Bislang erfolgte die Wartung von Rotorblättern nach festen Zeitintervallen, was zu unnötigen Eingriffen oder zu spät erkannten Schäden und damit zu Ertragsrisiken führte. Das KI-System analysiert Inspektionsdaten, technische Turbineneigenschaften und Wetterdaten, um den tatsächlichen Wartungsbedarf vorherzusagen und die Instandhaltung wirtschaftlich zu optimieren.
KI-Übersetzung für technische Wasserstoff-Inhalte bei HIC Hydrogen
Das Hydrogen Innovation Center Chemnitz (HIC Hydrogen gGmbH) musste technisches Wissen zu industriellen Wasserstofflösungen europaweit in mehreren Sprachen verbreiten und benötigte dafür Sicherheit, dass KI-Übersetzung komplexe Fachterminologie fehlerfrei beherrscht. Das Mittelstand-Digital Zentrum Chemnitz führte eine Validierungsstudie durch, in der verschiedene KI-Übersetzungsanbieter anhand messbarer Qualitätskriterien für Fachtexte verglichen wurden, u. a. für Ungarisch und Portugiesisch, mit Prüfung durch Muttersprachler. Die gewählte KI-Übersetzungslösung eines deutschen Anbieters erlaubt zudem die Einbindung firmeneigener Terminologie über Glossare, wodurch wiederkehrende Übersetzungsfehler vermieden werden.
KI-gestützte Zustandsüberwachung von Windkraftanlagen
Das im Umfeld des de:hub Karlsruhe (Applied AI) entstandene System nutzt PyTorch, TensorFlow, Keras und Scikit-learn, um kontinuierlich Sensordaten von Windkraftanlagen auszuwerten und Anomalien in Echtzeit zu erkennen. Ziel ist es, Blattschäden zu identifizieren, bevor sie zu Betriebsausfällen führen. Die Entwicklung begann 2020 und erreichte nach rund zwei Jahren die Pilotphase; aktuell laufen neun aktive Pilotimplementierungen bei Windenergiebetreibern. Durch die frühzeitige Erkennung sollen Reparaturkosten gesenkt und proaktive statt reaktive Wartungsplanung ermöglicht werden.
KI-gestützte Energiedatenanalyse bei Stamer Musikanlagen
Bei Stamer Musikanlagen GmbH (50–249 Mitarbeitende, St. Wendel), einem Handwerksbetrieb für Musikanlagen und Schreinerarbeiten, basierten Entscheidungen über den Austausch von Anlagen bislang auf Alter und Wartungsstatus statt auf Daten, während volatile Energiepreise die Kosten unkalkulierbar machten. Von Mai bis Oktober 2024 wurde gemeinsam mit dem Mittelstand-Digital Zentrum Saarbrücken eine strukturierte Energieanalyse mit hochauflösenden Messungen an mehreren Anlagenpunkten durchgeführt und mittels KI-gestützter Tools (u. a. IgnAIte, OpenAI) zu Lastprofilen und Prognosen ausgewertet. Die Analyse identifizierte die größten Energieverbraucher und lieferte konkrete Handlungsempfehlungen wie LED-Umrüstung, Heizungsoptimierung und Photovoltaik-Installation als Grundlage für messbare Effizienzgewinne.
RAG-Chatbot zur Wissenssicherung bei GBS Kühlanlagen
Mit dem Mittelstand-Digital Zentrum Augsburg wurde ein dreistufiger Fahrplan entwickelt: Datenschnittstellen zur Systemintegration, eine zentrale Datenbank sowie ein Retrieval-Augmented-Generation-Chatbot (RAG) auf Basis von Sprachmodellen, der Technikern KI-generierte Antworten aus Handbüchern und historischen Lösungen liefern soll. Die technische Umsetzung hat noch nicht begonnen; das Unternehmen befindet sich im Austausch mit einem möglichen Lösungsanbieter, um die ersten Schritte der Roadmap umzusetzen. Erwartet werden schnellere Problemlösungen, gesichertes Erfahrungswissen und perspektivisch auch ein KI-Chatbot für die Kundenannahme.
ESCADE: Energieeffiziente KI-Entscheidungsunterstützung für die Stahlindustrie bei Saarstahl
Das Kompetenzzentrum DFKI4Planet arbeitet im Projekt ESCADE (Laufzeit Mai 2023 bis Juli 2026) mit der Stahl-Holding-Saar GmbH & Co. KGaA (SHS/Saarstahl) zusammen, um branchenspezifische Energieeinsparpotenziale in der Stahlindustrie zu identifizieren. Kernstück ist der Prototyp „EAVE“ (Energy Analytics for Cost-effective and Sustainable Operations), ein Entscheidungsunterstützungssystem für energieeffiziente KI-Betriebsabläufe, ergänzt um Forschung zu neuromorphen Chip-Technologien und Verfahren wie „Safety-Constrained Contextual Bandit for Dynamic Power Management“ zur dynamischen Energiesteuerung.
KI-gestützter Unterwasser-Schweißroboter für Hafen- und Offshore-Anlagen (MARIOW)
Der modulare Manipulator ist für Einsatztiefen bis 6.000 Meter und eine Reichweite von zwei Metern ausgelegt. Statt der bislang manuell geführten Stabelektrode kommt ein Unterwasser-Fülldrahtschweißverfahren (UW-FCAW) zum Einsatz, das laut Konsortium stabilere, kontrolliertere und reproduzierbarere Schweißnähte ermöglicht. Gefördert wurde das Projekt vom Bundesministerium für Wirtschaft und Energie. Als nächste Schritte sind laut DFKI eine weitere Verbesserung der Nahtqualität, Tests im echten Hafenbecken unter Realbedingungen wie Salzwasser, Strömung und Wellengang sowie die Integration eines Laser-Schlackenentfernungssystems geplant. Der Ansatz zeigt, wie KI-gestützte Robotik gefährliche, personalintensive Wartungsarbeiten in der maritimen Infrastruktur perspektivisch automatisieren kann.
KI-gestützte Datenauswertung für Bundeswasserstraßen (DFKI/BfG-TransferLab)
Das im Januar 2026 gestartete TransferLab folgt einem Modell, bei dem Fachpersonal der Partnerorganisation direkt in die Forschungsteams des DFKI eingebunden wird und in einem geschützten Datenraum zusammenarbeitet, damit praxistaugliche Lösungen parallel zur wissenschaftlichen Weiterentwicklung entstehen. Ziel ist unter anderem eine frühere Erkennung von Extremwetterereignissen durch eine verbesserte Datengrundlage. Laut DFKI-Vorstand Prof. Dengel soll die Zusammenarbeit die Entscheidungsgrundlagen der Wasserwirtschaft verbessern und die ökologische Resilienz von Flüssen und Küsten stärken. Das Modell eines TransferLabs mit direkt eingebundenem Partnerpersonal ist auf andere Behörden und Infrastrukturbetreiber mit komplexen, langjährigen Messdatenreihen übertragbar.
KI-gestützte Satelliten-Analyse zur Lecksuche im Wassernetz
Thames Water hat einen 13-monatigen Vertrag mit dem KI-Anbieter Origin Tech unterzeichnet, um dessen Satelliten-KI-Technologie ‚Origin Orbit‘ zur Ortung unterirdischer Wasserlecks flächendeckend einzusetzen. Laut offizieller Pressemitteilung sind 92% aller Lecks im Netz nicht sichtbar an der Oberfläche, was klassische Inspektionen erschwert. Die KI wertet Satellitendaten aus, um verdächtige Bereiche mit einer Genauigkeit von 30 Metern einzugrenzen, sodass ein 20-köpfiges Spezialistenteam anschließend gezielt vor Ort sucht. In einem vorgeschalteten 18-wöchigen Pilotprojekt wurden über 800 Lecks gefunden, was rechnerisch rund 8,7 Millionen Liter Wasser pro Tag einsparte, etwa das Volumen von drei olympischen Schwimmbecken. Der volle Rollout im Rahmen des neuen Vertrags soll auf über 100 Millionen Liter Einsparung pro Tag zielen. Laut Thames Water nutzen bereits zwölf britische Wasserversorger Origin Techs Technologie und verhindern zusammen über drei Milliarden Liter Wasserverlust pro Jahr. Voraussetzung für den Einsatz ist der Zugang zu regelmäßigen Satellitenaufnahmen des Versorgungsgebiets sowie ein spezialisiertes Team, das die KI-Hinweise vor Ort verifiziert. Der Ansatz ist auf andere Wasserversorger mit großflächigen, alternden Leitungsnetzen übertragbar.
KI-gestützte Predictive Maintenance für Öl- und Gas-Anlagen
Shell setzt gemeinsam mit dem Anbieter C3 AI eine Predictive-Maintenance-Lösung ein, die kontinuierlich Sensordaten aus Upstream-, Fertigungs- und integrierten Gas-Anlagen auswertet. Laut offizieller Mitteilung von C3 AI verarbeitet das System wöchentlich rund 20 Milliarden Datenzeilen aus mehr als 3 Millionen Sensoren, betreibt knapp 11.000 Machine-Learning-Modelle im produktiven Einsatz und liefert über 15 Millionen Vorhersagen pro Tag für mehr als 10.000 überwachte Ausrüstungsteile (Ventile, Pumpen, Kompressoren u.a.). Ziel ist es, Anlagenverschleiß frühzeitig zu erkennen und kostspielige ungeplante Stillstände sowie Sicherheits- und Umweltrisiken zu vermeiden. Voraussetzung war der Aufbau einer unternehmensweiten Dateninfrastruktur und die Skalierung von Pilotprojekten auf globale Anlagenportfolios. Der Fall zeigt, wie Predictive-Maintenance-Ansätze aus der Fertigungsindustrie auf große, verteilte Energieinfrastruktur skaliert werden können.