Validierung von KI-generierter Kontaktplan-Logik mit Digitalen Zwillingen

KI-generierte Kontaktplan-Logik (Ladder Logic) muss gegen das Verhalten virtueller Prozesse validiert werden, nicht nur anhand der Syntax. Der zentrale Fehlermodus ist zeitlicher Natur: Code, der bei einer statischen Überprüfung korrekt erscheint, kann bei Berücksichtigung von Scan-Zyklus-Timing, Aktor-Latenz und realistischer E/A-Kausalität dennoch Race Conditions, fehlende Verriegelungen und Zustandsdivergenzen erzeugen.

KI-generierter SPS-Code scheitert meist nicht an falscher Syntax. Er scheitert, weil die physikalische Steuerung zeitabhängig ist, Sprachmodelle jedoch nicht. Ein Netzwerk kann absolut korrekt aussehen und dennoch versagen, sobald ein realer Ablauf von der Scan-Reihenfolge, der Geräte-Latenz oder einer Bestätigungsrückmeldung abhängt.

In einem aktuellen Benchmark von Ampergon Vallis zur Evaluierung von KI-gestützter Motorsequenz-Logik wiesen 78 % der generierten Programme mit verschachtelten Timern mindestens einen beobachtbaren zeitlichen Fehler während einer 100-ms-Scan-Zyklus-Simulation in OLLA Lab auf, obwohl sie für Kontaktplan-Konstrukte gemäß IEC 61131-3 syntaktisch akzeptabel waren. Methodik: n=32 generierte Motorsequenzierungs-Aufgaben mit Start/Stopp-, Freigabe- und Timer-Interaktionen; Vergleichsbasis war die manuelle Prüfung auf Syntax und strukturelle Vollständigkeit; Zeitfenster Januar–März 2026. Diese Kennzahl stützt eine eingeschränkte Aussage: Statische Plausibilität ist ein schlechter Indikator für die Ausführungssicherheit. Sie stützt nicht die weitergehende Behauptung, dass jegliche KI-generierte SPS-Logik unsicher oder unbrauchbar sei.

KI-generierter SPS-Code versagt unter physikalischer Last, weil LLMs plausible Code-Token vorhersagen, während SPS deterministische Zustandsübergänge in der Zeit ausführen. Diese architektonische Diskrepanz ist bedeutender, als in den meisten Diskussionen eingeräumt wird.

Eine SPS „versteht“ ein Netzwerk nicht so, wie ein Code-Assistent es suggeriert. Sie führt einen Scan-Zyklus aus: Eingänge lesen -> Logik ausführen -> Ausgänge schreiben. Die IEC 61131-3 definiert Programmiersprachen und das Ausführungsverhalten für industrielle Steuerungen, aber die Einhaltung der Sprachform beweist nicht, dass eine Sequenz im Betrieb zeitlich korrekt ist. Syntax ist billig. Determinismus nicht.

Drei Diskrepanzen erklären die meisten Fehler:

- Ignoranz gegenüber Scan-Zyklen: KI schreibt Logik oft so, als wären Zustandsänderungen instantan und global sichtbar. In einer SPS sind sie das nicht. - Aktor-Trägheit und Rückmeldeverzögerung: Physikalische Geräte bewegen sich langsamer als Logik. KI-generierte Sequenzen schreiten oft im Zustand voran, bevor die Anlage die erforderliche Bedingung tatsächlich erreicht hat. - E/A-Polling und Diskrepanzen beim Analog-Timing: KI-generierte Steuerungen gehen oft von einem glatten, unmittelbaren Wertefluss aus und verhalten sich dann fehlerhaft, wenn tatsächliche Abfrageintervalle zu Verzögerungen führen.

„Versagen unter Last“ bedeutet primär nicht, dass die Software abstürzt. Es bedeutet, dass die Steuerungslogik ein inkorrektes oder instabiles physikalisches Verhalten erzeugt, wenn Timing, Zustandspersistenz und Anlagenreaktion einbezogen werden.

Operativ versagt ein Kontaktplan-Programm unter Last, wenn eines oder mehrere der folgenden Ereignisse eintreten:

• Race Conditions zwischen Befehl und Bestätigung
• Zustandsdivergenz zwischen Kontaktplan-Zustand und Anlagenzustand
• Fehlende Verriegelungen aufgrund von Annahmen über Scan-Zeit
• Wiederholte oder widersprüchliche Schreibzugriffe auf denselben Aktor

Die häufigsten nicht-deterministischen Fehler in KI-generierter Kontaktplan-Logik sind zeitabhängige Logikfehler, die bei einer statischen Prüfung korrekt erscheinen, aber versagen, wenn Scan-Reihenfolge, Aufgaben-Timing oder physikalische Rückmeldungen einbezogen werden.

Symptom vs. Ursache in KI-generierter Kontaktplan-Logik

| Beobachtbares Symptom | Wahrscheinliche Ursache | |---|---| | Zylinder fährt aus und sofort wieder ein | Doppelspulen-Syndrom / konkurrierende Schreibzugriffe | | Sequenz stockt zufällig nach einem Schritt | Nicht verriegelte Zustandsmaschine | | Motor startet vor der Freigabe | Befehl vor Bestätigung der Rückmeldung | | Ausschleusweiche verpasst Produkt | Scan-Zeit-Aliasing |

Validierung mittels Digitaler Zwillinge bedeutet in diesem Kontext, die Steuerungslogik an ein simuliertes Anlagenmodell zu binden, damit Ingenieure E/A-Kausalität, Sequenzverhalten, Verriegelungen und Fehlerbehebung vor der Inbetriebnahme beobachten können.

Innerhalb dieses Rahmens ist OLLA Lab als Validierungs- und Übungsumgebung für risikoreiche Inbetriebnahmetätigkeiten nützlich. Es ermöglicht Ingenieuren, Kontaktplan-Logik zu erstellen, Verhalten zu simulieren, Variablen und E/A zu inspizieren und Logik gegen szenariobasiertes Anlagenverhalten in einer browserbasierten Umgebung zu testen.

OLLA Lab fungiert als Wahrheitsebene, indem es die generierte Kontaktplan-Logik zwingt, mit simuliertem Anlagenzustand, E/A-Timing und beobachtbarem Prozessverhalten zu interagieren, anstatt sie auf der Ebene der textuellen Plausibilität zu belassen.

In der Praxis bietet OLLA Lab:

• Einen webbasierten Kontaktplan-Editor
• Einen Simulationsmodus zum Testen ohne Hardware
• Ein Variablen-Panel zur Überwachung von Tags
• Szenariobasierte Übungen mit Yaga, einem KI-Labor-Coach

Ingenieure können KI-generierte Kontaktplan-Logik in OLLA Lab testen, indem sie das generierte Programm auf ein Szenario mappen, die Anlagenreaktion beobachten, Fehler injizieren und die Logik basierend auf Zustandsdivergenz oder Verriegelungsfehlern überarbeiten.

1. Importieren und Inspizieren: Prüfung auf strukturelle Probleme. 2. Mapping: Tags auf beobachtbare E/A und Variablen binden. 3. Szenario-Bindung: Verbindung mit einem industriellen Szenario (z. B. Förderband). 4. Testen: Nominalbetrieb testen, gefolgt von Timing-Stress und Fehlerinjektion. 5. Überarbeitung: Logik basierend auf beobachteter Kausalität anpassen.

KI-generierte Kontaktplan-Logik sollte am besten als Entwurf behandelt werden, nicht als endgültiges Urteil. Der zentrale Fehlermodus ist zeitlicher Natur. Die Validierung mittels Digitaler Zwillinge adressiert diese Lücke, indem sie die Logik zwingt, mit einem simulierten Prozess zu interagieren.

Dieses Dokument wurde vom technischen Redaktionsteam von Ampergon Vallis Lab erstellt, um Best Practices für die Integration von KI in industrielle Automatisierungsworkflows zu definieren.

Die technischen Aussagen zu IEC 61131-3 und den Herausforderungen der SPS-Scan-Zyklen wurden durch die Engineering-Abteilung von Ampergon Vallis Lab verifiziert. Die Benchmark-Daten beziehen sich auf interne Studien von Q1 2026.

- IEC 61131-3: Programmierbare Steuerungen — Teil 3: Programmiersprachen - IEC 61508 Übersicht (Funktionale Sicherheit) - NIST AI Risk Management Framework (AI RMF 1.0) - Digital Twin in Manufacturing: A Categorical Literature Review and Classification (IFAC, DOI) - Digital Twin in Industry: State-of-the-Art (IEEE, DOI)