Vom Messwert zum Prüfbericht: Wie KI die Entwicklung individueller Messsoftware verändert

In Forschung, Entwicklung und industrieller Qualitätssicherung entstehen täglich grosse Mengen an Messdaten. Sensoren erfassen Temperaturen, Drücke, Drehzahlen, elektrische Grössen oder mechanische Belastungen. Prüfstände liefern Messreihen, Kennlinien und Zeitverläufe.

Doch zwischen der Erfassung dieser Daten und einem fertigen Prüfbericht liegen häufig zahlreiche manuelle Arbeitsschritte.

Messdaten werden exportiert, in Excel eingelesen, bereinigt, ausgewertet und grafisch aufbereitet. Anschliessend werden Tabellen und Diagramme in Word übertragen und die Ergebnisse beschrieben.

Das funktioniert. Aber es kostet Zeit, erschwert die Wiederholbarkeit und schafft zusätzliche Fehlerquellen.

Was wäre, wenn wir nicht nur die Messdaten automatisiert auswerten, sondern mit KI-Agenten auch die dafür benötigte Software wesentlich effizienter entwickeln könnten?

Genau hier entsteht eine interessante Verbindung zwischen Messtechnik, individueller Softwareentwicklung und künstlicher Intelligenz.

1. Das eigentliche Problem beginnt bei der Datenerfassung

Messdaten liegen selten in einer einheitlichen Struktur vor.

Ein Prüfstand exportiert CSV-Dateien, ein anderes Messgerät verwendet Excel oder ein proprietäres Format. Manche Geräte besitzen eine Programmierschnittstelle, andere liefern ihre Ergebnisse über serielle Verbindungen, Netzwerkprotokolle oder spezielle Herstellersoftware.

Dazu kommen unterschiedliche Einheiten, Zeitstempel, Abtastraten und Messbedingungen.

Eine sinnvolle Softwarearchitektur muss deshalb bereits bei der Datenerfassung ansetzen.

Sie sollte beispielsweise:

• Messdaten aus unterschiedlichen Quellen übernehmen
• Einheiten und Datenformate vereinheitlichen
• Messungen eindeutig einem Prüfling und Prüfauftrag zuordnen
• Zeitstempel und Messbedingungen dokumentieren
• Fehlende oder unplausible Werte erkennen
• Rohdaten unverändert und nachvollziehbar archivieren

Erst wenn diese Grundlage stimmt, lassen sich Messungen zuverlässig miteinander vergleichen.

Eine KI kann fehlerhafte Eingangsdaten nicht automatisch in verlässliche Messergebnisse verwandeln.

Deshalb bleiben Datenqualität, Validierung und Rückverfolgbarkeit zentrale Aufgaben der Software.

2. Von der Messreihe zur reproduzierbaren Auswertung

Nehmen wir als Beispiel einen Prüfstand für einen Elektromotor oder ein Gebläse.

Während eines Versuchs werden unter anderem Drehzahl, Stromaufnahme, Temperatur und gegebenenfalls Druck oder Volumenstrom erfasst.

Aus diesen Rohdaten sollen Kennlinien, statistische Kennzahlen und Aussagen über das Verhalten des Prüflings entstehen.

Eine individuell entwickelte Anwendung könnte diesen Prozess weitgehend automatisieren.

Nach dem Import der Messdaten werden zunächst die erforderlichen Prüfungen durchgeführt. Anschliessend berechnet die Software die festgelegten Kennzahlen, erstellt Diagramme und vergleicht die Ergebnisse mit definierten Referenzwerten.

Dafür braucht es zunächst keine generative KI.

Python bietet mit NumPy, SciPy und Pandas leistungsfähige Werkzeuge für numerische Berechnungen, Signalverarbeitung und Datenanalyse.

Der entscheidende Vorteil ist die Reproduzierbarkeit: Dieselben Eingangsdaten, dieselben Berechnungsvorschriften und dieselbe Softwareversion müssen zu denselben Ergebnissen führen.

Das ist besonders wichtig, wenn Prüfberichte später verglichen, überprüft oder für technische Entscheidungen verwendet werden.

3. Wo KI tatsächlich einen Mehrwert bietet

Interessant wird KI dort, wo klassische Algorithmen allein nicht mehr ausreichen oder die manuelle Bearbeitung besonders aufwendig ist.

Beispielsweise bei der Interpretation komplexer Messreihen.

Eine Software erkennt, dass die Temperatur eines Motors während einer Belastungsprüfung ungewöhnlich stark ansteigt. Die Berechnung dieser Abweichung erfolgt anhand definierter Regeln.

Ein KI-Modell könnte anschliessend helfen, das Ergebnis verständlich zu beschreiben, ähnliche Messungen zu vergleichen oder mögliche Ursachen zur fachlichen Prüfung vorzuschlagen.

Weitere Einsatzmöglichkeiten sind:

Automatische Zusammenfassungen: Aus Tabellen und Kennlinien entstehen verständliche Beschreibungen der Versuchsergebnisse.

Vergleich von Messreihen: Unterschiede zwischen mehreren Entwicklungsständen werden systematisch herausgearbeitet.

Erkennung von Auffälligkeiten: Statistische Verfahren oder geeignete Machine-Learning-Modelle identifizieren ungewöhnliche Muster.

Unterstützung bei Prüfberichten: Ein KI-Modell formuliert auf Grundlage bereits validierter Ergebnisse einen Berichtsentwurf.

Abfragen in natürlicher Sprache: Entwicklungsingenieure könnten beispielsweise fragen: «Welche Messungen zeigten bei hoher Drehzahl eine auffällige Temperaturentwicklung?»

Wichtig ist die klare Trennung zwischen Berechnung, Interpretation und Entscheidung.

Eine KI darf eine technische Bewertung unterstützen. Sie sollte aber keine Messwerte erfinden, Grenzwerte eigenmächtig verändern oder ungeprüft verbindliche Freigaben erteilen.

4. Der zweite KI-Einsatz: Die Software selbst entwickeln

Bisher ging es darum, KI innerhalb einer Messsoftware einzusetzen.

Mindestens ebenso interessant ist jedoch die Frage, wie diese Software überhaupt entsteht.

Individuelle Messsoftware war lange mit erheblichem Entwicklungsaufwand verbunden.

Geräteschnittstellen, Datenbanken, Benutzeroberflächen, Auswertungsalgorithmen, Berichte und Benutzerverwaltung mussten entwickelt und miteinander verbunden werden.

Heute können KI-Coding-Agenten viele dieser Arbeiten unterstützen.

Ein Agent kann beispielsweise:

• Vorhandene Datenformate und Schnittstellen analysieren
• Importmodule für Messdaten implementieren
• Datenbankmodelle und APIs entwickeln
• Benutzeroberflächen für Prüfaufträge erstellen
• Diagramme und Berichtsvorlagen integrieren
• Automatisierte Tests generieren und ausführen
• Bestehende Anwendungen erweitern und modernisieren

Damit verändert sich die Wirtschaftlichkeit individueller Softwareentwicklung.

Gerade kleinere Entwicklungsabteilungen, die bisher mit Excel, Skripten und manuellen Prüfprotokollen arbeiten, können von massgeschneiderten Lösungen profitieren.

Das bedeutet allerdings nicht, dass KI-Agenten ohne Vorgaben zuverlässige Messsoftware erzeugen.

Die fachlichen Anforderungen, Berechnungsvorschriften, Schnittstellen und Qualitätskriterien müssen eindeutig definiert werden.

Je kritischer die Messung, desto wichtiger sind unabhängige Tests und eine nachvollziehbare Softwarearchitektur.

5. Wie eine solche Anwendung aufgebaut sein könnte

Eine mögliche Architektur besteht aus fünf Bereichen.

Datenerfassung: Schnittstellen zu Messgeräten, Prüfständen, Dateien oder bestehenden Datenbanken.

Datenhaltung: Zentrale Speicherung von Rohdaten, Prüfaufträgen, Prüflingen, Gerätekonfigurationen und Messbedingungen.

Auswertung: Deterministische Berechnungen, statistische Verfahren, Kennlinien und regelbasierte Prüfentscheidungen.

KI-Unterstützung: Interpretation bereits berechneter Ergebnisse, Vergleich von Messreihen und Formulierung von Berichtsentwürfen.

Berichtswesen: Automatische Erstellung standardisierter PDF- oder Word-Dokumente mit anschliessender fachlicher Freigabe.

Technisch könnte eine solche Anwendung beispielsweise auf Python, FastAPI und PostgreSQL basieren.

Entscheidend ist jedoch nicht die konkrete Programmiersprache, sondern die Trennung der Verantwortlichkeiten.

Die Messdaten müssen zuverlässig verarbeitet werden. Berechnungen müssen überprüfbar bleiben. KI-generierte Aussagen müssen sich auf nachvollziehbare Ergebnisse zurückführen lassen.

6. Standardisierte Prüfberichte benötigen klare Regeln

Ein Prüfbericht ist mehr als ein Dokument mit Tabellen und Diagrammen.

Er muss erkennen lassen, was geprüft wurde, unter welchen Bedingungen die Messung stattfand, welche Verfahren verwendet wurden und wie die Ergebnisse zustande kamen.

Für bestimmte Prüf- und Kalibrierlaboratorien definiert die ISO/IEC 17025 entsprechende Anforderungen.

Dazu gehören unter anderem die eindeutige Identifikation von Prüfgegenständen, die verwendeten Methoden, die Darstellung der Ergebnisse und die geregelte Freigabe.

Auch ausserhalb akkreditierter Laboratorien sind diese Prinzipien sinnvoll.

Eine moderne Messsoftware sollte deshalb Rohdaten, Auswertungsvorschriften, Softwareversionen und Prüfberichte miteinander verknüpfen.

Wird eine Berechnungsvorschrift verändert, muss später nachvollziehbar sein, welche Version bei welchem Prüfbericht verwendet wurde.

KI-generierte Texte sollten als solche überprüfbar sein und erst nach fachlicher Kontrolle in einen freigegebenen Bericht übernommen werden.

7. Nicht alles muss auf einmal entwickelt werden

Ein häufiger Fehler bei Digitalisierungsprojekten ist der Versuch, sofort sämtliche Messgeräte, Prüfverfahren und Berichtsformate in einer einzigen Anwendung abzubilden.

Sinnvoller ist ein schrittweises Vorgehen.

Am Anfang steht ein konkreter Prüfprozess.

Beispielsweise eine wiederkehrende Messreihe, deren Ergebnisse bisher manuell aus Excel in einen Prüfbericht übertragen werden.

Im ersten Schritt könnte die Software lediglich die vorhandenen Dateien importieren und einen standardisierten Bericht erzeugen.

Anschliessend werden automatische Berechnungen, Plausibilitätsprüfungen und grafische Auswertungen ergänzt.

Erst danach stellt sich die Frage, an welchen Stellen KI einen zusätzlichen Nutzen bringt.

Dieses Vorgehen reduziert das Projektrisiko und ermöglicht es, die Ergebnisse frühzeitig mit dem bisherigen Verfahren zu vergleichen.

Gleichzeitig können KI-Agenten die Entwicklung einzelner Komponenten unterstützen und damit den Aufwand für einen ersten funktionsfähigen Prototyp verringern.

8. Fazit: KI verändert nicht nur die Analyse, sondern auch die Entwicklung der Werkzeuge

Die Digitalisierung technischer Prüfprozesse ist kein neues Thema.

Neu ist jedoch, dass sich individuelle Softwarelösungen mithilfe von KI-Agenten unter Umständen deutlich schneller und wirtschaftlicher entwickeln lassen als bisher.

Damit werden Anwendungen interessant, für die sich eine klassische Individualentwicklung bislang möglicherweise nicht gerechnet hätte.

Die eigentliche Chance liegt nicht darin, sämtliche Prüfentscheidungen einer KI zu überlassen.

Sie liegt darin, Messdatenerfassung, reproduzierbare Berechnungen, intelligente Auswertung und standardisierte Dokumentation in einer durchgängigen Anwendung zu verbinden.

KI übernimmt dabei zwei unterschiedliche Rollen.

Sie unterstützt die Entwicklung der Software und kann später innerhalb dieser Software bei der Analyse und Dokumentation helfen.

Die Verantwortung für Messverfahren, technische Regeln und die Freigabe der Ergebnisse bleibt beim Menschen.

Gerade diese Kombination aus klassischer Softwaretechnik, klaren Regeln und gezielt eingesetzter KI eröffnet neue Möglichkeiten für Forschung, Entwicklung und industrielle Qualitätssicherung.

Weiterführende Quellen

• NIST: Metrological Traceability – Grundlagen zur Rückverfolgbarkeit und Messunsicherheit.
• ISO/IEC 17025:2017 – Anforderungen an die Kompetenz von Prüf- und Kalibrierlaboratorien.
• SciPy: Signal Processing – Wissenschaftliche Signalverarbeitung mit Python.
• Pandas: Dokumentation – Werkzeuge für die Verarbeitung und Analyse strukturierter Messdaten.