KI-Regelung im geschlossenen Regelkreis und Echtzeitoptimierung für kontinuierliche Anlagen

Kontinuierliche Anlagen werden von PID-Reglern und modellprädiktiver Regelung (MPC/APC) gefahren, die Sollwerte halten, während Bediener und Ingenieure die Sollwerte selbst festlegen. KI im geschlossenen Regelkreis geht einen Schritt weiter: Ein gelerntes Prozessmodell oder ein Reinforcement-Learning-Agent (RL) verschiebt fortlaufend Sollwerte im DCS, um Ausbeute, Durchsatz und Energieeffizienz innerhalb harter Betriebsgrenzen dem wirtschaftlichen Optimum anzunähern. Sicherheitsgerichtete Systeme bleiben unabhängig und unberührt. Der Nutzen ist anlagenspezifisch und wird überwiegend von Herstellern berichtet; Margen- und Energiegewinne von wenigen Prozent sind im Maßstab einer Raffinerie oder eines Drehrohrofens erheblich.

Problem & Nutzen

• Heute: Anlagen laufen mit PID plus linearer MPC (z. B. DMCplus, Profit Controller). Lineare MPC-Modelle verschlechtern sich, wenn Katalysatoren altern, sich Einsatzstoffe ändern und Anlagenteile verschmutzen; eine erneute Identifikation ist teuer. Viele schwierige Einheiten (Destillation mit starken Störungen, Öfen, Mühlen) werden weiterhin teils von erfahrenen Bedienern von Hand gesteuert, sodass die Leistung je Schicht schwankt.
• KI-Nutzen: Nichtlineare, laufend nachtrainierte Modelle passen sich wechselnder Einsatzstoff- und Brennstoffqualität an; der Agent greift alle paar Sekunden oder Minuten ein, über Schichten hinweg gleichbleibend; Einsparungen bei Brennstoff, Dampf, Strom und Emissionen (relevant für das Kostenrisiko im EU-Emissionshandel) und weniger Ausschuss außerhalb der Spezifikation.
• Belege: Der RL-Algorithmus FKDPP von Yokogawa und NAIST steuerte 2022 in einem 35-tägigen Test eine Destillationskolonne in einer Anlage von ENEOS Materials und danach fast ein Jahr lang; 2023 wurde er formell für die direkte Regelung übernommen; dieselbe Technologie kam in Aramcos Gasanlage Fadhili zum Einsatz, mit vom Hersteller berichteten vorläufigen Reduktionen von 10–15 % beim Aminverbrauch und Dampfeinsatz und rund 5 % beim Strom (2025) [1][2][3]. Das sind Herstellerangaben; unabhängige, begutachtete Nutzendaten sind selten.

Varianten

• Raffinerie und Petrochemie: Rohöl-/Vakuumeinheiten, FCC, Hydrocracker, Ethylencracker; Hybridmodelle, die First Principles mit Deep Learning kombinieren (Imubit „Closed Loop AI Optimization“).
• Chemie und Spezialchemie: Reaktoren, Destillationskolonnen, Versorgungsanlagen; Übergang von Batch zu kontinuierlich.
• Zement, Kalk, Glas: Optimierung von Ofen, Rohmühle, Kühler und Ersatzbrennstoffen (stabile Brennzone, geringerer spezifischer Wärmeverbrauch, höherer Ersatzbrennstoffanteil).
• Variante mit Beratung zuerst („offener Regelkreis“): gleiche Modelle, aber die Empfehlungen werden Bedienern angezeigt, die sie annehmen; die übliche erste Stufe vor dem Rückschreiben.
• Versorgungs- und Dampfnetze: Lastverteilung von Kesseln/BHKW, siehe OPT-023.

So funktioniert es

1. Historian + Analysatoren + LIMS
2. Datenbereinigung, Tag-Zuordnung, Erkennung von Betriebszuständen
3. Prozessmodell (hybrid aus First Principles + Deep Learning, oder RL-Umgebung, die am Simulator trainiert wurde)
4. Optimierer / RL-Strategie (Ziel: Marge, Energie, Emissionen; Randbedingungen: Qualität, Grenzen)
5. Sicherheitshülle & Änderungsratenbegrenzer (harte Begrenzungen, Gültigkeitsprüfungen, Modellzustands-Watchdog)
6. OPC UA / Herstellerkonnektor schreibt DCS-Sollwerte (SP bestehender Regelkreise)
7. Reaktion der Anlage wird überwacht
8. Nachtraining / Strategie-Update ↘ Bediener-HMI: Aktivieren/Deaktivieren, Grenzen, Erklärungen, Rückfall auf PID/APC per Klick

• KI-Komponenten: (1) Modelle der Dynamik (neuronale Netze, Hybridmodelle, Zustandsraummodelle); (2) RL-Agenten, die offline an einem Simulator oder an historischen Daten trainiert werden (Offline-/konservatives RL) und mit begrenztem Aktionsbereich eingesetzt werden; (3) klassische MPC oder Solver für die Behandlung von Randbedingungen, oft um das gelernte Modell herum aufgebaut.
• Sicherheitsarchitektur: Die KI schreibt nur auf Sollwerte bestehender Basisregelkreise, niemals direkt auf Stellglieder; Alarme, Verriegelungen und Notabschaltung bleiben in einem unabhängigen sicherheitsgerichteten System nach IEC 61511 / IEC 61508, das die KI nicht umgehen kann [5]. Cybersicherheitszonen folgen IEC 62443; der Schreibzugriff läuft einseitig über ein kontrolliertes Gateway.
• Mensch-in-der-Schleife (Human-in-the-Loop): Bediener können die KI jederzeit abschalten; Ingenieure legen Grenzen fest und genehmigen Modellupdates im Rahmen des Änderungsmanagements; Abweichungen lösen automatisch den Rückfall aus.

Datenaufbereitung

Die Daten liegen im Anlagen-Historian (PI, IP.21, PHD), im DCS und in den SPS, im LIMS für Laborergebnisse, in Online-Analysatoren, in Wartungsunterlagen im CMMS oder SAP PM und teils in Schichtbüchern der Bediener auf Papier oder in Tabellen. Verfahrensingenieure tragen das entscheidende Wissen über Betriebsarten oft im Kopf.

Typische Lücken: Tags ohne einheitliche Namen oder Einheiten, Sensordrift und eingefrorene Werte, Laborergebnisse mit unregelmäßigem Zeitpunkt und Verzögerung, undokumentierte Sortenwechsel, Abfahrten und manuelle Eingriffe, die Trainingsdaten verfälschen, sowie fehlende gelabelte Störungen. Der Zugang zum OT-Netz ist eingeschränkt, und Historian-Lizenzen können Exporte begrenzen.

Schritte der Aufbereitung: (1) Tags, Quellen und Verantwortliche erfassen (PREP-001, PREP-005); (2) Zeitreihen bereinigen und ausrichten: neu abtasten, Ausfälle markieren, Drift korrigieren, Laborwerte auf die Prozesszeit ausrichten; (3) ein Tag-Wörterbuch mit Einheiten und Bedeutung aufbauen (PREP-012, PREP-015); (4) Betriebsarten und Ereignisse gemeinsam mit Verfahrensingenieuren annotieren (PREP-020, PREP-016); (5) einen Testdatensatz und einen dynamischen Simulator oder ein Surrogatmodell zur Validierung aufbauen (PREP-018); (6) eine schreibgeschützte Datenspiegelung in einer IT/OT-Demilitarisierten Zone einrichten. Nutzen Sie Python, Polars, TimescaleDB oder die eigenen Werkzeuge des Historians. Planen Sie dafür 50 bis 60 Prozent des Projektaufwands ein; deshalb wird dieser Punkt als hoch eingestuft.

Umsetzungswege

Welcher Weg für wen

• Unternehmen (Anlagenbetreiber): C, weil Prozess- und Rezepturdaten Betriebsgeheimnisse sind, der Schreibpfad ins DCS innerhalb des OT-Netzes liegen muss und eine Plattform vor Ort (Historian, Simulator, Solver) mehrere Einheiten bedienen kann; Herstellersuiten sind eine gültige Alternative für Betreiber, die ein unterstütztes Produkt wünschen.
• Entwickler / Integrator: C, weil Open-Source-Werkzeuge für RL, Simulation und Solver erlauben, Agenten an einem Anlagensimulator zu bauen und zu validieren, bevor irgendeine DCS-Verbindung besteht.

Weg A — Kaufen (Standardsoftware)

• Hersteller: Yokogawa (Autonomous Control AI auf Basis von FKDPP, Japan), Imubit (USA; KI-Optimierung im geschlossenen Regelkreis für Raffinerie/Chemie), AspenTech (Aspen DMC und KI-gestützte Hybridmodelle, inzwischen unter Emerson), Honeywell (Forge / Profit Suite), ABB (Ability Expert Optimizer, stark bei Zement und Mineralien; Schweizer/nordische Ingenieurskunst), Siemens (EU; Prozessleittechnik und KI-Erweiterungen für PCS neo), Emerson, AVEVA, Rockwell und Schneider Electric (EU). Speziell für Zement: FLSmidth (EU, Dänemark) sowie die eigenen Digitalprogramme von Holcim/Heidelberg Materials sind öffentliche Referenzen. Herstellerangaben müssen in Ihrer Anlage durch einen gestuften Pilot überprüft werden.
• A wählen, wenn: Sie einen Historian mit mehrjährigen sauberen Daten, ein DCS-Herstellerumfeld und kein eigenes RL-Team haben. Planen Sie Ingenieraufwand am Standort und eine mehrmonatige Beratungsphase ein.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Die Cloud dient für Training und Analysen, nicht für den Regelkreis: Azure, AWS oder Google, Anbindung des Historians (AVEVA PI, Seeq, AWS IoT SiteWise), Training auf GPU-Knoten in EU-Regionen, Paketierung der Modelle für den Edge. LLMs helfen Bedienern mit Erklärungen und Zusammenfassungen von Schichtberichten, geben aber niemals Sollwerte vor.
• B wählen für die Analyseschicht, wenn zentrale Data-Science-Teams Modelle für mehrere Standorte bauen und die Ansteuerung vor Ort läuft.

Weg C — Selbst betreiben (Open Source)

• Stack: OPC-UA-Clients (open62541, asyncua), Python mit PyTorch, Stable-Baselines3 / RLlib oder d3rlpy (Offline-RL), do-mpc und CasADi / Pyomo / IPOPT für modellbasierte Regelung, Modelica / OpenModelica oder DWSIM als Simulatoren, MLflow, Kafka. Die Regelung im Kreis läuft auf industriellen Edge- PCs (HW1); das Training passt auf HW2–HW3.
• Betriebsaufwand: Erfordert Ingenieure für Prozessleittechnik, OT-Sicherheit und ML; eine zertifizierbare Rückfalllogik liegt vollständig in Ihrer Verantwortung.

Weg D — Eigenes Training

Wo der Nutzen liegt: das anlagenspezifische Dynamikmodell oder die RL-Strategie an einem kalibrierten Simulator oder digitalen Zwilling trainieren. Erforderlich sind 1–3 Jahre Tag-Historie mit Sprungversuchen oder natürlicher Anregung, validierte First-Principles-Modelle und ein Validierungsplan von der Simulation zur Realität (Schattenbetrieb, dann begrenztes Schreiben). Offline-RL aus Protokolldaten ist attraktiv, weil Exploration im laufenden Betrieb einer realen Anlage inakzeptabel ist.

Stand der Technik (2026)

• RL geht von Fachartikeln in den förmlichen Anlageneinsatz in einigen dokumentierten Fällen (FKDPP bei ENEOS Materials; später Einsätze in der Gasaufbereitung), meist an gut instrumentierten Einheiten mit starken Simulatoren oder reichlich Daten [1][2][3].
• Hybridmodelle (physikinformierte neuronale Netze, differenzierbare Simulatoren) dominieren kommerzielle Angebote, weil sie besser extrapolieren und leichter zu validieren sind als reine Black-Box-Modelle.
• Techniken für sicheres RL: Begrenzung der Aktionen, Policy-Optimierung unter Randbedingungen, Shielding und Offline- RL mit konservativen Wertschätzungen; Laufzeitmonitore prüfen, ob die Eingaben innerhalb der Trainings- verteilung bleiben.
• Agentische und LLM-Schichten entstehen für Bediener-Copiloten, bleiben aber außerhalb des Regelpfads.
• Grenzen und Fehlerarten: Verteilungsverschiebung (neuer Einsatzstoff, Sensordrift, Verschmutzung), fehlerhafte oder eingefrorene Sensoren, falsch spezifizierte Belohnung (der Agent nutzt eine Verzögerung der Labormessung aus), schlechte Übertragung von der Simulation in die Realität, Misstrauen der Bediener, das zu Abschaltungen führt, und Nutzenbehauptungen, die gegen fehlerhafte Ausgangswerte gemessen wurden. Messen Sie immer mit A/B-Zeiträumen oder Tests mit vergleichbarer Ausgangsbasis.

Gemeinsame Bausteine & Kombinationen

• Dieselbe Zeitreihen-/Historian-Pipeline wie PRED-014 (Softsensoren speisen den Regler), OPT-009 (Offline-Parameterabstimmung), OPT-024 (Wasseraufbereitung), ANOM-005 (Erkennung von Prozessanomalien).
• Simulation und Übertragung von der Simulation in die Realität: gemeinsam mit ROBO-010; die Solver-Schicht gemeinsam mit OPT-018 und OPT-023.
• Energieseite: OPT-007 (Gebäude/HLK) und OPT-023 (BHKW) für die Einsatzplanung der Versorgung rund um dieselbe Anlage.
• Hardware: industrieller Edge-PC in der Anlage (HW1), gemeinsam genutzter GPU-Server für das Training (HW2/HW3).

Aufwand, Kosten & Kennzahlen

• Weg A: typischerweise 6–18 Monate von der Datenprüfung bis zum autonomen Betrieb einer ersten Einheit; Lizenz plus Engineering-Leistungen; weitere Einheiten sind günstiger.
• Weg B/C/D: 12–24 Monate und ein eigenes Team; Kostentreiber sind Datenbereinigung, Kalibrierung des Simulators, OT-Sicherheit, Validierung und Änderungsmanagement.
• Kennzahlen: Marge pro Tonne, spezifische Energie (GJ/t, kWh/t Klinker), Ausbeute, Ausschussquote außerhalb der Spezifikation, Standard- abweichung wichtiger Qualitätsgrößen, Prozentsatz der Zeit, in der die KI im Einsatz ist („Uptime on“), Eingriffsquote der Bediener, CO2-Intensität, Anzahl von Verletzungen der Randbedingungen (Ziel null).

Menschen & Veränderung

Beginnen Sie mit der Anlagenleitung und der Leitung der Produktion (Prozessverantwortliche), um wirtschaftliche Ziele und den zulässigen Aktionsbereich festzulegen. Verfahrensingenieure, Regelungstechniker und Schichtbediener sind die wichtigsten Anwender; beziehen Sie sie ab der ersten Datenprüfung ein, denn sie validieren das Modell und verantworten die Betriebshülle. IT und IT-Sicherheit müssen die OT/IT-Architektur freigeben (IEC-62443-Zonen, NIS2); Datenverantwortliche geben Historian- und LIMS-Daten frei; die Sicherheitsfachkraft bestätigt, dass sicherheitsgerichtete Systeme unabhängig bleiben.

Betriebsrat: abhängig vom Einzelfall. Die Prozessdaten selbst sind nicht personenbezogen, aber Eingriffe und Quittierungen der Bediener werden protokolliert; lassen sie sich Personen zuordnen, greift § 87 Abs. 1 Nr. 6 BetrVG. Auch sonst verlangt § 90 Abs. 1 Nr. 3 rechtzeitige Information über mit KI geplante Arbeitsabläufe, und § 80 Abs. 3 erlaubt einen KI-Sachverständigen. Standorte im öffentlichen Dienst beteiligen den Personalrat. Das DSGVO-Risiko ist gering, bitten Sie aber die Datenschutzbeauftragte bzw. den Datenschutzbeauftragten zu bestätigen, dass Bedienerprotokolle pseudonymisiert oder aggregiert sind (GUIDE-005).

KI-Kompetenz: Unterstützen Sie die Bediener mit simulatorbasierten Schulungen dazu, was der Agent tut, wie sie seine Empfehlungen lesen und wie sie ihn abschalten (Art. 4 KI-Verordnung (AI Act), GUIDE-006). Kommunizieren Sie, dass die Bediener das letzte Wort behalten: zuerst Schattenbetrieb, dann Beratungsmodus, dann überwachter geschlossener Regelkreis an einer Einheit als Pilotgruppe, mit stoßfreiem Rückfall. Typische Ängste sind Kontrollverlust und Schuldzuweisung bei KI-Fehlern; begegnen Sie ihnen mit klaren Befugnisregeln und vollständigen Prüfprotokollen. Siehe GUIDE-008, GUIDE-009 und GUIDE-013.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Die Einstufung hängt vom Einzelfall ab. Prozessregelung in Raffinerien, Chemie und Zement ist in Anhang III nicht als solche aufgeführt. Anhang III Nr. 2 erfasst KI als Sicherheitskomponente bei der Verwaltung und dem Betrieb kritischer digitaler Infrastruktur sowie der Versorgung mit Wasser, Gas, Wärme und Strom; KI, die Fernwärme-, Gas- oder Stromanlagen steuert, kann daher Hochrisiko sein. KI, die eine Sicherheitskomponente eines regulierten Produkts ist (z. B. nach der Maschinenverordnung (EU) 2023/1230), kann über Anhang I Hochrisiko sein. Reine Optimierung nicht sicherheitsrelevanter Sollwerte ist in der Regel minimales Risiko, aber prüfen Sie jeden Einzelfall; Art. 4 (KI-Kompetenz) gilt [6]. Es ist keine Praxis nach Art. 5 betroffen.
• Funktionale Sicherheit: IEC 61511 (Prozessindustrie) und IEC 61508; die KI muss außerhalb der Sicherheitsfunktion liegen, mit dokumentierter Unabhängigkeit und Wiederholungsprüfungen [5].
• Störfallrecht: Seveso-III-Richtlinie 2012/18/EU für Betriebe mit gefährlichen Stoffen (Änderungen der Regelungsphilosophie erfordern Aktualisierungen des Sicherheitsberichts und Änderungsmanagement); Genehmigungsgrenzen nach IED 2.0 und EU-ETS-Überwachung für Emissionen.
• Cybersicherheit: NIS2 (Energie, Chemie und Herstellung von Chemikalien als erfasste Sektoren), EU Cyber Resilience Act für Produkte, Zonierung nach IEC 62443; ein KI-Schreibpfad ist ein wertvolles Angriffsziel.
• DSGVO: im Wesentlichen keine personenbezogenen Daten; Protokolle der Bedienerhandlungen sind der einzige Punkt (Mitbestimmung des Betriebsrats, z. B. nach § 87 BetrVG, wenn Leistungsdaten Personen zugeordnet werden können).
• Gegenmaßnahmen: zuerst Schattenbetrieb, im DCS durchgesetzte harte Grenzen, Watchdog und stoßfreier Rückfall, Änderungskontrolle für Modellupdates, vollständige Prüfprotokolle.

Erste Schritte

1. Eine Einheit mit messbarer Wirtschaftlichkeit, guter Instrumentierung und einem Fürsprecher unter den Bedienern wählen; die Ausgangsbasis (Energie, Ausbeute, Qualitätsstreuung) für mindestens 3 Monate festhalten.
2. Daten prüfen: Tag-Qualität, Abtastung, Laborverzögerung, eingefrorene Sensoren; einen Anlagensimulator aufbauen oder aktualisieren.
3. Mehrere Wochen im Beratungsmodus laufen lassen und die Handlungen der Bediener mit den KI-Empfehlungen vergleichen.
4. Sicherheitshülle, Unabhängigkeit vom SIS, OT-Sicherheitskonzept und Änderungsmanagement festlegen; die Freigabe durch die HAZOP-/LOPA-Prüfung einholen.
5. Begrenztes Rückschreiben an einem Regelkreis aktivieren, A/B-Tests gegen APC fahren, dann den Umfang erweitern.

Quellen

1. Yokogawa press release via Business Wire, "In a World First, Yokogawa's Autonomous Control AI Is Officially Adopted for Use at an ENEOS Materials Chemical Plant" (2023) — https://www.businesswire.com/news/home/20230329005001/en/In-a-World-First-Yokogawas-Autonomous-Control-AI-Is-Officially-Adopted-for-Use-at-an-ENEOS-Materials-Chemical-Plant
2. ARC Advisory Group, "Yokogawa's Autonomous Control AI Adopted for Use at an ENEOS Materials Chemical Plant" — https://www.arcweb.com/blog/yokogawas-autonomous-control-ai-adopted-use-eneos-materials-chemical-plant
3. Turbomachinery Magazine, "Yokogawa Electric Deploys AI Solution at Aramco's Fadhili Gas Plant" — https://www.turbomachinerymag.com/view/yokogawa-electric-deploys-ai-solution-at-aramco-s-fadhili-gas-plant
4. Yokogawa, "Enabling Autonomous Operations" — https://www.yokogawa.com/solutions/featured-topics/ia2ia/enabling-autonomous-operations/
5. IEC 61511 functional safety, safety instrumented systems for the process industry — https://webstore.iec.ch/en/publication/5527
6. Regulation (EU) 2024/1689 (AI Act), Annex III — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
7. Directive 2012/18/EU (Seveso III) — https://eur-lex.europa.eu/eli/dir/2012/18/oj
8. Imubit, Closed Loop AI Optimization — https://imubit.com