Home LLM4SPS – Evaluierung von Large Language Models für die Generierung von SPS-Code
Article
Licensed
Unlicensed Requires Authentication

LLM4SPS – Evaluierung von Large Language Models für die Generierung von SPS-Code

  • Jérôme Pfeiffer

    Jérôme Pfeiffer, M. Sc. Informatik, ist Wissenschaftlicher Mitarbeiter am Institut für Steuerungstechnik der Werkzeugmaschinen und Fertigungseinrichtungen (ISW) der Universität Stuttgart. Mehr über Jérôme Pfeiffer, einschließlich Kontaktdaten, finden Sie auf seiner Website: https://www.isw.uni-stuttgart.de/en/institute/team/Pfeiffer-00005/

     EMAIL logo     , Robin Kimmel

    Robin Kimmel, M. Sc. Autonome Systeme, ist Wissenschaftlicher Mitarbeiter am Institut für Steuerungstechnik der Werkzeugmaschinen und Fertigungseinrichtungen (ISW) der Universität Stuttgart. Mehr über Robin Kimmel, einschließlich Kontaktdaten, finden Sie auf seiner Website: https://www.isw.uni-stuttgart.de/institut/team/Kimmel/

         , Andreas Wortmann

    Univ.-Prof. Dr. rer. nat. habil. Andreas Wortmann ist Inhaber des Lehrstuhls „Model-Driven Engineering for Manufacturing Automation“ am Institut für Steuerungstechnik der Werkzeugmaschinen und Fertigungseinrichtungen (ISW) der Universität Stuttgart. Mehr über Andreas Wortmann, einschließlich Kontaktdaten, finden Sie auf seiner Website: https://www.isw.uni-stuttgart.de/institut/team/Wortmann-00002/

         and Jingxi Zhang

    Jingxi Zhang, M. Sc. Software Engineering, ist Wissenschaftlicher Mitarbeiter am Institut für Steuerungstechnik der Werkzeugmaschinen und Fertigungseinrichtungen (ISW) der Universität Stuttgart. Mehr über Jingxi Zhang, einschließlich Kontaktdaten, finden Sie auf seiner Website: https://www.isw.unistuttgart.de/institut/team/Zhang-00028/
Published/Copyright: April 30, 2025
Become an author with De Gruyter Brill
Submit Manuscript Author Information
Zeitschrift für wirtschaftlichen Fabrikbetrieb
From the journal Zeitschrift für wirtschaftlichen Fabrikbetrieb Volume 120 Issue 4

Abstract

Automatisierung und Digitalisierung sind für die Erhaltung der Wettbewerbsfähigkeit in der heutigen Produktionsindustrie von hoher Bedeutung. Speicherprogrammierbare Steuerungen (SPS) fungieren als Schnittstelle zwischen der digitalen und der physischen Welt. Die SPS-Programmierung unterscheidet sich allerdings von modernen Programmiersprachen, da sie eng mit Hardware interagiert und hohe Anforderungen an Qualität und Sicherheit setzt. In dieser Studie sollen Large Language Models zur automatisierten Code-Erstellung evaluiert und verglichen werden. Besonders für Structured Text (ST) zeigen Ergebnisse, dass ChatGPT-4 zuverlässig syntaktisch korrekten SPS-Code generiert.

Abstract

Automation and Digitalization are Crucial to Maintaining Competitiveness in Today’s Manufacturing Industry. Programmable logic controllers (PLCs) act as an interface between the digital and physical worlds. However, PLC programming differs from modern programming languages because it interacts closely with hardware and places high demands on quality and safety. This study evaluates and compares large language models for automated code creation. For Structured Text (ST) in particular, results show that ChatGPT-4 reliably generates syntactically correct PLC code.

Schlüsselwörter: Künstliche Intelligenz; Large Language Models; IEC 61131-3; Steuerungscode, Codegenerierung
Keywords: Artificial Intelligence; Large Language Models; IEC 61131-3; PLC-Code; Code Generation

Hinweis

Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory-Board wissenschaftlich begutachteten Fachaufsatz (Peer Review).

Tel.: +49 (0) 711 685 84500

About the authors

Jérôme Pfeiffer

Jérôme Pfeiffer, M. Sc. Informatik, ist Wissenschaftlicher Mitarbeiter am Institut für Steuerungstechnik der Werkzeugmaschinen und Fertigungseinrichtungen (ISW) der Universität Stuttgart. Mehr über Jérôme Pfeiffer, einschließlich Kontaktdaten, finden Sie auf seiner Website: https://www.isw.uni-stuttgart.de/en/institute/team/Pfeiffer-00005/

Robin Kimmel

Robin Kimmel, M. Sc. Autonome Systeme, ist Wissenschaftlicher Mitarbeiter am Institut für Steuerungstechnik der Werkzeugmaschinen und Fertigungseinrichtungen (ISW) der Universität Stuttgart. Mehr über Robin Kimmel, einschließlich Kontaktdaten, finden Sie auf seiner Website: https://www.isw.uni-stuttgart.de/institut/team/Kimmel/

Prof. Dr. rer. nat. habil. Andreas Wortmann

Univ.-Prof. Dr. rer. nat. habil. Andreas Wortmann ist Inhaber des Lehrstuhls „Model-Driven Engineering for Manufacturing Automation“ am Institut für Steuerungstechnik der Werkzeugmaschinen und Fertigungseinrichtungen (ISW) der Universität Stuttgart. Mehr über Andreas Wortmann, einschließlich Kontaktdaten, finden Sie auf seiner Website: https://www.isw.uni-stuttgart.de/institut/team/Wortmann-00002/

Jingxi Zhang

Jingxi Zhang, M. Sc. Software Engineering, ist Wissenschaftlicher Mitarbeiter am Institut für Steuerungstechnik der Werkzeugmaschinen und Fertigungseinrichtungen (ISW) der Universität Stuttgart. Mehr über Jingxi Zhang, einschließlich Kontaktdaten, finden Sie auf seiner Website: https://www.isw.unistuttgart.de/institut/team/Zhang-00028/

Literatur

1 Bolton, W.: Programmable Logic Controllers. An Introduction. Newnes, Oxford 199710.1049/ee.1997.0050Search in Google Scholar

2 Boudribila, A.; Chadi, M.-A.; Tajer, A.; Boulghasoul, Z.: Large Language Models and Adversarial Reinforcement Learning to Automate PLCs Programming: A Preliminary Investigation. In: 9th International Conference on Control, Decision and Information Technologies (CoDIT). Rom 2023, S. 650–655 DOI:10.1109/CoDIT58514.2023.1028418510.1109/CoDIT58514.2023.10284185Search in Google Scholar

3 Buscemi, A.: A Comparative Study of Code Generation using ChatGPT 3.5 across 10 Programming Languages. 2023 DOI:10.48550/arXiv.2308.0447710.48550/arXiv.2308.04477Search in Google Scholar

4 Hadi, M. U.; Tashi, Q. A.; Shah, A. et al: Large Language Models: A Comprehensive Survey of its Applications, Challenges, Limitations, and Future Prospects. 2024 DOI:10.36227/techrxiv.23589741.v610.36227/techrxiv.23589741.v6Search in Google Scholar

5 Julius, R.; Schürenberg, M.; Schumacher, F.; Fay, A.: Transformation of GRAFCET to PLC Code Including Hierarchical Structures. Control Engineering Practice 64 (2017), S. 173–194 DOI:10.1016/j.conengprac.2017.03.01210.1016/j.conengprac.2017.03.012Search in Google Scholar

6 Koziolek, H.; Burger, A.; Platenius-Mohr, M.; Jetley, R.: A Classification Framework for Automated Control Code Generation in Industrial Automation. Journal of Systems and Software 166 (2020) DOI:10.1016/j.jss.2020.11057510.1016/j.jss.2020.110575Search in Google Scholar

7 Koziolek, H.; Gruener, S.; Ashiwal, V.: Chat-GPT for PLC/DCS Control Logic Generation. In: IEEE 28th International Conference on Emerging Technologies and Factory Automation (ETFA). IEEE 2023, S. 1–8 DOI:10.1109/ETFA54631.2023.1027541110.1109/ETFA54631.2023.10275411Search in Google Scholar

8 Koziolek, H.; Grüner, S.; Hark, R. et al.: LLM-based and Retrieval-Augmented Control Code Generation. In: Proceedings of the 1st International Workshop on Large Language Models for Code. ACM, New York, NY, USA 2024, S. 22–29 DOI:10.1145/3643795.364838410.1145/3643795.3648384Search in Google Scholar

9 Nguyen, N.; Nadi, S.: An Empirical Evaluation of GitHub Copilot’s Code Suggestions. In: Proceedings of the 19th International Conference on Mining Software Repositories. ACM, New York, NY, USA 2022, S. 1–5 DOI:10.1145/3524842.352847010.1145/3524842.3528470Search in Google Scholar

10 Oviedo, J.; Rodriguez, M.; Trenta, A. et al.: ISO/IEC Quality Standards for AI Engineering. Computer Science Review 54 (2024) DOI:10.1016/j.cosrev.2024.10068110.1016/j.cosrev.2024.100681Search in Google Scholar

11 Rozière, B.; Gehring, J.; Gloeckle, F. et al.: Code Llama: Open Foundation Models for Code. 2023 DOI:10.48550/arXiv.2308.1295010.48550/arXiv.2308.12950Search in Google Scholar

12 Sacha, K.: Automatic Code Generation for PLC Controllers. In: Hutchison, D.; Kanade, T.; Kittler, J. et al. (Hrsg.): Computer Safety, Reliability, and Security. Lecture Notes in Computer Science. Springer, Berlin, Heidelberg 2005, S. 303–316 DOI:10.1007/11563228_2310.1007/11563228_23Search in Google Scholar

13 Vaithilingam, P.; Zhang, T.; Glassman, E. L.: Expectation vs. Experience: Evaluating the Usability of Code Generation Tools Powered by Large Language Models. In: CHI Conference on Human Factors in Computing Systems. Extended Abstracts. ACM, New York, NY, USA 2022, S. 1–7 DOI:10.1145/3491101.351966510.1145/3491101.3519665Search in Google Scholar

14 Vogel-Heuser, B.; Diedrich, C.; Fay, A. et al.: Challenges for Software Engineering in Automation. Journal of Software Engineering and Applications 7 (2014) 5, S. 440–451 DOI:10.4236/jsea.2014.7504110.4236/jsea.2014.75041Search in Google Scholar

15 Vogel-Heuser, B.; Witsch, D.; Katzke, U.: Automatic Code Generation from a UML Model to IEC 61131-3 and System Configuration Tools. In: International Conference on Control and Automation. IEEE 2005, S. 1034–1039 DOI:10.1109/ICCA.2005.152827410.1109/ICCA.2005.1528274Search in Google Scholar

16 White, M. T.: Mastering PLC Programming. The Software Engineering Survival Guide to Automation Programming. Packt Publishing, Birmingham, Paris 2023Search in Google Scholar

17 ChatGPT: chat.openai.comGoogleBard:bard.google.comLlama:huggingface.com/TheBloke/CodeLlama-7B-Instruct-GGUFPlatypus2:huggingface.com/TheBloke/Platypus2-13B-GGUFStableCode:huggingface.com/TheBloke/stablecode-instruct-alpha-3b-GGMLSearch in Google Scholar

18 Replikationspaket: github.com/iswunistuttgart/generating_plc_code_with_llms/tree/mainSearch in Google Scholar
Published Online: 2025-04-30
Published in Print: 2025-04-20

© 2025 Walter de Gruyter GmbH, Berlin/Boston, Germany

Articles in the same Issue

  1. Inhalt
  2. Editorial
  3. Höchste Qualität und maximale Effizienz Hand in Hand
  4. Produktivität
  5. Das Organisationsrätsel – mit System zum Erfolg
  6. Entwicklungsprozesse
  7. Integriertes Labornetzwerk zur Weiterentwicklung der Fügetechnik
  8. Supply Chain
  9. Konzept einer selbststeuernden Inbound Supply Chain
  10. Prozessoptimierung
  11. Vorgehensweise zur Bestimmung eines optimalen C-Teile-Managements
  12. Das digitale Coil
  13. Prozesssicherheit
  14. Einfluss der Werkstücksteifigkeit auf den Zerspanungsprozess
  15. Additive Fertigung
  16. Verzugsminimierung bei der Zerspanung von AM-Halbzeugen
  17. Resiliente Fabrik
  18. Planung resilienter Fabriken
  19. Unternehmensexzellenz
  20. Wie entsteht „Flow“ in einem Unternehmen?
  21. Wertstrommethode
  22. Vom linearen zum zirkulären Werteverständnis
  23. Künstliche Intelligenz
  24. Hochqualitative industrielle KI für die Impfstoffproduktion
  25. KIKKI – KI-Unterstützung für Verpackungsprozesse
  26. Künstliche Intelligenz in Arbeitsprozessen – der Mensch im Fokus
  27. Potenziale für die Anwendung Künstlicher Intelligenz in der schiffbaulichen Fertigung
  28. Digitalisierung
  29. Hemmnisse und Herausforderungen für KMU im Zuge der digitalen Transformation
  30. Large Language Models
  31. LLM4SPS – Evaluierung von Large Language Models für die Generierung von SPS-Code
  32. Vorschau
  33. Vorschau
https://doi.org/10.1515/zwf-2024-0115
Keywords for this article
Artificial Intelligence; Large Language Models; IEC 61131-3; PLC-Code; Code Generation

Articles in the same Issue

  1. Inhalt
  2. Editorial
  3. Höchste Qualität und maximale Effizienz Hand in Hand
  4. Produktivität
  5. Das Organisationsrätsel – mit System zum Erfolg
  6. Entwicklungsprozesse
  7. Integriertes Labornetzwerk zur Weiterentwicklung der Fügetechnik
  8. Supply Chain
  9. Konzept einer selbststeuernden Inbound Supply Chain
  10. Prozessoptimierung
  11. Vorgehensweise zur Bestimmung eines optimalen C-Teile-Managements
  12. Das digitale Coil
  13. Prozesssicherheit
  14. Einfluss der Werkstücksteifigkeit auf den Zerspanungsprozess
  15. Additive Fertigung
  16. Verzugsminimierung bei der Zerspanung von AM-Halbzeugen
  17. Resiliente Fabrik
  18. Planung resilienter Fabriken
  19. Unternehmensexzellenz
  20. Wie entsteht „Flow“ in einem Unternehmen?
  21. Wertstrommethode
  22. Vom linearen zum zirkulären Werteverständnis
  23. Künstliche Intelligenz
  24. Hochqualitative industrielle KI für die Impfstoffproduktion
  25. KIKKI – KI-Unterstützung für Verpackungsprozesse
  26. Künstliche Intelligenz in Arbeitsprozessen – der Mensch im Fokus
  27. Potenziale für die Anwendung Künstlicher Intelligenz in der schiffbaulichen Fertigung
  28. Digitalisierung
  29. Hemmnisse und Herausforderungen für KMU im Zuge der digitalen Transformation
  30. Large Language Models
  31. LLM4SPS – Evaluierung von Large Language Models für die Generierung von SPS-Code
  32. Vorschau
  33. Vorschau
Sign up now to receive a 20% welcome discount
Institutional Access
How does access work?
Have an idea on how to improve our website?
Please write us.
© 2025 De Gruyter Brill
Downloaded on 17.9.2025 from https://www.degruyterbrill.com/document/doi/10.1515/zwf-2024-0115/html?lang=en
Scroll to top button