AspenTech AspenONE (Aspen HYSYS / Aspen Plus)

Kurzfazit

AspenTech AspenONE ist der unangefochtene Branchenstandard für Prozesssimulation in der Großchemie und Petrochemie. Das Process Digital Twin-Modul hebt die stationäre Simulation auf die nächste Ebene: Statt Offline-Modellen, die schnell veralten, kann ein gekoppelter Aspen HYSYS- oder Aspen Plus-Zwilling in Echtzeit mit DCS/SCADA-Daten kalibriert werden und als „virtueller Sensor” oder Betriebspunkt-Optimierer fungieren. Der eigentliche KI-Hebel sind die seit 2020 ausgebauten Aspen Hybrid Models, die physikalische First-Principles-Modelle mit ML-Schichten koppeln, sowie Aspen Mtell für vorausschauende Wartung. Die Eintrittsbarriere ist hoch, nicht nur preislich (50.000–400.000 €/Jahr), sondern auch in der Prozess-Engineering-Kompetenz, die nötig ist, um valide Modelle zu bauen und zu pflegen.

Für wen ist AspenTech AspenONE?

Raffinerie- und Petrochemie-Betreiber: Wer kontinuierliche Anlagen mit hohem Energieanteil und engen Marktmargen fährt, findet hier den Standard. Crude Distillation, FCC, Reformer, Steamcracker, die ganze klassische Prozesskette ist in Aspen HYSYS abgebildet, mit jahrzehntelang validierten Thermodynamikmodellen.

Großchemie und Spezialchemie mit kontinuierlichen Strängen: Destillationskolonnen, Reaktorkaskaden, Wärmetauschernetze. Wer Ausbeute- oder Energievariabilität messen kann, hat hier einen direkten ROI-Hebel. Mit Aspen Plus inkl. Activated Energy Analysis lassen sich Pinch-Analysen und Energieintegration rechnen, die früher monatelange manuelle Arbeit waren.

Engineering- und EPC-Häuser: Wood, Worley, Fluor, Linde Engineering und Co. nutzen AspenTech als zentrale Engineering-Plattform für Anlagen-Design. Wer in Front-End-Engineering und Detailplanung kontinuierlicher Anlagen arbeitet, kommt am Aspen-Standard nicht vorbei.

Operationale Teams mit Digital-Twin-Ambitionen: Wer den nächsten Schritt von Offline-Simulation zu Online-Optimierung gehen will, bekommt mit Process Digital Twin und den seit 2024 stärker ausgebauten Hybrid Models einen klaren Pfad, vorausgesetzt, das Process-Historian-Datenfundament (PI System, PHD) ist sauber.

Instandhaltungs-Teams in Schwerindustrie: Aspen Mtell ist eine ML-basierte Predictive-Maintenance-Lösung für rotierende Anlagen (Pumpen, Kompressoren, Turbinen). Die Lösung ist über die letzten Jahre deutlich gereift und insbesondere in der Öl-, Gas- und Energiebranche stark verbreitet.

Weniger geeignet für: Mittelständler mit Batch-Prozessen oder Kleinserien (Aspen ist auf kontinuierliche Massenströme optimiert, für Batch ist SuperPro Designer oder gPROMS oft passender), Pharma-Hersteller mit GMP-fokussierten Workflows (dort sind Werum, Körber, Veeva näher am Use-Case), KMU mit unter 50 Mio. € Umsatz (das Preisniveau ist schlicht außer Reichweite) und reine Energie-Monitoring-Use-Cases ohne Prozessoptimierungs-Anspruch (dort reicht ein gutes PI-System mit selbstgebauten Auswertungen).

Preise im Detail

Plan	Preis (€/Jahr)	Was du bekommst
Aspen HYSYS einzeln	50.000–80.000	Stationäre und dynamische Simulation für Öl/Gas-Prozesse, Standard-Thermodynamikpaket
Aspen Plus einzeln	60.000–90.000	Stationäre Simulation für chemische Prozesse, DIPPR-Datenbank, Reactor-Module
AspenONE Engineering Suite	150.000–250.000	HYSYS + Plus + Energy Analyzer + Economic Evaluation + HXNet (Wärmetauscher-Netze)
+ Process Digital Twin	Modul-Aufpreis ca. 80.000–150.000	Online-Anbindung an Historian, Plant Data Reconciliation, Online-Kalibrierung
+ Aspen Hybrid Models	Im PDT enthalten oder als Add-on	Kombination First-Principles + ML, automatische Hybridmodell-Generierung
+ Aspen Mtell	Auf Anfrage, typisch 40.000–120.000	ML-Predictive-Maintenance für rotierende Anlagen, Anomaly-Detection
+ DMC3 (APC)	Auf Anfrage, projektabhängig	Modellprädiktive Regelung; Implementierung typisch 200.000–800.000 € pro Anlage
Implementierung	100.000–500.000+ einmalig	Modellbau, Kalibrierung, Historian-Integration, Operator-Training

Einordnung: AspenTech-Lizenzen werden ausschließlich vertrieblich verhandelt, keine öffentlichen Preislisten, alles unter NDA. Die hier genannten Bereiche stammen aus Erfahrungswerten von Implementierungspartnern und Industriestudien (z. B. von ARC Advisory Group). Für eine reine Engineering-Nutzung an einem Standort (1–3 Lizenzen) sind 80.000–200.000 € pro Jahr realistisch; ein voll konfigurierter Digital Twin mit ML-Hybridmodellen und 5+ Lizenzen kommt schnell auf 300.000–500.000 € jährlich. Die Implementierungskosten sind oft höher als die Lizenz und werden gern unterschätzt: Plant Data Reconciliation, Historian-Anbindung und Modellkalibrierung sind ingenieurmäßige Schwerarbeit, keine Plug-and-Play-Aufgaben. Im Verhältnis zu vergleichbaren Plattformen (Siemens gPROMS, KBC Petro-SIM, Schneider SimSci) liegt AspenTech am oberen Ende, aber mit der breitesten Funktionsabdeckung.

Stärken im Detail

40 Jahre Branchenkonsens als Fundament. AspenTech ist seit den 1980ern der De-facto-Standard in Chemie und Raffinerie. Das bedeutet: validierte Thermodynamikmodelle für tausende von Komponenten (DIPPR-Datenbank), bewährte Reactor-Module für die gängigen industriellen Reaktionen und ein Ökosystem aus zertifizierten Engineering-Partnern weltweit. Wer ein neues Crackerprojekt plant, findet jeden Ingenieur und jede Beratung mit Aspen-Erfahrung, Lock-in wird zur Eigenschaft des Marktes, nicht nur des Produkts.

Hybrid Models als ehrlicher KI-Beitrag. Seit 2020 hat AspenTech die Aspen Hybrid Models systematisch ausgebaut: Statt physikalische Modelle durch reine ML-Modelle zu ersetzen, koppeln Hybridmodelle First-Principles-Gleichungen mit ML-Schichten, die nicht modellierbare Effekte (Verschmutzung, Katalysator-Alterung, Fertigungstoleranzen) aus Messdaten lernen. Das ist konzeptionell der richtige Weg in regulierter Prozessindustrie: physikalische Konsistenz bleibt erhalten, ML verbessert nur dort, wo Daten besser sind als Theorie. Reine Black-Box-ML-Modelle sind in Anlagen mit Sicherheitsanforderungen schwer zu zertifizieren, Hybridmodelle umgehen diese Hürde.

Process Digital Twin als operativer Hebel. Das PDT-Modul kalibriert das stationäre HYSYS-Modell stündlich oder schichtweise gegen Echtzeitdaten aus dem Historian und liefert Operatoren validierte Betriebspunkt-Empfehlungen. Validierte Projekte (dokumentiert in AspenTech-Whitepapers und ARC-Reports) zeigen 1–3 % Ausbeutesteigerung und 2–10 % Energieeinsparung, bei einer Anlage mit 100 Mio. € Jahresumsatz sind das 2–10 Mio. € Effekt pro Jahr.

Aspen Mtell für Predictive Maintenance. Mtell ist ein ML-basiertes Anomaly-Detection-System für rotierende Anlagen. Es lernt Normalbetriebs-Signaturen aus Vibrations- und Prozessdaten und schlägt Alarm, wenn Lager-, Dichtungs- oder Kupplungsmuster sich verändern, typischerweise 2–8 Wochen vor klassischen Schwellwert-Alarmen. In der Öl- und Gasbranche ist Mtell inzwischen einer der etablierten Standards in der Wartungsplanung.

Integration mit DMC3 für autonome Regelung. Wenn der Digital Twin sauber kalibriert ist, lässt sich er als Stützstelle für DMC3 (Modellprädiktive Regelung) nutzen. Das ist das klassische Tandem für die volle Automatisierungskette: Simulation → Optimierung → Regelung. Wenige Wettbewerber bieten alle drei Schichten aus einer Hand mit dieser Reife.

Emerson-Backbone seit 2022. Die mehrheitliche Übernahme durch Emerson (Closing Mai 2022) hat AspenTech mit der weltgrößten DCS-Infrastruktur verbunden (DeltaV). Das ist langfristig ein Vorteil bei der Schnittstellen-Tiefe, und sichert Investitionen in den KI- und Cloud-Stack, der vor der Übernahme stockend voranging.

Schwächen ehrlich betrachtet

Steile Lernkurve und Personalbindung. Ein:e Prozessingenieur:in braucht 6–12 Monate produktive Praxiserfahrung, bevor sie eigenständig komplexe HYSYS- oder Plus-Modelle baut. In einem angespannten Arbeitsmarkt für Chemie- und Verfahrenstechnik-Engineering ist das eine echte Hürde, viele Anlagenbetreiber kämpfen darum, Aspen-Kompetenz überhaupt im Haus zu halten.

Intransparente Preisgestaltung, harte Vertriebsverhandlung. Es gibt keine öffentlichen Tarife. Jeder Vertrag ist Verhandlungssache, und das Verhältnis Lizenz/Verhandlungsmacht des Kunden ist deutlich asymmetrisch. Wer wenig Volumen mitbringt, zahlt überproportional drauf, und gleichzeitig ist die Verhandlungsbasis dünn, weil es kaum gleichwertige Alternativen gibt.

Implementierungs-Aufwand wird systematisch unterschätzt. Ein Process Digital Twin ist kein Plug-and-Play. Die Plant Data Reconciliation (Abgleich von Sensorrauschen, Messfehlern und Modell), die Historian-Integration und die ingenieurmäßige Modell-Kalibrierung dauern typischerweise 3–9 Monate pro Anlage. Pilotprojekte, die mit „6 Wochen ROI” beworben werden, sind in der Realität fast immer Marketing.

Cloud-Reife noch unterdurchschnittlich. AspenTech hat seit 2023 verstärkt auf Cloud (AspenTech Industrial Cloud) und SaaS-Lizenzmodelle umgestellt, aber der Reifegrad ist nicht mit dem klassischen On-Prem-Stack vergleichbar. Wer reine SaaS-Workflows ohne On-Prem-Komponenten erwartet, wird in vielen Modulen enttäuscht, die DCS-Anbindung bleibt hybrid.

Vendor-Lock-in mit langem Schwanz. Konfigurierte Thermodynamikmodelle, Reactor-Skripte und Hybrid-Trainingsdaten sind kaum auf andere Plattformen migrierbar. Wer einmal investiert hat, ist auf 10+ Jahre gebunden. Das ist klassische Enterprise-Industriesoftware, aber heißt: Die initiale Auswahl muss sehr sorgfältig sein.

DACH-Coverage solide, aber englische Wurzeln zeigen sich. Die deutschen Support- und Beratungsteams sind kompetent, Schulungsmaterial und Community sind aber stark englischsprachig dominiert. Für rein deutschsprachige Anlagenbetreiber bedeutet das: Operator-Training braucht eigene Lokalisierungsarbeit, technische Tiefenrecherche läuft praktisch nur auf Englisch.

KI-Module sind nicht gleich reif. Aspen Mtell ist seit Jahren produktiv, Aspen Hybrid Models stabil, aber neuere Module (Aspen AIoT Hub, GenAI-Assistenten für Operator-Konsolen, die seit 2024/2025 ausgerollt werden) sind teilweise noch im Reifeprozess. Wer den ML-Stack als zentralen Kauftrigger betrachtet, sollte jedes Modul einzeln evaluieren, nicht den Plattform-Pitch glauben.

Alternativen im Vergleich

Wenn du…	…nimm stattdessen
Die Echtzeit-Daten-Infrastruktur unter dem Digital Twin brauchst	AVEVA PI System
Nur die modellprädiktive Regelung ohne Simulationsplattform suchst	AspenTech DMC3
Anlagenübergreifende Digital-Twin-Graphen über Azure aufbauen willst	Azure Digital Twins
Eine Industrie-IoT-Plattform mit eigener KI/ML-Schicht brauchst	Honeywell Forge
Operator-nahe Apps für diskrete Prozesse statt kontinuierliche Anlagen brauchst	Tulip

Erwähnenswert ohne eigene Tool-Seite: Siemens gPROMS (akademisch starker Wettbewerber, besonders in Pharma und Spezialchemie), KBC Petro-SIM (Yokogawa-Tochter, in Raffinerien dichter Konkurrent), Schneider Electric SimSci PRO/II (älterer Wettbewerber, Coverage abnehmend), ChemCAD (deutlich günstiger, aber funktional schmaler), DWSIM (Open-Source, gut für Lehre und Prototyping, nicht für produktive Großchemie) sowie Siemens Simatic IT Unified Architecture und ABB Ability Genix (Industrie-IoT-Plattformen mit anderem Fokus). AspenTech bleibt in Chemie und Raffinerie der Branchenstandard, wer eine echte Alternative aufbauen will, kombiniert üblicherweise gPROMS plus eine separate Historian-Anbindung.

So steigst du ein

Schritt 1: Business-Case sauber definieren. Kontaktiere AspenTech oder einen zertifizierten Partner (z. B. Yokogawa, Wood, Hargrove, Linde Engineering) für eine fokussierte Analyse: Welche Anlage, Destillationskolonne, Reaktor, Wärmetauschernetz, hat die größte Ausbeute- oder Energievariabilität? Dort liegt der höchste ROI für einen ersten Piloten. Ein vager „wir wollen einen Digital Twin”-Auftrag ist die zuverlässigste Methode, drei Jahre und sechsstellige Beträge zu verbrennen.

Schritt 2: Modellidentifikation und Kalibrierung. Das stationäre Aspen-Modell muss zuerst an gemessenen Betriebspunkten kalibriert werden (Plant Data Reconciliation). Erst danach kann das Modell als „lebender Zwilling” an den Prozess-Historian angebunden werden. Dieser Schritt dauert typisch 3–6 Monate und ist der Hauptkostentreiber, er entscheidet auch, ob spätere Hybrid Models valide Trainingsdaten bekommen.

Schritt 3: Integration mit dem DCS/SCADA-Historian. Bindung an AVEVA PI System, Honeywell PHD oder Aspen IP.21. Der Digital-Twin-Solver läuft dann im Hintergrund, kalibriert Modellparameter gegen Echtzeit-Messdaten und gibt optimierte Betriebspunkte als Advisory-Empfehlungen zurück. Erst nach 6–12 Monaten stabilem Advisory-Betrieb sollte ein Übergang zu DMC3-gestützter Regelung diskutiert werden.

Ein konkretes Beispiel

Ein deutsches Spezialchemieunternehmen mit einer Ethylendestillationskolonne (250.000 t/Jahr) in Nordrhein-Westfalen führt Aspen HYSYS mit Process Digital Twin-Anbindung ein. Der Zwilling kalibriert sich stündlich gegen 48 Prozessmesswerte aus dem PI-Historian; ein Aspen Hybrid Model lernt zusätzlich die Wärmetauscher-Verschmutzungs-Effekte aus drei Jahren historischer Daten. Das Ergebnis nach sechs Monaten Betrieb: Energieverbrauch im Reboiler um 7 % gesunken (≈ 800.000 € jährlich), mittlere Produktreinheit von 99,2 auf 99,6 % gesteigert, ungeplante Stillstände an Pumpen P-101/P-102 dank Aspen Mtell um zwei pro Jahr reduziert (≈ 300.000 € Mehrproduktion). Projekt-Investition: rund 280.000 € Lizenzen + 350.000 € Implementierung im ersten Jahr. Amortisationszeit: 14 Monate. Voraussetzung: Im Haus sind zwei erfahrene Prozessingenieure, die das Modell pflegen, ohne diese Personalbasis wäre das Projekt schon im ersten halben Jahr ins Stocken geraten.

DSGVO & Datenschutz

• Datenhosting: Wahlweise On-Premises beim Kunden oder über die AspenTech Industrial Cloud mit EU-Region (AWS Frankfurt). On-Premises bleibt für die meisten kontinuierlichen Prozessanwendungen der Standardweg.
• Datennutzung: Prozessdaten (Temperatur, Druck, Durchfluss, Vibrationssignaturen) sind in der Regel nicht personenbezogen, DSGVO-Relevanz entsteht erst bei Kopplung mit Schichtplänen, Operator-IDs oder Bedienprotokollen.
• Cloud-Workloads: Bei Nutzung der AspenTech Industrial Cloud werden Daten in der gewählten Region verarbeitet. Der Mutterkonzern Emerson ist US-amerikanisch, bei sensiblen Workloads ist eine dokumentierte Datenschutz-Folgenabschätzung obligatorisch, insbesondere wenn Mitarbeiterdaten mit Anlagendaten verknüpft werden.
• Auftragsverarbeitung (AVV): Für Cloud-Deployments verfügbar. On-Premises-Lizenzen brauchen keinen AVV, da keine Datenverarbeitung durch AspenTech stattfindet.
• Empfehlung für Unternehmen: Für DSGVO-sensible Branchen (Pharma, Chemie mit personenbezogenen Daten in der MES-Schicht) ist die On-Premises-Variante weiterhin der saubere Pfad. Cloud nur einsetzen, wenn die Datenflüsse klar abgegrenzt sind und der Emerson-AVV vorab geprüft wurde.

Gut kombiniert mit

• AVEVA PI System, AspenTech-Modelle beziehen Echtzeitdaten aus dem PI-Historian; PI ist die notwendige Dateninfrastruktur vor jeder Digital-Twin-Anbindung. Wer diesen Schritt überspringt, kalibriert auf schmutzigen Daten und produziert valide aussehende, aber unbrauchbare Modelle.
• AspenTech DMC3, Der Digitale Zwilling in HYSYS liefert die Stützstellen für DMC3-Modelle; Digital Twin und Advanced Process Control sind das klassische Tandem für maximale Prozessoptimierung. Wer beides aus einer Hand wählt, spart Modell-Reibungsverluste.
• Azure Digital Twins, Für Enterprise-Integrationen: Aspen-Modelle als Berechnungskern, Azure Digital Twins als Graphmodell für die gesamte Anlage und mehrere Standorte hinweg. Sinnvoll, wenn die Konzern-IT bereits Azure-zentral aufgestellt ist.

Unser Testurteil

AspenTech AspenONE verdient 4 von 5 Sternen. In seiner Kerndomäne, Prozesssimulation für kontinuierliche Anlagen in Chemie, Raffinerie und Petrochemie, ist es schlicht ohne ernsthafte Konkurrenz auf gleichem Reifegrad. Die Kombination aus 40 Jahren validierter Thermodynamik, Process Digital Twin, Hybrid Models und Mtell deckt die gesamte Wertschöpfungskette von Engineering bis Predictive Maintenance ab. Den fünften Stern verlieren wir aus drei Gründen: Erstens die intransparente, hochpreisige Lizenzpolitik, die kleinere Anlagenbetreiber faktisch ausschließt. Zweitens die unterschätzte Implementierungs-Komplexität, die ohne erfahrene Prozessingenieur:innen im Haus regelmäßig zu enttäuschten Erwartungen führt. Drittens die noch ungleiche Reife der neueren KI-Module, Mtell und Hybrid Models sind produktiv, GenAI-Assistenten und AIoT Hub noch im Aufbau. Wer in Großchemie, Raffinerie oder Petrochemie ernsthaft optimieren will, sollte AspenTech mindestens evaluiert haben. Für KMU und Batch-Prozesse bleibt es Overkill.

Was wir bemerkt haben

• Mai 2022, Emerson hat seine Mehrheitsbeteiligung an AspenTech abgeschlossen (rund 11 Mrd. USD Transaktionsvolumen, kombiniert mit OSI Inc. und SubSurface-Geschäft). Damit ist AspenTech operativ unter dem Dach von Emerson, behält aber Markenidentität und Produkt-Roadmap. Strategischer Effekt: deutlich engere Integration mit Emerson DeltaV (DCS) und Stärkung des Cloud-/AIoT-Stacks.
• 2023, Aspen Hybrid Models wurden als eigenständiges Produkt-Feature konsolidiert. Vorher waren Hybridansätze über mehrere Module verstreut; die neue Bündelung machte sie für Kunden klarer kaufbar und beschleunigte die Adoption merklich.
• 2024, Roll-out von Aspen AIoT Hub und GenAI-gestützten Operator-Assistenten startete. Diese Module sind 2025/26 noch im Reifeprozess, Erfahrungen aus frühen Kundenprojekten variieren stark, abhängig von Datenqualität und Personal-Setup.
• 2025, AspenTech hat die Übernahme durch Emerson als vollständige Take-Private-Transaktion abgeschlossen (Squeeze-out nach Mehrheitsbeteiligung). AspenTech ist seitdem nicht mehr börsennotiert. Praktischer Effekt für Kunden bisher gering; strategischer Effekt: längere Investitions-Horizonte, weniger Quartalsdruck auf das Produktmanagement.
• Mai 2026, Die Cloud-Migration der Engineering-Suite läuft, ist aber noch nicht abgeschlossen. Wer heute kauft, plant weiterhin On-Premises oder hybrid; reine SaaS-Workflows für HYSYS und Plus sind angekündigt, aber in der Breite noch nicht produktiv. Anwender sollten die Cloud-Roadmap vertraglich nachhalten, Lizenzmodelle könnten sich in den nächsten 24 Monaten verschieben.