validierten Regelungsaktion, und ein Lakehouse ist kein Ersatz für deterministische Regelung, Verriegelungen oder ein unabhängiges sicherheitstechnisches System.

Sicherheitsfunktionen erfordern eine besonders klare Abgrenzung. Ein Logiksolver wie das Emerson VS3202 DeltaV SIS-Modul ist Teil eines geregelten Sicherheitslebenszyklus mit festgelegter Änderungskontrolle, Diagnose und Anforderungen an Abnahmeprüfungen. Daten aus einem SIS können Analysen unterstützen, doch Schreibpfade, Zugangsdaten und KI-generierte Empfehlungen dürfen die Sicherheitsauslegung nicht umgehen. Die Ankündigung begründet keine solche Autorisierung.

Offene Fragen der Ankündigung

  • Topologie der Konnektoren: Emerson gibt nicht an, welche Collector, Protokolle oder Bereitstellungsmuster den nativen Zugriff ermöglichen oder ob eine bestehende Inmation-Bereitstellung zusätzliche Gateways erfordert.
  • Latenz und Vollständigkeit: Es werden keine Angaben zur Latenz zwischen Ereignis und Abfrage, zur Pufferung bei einem Ausfall, zur Zeitstempelauflösung oder zur Bewahrung der Qualitätskennzeichen aus der Quelle gemacht.
  • Sicherheit: Anlagen benötigen weiterhin einen dokumentierten Weg durch OT-Netzwerkzonen, Identitätskontrollen, Zertifikatsverwaltung, Audit-Protokollierung und, sofern erforderlich, die Durchsetzung einer unidirektionalen oder schreibgeschützten Verbindung.
  • Datenresidenz: Regulierte und geografisch verteilte Standorte müssen festlegen, wo Rohdaten, kontextualisierte Daten und abgeleitete Daten gespeichert und verarbeitet werden.
  • Lebenszyklus und Kosten: Die Veröffentlichung enthält keine Angaben zu Lizenzierung, unterstützten Versionen, Upgrade-Abhängigkeiten oder zur betrieblichen Zuständigkeit für Modelle und Agenten.
  • Getrennte Betriebsumgebungen: Es ist noch unklar, welche Funktionen für vollständig vom Netz getrennte Standorte oder bei einem Ausfall der Cloud-Verbindung verfügbar sind.

Ein sinnvoller Einführungsweg

Anlagen sollten mit einem messbaren, schreibgeschützten Anwendungsfall beginnen, statt unternehmensweit Daten zu verlagern. Zunächst sind die Anlagenhierarchie, Quell-Tags, Qualitätsregeln und das erwartete Geschäftsergebnis festzulegen. Anschließend sollten Datenlatenz und Lücken im Normalbetrieb, bei Wartungsstillständen und bei Netzwerkunterbrechungen gemessen werden. Erst wenn die Datenpipeline zuverlässig funktioniert, sollte das Team ein KI-Modell trainieren oder einsetzen.

Modellergebnisse sollten zunächst beratenden Charakter haben und mit den Erkenntnissen von Bedien- und Wartungspersonal verglichen werden. Jeder spätere Schritt hin zu automatisierten Aktionen erfordert eine separate Gefährdungsbeurteilung, ein Berechtigungsmodell, einen Rollback-Plan und ein Änderungsmanagementverfahren. Einkaufsteams sollten außerdem ein Verzeichnis der Softwareversionen, Connector-Abhängigkeiten, Annahmen zum Datenexport und Wiederherstellungsverfahren verlangen, damit die Architektur auch nach einer Pilotphase unterstützt werden kann.

Was das für die Industriestrategie im Umgang mit Daten bedeutet

Die Zusammenarbeit ist wichtig, weil sie anerkennt, dass Unternehmens-KI nur so nützlich ist wie ihr Zugriff auf korrekt kontextualisierte Anlagendaten. Inmation kann den wiederholten Integrationsaufwand potenziell verringern, während Databricks eine umfassendere Umgebung für Data Engineering und KI bereitstellt. Der technische Nutzen hängt von der Qualität des OT-Kontexts und der konsequenten Einhaltung der Steuerungsgrenzen ab – nicht von der Anzahl der Tags, die einer KI-Plattform zugänglich gemacht werden.

Für Betriebsleiter besteht die kurzfristige Chance in besseren domänenübergreifenden Analysen mit weniger individueller Integrationsarbeit. Das kurzfristige Risiko besteht darin, dass ein bequemer Datenpfad zu einem undokumentierten Steuerungspfad wird. Eine erfolgreiche Implementierung sollte mehr Betriebsinformationen verfügbar machen, ohne die Anforderungen an Determinismus, Cybersicherheit und Sicherheit der Systeme zu schwächen, die die Anlage steuern.

Quelle: Emerson, „Emerson und Databricks bringen industrielle und Unternehmens-KI zusammen“, veröffentlicht am 19. November 2026. Offizielle Ankündigung. Redaktionelle Analyse von PLC ProTech, 20. November 2026.

Einen Kommentar hinterlassen

Bitte beachten Sie, dass Kommentare genehmigt werden müssen, bevor sie veröffentlicht werden.