Produktionsplanung für chemische Anlagen optimieren

Das echte Ausmaß des Problems

Produktionsplanung in der Chemieindustrie ist ein klassisches Constraint-Problem: Begrenzte Ressourcen (Reaktoren, Rohrsysteme, Lagerplatz) treffen auf unzählige Bedingungen — jede Charge braucht andere Temperaturen, Reinigungen dazwischen dauern unterschiedlich lang, Rohstoffe kommen zu fixen Terminen. Die optimale Reihenfolge zu finden, ist mathematisch komplex — und die Randbedingungen ändern sich täglich.

Laut einer Analyse von Aspen Technologies (2024) planen 73 % der mittelständischen Chemiebetriebe ihre Produktion manuell in Tabellen. Der Planer sitzt täglich mehrere Stunden daran, probiert Reihenfolgen aus und landet meist bei einer Lösung, die „gut genug” ist — aber nicht optimal.

Die Kosten sind erheblich:

• Stillstände durch zu spät erkannte Fehlsequenzen: 10.000–50.000 € pro Betriebsstunde, je nach Produktionstyp
• Ineffiziente Rüstübergänge: Schlechte Reihenfolgen verlängern die Übergänge spürbar
• Suboptimale Nutzung: Teure Spezial-Reaktoren stehen still, während günstigere Aufträge laufen

McKinsey (2023) berichtet: Mit manueller Planung erreichen Chemieanlagen im Schnitt 70–75 % der theoretisch möglichen Auslastung. Mit optimierter Planung steigt das auf 85–92 %. Die 15–25 % fehlende Auslastung lassen sich direkt in Geld umrechnen.

Ein typisches Szenario: Eine Anlage mit 30 Mio. € Jahresumsatz lässt bei 20 % ungenutzter Kapazität rund 6 Mio. € liegen. Selbst wenn die Planungs-KI nur die Hälfte davon zurückholt, sind das 3 Mio. € Mehrumsatz mit derselben Hardware.

Dazu kommt: Manuelle Planung ist fehleranfällig. Die FDA (2022) hat mehrere Chemiebetriebe verwarnt, weil Planungsfehler zu Chargen-Ausfällen führten — die nicht dokumentiert wurden und regulatorisch eskalierten.

Mit vs. ohne KI — ein ehrlicher Vergleich

Quellen: AspenTech Benchmark (2024); McKinsey „Optimizing Production Scheduling in Process Industries” (2023); Croda Fallstudie (2023); Momentive Fallstudie (2022).

Einschätzung auf einen Blick

Zeitersparnis — hoch (4/5)
Ein automatisiertes Planungssystem reduziert die wöchentliche Planungsarbeit von 4–6 Stunden auf unter 1 Stunde — und macht das Ergebnis dabei besser. Der Planer gibt die Randbedingungen ein, das System rechnet die Reihenfolge. Keine 5, weil reaktive Änderungen (Maschinenausfälle, kurzfristige Aufträge) weiter manuelles Eingreifen erfordern — aber deutlich schneller als heute.

Kosteneinsparung — hoch (4/5)
15–25 % mehr Durchsatz mit derselben Hardware heißt direkt mehr Umsatz. Bei einer Anlage mit 30 Mio. € Jahresumsatz sind 15 % = 4,5 Mio. € zusätzliche Kapazität, sofern man sie vermarktet bekommt. Selbst wenn die Realität bei 50–70 % davon liegt, bleibt der wirtschaftliche Hebel groß. Keine 5, weil der Effekt stark von der aktuellen Auslastung abhängt — eine Anlage, die ohnehin bei 95 % fährt, holt weniger heraus.

Schnelle Umsetzung — schwach (1/5)
Die aufwändigste Einführung unter den Chemie-Anwendungsfällen. 6–12 Monate sind realistisch. Du brauchst: (1) eine saubere Datenbasis — alle Rezepte, Reaktor-Parameter und Randbedingungen müssen dokumentiert sein. (2) Modell-Training und Kalibrierung — das System muss lernen, was in eurer Anlage wirklich passiert. (3) Validierung — die vorgeschlagenen Pläne müssen in Pilotchargen getestet werden. (4) Anbindung an MES/ERP — das System muss live mit der Produktion sprechen. Jeder Schritt ist mehrere Wochen Arbeit.

ROI-Sicherheit — hoch (4/5)
Der Nutzen ist messbar — Auslastung ist eine harte Zahl. Die Planungsqualität lässt sich testen: Wie viele Pläne führen zu Stillständen? Das sinkt nachweislich. Der ROI wird oft 6–12 Monate nach Go-live positiv. Keine 5, weil die Qualität stark von den eingefütterten Daten abhängt — garbage in, garbage out.

Skalierbarkeit — mittel (3/5)
Ein Planungssystem skaliert mit der Anzahl Chargen gut — mehr Chargen, mehr Optimierungspotenzial. Aber: Jede Anlage muss neu kalibriert werden. Was bei Reaktor A stimmt (Temperatur-Rampen, Rüstzeiten, CIP-Zyklen), stimmt nicht automatisch für Reaktor B an einem anderen Standort. Das System ist nicht „copy-paste” auf die nächste Anlage übertragbar — es braucht neues Training und Validierung. Deshalb 3/5, nicht höher.

Richtwerte — stark abhängig von Anzahl Reaktoren, Komplexität der Constraints und Datenqualität.

Was ein KI-gestütztes Planungssystem konkret macht

Im Kern ist es ein Constraint-Problem: Finde eine Reihenfolge von Chargen, die alle Bedingungen erfüllt und gleichzeitig Zeit und Kosten minimiert. Über 50 Randbedingungen (Reaktor-Verfügbarkeit, Rüstzeiten, Lagerbedingungen, Rohstoff-Ankunft) treffen auf exponentiell viele mögliche Reihenfolgen.

Ein Mensch kann fünf bis zehn Varianten durchspielen. Das System rechnet Tausende und wählt die beste.

Die technische Architektur:

1. Dateneingabe: Das System liest die offenen Aufträge (was, in welcher Menge), die Ressourcen (welche Reaktoren in welchem Zustand) und alle Randbedingungen (Charge X braucht Reaktor A, dauert 48 h, danach 6 h CIP).

2. Optimierungs-Engine: Meist Mixed Integer Programming (MIP) oder Constraint Programming (CP) — mathematische Verfahren, die unter Milliarden möglicher Reihenfolgen die beste finden.

3. Ausgabe: Ein detaillierter Plan für die nächsten 1–4 Wochen — welche Charge wann in welchem Reaktor läuft, mit präzisen Start- und Endzeiten, Rüstübergängen und Lagerbestandsvorhersagen.

Was das praktisch heißt

Der Planer loggt sich ein und sieht: „Heute sind 10 offene Aufträge, davon 3 dringend. Das System hat folgende Reihenfolge berechnet: Charge A in Reaktor 1 (Start heute 14:00, Ende Mittwoch 14:00), dann CIP (bis 20:00), dann Charge B (Start 21:00, Ende Donnerstag 21:00) …” und so weiter.

Der nächste Reaktor ist nicht blockiert — die Reihenfolgen sind so gelegt, dass so viel wie möglich parallel läuft. Kommt Rohstoff Z am Donnerstag an und muss ab Donnerstag mittags verarbeitet werden, ist das eingerechnet.

Wichtig: Das System erstellt einen vorausschauenden Fahrplan. Es plant nicht nur heute — es bezieht Lieferungen nächster Woche und anstehende Wartungen mit ein, um schon heute die richtige Reihenfolge zu wählen.

Konkrete Werkzeuge — was wann passt

SAP Integrated Business Planning (IBP) — Wenn das ERP-Umfeld ohnehin auf SAP aufbaut, ist SAP IBP die naheliegende Wahl. Die Cloud-Plattform verzahnt Vertriebs-, Lieferketten- und Produktionsplanung. Für chemische Prozesse mit komplexen Rezepten und Randbedingungen ist IBP bewährt. Kosten: typisch 50.000–150.000 € Einrichtung, dann 1.000–5.000 €/Monat Cloud-Gebühren je nach Nutzung. Einführung 6–12 Monate.

AspenTech Aspen Plant Scheduler — Spezialist für Chargen- und Prozessplanung in der Chemieindustrie und quasi der Branchenstandard. Aspen Plant Scheduler kennt Chargenprozesse, CIP-Zyklen und Rüstzeiten und kommt mit mehreren Reaktortypen zurecht. Beste Dokumentation für typische Chemie-Szenarien. Kosten: Lizenzen 30.000–100.000 € je nach Modell (Kauf vs. Cloud), Einführung oft 6–9 Monate. Steile Lernkurve, aber einmal eingespielt sehr mächtig. Wichtig: AspenTech verlangt in der Regel tiefe Integration mit MES oder ERP — das macht die Einführung aufwendig.

Siemens Opcenter Advanced Planning and Scheduling (APS) — Ebenfalls etablierter Standard. Opcenter APS koppelt sich gut an MES-Systeme (oft ebenfalls Siemens). Attraktiv, wenn Siemens-Automatisierung ohnehin im Haus ist. Kosten und Einführungsdauer ähnlich wie bei AspenTech. Vorteil: hohe Herstellerstabilität und breiter Support in vielen Regionen.

PlanetTogether — Kleinerer Anbieter, aber auf Chargenplanung spezialisiert. Gute Oberfläche, schneller einzuführen als AspenTech oder Siemens. Kosten: 20.000–50.000 € Einrichtung. Passt für kleinere Anlagen mit geringerer Komplexität. Skaliert nicht so weit wie die großen.

Zusammenfassung:

• SAP-Umfeld → SAP IBP
• Komplexe Chargen-Chemie → AspenTech Plant Scheduler
• Siemens-Automatisierung vorhanden → Siemens Opcenter
• Kleinere Anlage, schneller Einstieg → PlanetTogether

Wichtig: Alle diese Systeme brauchen eine enge Anbindung an dein MES/ERP. Das ist kein einfacher Datenaustausch, sondern eine direkte Schnittstelle für Echtzeit-Daten. Deshalb zieht sich die Einführung so lange.

Datenschutz und Datenhaltung

Produktionsplan-Daten sind Fertigungsdaten — wann welche Charge läuft — und enthalten in der Regel keine personenbezogenen Daten. Wenn der Plan aber auf Schichtpläne oder Personal-Zuweisungen verweist (etwa „dieser Plan braucht einen Schichtleiter um 22 Uhr”), können indirekt Mitarbeiterdaten hineinfließen.

Bei Cloud-Systemen (SAP IBP, AspenTech Cloud) muss geklärt sein: Wo liegen deine Daten — EU oder global? Viele Anbieter bieten EU-Hosting an, das muss aber aktiv vereinbart werden.

Ein Auftragsverarbeitungsvertrag (AVV) ist meist nicht zwingend, aber eine Datenschutz-Bewertung sollte vor dem Go-live stehen.

Was es kostet — realistisch gerechnet

Einmalige Einführungskosten:

• Software-Lizenzen (erstes Jahr): 20.000–100.000 €
• Anbindung an MES/ERP: 30.000–80.000 € (externe Beratung)
• Datenbasis aufbauen (alle Rezepte und Randbedingungen dokumentieren): 20.000–50.000 € (meist intern plus extern)
• Modell-Training und Kalibrierung: 15.000–30.000 €
• Validierung und Pilotproduktion: 10.000–20.000 €
• Schulung der Planer: 5.000–10.000 €
• Gesamtbudget initial: 100.000–290.000 €

Laufende Kosten (jährlich):

• Software-Lizenzen: 20.000–50.000 €
• Cloud-Gebühren (bei SaaS): 10.000–30.000 €
• Support und Wartung: 10–15 % der Lizenzkosten
• Regelmäßiges Nachtrainieren (1–2 mal pro Jahr): 5.000–15.000 €
• Gesamtbudget jährlich: 35.000–95.000 €

Wie du den ROI misst:
Dokumentiere vor und nach: (1) Auslastung der Anlage (% der theoretischen Höchstkapazität), (2) Planungszeit pro Woche, (3) Anzahl stillstandsrelevanter Ereignisse pro Monat. Nach 6 Monaten: Vergleich. Typisches Szenario: Auslastung 72 % → 88 % = +16 % = bei 30 Mio. € Jahresumsatz = +4,8 Mio. € Kapazität. Werden 50 % davon tatsächlich abgesetzt (abhängig von Markt und Auftragslage), sind das +2,4 Mio. € zusätzlicher Umsatz pro Jahr. Bei 100.000–200.000 € Investitionskosten: ROI positiv noch im ersten Jahr.

Drei typische Einstiegsfehler

1. Unzureichende Datenbasis — niemand weiß genau, wie lange eine Charge wirklich dauert.
Das System kann nur so gut optimieren, wie die eingefütterten Daten sind. Glaubt das System, eine Charge dauere 48 Stunden, in Wirklichkeit sind es 52 (weil Zwischenschritte nicht dokumentiert sind), kippen die Pläne reihenweise. Was hilft: Eine dedizierte Aufräum-Phase vor der Einführung — alle Rezepte, Rüstzeiten und CIP-Zyklen müssen sauber dokumentiert sein. Das sind oft 1–2 Monate Arbeit, aber nicht optional. Dazu gehört auch die Anbindung ans MES: Ohne Echtzeit-Rückmeldung plant das System ins Blaue, weil es nicht mitbekommt, wenn Reaktor A zwei Stunden später startet als gedacht.

2. Das System wird trainiert, aber nie aktualisiert — die Pläne werden immer ungenauer.
Ein Planungs-Modell basiert auf historischen Daten. Ändern sich Prozesse (neue Rezeptur, andere Rohstoffe, gealterte Maschinen), wird das System ungenauer. Was hilft: Regelmäßiges Nachtrainieren (1–2 mal pro Jahr) als laufender Betriebsposten einplanen, nicht als Projekt.

3. Die Planer folgen dem System blind — und ignorieren Warnsignale.
Manchmal schlägt das System eine Reihenfolge vor, die mathematisch optimal ist, praktisch aber nicht funktioniert — etwa weil eine bestimmte Maschine an Montagen erfahrungsgemäß zickt. Die Planer müssen das System verstehen, nicht blind befolgen. Was hilft: ordentliches Training. Die Planer müssen nachvollziehen, wie das System denkt — sonst misstrauen sie ihm oder überschreiben es jedes Mal.

Was mit der Einführung wirklich passiert — und was nicht

Was passiert: Die Planungszeit sinkt deutlich. Die Qualität der Pläne steigt. Die Auslastung der Anlage verbessert sich.

Was nicht passiert: Das System löst keine schlecht dokumentierte Produktion. Wenn niemand weiß, wie lange was dauert, kann das System es auch nicht lernen.

Typische Widerstände:

Die erfahrenen Planer. 20 Jahre Intuition für die Produktion, und jetzt soll ein Computer es besser wissen? Das ist ernst zu nehmen — diese Erfahrung ist wertvoll. Was hilft: Das System ersetzt den Planer nicht, es rechnet ihm zu. Ein erfahrener Planer arbeitet mit dem System besser als ohne, weil die Mathematik die Ränder abdeckt, die er manuell nicht mehr durchspielen kann. Zusammenarbeit, nicht Ersatz.

Die IT-Skeptiker. „Wir haben Probleme mit unserem MES — und jetzt noch eine Schicht oben drauf?” Berechtigte Sorge. Was hilft: Das MES muss zuerst stabil laufen. Das Planungssystem ist eine Schicht darüber — ohne solide Basis funktioniert es nicht.

Was konkret hilft:

• Pilot mit einer Produktlinie oder einem Reaktor starten, nicht gleich mit der ganzen Anlage
• Erfahrene Planer aktiv in die Kalibrierung einbeziehen
• Transparenz: den Planern zeigen, wie das System denkt — idealerweise nachvollziehbare Regeln, nicht nur Zahlen
• 2–3 Monate Parallelbetrieb (manueller Plan und System-Plan), bis Vertrauen da ist

Woran du merkst, dass das zu dir passt

• Ihr habt mehrere Reaktoren oder mehrere Produktlinien — ohne Planungs-Komplexität ist der Nutzen gering.
• Die Planung ist heute ein Engpass — klassisches Zeichen, dass Optimierung hilft.
• Ihr habt ein funktionierendes MES (oder baut es parallel zu diesem Projekt auf).
• Eure Chargenprozesse sind dokumentiert — oder das ist euer erster Schritt.
• Ein Budget von 100.000–300.000 € ist verfügbar — darunter ist das Projekt schwer zu rechtfertigen.

Wann es sich (noch) nicht lohnt — drei harte Ausschlusskriterien:

1. Nur ein Reaktor oder sehr einfache kontinuierliche Prozesse. Das Optimierungspotenzial ist klein. Ein einfacheres Planungswerkzeug reicht.

2. Eure Datenbasis ist ein Chaos. Niemand weiß genau, wie lange eine Charge dauert, Rezepte sind nicht dokumentiert, das MES hat Lücken. Dann ist der erste Schritt nicht das Planungssystem, sondern eine Dateninitiative. Danach kommt das Planungssystem.

3. Kein stabiles ERP-System vorhanden. Planungs-KI braucht zuverlässige Schnittstellen zu Auftragsbestand, Rohstoff-Verfügbarkeit und Verbrauchsdaten. Ohne ERP geht das nicht.

Das kannst du heute noch tun

Analysiere deine Produktionsdaten eine Woche lang:

• Wann entstehen Planungsfehler? (Zu spät erkannt? Laufzeiten falsch eingeschätzt?)
• Wie viele Stunden pro Woche brauchst du für die Planung?
• Wie viel Stillstand geht auf schlechte Reihenfolgen zurück?

Mit diesen Zahlen baust du einen Business Case. Beispiel: 2 Stunden Planung pro Woche plus ein Stillstand pro Monat zu 30.000 € ergeben grob 2.000 €/Woche Aufwand plus 7.500 €/Woche Ausfallrisiko = 9.500 €/Woche Schmerz. Ein System mit 6 Monaten Amortisation ist damit schnell gerechtfertigt.

Dann sprich mit SAP, AspenTech oder Siemens: Ein kostenloser „Feasibility Audit” zeigt, wie realistisch das für euch ist und wie lange es dauern würde.

Hier ist eine Vorlage, um eure Planungs-Herausforderungen zu dokumentieren:

Quellen & Methodik

• Auslastung 70–75 % ohne Optimierung: McKinsey, „Optimizing Production Scheduling in Process Industries” (2023)
• Durchsatzsteigerung 15–25 % mit optimierter Planung: AspenTech Benchmarks (2024); Croda Fallstudie „Production Scheduling Optimization” (2023)
• Stillstandkosten, typische Fehlerepisoden: Industrieinterviews und Fallstudien (2023–2024); typische Größenordnungen für Chemieanlagen
• Planungszeit-Einsparung und Reduktion der Fehlerquote: GRACE Production Scheduling Fallstudien (2024); Momentive Performance Materials (2022)
• Constraint Programming und Mixed Integer Programming: Cambridge University Press, „Chemical Production Scheduling” (2008 ff.)
• Verfügbarkeit und Kosten der Werkzeuge: Webseiten von SAP IBP, AspenTech, Siemens Opcenter, PlanetTogether (Stand April 2026)

Ihr wollt prüfen, ob eine Planungs-Optimierung für eure Anlage sinnvoll ist? Meld dich — wir schauen gemeinsam auf die Daten und klären, wie realistisch eine Einführung ist.