Prädiktive Modelle für die Biodieselproduktion
Herausforderung
Ein globaler Agrar- und Bioenergiekonzern beauftragte Brainiall, die Biodieselproduktion in einem seiner Werke in Südamerika zu optimieren — mit drei Zielen: den Umesterungsertrag über die Reaktor- und Dekanterstrecke maximieren, den Verbrauch von Methylat-Katalysator senken — ein jährlicher Kostenblock in Millionenhöhe — und die Produktqualität überwachen, ohne auf die täglichen Laboranalysen zu warten.
Phase 1 — Datenfundament (geliefert)
Zehn Monate Telemetrie aus dem Anlagen-Historian (Oktober 2024 – August 2025) — 56,5 Millionen Rohmesswerte über ~40 Instrumenten-Tags — wurden in einer Bronze→Silver-Datenpipeline konsolidiert, mit Glättung über gleitende Mittelwerte und operativer Filterung, die den produktiven Betrieb von Stillständen und Wartung trennt.
Die explorative Analyse zeigte, welche Durchflüsse, Füllstände, Dichten und Dosierungen die Reaktion tatsächlich steuern — und identifizierte unterschiedliche Katalysator-Dosiermuster, die mit verschiedenen Qualitätsniveaus des Glyzerins einhergehen: erste Belege für Spielraum, den Katalysatorverbrauch ohne Qualitätseinbußen zu senken.
Ein virtueller Sensor als erstes Ergebnis
Ein Gradient-Boosting-Modell, trainiert auf 13 Prozessvariablen, sagt einen dichtebasierten Qualitätsindikator mit 96,3 % R² auf Testdaten voraus — das Fundament eines virtuellen Sensors, der Laborergebnisse in Echtzeit vorwegnimmt, statt auf die tägliche Analyse zu warten.
Die nächsten Schritte
Phase 2 der Modellierung läuft: Ertragsvorhersage aus Live-Prozessvariablen, Golden-Batch-Analyse und der Vergleich von Modellfamilien — von linearen Baselines über Gradient Boosting bis zu temporalen neuronalen Netzen — in einem Design mit kontinuierlichem Retraining, sodass die Modelle mit jedem neuen Betriebsdatum weiterlernen.
Status
Phase 1 im Februar 2026 geliefert; Phase 2 fast abgeschlossen, ausstehend finale Daten des Kunden (September 2026).