Raman-Spektroskopie: Konzentrationen in Echtzeit per KI auswerten

Das echte Ausmaß des Problems

Raman-Spektroskopie als Inline-Messtechnik ist in der Chemie- und Pharmaindustrie seit Jahren etabliert. Das Spektrometer misst, der Laser trifft den Prozessstrom, das Streulicht enthält die Fingerabdrücke aller anwesenden Moleküle. Was fehlt, ist die Übersetzung: Aus einem Rohdatenspektrum mit hunderten überlagerten Peaks eine präzise Konzentrationsangabe für jede Komponente zu extrahieren — das war historisch Aufgabe ausgebildeter Chemometriker, die am Auswertungscomputer saßen.

Ohne automatisierte Auswertung sieht der Alltag so aus: Das Spektrometer läuft, die Daten werden geloggt, aber eine belastbare Konzentrationszahl liegt erst nach manueller Auswertung vor — oder gar nicht. Die Alternative ist klassische Probenahme: Probe ziehen, ins Labor, Referenzmethode (meist HPLC), Ergebnis nach 30–90 Minuten. Bei Batch-Prozessen mit kritischen Zeitfenstern ist das häufig zu spät.

Das quantitative Ausmaß ist branchenbekannt, aber selten offen diskutiert:

• Bei typischen Reaktionskontroll-Prozessen in der Feinchemie summiert sich der Probenahme-Aufwand auf 2–4 Stunden täglich je Anlage — Laborpersonal, Gerätezeit, Dokumentation
• Jede zu spät erkannte Abweichung erzeugt im schlimmsten Fall einen Batch-Verlust. In der Spezialchemie liegen Chargenwerte häufig zwischen 50.000 und 500.000 Euro
• Laut einer Marktumfrage von CHEManager (2022) nennen Unternehmen den Mangel an Fachpersonal für Chemometrie-Auswertung als ein Haupthindernis für den breiten PAT-Einsatz — nicht den Mangel an Sensorik

Die Technik ist vorhanden. Was fehlt, ist die skalierbare Auswertungsintelligenz, die das Spektrometer-Signal in Echtzeit in eine nutzbare Konzentrationsgröße verwandelt.

Mit vs. ohne KI — ein ehrlicher Vergleich

¹ Erfahrungswerte aus PAT-Implementierungen bei Feinchemie- und Pharmabetrieben mit 2–8 Reaktionskontrollmessstellen.

Der Vergleich macht deutlich: Der Hauptgewinn liegt nicht bei Kosten, sondern bei Geschwindigkeit und Eingriffsmöglichkeit. Wer Konzentrationsdaten in Echtzeit hat, kann in das Prozessfenster eingreifen — statt hinterher eine Charge nachzubessern oder zu verwerfen.

Einschätzung auf einen Blick

Zeitersparnis — sehr hoch (5/5)
Der Sprung von 30–90 Minuten Offline-Latenz auf Echtzeitmessung im Sekunden-Takt ist in dieser Kategorie der stärkste Zeithebeleffekt, der erreichbar ist. Kein anderer Anwendungsfall in der Chemie eliminiert Analyselatenz so vollständig wie die Inline-Prozessanalytik. Das ist kein Effizienzgewinn — das ist ein Qualitätssprung im Prozesscontrolling.

Kosteneinsparung — mittel (3/5)
Die Investition ist erheblich: Inline-Raman-Hardware (Kaiser Rxn5, Bruker Process Guardian) kostet 70.000–150.000 Euro je System, dazu Modellelaborentwicklung und -validierung (3–6 Monate interner Aufwand oder externe Dienstleister ab ca. 40.000 Euro). Die Einsparungen durch reduzierte Laboranalytik und verhinderte Batch-Verluste sind real, amortisieren aber erst nach 18–36 Monaten. Eine mittlere Bewertung unter den Chemie-Anwendungsfällen ist fair.

Schnelle Umsetzung — niedrig (2/5)
Kein Anwendungsfall in dieser Kategorie benötigt länger bis zur validierten Produktion. Substanzspezifische Kalibrierung, Cross-Validierung, Methodenvalidierung und (in der Pharma) regulatorische Abnahme brauchen zusammen 6–12 Monate. Das ist nicht abkürzbar — die Substanzphysik lässt sich nicht durch zusätzliches Budget beschleunigen. Knappe Position am unteren Ende des Machbaren.

ROI-Sicherheit — hoch (4/5)
Sobald das Modell läuft, ist der Nutzen direkt messbar: RMSEP-Wert des Modells, eingesparte Lab-Stunden, Batch-Verluste verhinderter Abweichungen. In der Praxis liegen RMSEP-Werte gut kalibrierter Raman-PLS-Modelle unter 2 % relativer Fehler — vergleichbar mit nasschemischen Referenzmethoden. Der ROI ist buchbar. Nicht auf Maximalwert, weil die initiale Hardware-Investition das Kalkül in kleineren Betrieben unscharf macht.

Skalierbarkeit — niedrig (2/5)
Jede neue Substanz, jede neue Reaktionsmatrix, jeder neue Produktionsstandort: neues Kalibriermodell. Der Kalibrierungsaufwand skaliert linear mit der Substanzvielfalt. Was für Evonik mit 16 Geräten und Dedicated-PAT-Teams machbar ist, stößt im Mittelstand mit wechselnden Produktionschargen an Kapazitätsgrenzen. Ehrliche Bewertung: niedrig.

Richtwerte — stark abhängig von Substanzcharakteristik, Fluoreszenzneigung der Matrix und verfügbarer interner Chemometrie-Kompetenz.

Was das KI-Modell konkret macht

Das Grundprinzip: Ein Raman-Spektrum ist ein zweidimensionaler Datenpunkt — Intensität über Wellenzahl (cm⁻¹). Bei reinen Substanzen erkennt ein Analytiker einzelne charakteristische Peaks. Bei Mehrkomponentengemischen überlagern sich die Signale. Manuelle Auswertung ist dann entweder ungenau oder prohibitiv zeitaufwändig.

Der klassische Ansatz: PLS-Regression

Machine Learning löst dieses Problem mit Partial-Least-Squares-Regression (PLS) — einer multivariaten Methode, die im Kern lernt, welche Spektralbereiche für welche Konzentration vorhergesagen sind. Das Modell braucht Trainingsproben: Spektren von Proben bekannter Zusammensetzung (aus der Laborreferenzmethode). Mit 30–150 Referenzproben lässt sich ein robustes PLS-Modell aufbauen, das danach für neue Spektren eine Konzentrationsprognose in Millisekunden liefert.

Neuere Ansätze: CNNs auf Rohdaten

Für komplexe Mehrkomponentensysteme oder überlagernde Fluoreszenz-Hintergründe zeigen Convolutional Neural Networks (Deep Learning) in wissenschaftlichen Studien höhere Genauigkeit als PLS. Eine Studie in Scientific Reports (2023) zur Zellkulturüberwachung demonstrierte, dass CNN-Modelle Glukose- und Laktatkonzentrationen in CHO-Zellkulturen mit höherer Präzision vorhersagen als PLS — allerdings auf Kosten von deutlich mehr Trainingsproben und höherem Rechenaufwand.

Spektrale Vorverarbeitung: Das Stiefkind der Implementierung

Bevor das Modell auf Spektren losgelassen wird, müssen Signalstörungen beseitigt werden: Fluoreszenz-Untergrund (eine der häufigsten Fehlerquellen), Basislinien-Drift durch Temperaturschwankungen, Intensitätsvariationen durch Laserstabilität. Algorithmen wie Asymmetric Least Squares (ALS) für Untergrundkorrektur oder Multiplicative Scatter Correction (MSC) für Streueffekte sind Teil jeder professionellen Raman-Kalibrierungspipeline. Wer diesen Schritt unterschätzt, erzeugt systematische Modellfehler, die sich erst im Produktionsbetrieb zeigen.

Welche Hardware du brauchst — und warum das wichtig ist

Raman-Inline-Analytik ist untrennbar von der Hardware. Das Modell ist nur so gut wie das Spektrum, das das Sensorik-System liefert.

Inline-Sonden vs. nicht-invasive Messungen

Für Flüssigkeiten und Reaktoren gibt es zwei Haupttypen: Immersionssonden (direkt in den Prozessstrom eingetaucht, z.B. über einen Stutzen im Reaktordeckel) und fasergekoppelte Sonden mit Saphirfenster-Adapter (kein direkter Kontakt). Immersionssonden liefern höhere Signalintensität, sind aber reinigungs- und sterilisierungsaufwändiger. Für ATEX-Bereiche (brennbare Lösemittel, Gase) sind zertifizierte Sonden zwingend — die ATEX-Zertifizierung ist ein Kaufkriterium, das nicht nachträglich ergänzbar ist.

Laserwellenlänge und Fluoreszenz

Die Wahl der Laserwellenlänge (785 nm, 1064 nm, 532 nm) beeinflusst direkt die Fluoreszenz-Empfindlichkeit der Messung. Biologische Matrices, Farbstoffe und viele organische Verbindungen fluoreszieren bei 532 nm stark — ein 785-nm-Laser reduziert diesen Effekt erheblich. Für hochfluoreszierende Proben (bestimmte Polymere, farbige Lösungen) kann 1064 nm notwendig sein. Die Wellenlänge entscheidet, nicht das Modell.

Etablierte Systemanbieter in der Prozesschemie

• Endress+Hauser (Kaiser Raman Rxn-Serie): Marktführer in der Prozesschemie. Evonik nutzt die Rxn2-Analysatoren für Inline-Messung in der Oxo-Alkohol-Produktion — 16 Geräte mit über 50 Messstellen in Deutschland in Betrieb (Stand 2023). ATEX-zertifiziert, robuste Langzeiterfahrung.
• Bruker Process Guardian: Modular aufgebaut, Faserkopplung bis 200 m zum Analysator. Gut kombinierbar mit der Bruker OPUS-Auswertungssoftware, die bereits Chemometrie-Funktionen enthält.
• Thermo Fisher MarqMetrix All-In-One: Kompaktes System für Bioprozesse (Bioreaktoren, Fermentation) — für pharmazeutische Zellkulturprozesse zunehmend verbreitet.
• Renishaw Virsa: Fasergekoppeltes System für PAT-Bioprocessing, speziell für Einweg-Reaktoren (Single-Use) konfiguriert.

Praxishinweis: Die Wahl des Systemanbieters prägt über 5–10 Jahre. Kalibriermodelle sind gerätespezifisch — ein Transfer auf ein Gerät eines anderen Herstellers erfordert vollständige Neukalibrierung.

Kalibrierungstransfer: Das unterschätzte Produktionsproblem

Ein Raman-Kalibriermodell wird im Labor entwickelt, an einem bestimmten Gerät, bei bestimmten Temperatur- und Druckbedingungen, mit Referenzproben einer bestimmten Charge. Dann kommt die Produktion.

Was beim Transfer auf die Produktionsanlage passiert

Das Laborgerät und das Prozessgerät unterscheiden sich in Faseroptik-Eigenschaften, Sensitivität, Detektor-Shift und Laserwellenlängen-Genauigkeit. Das Modell, das im Labor mit RMSEP 1,2 % präzise arbeitete, liefert im Produktionseinsatz plötzlich systematische Abweichungen von 5–8 %. Eine Studie in ScienceDirect (2017) zur Kalibrierungsübertragung für Flüssigwaschmittel-Zusammensetzungen zeigte: Ohne explizites Transfer-Protokoll (z.B. Direct Standardization, Piecewise Direct Standardization) sind Kalibrierübertragungen zwischen zwei Inline-Geräten verschiedener Standorte oft nicht ohne erhebliche Nachkalibrierung valide.

Wartung erzeugt Modellabweichungen

Service-Interventionen (Reinigung der Sonde, Tausch der Faser, Detektorkalibrierung durch den Hersteller) können dazu führen, dass ein bestehendes Modell anschließend nicht mehr spezifikationskonform arbeitet. Eine Untersuchung aus ScienceDirect (2024) zur Langzeitstabilität von Transmissions-Raman-Kalibriermodellen in pharmazeutischen Anlagen zeigte: Nach routinemäßigen jährlichen Service-Interventionen mussten die meisten Modelle nachkalibriert oder neu validiert werden, um Spezifikationskonformität zu erhalten.

Praktische Konsequenz

Plane für jede Produktionsinbetriebnahme und nach jedem Geräte-Service ein explizites Re-Validation-Protokoll ein: 10–20 Referenzproben aus dem aktuellen Produktionsbetrieb, Vergleich mit dem bestehenden Modell, Entscheidung ob Update nötig. Ohne dieses Protokoll entsteht schleichend ein Zustand, bei dem das Modell formal noch läuft, aber still und leise ungenau wird.

Konkrete Werkzeuge — was wann passt

Die Toolkette für KI-gestützte Raman-Prozessanalytik besteht aus drei Schichten: Sensor-Hardware, Chemometrie-Software und Prozessintegrations-Plattform.

Für die Kalibriermodell-Entwicklung

Eigenvector Solo ist die branchenübliche Desktop-Software für PLS-Kalibrierungen im professionellen Labor. Preis: ca. 5.455 USD (commercial single user, Stand 2026 — eigenvector.com). Direkte Importfilter für Bruker, Kaiser/Endress+Hauser und Renishaw. Gut für GxP-konforme Dokumentation der Modellentwicklung. Einschränkung: keine deutschsprachige Oberfläche, kein Cloud-Betrieb.

CAMO Unscrambler X (jetzt Aspentech) — Alternative zu Solo mit ähnlichem Funktionsumfang und etwas modernerer Oberfläche. Seit der Übernahme durch Aspentech stärker in Richtung Prozessleitsystem-Integration entwickelt. Preis auf Anfrage.

Bruker OPUS — Wenn ihr bereits Bruker-Hardware einsetzt, ist OPUS die naheliegende Wahl. Spektraldatenbank, Methoden-Definition und begrenzte Chemometrie-Funktionen in einem Bundle. Für reine PLS-Kalibriermodelle ausreichend, für komplexe Multi-Modell-Systeme stoßt ihr an Grenzen.

Metrohm Vision Air — Cloud-basierte Plattform primär für NIR, aber auch für Raman einsetzbar. EU-Datenhaltung, guter Ausgangspunkt für standortübergreifende Modellverwaltung. Sinnvoll, wenn ihr mehrere Standorte habt und Modelle zentral verwalten wollt.

Für fortgeschrittene Modelle mit Deep Learning

KNIME Analytics Platform bietet eine visuelle Pipeline für Spektrendaten, inklusive Deep-Learning-Nodes und Direktanbindung an Python-Bibliotheken. Kostenlos für den Desktop-Betrieb. Erfordert chemometrische Kenntnisse und Datenaufbereitungs-Know-how — aber für Teams mit Analysekompetenz ohne Softwareentwicklungs-Hintergrund die zugänglichste Option für CNN-basierte Spektrenauswertung.

Zusammenfassung: Wann welcher Ansatz

• Standardisierte Prozesse, PLS-Kalibrierung, kein Python: Eigenvector Solo oder Unscrambler X
• Bruker-Hardware, begrenzte Chemometrie-Anforderungen: Bruker OPUS
• Multi-Site, NIR/Raman gemischt, Cloud-Verwaltung: Metrohm Vision Air
• Komplexe Matrixeffekte, CNN-Modelle, Python-Kompetenz im Team: KNIME oder direkte Python-Implementierung

Datenschutz und Datenhaltung

Raman-Prozessanalytik verarbeitet im Kern Produktions-Know-how: Reaktionskinetiken, Konzentrations-Zeit-Profile, Kalibrierungsdatensätze mit Substanzspezifika. Diese Daten sind in der Spezialchemie und Pharma hochsensibel — nicht aus DSGVO-Perspektive (keine personenbezogenen Daten), sondern aus Wettbewerbs- und IP-Schutzperspektive.

Lokale Verarbeitung vs. Cloud-Dienste

Die gängigen Chemometrie-Softwarepakete (Eigenvector Solo, Bruker OPUS) laufen lokal auf Windows-Servern in der Anlage oder im Labornetz. Keine Cloud-Abhängigkeit, keine Datenweitergabe an Drittanbieter. Das ist für die meisten Chemieunternehmen die richtige Wahl — Produktions-Know-how bleibt im Haus.

Cloud-basierte Optionen wie Metrohm Vision Air (EU-Hosting) sind für unkritische Überwachungsaufgaben und Multi-Site-Verwaltung vertretbar. Bei Substanzspezifika mit IP-Relevanz sollte vor dem Einsatz geprüft werden, ob die Kalibrierdaten Cloud-transferiert werden müssen oder ob nur Modellparameter synchronisiert werden.

GxP und regulatorische Anforderungen

In der Pharmaindustrie gilt für PAT-Systeme der FDA-Leitfaden „PAT — A Framework for Innovative Pharmaceutical Development, Manufacturing, and Quality Assurance” (2004). Kalibriermodelle gelten als validierte Analysemethoden und unterliegen Änderungskontrolle, Audit-Trails und Dokumentationspflichten. Das bedeutet: Jede Änderung am Modell (neue Trainingsdaten, Parameterjustierung) muss dokumentiert und ggf. neu validiert werden. DSGVO spielt bei diesen rein prozessanalytischen Daten keine Hauptrolle — die regulatorischen Anforderungen kommen aus Richtung GMP, nicht DSGVO.

Was es kostet — realistisch gerechnet

Investitionsstab (einmalig)

Diese Zahlen sind Erfahrungswerte aus PAT-Projekten in der Spezialchemie und Pharma. Jede weitere Messstelle mit demselben Analysator kostet deutlich weniger (zusätzliche Sonde + Modellentwicklung ca. 15.000–40.000 €).

Laufende Kosten (jährlich)

• Wartungsvertrag Hardware: 8.000–15.000 € pro Analysator
• Software-Wartung und Updates: 800–1.500 € pro Lizenz
• Re-Validierung nach Service-Interventionen: 5.000–15.000 € (intern, je nach Aufwand)

Wie du den ROI tatsächlich misst

Drei direkt messbare Größen: (1) Eingesparte Laboranalytik — Stunden pro Tag, Kosten pro Analyse multipliziert mit vermiedener Anzahl Offline-Bestimmungen. (2) Vermiedene Batch-Verluste — historische Häufigkeit multipliziert mit mittlerem Chargenwertverlust. (3) Verbesserte Ausbeute durch engere Prozessführung — schwieriger zu isolieren, aber oft die größte Komponente.

Konservatives Rechenbeispiel:
Eine Feinchemieanlage mit zwei täglichen Offline-Probenahmen pro Messstelle (30 Min. Laboraufwand je Probe) und einer vermiedenen Fehlcharge pro Quartal (Chargenwert 150.000 €, 10 % Abwertung bei Fehlspezifikation = 15.000 € Verlust). Jährliche Einsparung: Laborzeit ca. 15.000 € + vermiedene Charge-Abwertung ca. 60.000 €. Gegen eine Investition von 150.000 € (mittlere Schätzung Erstmessstelle) ergibt das einen Payback von ca. 2 Jahren. In der Pharma mit höheren Chargewerten und teureren Analysen ist der Business Case häufig schneller.

Drei typische Einstiegsfehler

1. Das Kalibriermodell aus der Laborumgebung direkt in die Produktion übertragen.
Der häufigste und teuerste Fehler. Labor- und Produktionsspektrometer unterscheiden sich selbst bei identischen Modellen in Detektor-Response, Faseroptik und Umgebungstemperatur. Ein Modell, das im Labor RMSEP 1,5 % erreicht, kann in der Produktion systematische Fehler von 5–10 % produzieren — ohne dass das System eine Warnung ausgibt. Das Modell läuft, die Zahlen erscheinen, aber sie stimmen nicht. Lösung: Immer ein dediziertes Transfer-Protokoll mit Produktionsprobenmessungen vor dem Produktivstart.

2. Fluoreszenz-Problematik unterschätzen.
Fluoreszenz ist das häufigste unkontrollierbare Signal-Störsystem in der Raman-Spektroskopie. Farbige Lösungen, biologische Matrices, bestimmte Polymere und Katalysatorreste können das Raman-Signal bei kurzen Laserwellenlängen vollständig überdecken. Wenn das Kalibriermodell an nicht-fluoreszierenden Laborreferenzproben trainiert wurde, bricht die Vorhersagequalität im realen Produktionseinsatz ein. Das Deutsche Arzneibuch weist explizit auf Fluoreszenz als Hauptstörquelle für quantitative Raman-Analytik hin. Lösung: Fluoreszenzneigung der Matrix früh im Methodenentwicklungsprozess testen, ggf. längere Laserwellenlänge (785 nm oder 1064 nm) wählen.

3. Das Modell wird einmal entwickelt und nie wieder angefasst.
Das ist die stille Katastrophe — weil sie unsichtbar bleibt. Rohstofflieferanten wechseln Lösemittelqualitäten. Saisonale Schwankungen ändern Wassergehalte. Produktionsanlagen werden überholt, Sonden gereinigt, Laser rekalibriert. Das Spektrum verändert sich, das Modell bleibt fix. Das System gibt weiterhin Zahlen aus — nur sind sie zunehmend falsch. Die einzige Gegenstrategie: ein strukturiertes Modell-Monitoring-Protokoll mit regelmäßigen Blind-Tests gegen die Laboranalytik (mindestens monatlich), und einem expliziten Prozess für die Entscheidung: Modell noch valide oder Neukalibrierung fällig?

Was mit der Einführung wirklich passiert — und was nicht

PAT-Einführungen scheitern selten an der Technik — und fast immer an der Grenzfläche zwischen Analytiklabor, Produktion und IT.

Widerstandsmuster Nr. 1: Das Labor fühlt sich entthront.
Das Analytiklabor hat die Referenzanalysen jahrelang durchgeführt und ist die Instanz für Produktfreigaben. Ein System, das Konzentrationen inline und ohne Laborpersonal bestimmt, ändert diese Machtposition. In der Praxis äußert sich das selten als offener Widerstand, sondern als erhöhter Anspruch an Validierungstiefe, kritische Kommentare zur Modellgenauigkeit und zögerliche Akzeptanz von Inline-Ergebnissen als Entscheidungsgrundlage. Lösung: Das Labor nicht als Betroffenen positionieren, sondern als Methodenverantwortlichen. Wer die Referenzproben sammelt, das Modell pflegt und die Qualität der Inline-Analytik garantiert, ist nicht überflüssig — sondern wichtiger als vorher.

Widerstandsmuster Nr. 2: Die Produktion fragt nach dem Vertrauensgrad.
Produktionsleiter wollen wissen: Kann ich dem Inline-Wert vertrauen, oder ist der HPLC-Wert der echte Wert? Diese Frage ist berechtigt — die Antwort ist: solange das Modell valide ist und die Monitoring-Protokolle eingehalten werden, ist die Inline-Messung gleichwertig mit der Referenzmethode. Das muss durch gemeinsame Blind-Tests über mehrere Wochen erarbeitet werden — nicht deklariert, sondern bewiesen.

Was regelmäßig unterschätzt wird:
Die OPC-UA/MQTT-Integration in das Prozessleitsystem (DCS/SCADA) ist häufig der technisch aufwändigste Einzelschritt. Nicht das Spektrometer, nicht das Modell — die Schnittstellenanbindung. Die IT-Abteilung muss früh einbezogen werden; ein Raman-Analysator, der Inline-Daten produziert, die keine Leitrechner erreichen, hat keinen Prozesswert.

Realistischer Zeitplan mit Risikohinweisen

Realistischer Gesamtzeitraum: 8–15 Monate von der Entscheidung bis zum validierten Produktionseinsatz. In der Pharmaindustrie mit regulatorischer Abnahme eher am oberen Ende.

Häufige Einwände — und was dahintersteckt

„Wir haben das schon mit HPLC unter Kontrolle.”
HPLC misst präziser als Raman — in absoluten Zahlen. Der Unterschied ist die Latenz. HPLC gibt eine Antwort nach 20–45 Minuten für eine Probe aus einem Zeitpunkt. Raman gibt eine Antwort alle 30 Sekunden für den aktuellen Reaktionszustand. Bei dynamischen Prozessen mit kurzen Eingriffsfenstern ist Raman nicht eine Alternative zu HPLC, sondern ein anderes Werkzeug für eine andere Frage: nicht “Was war die Konzentration um 10:30 Uhr?” sondern “Wie ist die Konzentration gerade und bewegt sie sich in die richtige Richtung?”

„Das ist zu teuer für uns.”
Diese Aussage ist richtig oder falsch — abhängig vom Batch-Wert und der Fehlchargen-Häufigkeit. Eine Investition von 150.000 Euro amortisiert sich bei einem Chemieunternehmen mit einer vermiedenen 100.000-Euro-Fehlcharge pro Quartal innerhalb von 18 Monaten. Bei Lohnfertigern mit Chargewerten unter 10.000 Euro und stabilen Prozessen stimmt der Einwand: Der ROI funktioniert nicht. Nicht jeder Prozess rechtfertigt Inline-Analytik — das ist ein valides Ausschlusskriterium, kein Versagen der Technologie.

„Unsere Prozesse wechseln zu häufig.”
Das ist der ehrlichste Einwand. In Multiproduktanlagen mit 20–30 verschiedenen Substanzen und kurzen Kampagnenlängen amortisiert sich die substanzspezifische Kalibrierung nie vollständig. Hier ist PAT-inline kein geeigneter Ansatz — und das stimmt auch. Die Einschränkung ist real. Für Produzenten mit wenigen Kernprodukten in großem Volumen oder langen Kampagnenlängen funktioniert das Modell.

Woran du merkst, dass das zu dir passt

Du solltest diesen Weg gehen, wenn:

• Ihr betreibt einen oder mehrere Reaktionen mit zeitkritischen Konzentrationsfenstern — bei denen das Laborergebnis regelmäßig zu spät kommt, um noch einzugreifen
• Ihr habt ein oder wenige Kernprodukte in großem Volumen — nicht 20 wechselnde Substrate pro Monat
• Fehlchargen kommen mehr als einmal pro Quartal vor, deren Ursache auf zu späte Konzentrationsrückmeldung zurückzuführen ist
• Ihr habt ein dediziertes Analytik-Team mit zumindest einer Person, die Chemometrie-Software bedienen kann — oder ihr seid bereit, einen PAT-Dienstleister für die Ersteinrichtung zu engagieren
• Die Prozesskammer ist für Inline-Sonden zugänglich und die Umgebung ist entweder nicht-ATEX oder ihr seid bereit, ATEX-zertifizierte Hardware zu beschaffen

Drei harte Ausschlusskriterien — wann ihr es lassen solltet:

1. Hochfluoreszierende Probenmatrizes, die sich durch Wellenlängenwahl nicht lösen lassen. Dunkel gefärbte Polymerschmelzen, bestimmte Farbstoffe und biologische Gewebematrizes überdecken das Raman-Signal unabhängig vom Lasersystem. Das ist eine physikalische Grenze, kein Implementierungsproblem. In diesem Fall ist NIR-Spektroskopie oder eine andere Predictive Analytics-Methode die bessere Wahl.

2. Multiproduktanlage mit mehr als 10–15 verschiedenen Substanzmatrizen pro Jahr und kurzen Kampagnenlängen unter 4 Wochen. Der Kalibrierungsaufwand je Substanz (4–12 Wochen) übersteigt dann die Kampagnenlänge — das Modell ist nie fertig, bevor die nächste Substanz kommt. Hier ist Raman-Prozessanalytik wirtschaftlich nicht darstellbar.

3. Kein internes chemometrisches Know-how und kein externer PAT-Dienstleister im Budget. Ein Raman-Analysesystem, das ohne Chemometrie-Kompetenz betrieben wird, ist im besten Fall eine teure Monitoring-Kamera und im schlimmsten Fall eine Fehlinformationsquelle. Modellentwicklung und -wartung erfordern spezifisches Wissen. Wer weder intern noch extern diese Kompetenz hat, sollte nicht mit dieser Technologie beginnen. Das Werkzeug ist nicht plug-and-play.

Das kannst du heute noch tun

Der pragmatische erste Schritt vor jeder Hardware-Investition: Testet die Fluoreszenzneigung eurer Probenmatrix. Das kostet nichts außer einer halben Stunde Laborzeit. Nehmt eine typische Prozessprobe (oder eine Laborsimulation der Produktionsmatrix) und messt sie an einem Handheld-Raman-Gerät bei 785 nm und, wenn verfügbar, bei 532 nm. Der Vergleich zeigt sofort, ob Fluoreszenz ein Problem ist und welche Laserwellenlänge für euren Anwendungsfall taugt. Die meisten Analytik-Dienstleister und Geräteanbieter bieten diesen Test kostenlos im Rahmen eines Erstgesprächs an.

Wenn ihr bereits Raman-Daten habt (z.B. von At-Line-Messungen), ist der nächste Schritt: Ladet die Rohdaten in ein kostenfreies Tool und schaut, ob sich die Konzentrations-Signal-Beziehung aus euren Labordaten ableiten lässt. KNIME mit dem Spectroscopy-Extension-Pack ist ein freier Einstieg für diesen exploratorischen Schritt — ohne Lizenzkosten, ohne Commitment.

Für das erste Sondierungsgespräch mit einem PAT-Dienstleister oder Geräteanbieter hilft dieser Vorbereitungs-Prompt:

Quellen & Methodik

• Evonik + Endress+Hauser Kaiser Raman: Endress+Hauser Produktseite Raman-Spektroskopie (de.endress.com, Stand 2023): Evonik betreibt 16 Geräte mit über 50 Messstellen in Deutschland; Erstinstallation 2017 in der Oxo-Alkohol-Produktion mit Raman Rxn2-Analysatoren.
• CNN vs. PLS für Bioreaktoren: Zhang, Q. et al., „Comprehensive modeling of cell culture profile using Raman spectroscopy and machine learning”, Scientific Reports (2023), DOI: 10.1038/s41598-023-49257-0. Demonstration, dass CNN höhere Präzision als PLS bei CHO-Zellkultur-Monitoring erreicht, aber mehr Trainingsdaten erfordert.
• Kalibrierübertragung Inline-Raman: Vanbossche, L. et al., „Calibration transfer of a Raman spectroscopic quantification method […] between two at-line instruments installed at two liquid detergent production plants”, PubMed/Talanta (2017), PMID 28843552. Transfer funktionierte nur mit explizitem PDS-Protokoll valide.
• Langzeitstabilität Raman-Kalibriermodelle: Sacher S. et al., „Investigation of long-term stability of a transmission Raman calibration model using orthogonal projection methods”, Analytica Chimica Acta (2024), DOI: 10.1016/j.aca.2024.342186. Service-Interventionen erfordern in den meisten Fällen Nachkalibrierung.
• PLS allein für Fehlererkennung nicht ausreichend: Reis, M.S. et al., „Process monitoring and fault detection on a hot-melt extrusion process using in-line Raman spectroscopy and a hybrid soft sensor”, Computers & Chemical Engineering (2018), DOI: 10.1016/j.compchemeng.2018.10.015.
• Fluoreszenz als Hauptstörquelle: Europäisches Arzneibuch (Ph. Eur.), Kapitel 2.2.48 Raman-Spektroskopie: expliziter Hinweis auf Fluoreszenz als Haupthindernis für quantitative Raman-Analytik.
• Eigenvector Solo Preise: Eigenvector Research (eigenvector.com/software/pricing/), Stand Mai 2026: 5.455 USD kommerzielle Einzellizenz.
• Raman-Instrumentenpreise: Excedr, „Raman Spectroscopy Instrument Pricing Guide” (excedr.com/blog/raman-spectroscopy-instrument-pricing-guide): Benchtop-Systeme 50.000–150.000 USD.
• PAT-Hürden KMU: CHEManager, „Raman-Spektroskopie im Werkzeugkasten der Prozessanalysentechnik” (chemanager-online.com): Fachpersonalmangel für Chemometrie als Haupthürde für breiten PAT-Einsatz.

Du willst wissen, ob euer Prozess und eure Probenmatrix für Inline-Raman geeignet sind — bevor ihr in Hardware investiert? Meld dich — das klären wir in einem kurzen Gespräch.