Katalysatordegradation im Reaktor mit ML-Modellen vorhersagen

Das echte Ausmaß des Problems

Katalysatordegradation ist kein Randphänomen. Laut einer ABB-Umfrage aus dem Jahr 2023 kosten ungeplante Stillstände die Chemieindustrie durchschnittlich 125.000 US-Dollar pro Stunde — und die Chemieindustrie verliert jährlich geschätzt 20 Milliarden US-Dollar durch ungeplante Ausfälle insgesamt. Ein erheblicher Teil davon ist auf Katalysatorprobleme zurückzuführen: entweder auf nicht erkannte, fortschreitende Deaktivierung oder auf vorzeitig ausgelöste Wechsel, die auf schlechten Schätzungen beruhen.

Die spezifischen Kosten eines katalysatorbedingten Shutdowns in einer mittelgroßen Spezialchemieanlage setzen sich wie folgt zusammen:

• Katalysatormaterial: 80.000–2.000.000 € je nach Metallgehalt (Platingruppe vs. Übergangsmetalle) und Reaktorvolumen
• Shutdown- und Wiederanfahrzeit: 2–7 Tage pro Reaktor, je nach Prozesstemperatur und Druckstufe
• Produktionsverlust: 50.000–500.000 € je Ausfalltag bei Hochmargen-Spezialchemikalien
• Qualitätsabweichungen in der Auslaufphase vor dem Wechsel: Nacharbeits- und Ausschusskosten schwer zu isolieren, aber real

Das Fraunhofer-Institut IOSB hat in seinem Projekt PrädiKat (2020–2021, gemeinsam mit Fraunhofer UMSICHT) demonstriert, dass Machine Learning-Modelle Katalysatoralterung in technischen Prozessen präzise vorhersagen können — selbst mit klassisch einfachen Neuronalen Netzen (ein Hidden Layer, vier Knoten). Die Modelle liefern eine Schätzung der Restlebensdauer auf Basis von Sensorwerten in Echtzeit, die Betreibern genug Vorlauf gibt, um den Wechsel optimal zu terminieren.

Die eigentliche Überraschung aus dieser Arbeit: Die größten Abweichungen traten bei Katalysatorreaktivierungsereignissen auf — also genau dann, wenn durch kurzfristige Temperaturerhöhung Aktivität zurückgewonnen wird. Der Modellstatus springt, weil das Systemverhalten kurzfristig nicht-stationär wird. Das ist kein Modellversagen — es ist ein Hinweis darauf, dass diese Ereignisse explizit als Feature in das Modell eingehen müssen.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Zahlen für den linken Teil der Tabelle basieren auf Erfahrungswerten aus kontinuierlichen Festbettreaktor-Betrieben. Der rechte Teil ist das, was PrädiKat (Fraunhofer IOSB/UMSICHT) und verwandte industrielle Projekte in der Literatur zeigen — keine Garantiemarken, sondern realistische Erwartungswerte bei ausreichender Datenbasis und sauberer Modellentwicklung.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5) Das Modell spart keine tägliche Arbeitszeit, sondern Downtime-Tage. Statt 2–7 Tage ungeplanter Shutdown passiert der Wechsel in einem geplanten Wartungsfenster — effizienter für Logistik, Personal und Lieferketten. Im direkten Vergleich mit anderen Chemie-Anwendungsfällen (HPLC-Auswertung oder Dokumentationsgeneratoren) ist der tägliche Zeitgewinn pro Person gering; der operative Gewinn pro Ereignis aber erheblich.

Kosteneinsparung — hoch (5/5) Das ist die klar stärkste Achse dieses Anwendungsfalls. Katalysatormaterial ist teuer, Produktionsausfälle teuer, Qualitätsabweichungen teuer. Selbst bei moderatem Betrieb — 100.000 t/Jahr Anlage, zwei ungeplante Wechsel pro Jahr vermieden, mittlere Shutdown-Kosten 200.000 € — ist der Nutzen sechsstellig. Das ist der höchste direkt isolierbare ROI unter allen Chemieanwendungsfällen in dieser Kategorie.

Schnelle Umsetzung — sehr niedrig (1/5) 12–20 Monate ist realistisch, und das ist kein Pessimismus. Allein die Datenhistorie, die für ein aussagekräftiges Training benötigt wird, umfasst mehrere vollständige Betriebszyklen inkl. Wechselereignissen. Dazu kommen DCS-Integration, Modellvalidierung, Pilotbetrieb und operative Freigabe. Kein anderer Einstiegspunkt für ML in der Chemieindustrie — außer vielleicht dem Digitalen Zwilling für Prozessanlagen — ist aufwändiger.

ROI-Sicherheit — mittel (3/5) Der Nutzen ist real, aber konditioniert. Er hängt davon ab, dass die Datenbasis ausreicht, das Modell sauber trainiert wurde, die Sensoren kalibriert bleiben und das Betriebsteam dem Modell tatsächlich vertraut. Wenn einer dieser Faktoren fehlt, bleibt der ROI unter Plan. Im Vergleich zu einfacheren Anwendungsfällen (Dokumentenautomatisierung, Laborassistenz) ist das Risikoprofil höher.

Skalierbarkeit — mittel (3/5) Ein Modell lernt einen Reaktor-Typ. Wenn du drei verschiedene Festbettreaktoren mit unterschiedlichen Katalysatorsystemen betreibst, brauchst du drei Modelle — und drei Mal den Aufwand für Datenbasis und Validierung. Das ist nicht prohibitiv, schränkt aber die economies of scale ein, die man sich bei einer einmaligen Infrastruktur-Investition erhofft.

Richtwerte — stark abhängig von Reaktorvolumen, Katalysatorkosten und Auslastungsdruck der Anlage.

Warum verschiedene Deaktivierungsmechanismen unterschiedliche Modelle brauchen

Das ist die wichtigste technische Vorentscheidung dieses Projekts — und wird am häufigsten übersprungen.

Katalysatordeaktivierung ist kein einheitliches Phänomen. Vier grundlegend verschiedene Mechanismen laufen oft gleichzeitig ab, mit unterschiedlichen Zeitkonstanten, unterschiedlichen Sensorsignaturen und unterschiedlichen Implikationen für das ML-Modell:

Verkokung (Coking) Kohlenstoffablagerungen blockieren aktive Zentren und Poren. Erkennbare Signatur: steigender Druckverlust, sinkende Selektivität, charakteristisches Temperaturprofil. Zeitskala: Stunden bis Tage. Meist reversibel durch Regeneration (Abbrennen mit kontrolliertem Luftstrom). ML-Modelle auf Druckgradient und Temperaturprofil zeigen bei Verkokung die höchsten Vorhersagegüten — weil das Signal stark und charakteristisch ist.

Sintern (Sintering) Aktive Metallpartikel agglomerieren bei hohen Temperaturen zu größeren, weniger aktiven Clustern. Erkennbare Signatur: schleichende Aktivitätsabnahme ohne klares Drucksignal, erhöhte Aktivierungsenergie im Temperaturprofil. Zeitskala: Wochen bis Monate. Irreversibel. Schwierig zu modellieren, weil das Signal langsam ist und leicht mit anderen Effekten überlagert wird. ML-Modelle brauchen hier sehr lange Trainingshistorie.

Vergiftung (Poisoning) Bestimmte Feedstock-Verunreinigungen (Schwefelverbindungen, Schwermetalle, Halogene) blockieren aktive Zentren irreversibel. Erkennbare Signatur: plötzlicher, steiler Aktivitätsabfall nach Charge-Wechsel oder Rohstoffsortenwechsel. Zeitskala: Minuten bis Stunden. Das Modell muss Feedstock-Qualitätsdaten einschließen — ohne diese Information ist der Abfall nicht vorhersehbar.

Auslaugung (Leaching) Bei flüssigphasigen oder Gas-Flüssig-Reaktoren: aktive Komponenten gehen in die Lösung oder den Gasstrom über. Erkennbare Signatur: Metalle im Produktstrom, stetig sinkende Aktivität. Zeitskala: Wochen bis Monate. Erfordert ggf. spektroskopische Analytik als Zusatzsignal.

Was das für das Modell bedeutet: Bevor du mit der Feature-Auswahl beginnst, musst du wissen, welcher Mechanismus bei deinem spezifischen Katalysatorsystem dominiert. Ein Druckgradienten-Modell, das für Verkokung optimal ist, ist für Sintering weitgehend blind. Das ist kein ML-Problem — es ist Prozesschemie, die vor der Datenarbeit verstanden werden muss.

Was das System konkret macht

Das ML-Modell schätzt kontinuierlich einen nicht direkt messbaren Zustand: die effektive Katalysatoraktivität. Da der Katalysator nicht online charakterisiert werden kann (keine BET-Messung im laufenden Betrieb, kein XRD, keine TPR/TPO), lernt das Modell einen Proxy: Es korreliert messbare Prozesssignale mit der Aktivität, die durch Offline-Analysen zu Wechselzeitpunkten bekannt ist.

Inputsignale (Minimum-Set für ein Festbett-Reaktormodell):

• Temperaturprofil entlang der Reaktorlänge (mindestens Eingang, Mitte, Ausgang)
• Druckdifferenz Eingang–Ausgang (delta-P)
• Raumgeschwindigkeit (GHSV/LHSV)
• Produktkonzentration oder Selektivitätsmaß (inline-Gaschromatograph, Raman-Sonde oder Probenziehung)
• Feedstock-Zusammensetzung (falls variabel)

Modellarchitektur: Für univariate Signale mit klaren saisonalen Mustern leistet Gradient Boosting (XGBoost, LightGBM) sehr gute Arbeit — schnell trainierbar, interpretierbar, robust gegenüber Missing Data. Für multivariate Zeitreihen mit komplexen Wechselwirkungen bieten Deep Learning-Ansätze wie LSTM oder Temporal Convolutional Networks theoretisch höhere Kapazität, benötigen aber deutlich mehr Trainingsdata und sind schwerer zu validieren.

Für die meisten industriellen Erstimplementierungen empfiehlt sich der Gradient-Boosting-Weg: Das Fraunhofer-IOSB-PrädiKat-Projekt hat gezeigt, dass selbst einfache neuronale Netze sehr gute Ergebnisse liefern — klassische Komplexität schlägt selten überraschend komplexe Modelle bei knapper Datenbasis.

Outputsignale:

• Aktivitätsindex (0–100 %, normiert auf Frischkatalysator)
• Restlaufzeit-Schätzung (Tage bis prognostizierter Spezifikationsbruch)
• Konfidenzintervall um die Schätzung
• Frühwarngrenze (Alert bei < X %)

Das Modell wird nicht autonom — es gibt eine Empfehlung, die Betreiber und Prozessingenieure beurteilen. Der Schritt von “Empfehlung ansehen” zu “Stellgröße autonom nachführen” ist ein zweites Projekt, das operative Freigaben und Sicherheitsanalysen (HAZOP) erfordert.

Was ihr sensorseitig braucht

Das ist die unterschätzte Projektvoraussetzung. Das Modell kann nur so gut sein wie seine Eingangssignale.

Was typischerweise schon vorhanden ist:

• Thermoelement-Kette entlang des Reaktors (Standardinstrumentierung)
• Differenzdruckmessung (Standard bei Festbetten)
• Durchfluss (Standardregelung)

Was oft fehlt oder unzuverlässig ist:

• Online-Analytik für Produktkonzentration: Viele Betriebe nehmen nur manuelle Proben (alle 4–8 Stunden oder seltener). Das reicht für ein Trendmodell, aber nicht für Echtzeitwarnung. Eine inline-Raman-Sonde (→ verwandt mit Raman-Spektroskopie zur Echtzeit-Konzentrationsmessung) oder ein Online-GC erhöht die Modellqualität erheblich.
• Kalibrierung und Drift-Monitoring der Sensoren: Ein Thermoelement, das um 5 °C driftet, erzeugt ein verfälschtes Temperaturprofil. Das Modell lernt das als “normale” Signatur — bis der Sensor kalibriert wird, was dann aussieht wie ein plötzlicher Aktivitätssprung. Sensor-Drift-Monitoring ist Pflicht.
• Feedstock-Qualitätsdaten: Wenn dein Rohstofflieferant die Charge wechselt, ändert sich ggf. die Schwefelbelastung oder der Wassergehalt im Feed. Ohne diese Information kann das Modell einen Vergiftungseffekt nicht von normalem Alterungstrend trennen.
• Katalysatorbatch-Tracking: Wenn verschiedene Lieferanten oder Chargen einer Katalysatorsorte eingesetzt werden, müssen diese im Modell als kategoriales Feature geführt werden. Batch-zu-Batch-Streuung der Aktivität ist real.

Datenhistorie als harter Engpass: Ein Trainingsset für Aktivitätsmodelle braucht mindestens 2–4 vollständige Betriebszyklen mit bekannten Wechsel- bzw. Regenerierungszeitpunkten. Bei Katalysatoren mit Wechselintervallen von 6–18 Monaten bedeutet das 12–72 Monate historische Daten — und die müssen qualitätsgesichert vorliegen. Wenn bisher nur papierbasiert protokolliert wurde, verlängerst du das Projekt entsprechend.

Konkrete Werkzeuge — was wann passt

AVEVA PI System — De-facto-Standard als industrieller Prozessdaten-Historian. Wenn deine Anlage bereits PI betreibt, ist die Datenbasis wahrscheinlich vorhanden. Der Export in ML-Frameworks erfolgt über PI Web API (REST) oder direktes Python-SDK. Empfehlenswert für alle Betriebe, die bereits PI nutzen und keine separate Infrastruktur aufbauen wollen. Kein Self-Service-Einstieg; Enterprise-Preise.

InfluxDB — Open-Source-Zeitreihendatenbank als Alternative zu PI oder als Ergänzung, wenn PI-Integration komplex ist. Hohe Write-Performance, Python-Client vorhanden, on-premise betreibbar. Geeignet für Teams, die einen modernen, kontrollierten Stack aufbauen wollen. Cloudversion hostet auf US-Servern (DSGVO beachten); OSS-Version on-premise unbedenklich.

Azure Machine Learning — Vollständige ML-Plattform mit MLOps, Modell-Registry und EU-Hosting (Germany West Central). Sinnvoll für Teams, die ohnehin Microsoft-Infrastruktur nutzen und strukturierte Modell-Deployments brauchen. Kosten: 100–500 € für Experimentierphasen, 1.000–5.000 € für produktive Endpunkte. DSGVO-konform über die Frankfurt-Region.

Dataiku — Visuelles ML-Framework für Teams mit Prozessingenieuren ohne tiefes Data-Science-Background. Flow-Ansicht macht die ML-Pipeline für alle Stakeholder nachvollziehbar. Sinnvoll, wenn der Prozessingenieur das Modell verstehen und validieren muss, aber nicht Python schreiben will. Enterprise-Preise (Median ~190.000 USD/Jahr) — nur für Konzerne und große Chemieunternehmen.

MLflow — Open-Source-Experiment-Tracking und Model-Registry. Unverzichtbar, sobald mehr als ein Modell oder mehr als eine Person an der Modellentwicklung beteiligt ist. Hält Trainingshistorie, Hyperparameter, Metriken und Modell-Versionen fest. Self-hosted möglich; kein Vendor-Lock-in. Gut kombinierbar mit dem Python-Data-Science-Stack (scikit-learn, XGBoost, PyTorch).

Siemens Insights Hub — IIoT-Plattform für Anlagen mit Siemens-Leittechnik. Wenn deine DCS-Infrastruktur von Siemens stammt, ist Insights Hub die integrierte Alternative zu PI + Azure ML. Predictive-Maintenance-Apps inklusive; EU-Hosting; DSGVO-konform. Einschränkung: enger mit der Siemens-Welt verknüpft als herstellerunabhängige Stacks.

AspenTech DMC3 — Wenn das Ziel über Katalysatordiagnose hinausgeht und in Richtung vollständige Prozessoptimierung geht: DMC3 übernimmt automatisierte Stellgröße-Anpassungen (Temperatur, Durchfluss, Katalysatordosierung) auf Basis von Prozessmodellen. Höhere Komplexität und Kosten als ein reines Monitoring-Modell, aber deutlich mehr Automatisierungsgrad. Sinnvoll als nächste Ausbaustufe nach erfolgreicher ML-Diagnose.

Zusammenfassung: Wann welcher Ansatz

• PI bereits im Haus, Azure-affin → AVEVA PI System + Azure Machine Learning + MLflow
• Siemens-DCS, keine vorhandene Datenplattform → Siemens Insights Hub
• Greenfield-Projekt, Open-Source-bevorzugt → InfluxDB + Python/scikit-learn + MLflow
• Großkonzern, visuelle Workflows für Mixed Teams → Dataiku (+ AVEVA PI System als Datenquelle)
• Ziel: autonome Prozessregelung (Schritt 2) → AspenTech DMC3

Datenschutz und Datenhaltung

Produktionsdaten aus Chemieanlagen sind typischerweise keine personenbezogenen Daten — sie beschreiben Maschinenzustände (Temperatur, Druck, Durchfluss, Konzentration). DSGVO-Relevanz entsteht dort, wo Schichtpläne, Maschinenfahrer-IDs oder Produktionsmengen mit konkreten Chargen und Zeitstempeln kombiniert werden, die Rückschlüsse auf einzelne Personen erlauben. Das ist ein Randfall, der mit der Datenschutzbeauftragten abgestimmt werden sollte, aber keine zentrale Hürde.

Wichtiger sind Betriebsgeheimnisse: Prozessparameter, Katalysatorformulierungen und Ausbeutedaten sind typischerweise sensibel im Sinne des Wettbewerbsrechts. Relevant für die Tool-Wahl:

• On-Premises oder EU-Cloud: Für die meisten Chemieunternehmen ist On-Premise-Deployment oder eine dedizierte EU-Region (Azure Germany West Central, AWS Frankfurt) Pflicht — nicht wegen DSGVO, sondern wegen des Schutzes von Geschäftsgeheimnissen. AVEVA PI on-premise ist die sicherste Option; Azure ML in Germany West Central DSGVO-konform und BSI-C5-zertifiziert.
• Wer darf Zugriff auf Modell und Daten haben? Systemintegratoren und ML-Dienstleister, die Zugang zu den Trainingsdaten bekommen, müssen über Geheimhaltungsvereinbarungen (NDA) und ggf. über AVV-Konstrukte eingebunden werden.
• EU AI Act: Industrielle Prozesssteuerungssysteme können je nach Automatisierungsgrad unter den EU AI Act als Hochrisiko-KI fallen — insbesondere wenn das ML-Modell autonom in Stellgrößen eingreift. Monitoring-Systeme ohne direkte Regelungseingriffe fallen in der Regel nicht in die Hochrisikoklassen.

Was es kostet — realistisch gerechnet

Projektkosten (einmalig)

Laufende Kosten

• Dateninfrastruktur (PI/InfluxDB): bereits vorhanden oder 5.000–30.000 € p.a. bei Neuaufbau
• ML-Plattform (Azure ML, Managed MLflow auf Databricks): 1.000–5.000 € p.a.
• Modell-Monitoring und Retraining (1× jährlich oder nach Ereignis): 5.000–20.000 € p.a. intern/extern

Nutzenrechnung (konservatives Szenario)

Eine Anlage mit 150.000 t/Jahr Produktion, zwei ungeplanten Katalysatorwechseln pro Jahr (je 3 Shutdown-Tage, 150.000 € Produktionsverlust + 100.000 € Katalysatormaterial):

• Kosten ungeplante Wechsel ohne Modell: 500.000 € p.a.
• Reduktion auf 0–1 ungeplante Wechsel durch Modell: Einsparung 250.000–500.000 € p.a.
• Amortisationszeit: 6–18 Monate nach Go-live

Im konservativen Szenario (nur ein vermiedener Wechsel pro Jahr, halber Nutzeneffekt): 3–4 Jahre bis zur Amortisation. Das ist immer noch ein akzeptabler Business Case für die meisten Prozessanlagen — vorausgesetzt, der Betrieb läuft kontinuierlich mit hoher Auslastung.

Modellretraining: Wann und warum

Das ist kein Thema, das man nach dem Go-live in die “irgendwann”-Liste verschieben kann.

Katalysator-ML-Modelle degradieren aus drei klar benennbaren Gründen:

1. Neuer Katalysatortyp oder -lieferant Wenn die Anlage auf eine neue Katalysatorformulierung oder einen anderen Lieferanten wechselt, ändert sich die Aktivitäts-Signatur fundamental. Das alte Modell kennt dieses Verhalten nicht. Ergebnis: falsche Aktivitätsschätzungen, möglicherweise verfrühter oder verzögerter Alarm. Lösung: Neuer Katalysatortyp = mindestens ein vollständiger Betriebszyklus im Advisory-Modus, danach Retrain auf neuen Daten.

2. Rohstoff-Zusammensetzungsänderung Wenn der Feedstock-Lieferant wechselt oder die Spezifikation sich ändert (andere Schwefelbelastung, andere Wassergehalte), ändert sich das Vergiftungsrisiko. Das Modell unterscheidet das nicht automatisch von normalem Alterungstrend. Lösung: Feedstock-Qualitätsdaten ins Modell einbauen und bei signifikanten Änderungen zeitnah überprüfen.

3. Anlagenänderungen (Equipment Change) Neuer Wärmetauscher, andere Pumpe, modifizierte Regelstrategie — jede technische Änderung an Betriebsmitteln, die Reaktorparameter beeinflusst, verändert die Baseline-Signatur. Das Modell lernt die alte Signatur als “normal” und interpretiert die neue als Anomalie. Lösung: Change-Management-Prozess, der ML-Modellprüfung als Schritt nach Equipment-Änderungen einschließt.

Empfohlene Retraining-Kadenz:

• Nach jedem Katalysatorwechsel: automatisches Fine-Tuning auf neue Startbedingungen
• Nach Rohstoffchargen-Änderung: manuelle Prüfung und ggf. Retrain
• Mindestens jährliche Modell-Review (auch wenn kein Ereignis eingetreten ist)
• Nach Equipment-Änderungen: Pflichtprüfung

Das ist organisatorisch nicht trivial. Wer den Retrain-Prozess nicht in die Betriebsroutine einbaut, hat nach 24 Monaten ein Modell, das die aktuelle Anlage nur noch unvollständig abbildet.

Drei typische Einstiegsfehler

1. Modell ohne Offline-Validierungsdaten entwickeln Der häufigste Fehler: Ein Data Scientist bekommt die Historydaten, trainiert ein Modell auf Druckgradient und Temperatur und meldet es als “fertig”. Was fehlt: Ground-Truth-Labels. Wie aktiv war der Katalysator zu welchem Zeitpunkt wirklich? Ohne offline-gemessene Aktivitätswerte aus Laborproben, Wechselprotokollen oder BET-Oberflächen-Analysen zu bekannten Zeitpunkten kann das Modell seinen Output nicht validieren — es fixt eine Proxy-Variable, aber niemand weiß, ob diese Proxy-Variable zur tatsächlichen Aktivität passt. Lösung: Vor dem ML-Projekt die Offline-Analytik-Protokolle strukturieren und historisch rekonstruieren, soweit möglich.

2. Nur einen Reaktorzyklus als Trainingsdata nutzen Katalysatordegradation ist pfadabhängig: Wie die ersten Monate verlaufen (Einfahrbedingungen, frühe Temperaturspitzen, erste Regenerierungsereignisse) beeinflusst, wie das Modell die Deaktivierung einschätzt. Mit einem Zyklus lernt das Modell genau einen Weg der Alterung. Lässt man die Anlage dann anders fahren — höhere Belastung, andere Temperaturen — passt das gelernte Muster nicht mehr. Lösung: Mindestens 2–3 vollständige Zyklen mit verschiedenen Betriebsregimes in den Trainingsdaten.

3. Das Betriebsteam nach dem Go-live nicht einbinden Ein Modell, dem das Betriebsteam nicht vertraut, wird nicht genutzt. Das ist der gefährlichste Fehler — weil er still passiert. Die Schichtfahrer sehen den Aktivitätsindex täglich, glauben ihm aber nicht, weil er einmal einen falschen Alarm erzeugt hat. Sie machen weiter wie vorher. Lösung: Bereits während des Advisory-Betriebs (bevor das Modell “offiziell” ausgerollt ist) die Schichtfahrer täglich mit der Modellausgabe konfrontieren und ihr Feedback einholen. Wenn sie sagen “das stimmt nicht”, ist das keine Kritik am Modell — das ist Signal für Fehlkalibrierung oder ein Sensor-Drift-Problem. Wer diese Rückkopplung ignoriert, verliert die Glaubwürdigkeit des Systems.

Und der gefährlichste Fehler: das Modell nach dem ersten Katalysatorwechsel nicht neu kalibrieren. Nach einem Wechsel ist die Aktivität auf 100 % zurückgesetzt — die Startbedingungen des neuen Katalysators unterscheiden sich von denen des alten. Das Modell braucht eine explizite Resetlogik, sonst läuft es in die erste Phase des neuen Lebenszyklus mit alten Schwellenwerten und erzeugt Fehlalarme oder verschläft die initiale Einfahrphase.

Was mit der Einführung wirklich passiert — und was nicht

Was gut klappt: Die Prozessingenieure sind erfahrungsgemäß die enthusiastischsten Nutzer. Sie kennen die Unsicherheit der bisherigen Wechselentscheidung aus eigener Erfahrung. Sobald das Modell eine gut begründete Restlaufzeit-Schätzung liefert, wird diese Teil ihrer Entscheidungsroutine — nicht als Autorität, aber als Kalibrierungshilfe.

Was schwierig ist: Drei Widerstands-Muster treten fast immer auf:

Die “Ich-kenne-meinen-Reaktor”-Ingenieure. Jede Anlage hat jemanden, der seit 20 Jahren diesen Reaktor fährt und instinktiv spürt, “wann es Zeit wird”. Diese Erfahrung ist wertvoll und korrekt — aber nur für stabile Betriebsbedingungen. Bei Rohstoff-Änderungen, neuen Katalysatorchargen oder Anlagenmodifikationen versagt das implizite Erfahrungsmodell systematisch. Der beste Weg: die erfahrene Person einladen, die Schwellenwerte und Alarmgrenzen des Modells mitzugestalten. Wer das Modell mitgebaut hat, akzeptiert es als Partner statt als Konkurrenz.

Das “Einmal falsch, nie wieder”-Syndrom. Wenn das Modell in der ersten Betriebsphase einen Fehlalarm erzeugt — weil ein Sensor gedriftet ist, weil ein Regenerierungsereignis nicht korrekt erfasst wurde — verlieren Schichtfahrer schnell das Vertrauen. Das ist vermeidbar: Die ersten sechs Monate im Advisory-Modus mit expliziter Feedback-Schleife betreiben. Jeder Alarm wird besprochen (“war das gerechtfertigt? was hat wirklich gefehlt?”), und das Modell wird entsprechend nachgebessert. Nach 3–4 Falsch-Positiv-Raten unter 10 % ist das Vertrauen aufgebaut.

Procurement und Genehmigungen. Chemieanlagen haben strenge Änderungsprozesse (Management of Change, MOC). Ein neues Software-System, das Wartungsempfehlungen erzeugt, muss als Betriebsmittel durch den MOC-Prozess — das dauert. Plant das frühzeitig ein.

Realistischer Zeitplan mit Risikohinweisen

Realistisches Minimum bis zum ersten Go-live: 12–18 Monate. Wer kürzer plant, unterschätzt entweder den Datenbedarf oder überspringt den Advisory-Betrieb.

Häufige Einwände — und was dahintersteckt

“Unser Prozessleitsystem loggt die Daten nicht richtig — das geht nicht.” Fast immer gibt es mehr Daten, als vermutet. Historian-Systeme wie PI oder InfluxDB zeichnen in der Regel auf — aber die Datenpunkte sind möglicherweise nicht in der richtigen Granularität verfügbar, oder Labels für historische Wechselereignisse müssen aus Papier-Protokollen rekonstruiert werden. Das ist aufwändig, aber machbar. Eine Datenqualitäts-Diagnose (2–4 Wochen, intern oder extern) bringt Klarheit.

“Wir haben zu wenig Wechselereignisse für ein Training.” Das ist der häufigste echte Engpass. Wenn ein Katalysator 18 Monate hält und die Anlage seit 3 Jahren läuft, hat man genau 2 vollständige Zyklen. Das ist knapp, aber nicht unmöglich — vorausgesetzt, beide Zyklen sind gut dokumentiert und es gibt Offline-Analytik-Daten. Transfer Learning (Vorab-Training auf simulierten Daten, Fine-Tuning auf echten Betriebsdaten) ist eine Option, die den Datenbedarf reduziert. Manche Fälle sind aber schlicht noch nicht reif — dann ist der richtige Schritt, die Datenqualität und -dichte für den nächsten Zyklus zu optimieren und in 12–18 Monaten erneut zu evaluieren.

“Was, wenn das Modell einen Wechsel zu spät empfiehlt?” Das ist der berechtigte Sicherheitseinwand. Die Antwort liegt im Design der Alarmgrenze: Das Modell wird nicht so kalibriert, dass es bis zur letzten Minute wartet. Die Frühwarngrenze wird konservativ gesetzt — zum Beispiel bei 70 % der prognostizierten Restlaufzeit, nicht bei 95 %. Außerdem läuft das Modell im Advisory-Modus: Die Endentscheidung trifft der Prozessingenieur, nicht das Modell. Wenn Modell und Erfahrungswissen divergieren, ist das ein Signal für einen Dialog — nicht für eine automatische Aktion.

Woran du merkst, dass das zu dir passt

Du bist gut aufgestellt für dieses Projekt, wenn:

• Dein Reaktor fährt kontinuierlich (kein Batch-Betrieb) mit Katalysatorlaufzeiten von mindestens 3 Monaten
• Deine Anlage hat einen Prozessleitsystem-Historian (AVEVA PI System, InfluxDB, Siemens Historian oder vergleichbar) mit mindestens 12–18 Monaten Datenhistorie
• Du hast mindestens 2–3 dokumentierte Katalysatorwechsel mit bekanntem Datum und Zustand des entnommenen Katalysators (Offline-Analytik)
• Jeder ungeplante Wechsel kostet mindestens 100.000 € — unterhalb dieser Schwelle ist die Projektinvestition betriebswirtschaftlich schwer zu rechtfertigen
• Du hast eine feste Person, die Modellpflege und Retraining nach Katalysatorwechseln eigenverantwortlich übernimmt (nicht die IT, nicht “alle”)
• Dein Feedstock ist stabil oder du hast Online-Analytik dafür — ohne diesen Datenpfad ist Vergiftung nicht modellierbar

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

1. Kein Prozesshistorian vorhanden und weniger als 5 Vollzeit-Prozessingenieure. Ohne strukturierte Datenhistorie gibt es kein Trainingsset. Wer noch kein SCADA-System mit Logging betreibt, sollte erst diese Infrastruktur aufbauen — das ist die Voraussetzung, nicht das Projekt selbst. Der Historian ist die unverzichtbare Grundlage, auch für vorausschauende Wartung an Chemieanlagen generell.

2. Wechselintervall unter 3 Monaten oder Batch-Reaktor mit variablen Zyklen. Bei kurzen Katalysatorlebenszeiten ist die Datenakkumulation für ein ML-Modell mit statistischer Stabilität schlicht zu langsam. Der manuelle Wechsel nach Zeitplan ist hier oft die sinnvollere Lösung. Batch-Reaktoren mit starken Zyklusunterschieden sind ein separater Anwendungsfall mit anderen Modellansätzen.

3. Keine stabile Rohstoffbasis und kein Budget für Online-Analytik. Wenn der Feedstock regelmäßig wechselt (Lieferanten, Chargen, saisonale Qualitätsschwankungen) und keine Online- oder engmaschige Offline-Analytik vorhanden ist, kann das Modell Vergiftung nicht von normaler Alterung trennen. Ergebnis: Fehlalarme und Nicht-Erkennung gleichzeitig — das Schlimmste beider Welten.

Das kannst du heute noch tun

Bevor du ein Projekt auflegst, mach die Vorab-Diagnose in zwei Stunden:

1. Exportiere aus deinem Historian die Druckgradienten-Zeitreihe des letzten vollständigen Katalysatorzyklus (Einbau bis Wechsel).
2. Trage alle Wechseldaten und verfügbaren Offline-Analytik-Daten in eine Tabelle ein.
3. Schau dir an: Wie viel des Katalysator-Lebens ist auf der Druckkurve sichtbar? Gibt es einen klaren Trend, oder ist das Signal verrauscht?

Das sagt dir mehr über die Machbarkeit als jede Erstanalyse eines externen Dienstleisters.

Für den Modell-Einstieg oder eine methodische Diskussion mit dem Team kannst du den folgenden Prompt verwenden:

Quellen & Methodik

• Fraunhofer IOSB PrädiKat (2020–2021): Projekt zur KI-gestützten Vorhersage von Katalysatoralterung für Methanoxidations-Prozesse (Schiffsmotor-Abgasnachbehandlung), durchgeführt von Fraunhofer IOSB und Fraunhofer UMSICHT im Rahmen des CCIT-Förderprogramms. Ergebnis: Neuronales Netz mit einem Hidden Layer erreicht gute Vorhersage der Restlebensdauer aus Sensorwerten. Quelle: iosb.fraunhofer.de/praedikat
• PNNL / SLAC DOE-Projekt (2023): US-Energieministerium-finanziertes Forschungsprojekt zur ML-gestützten Katalysatordegradationsvorhersage. Robert Rallo (PNNL) leitet den ML-Strang. Anerkennt begrenzte Datenverfügbarkeit als zentrale Herausforderung. Quelle: pnnl.gov/predicting-catalyst-degradation
• ABB True Cost of Downtime Survey (Juli 2023): Ungeplante Stillstände kosten durchschnittlich 125.000 USD/Stunde; über zwei Drittel aller Industriebetriebe erleben monatlich mindestens einen ungeplanten Ausfall. Quelle: new.abb.com
• Innovapptive: Unplanned Downtime in the Chemical Industry: Chemieindustrie verliert jährlich 20 Milliarden USD durch ungeplante Ausfälle. Quelle: innovapptive.com
• Catalyst Regeneration Market Report 2024–2032: Mehr als 45 % der großen Raffinerien setzen Predictive-Maintenance-Tools für Regenerationsplanung ein; Pilotprojekte einer Digital-Twin-Plattform für Regenerationsplanung berichten 15 % Downtime-Reduktion im ersten Jahr. Quelle: intelmarketresearch.com (2024)
• Deaktivierungsmechanismen: Lehrstuhl-Ressourcen University of Michigan (Scott Fogler, Elements of Chemical Reaction Engineering, Kapitel 10: Catalyst Decay), ergänzt durch RSC-Publishing-Review „Unlocking Catalytic Longevity” (2025). Kanonische Mechanismus-Taxonomie: Poisoning, Sintering, Coking, Leaching.
• ML-Vorhersagegüte in der Katalyse: Gradient-Boosting-Modelle (XGBoost, LightGBM) erreichen R² > 0,85 bei Katalysatoraktivitätsprognosen unter sauberen Trainingsbedingungen (ScienceDirect, Applied Catalysis B, 2023; Abraham et al., WIREs Comput. Mol. Sci., 2024).
• Kosten und Zeitplanung: Erfahrungswerte aus industriellen Predictive-Maintenance-Projekten in der europäischen Prozessindustrie. Eigene Schätzungen; keine repräsentative Studie.

Du willst wissen, ob deine Datenlage und Anlage für ein Katalysatormodell geeignet sind — und was der realistische erste Schritt für euren Kontext wäre? Meld dich — das klären wir in einem kurzen Gespräch.