Die chemische Industrie durchläuft seit Jahren einen strukturellen Wandel: Die Kapazitätsauslastung der Anlagen lag 2025 in Deutschland im Jahresdurchschnitt bei nur rund 72,5 % – ein historischer Tiefstand [1]. Hohe Energie- und Rohstoffkosten, volatile Lieferketten sowie internationale Konkurrenz setzen die Wettbewerbsfähigkeit zusätzlich unter Druck. Effizienzsteigerungen in Anlagen und Prozessen sind unter diesen Rahmenbedingungen Voraussetzung für die Zukunftsfähigkeit vieler Standorte.
Verschärft wird die Lage durch den Fachkräftemangel: Während die Personalnachfrage in den meisten Berufsfeldern der Chemie- und Pharmaindustrie konjunkturbedingt sinkt, steigt sie ausgerechnet in Technik und Instandhaltung weiter. Rund 46.500 Fachkräfte fehlten hier zuletzt rechnerisch [2]. Wer Anlagen am Laufen halten will, muss also mit weniger Personal auskommen – und jeden Einsatz gezielter planen.
Ein Ansatz, diesem Spannungsfeld aus Kostendruck und Personalmangel zu begegnen, ist die konsequente Nutzung von Anlagendaten, wie sie sich mit PC-based Control von Beckhoff flexibel und durchgängig realisieren lässt. Viele Feldgeräte in der Prozessanalysentechnik stellen bereits heute deutlich mehr Informationen zur Verfügung, als in der Praxis genutzt werden: Zustandsdaten, die Rückschlüsse auf Verschleiß oder Restlebensdauer zulassen, werden besonders in Bestandsanlagen nicht ausgelesen, weil die teils jahrzehntealte Infrastruktur dies nicht zulässt oder dieser Teilaspekt der Automatisierung schlicht nicht implementiert wurde. Und selbst dort, wo diese Daten erfasst werden, fehlt es häufig an einer automatisierten Auswertung, um daraus die richtigen Schlüsse zu ziehen und Wartungsentscheidungen vorausschauend, statt reaktiv zu treffen. dadurch ließen sich nicht nur Personalstunden einsparen, sondern auch Rohstoffe und Instandhaltungskosten – z. B. durch eine bedarfsorientierte statt einer routinemäßigen Wartung der Anlagen.
Welche Daten schaffen echten Mehrwert?
Für eine vorausschauende Wartung sind vor allem Daten relevant, die Rückschlüsse auf Abnutzung und Lebenszyklus eines Feldgeräts zulassen, beispielsweise die interne Temperatur eines Sensors oder gemessene Impedanzen. Erfahrungswerte vergangener Jahre liefern zusätzlichen Kontext, um Abweichungen vom Normalzustand richtig einzuordnen.
Ein typisches Beispiel aus der Prozessanalysentechnik ist der pH-Sensor: Seine Messelektrode unterliegt im Medium kontinuierlichem Verschleiß und muss je nach Anwendung wöchentlich bis monatlich gewartet werden. Der eigentliche Aufwand dafür ist gering, doch ohne belastbare Zustandsinformation bleibt meist nur die Wartung nach festem Intervall oder der Kontrollgang vor Ort – mit der Folge, dass Elektroden zu früh getauscht werden oder unnötig Personal zur Prüfung geschickt wird. Vermeiden ließe sich dies durch die kontinuierliche Überwachung der Zustandsdaten des Sensors: Die sogenannte Steilheit – wie stark die gemessene Spannung im Verhältnis zur Änderung des pH-Werts ansteigt – sowie die Impedanz der Elektrode verändern sich mit fortschreitendem Verschleiß messbar. Im Idealfall werden dafür Grenzwerte definiert, bei deren Unter- bzw. Überschreitung automatisch eine Wartungsmeldung ausgelöst wird.
So eindeutig lassen sich die relevanten Parameter jedoch nicht bei jedem Feldgerät bestimmen. Je nach Komplexität liefern moderne Geräte eine Vielzahl an Daten, sodass die eigentliche Herausforderung darin liegt, die tatsächlich aussagekräftigen Werte herauszufiltern. Orientierung bieten hier entsprechende Normen und Standards: Die IEC 61987 definiert ein herstellerübergreifendes Wörterbuch für Geräteparameter der Prozessautomatisierung und ordnet ihnen eindeutige, einheitliche Bezeichnungen zu [3]. Den entscheidenden Baustein liefert jedoch PA-DIM: Das Informationsmodell greift auf eine von Anwendern der Prozessindustrie bereits vorstrukturierte Auswahl an Kernparametern zurück und stellt diese unabhängig von Kommunikationsprotokoll und Hersteller einheitlich zur Verfügung [3].
Durchgängige Datenerfassung im Greenfield
Sind die relevanten Daten definiert, bleibt die Frage, wie sie sich in der Praxis erfassen lassen. Bei der Neuplanung von Anlagen lässt sich dies von Grund auf durchgängig gestalten: Mit Ethernet-APL steht ein Kommunikationsstandard zur Verfügung, der die gesamte Kommunikation in prozesstechnischen Anlagen – von der Feldebene bis in übergeordnete Leitsysteme – auf Ethernet-Basis umsetzt. Energie- und Datenübertragung erfolgen dabei über dasselbe Kabel, sodass sich Zustandsdaten direkt aus dem Feldgerät gewinnen lassen. Die Übertragungsrate von 10 MBit/s bei Kabellängen von bis zu 1.000 m stellt dabei die lückenlose Kommunikation aller relevanten Werte sicher. Beckhoff integriert Ethernet-APL über die EtherCAT-Klemmen EL6233 und ELX6233 modular in das I/O-System, sodass die Kombination mit anderen digitalen und analogen Signaltypen in der gleichen I/O-Station möglich wird.
Unabhängig von der gewählten physikalischen Anbindung liefern viele moderne Feldgeräte selbst bereits deutlich mehr Informationen als früher: Smarte Sensorik mit erweiterter Diagnostik – teils inklusive grafischer Oberfläche zur direkten Konfiguration und Auswertung – ist heute bei vielen Geräteklassen protokollunabhängig verfügbar.
Zustandsdaten in Bestandsanlagen nutzbar machen
In bestehenden Anlagen stellt sich die Ausgangslage anders dar: Ein Großteil der bereits verbauten Feldgeräte verfügt jedoch über weit mehr Diagnosefähigkeiten, als bislang genutzt wird. Viele bestehende Sensoren sind bereits „intelligent" und liefern zusätzliche Zustandsparameter, die sich über herstellerspezifische Tools oder FDT/DTM (Field Device Tool/Device Type Manager) abrufen und visualisieren lassen. Auch ein zyklisches Einlesen der Werte über HART-Kommandos ist möglich. Die dafür nötige Verarbeitungslogik ist in bestehenden Systemen jedoch oft schlicht noch nicht implementiert.
Um solche Bestandsanlagen nachzurüsten, bietet Beckhoff HART-fähige EtherCAT-Klemmen, die sich unkompliziert in vorhandene Systeme einbinden lassen. Sollen Verkabelung und Steuerungslogik komplett unangetastet bleiben, steht die EL6184 zur Verfügung: Sie liest HART-Signale parallel zu den bestehenden Leitungen mit, ohne die bestehende 4…20 mA-Schleife zu beeinflussen – und eignet sich damit optimal zur Nachrüstung der HART-Anbindung. In Kombination mit einem Embedded-PC als Edge Device und einem passenden TwinCAT-Softwareprojekt, das die Feldgerätedaten strukturiert per OPC UA gemäß PA-DIM bereitstellt, lässt sich beispielsweise die NAMUR Open Architecture abbilden.
Datenaufbereitung und -visualisierung
Erfasste Zustandsdaten allein schaffen noch keinen Mehrwert – entscheidend ist, was im Anschluss damit geschieht. In den meisten Anlagen werden die gewonnenen Werte heute vor allem als Graphen, Zeitverläufe oder in Relation zu definierten Grenzwerten visualisiert. Auf dieser Basis lassen sich Trends erkennen, wie z. B. eine graduelle Verschlechterung der Steilheit eines pH-Sensors, sowie Anomalien identifizieren, die von den erwarteten Werten abweichen. Werden zuvor festgelegte Grenzwerte über- oder unterschritten, lässt sich daraus ein Alarm auslösen, der das Wartungspersonal informiert. Ebenso wichtig ist die Langzeitverfügbarkeit der Daten: Nur wenn Werte über einen längeren Zeitraum gespeichert und zugänglich bleiben, lassen sich Verschleißverläufe nachvollziehen und Rückschlüsse auf zukünftiges Verhalten ableiten.
Für die Visualisierung und Analyse von Signalverläufen bietet Beckhoff mit TwinCAT Scope ein Software-Oszilloskop, das Datenströme grafisch darstellt – von kurzen Zeitfenstern im Mikrosekundenbereich bis zu Langzeitaufnahmen über mehrere Tage. Ergänzend ermöglicht TwinCAT Analytics einen durchgängigen Workflow von der Datenerfassung über die Historisierung bis zur Auswertung in webbasierten Dashboards, inklusive vorkonfigurierter Algorithmen u. a. für Grenzwertüberwachung, statistische Kennwerte oder Korrelationsanalysen. Für die strukturierte, langfristige Speicherung der Werte stehen zudem Datenbankanbindungen zur Verfügung, sodass historische Daten auch über den ursprünglichen Erfassungszeitraum hinaus für spätere Auswertungen zugänglich bleiben.
Die Aufbereitung der Zustandsdaten schafft bereits eine wichtige Grundlage für vorausschauende Wartung, aber sie ersetzt nicht die eigentliche Entscheidung. Noch immer ist es meist ein Mensch, der Trends interpretiert, Alarme bewertet und daraus die passende Wartungsmaßnahme ableitet. Die Daten liegen zwar strukturiert vor, die eigentliche Analyse und Maßnahmenableitung bleibt aber ein manueller Schritt.
Wie kann Datenauswertung automatisiert werden?
Der nächste Schritt besteht darin, diese manuelle Bewertung zumindest teilweise zu automatisieren. Bei einer zustandsbasierten Wartung steht dafür häufig ein Grenz- oder Triggerwert im Mittelpunkt. Wird dieser über- oder unterschritten, ist eine Aktion erforderlich, beispielsweise eine manuelle Prüfung oder der Austausch eines Bauteils. Wo dieser Wert liegt, ergibt sich heute meist aus Expertenwissen, Erfahrungswerten oder Herstellerangaben im Datenblatt. In einer klassischen Umsetzung wird er manuell im System hinterlegt. Die Zustandsdaten werden kontinuierlich erfasst und bei Erreichen des Grenzwerts wird ein Alarm ausgelöst. Welche Ursache dahintersteckt und welche Wartungsmaßnahme daraus folgt, muss anschließend jedoch noch entschieden werden.
KI eröffnet hier zusätzliche Möglichkeiten. Grenzwerte können beispielsweise auf Basis vorhandener Betriebsdaten ermittelt werden. Beim maschinellen Lernen wird ein Modell mit repräsentativen Bestandsdaten trainiert, um typische Muster und Abweichungen zu erkennen. Statt für jede Situation einen starren Schwellenwert festzulegen, kann so auch das normale Betriebsverhalten eines Geräts modelliert werden. TwinCAT 3 Machine Learning bietet hierfür Funktionen zur Analyse von Signalen und Zeitreihen; mit dem Machine Learning Creator lassen sich entsprechende KI-Modelle auch ohne spezielles Data-Science-Wissen erstellen.
Ein Beispiel ist der Flammenionisationsdetektor (FID), der zur kontinuierlichen Messung von Kohlenwasserstoffen eingesetzt wird. Eine relevante Zustandsgröße ist dabei die Temperatur des Detektors: Sie sollte beim Zünden über 150 °C liegen, um Kondensatbildung zu vermeiden [4]. Wird die Temperatur kontinuierlich überwacht, lassen sich Trends gezielt erkennen und einordnen. Sinkt die Temperatur z. B. über mehrere Tage kontinuierlich in Richtung des kritischen Bereichs, kann ein Alarm vorausschauend ausgelöst werden, bevor der Grenzwert unterschritten und ein Fehler gemeldet wird. Eine KI-gestützte Auswertung kann darüber hinaus bei der Einordnung des Alarms unterstützen und für die weitere Diagnose zusätzliche Informationenwie Betriebsdaten, Dokumentationen oder hinterlegtes Fachwissen heranziehen.
Genau hier setzt TwinCAT 3 CoAgent for Operations an. Der KI-Assistent unterstützt Servicepersonal und Instandhalter während des laufenden Betriebs, indem er auf konfigurierte Betriebsdaten zugreifen und Prozesswerte, Log-Dateien und Kennzahlen auswerten kann. Auf dieser Basis kann er einen strukturierten Diagnoseprozess unterstützen, Hypothesen anhand der verfügbaren Daten überprüfen und konkrete Handlungsempfehlungen mit Troubleshooting-Anweisungen liefern. Die verantwortlichen Mitarbeiter behalten dabei die Kontrolle über die Ergebnisse und deren Ausführung. So entsteht aus einer zunächst isolierten Zustandsmeldung ein kontextbezogener Handlungsvorschlag und die Auswertung der Daten wird vom reinen Alarmieren zum unterstützten Entscheidungsprozess.
Perspektivisch können durch die Kombination von durchgängiger Zustandsüberwachung und dem Einsatz von KI sogar automatisiert Wartungsaufträge entstehen, die beispielsweise festlegen, an welcher Anlage welches Bauteil bis wann geprüft oder ausgetauscht werden sollte. So lässt sich der Aufwand für routinemäßige Kontroll- und Analysearbeiten reduzieren und vorhandenes Instandhaltungspersonal gezielter einsetzen. Gerade vor dem Hintergrund des zunehmenden Fachkräftemangels kann die Kombination aus Zustandsüberwachung, automatisierter Datenauswertung und KI damit einen wichtigen Beitrag leisten, Anlagen auch mit begrenzten personellen Ressourcen effizient und zuverlässig zu betreiben.
[2] Fachkräftecheck Chemie 2025: Branche vor Herausforderungen - KOFA
[3] https://www.profibus.com/technologies/profinet/information-models/pa-dim