KI für Brauereien: Gärprozess präzise steuern

TL;DR

KI-gesteuerte Gärprozesse analysieren Temperatur, pH-Wert, Extraktgehalt und CO₂-Produktion in Echtzeit und passen Kühlprofile automatisch an. Brauereien erreichen damit 22 % weniger Energieverbrauch bei der Tankkühlung, 30 % geringere Qualitätsschwankungen zwischen Chargen und eine Verkürzung der Gärdauer um durchschnittlich 2 Tage.

14 Tanks, 14 verschiedene Biere — im selben Sud

Mittwochnacht, eine Craft-Brauerei in Franken mit 45.000 Hektolitern Jahresausstoß. Braumeister Thomas prüft die Gärprotokolle: Tank 7 und Tank 12 wurden am selben Tag mit identischer Würze befüllt. Trotzdem zeigt Tank 7 eine um 0,8 °C höhere Gärtemperatur und 15 % schnellere CO₂-Entwicklung. Das Ergebnis in zwei Wochen: Tank 7 wird einen leicht estrigen Charakter haben, Tank 12 wird sauberer schmecken.

Die Ursache liegt nicht am Braumeister — es liegt an der Biologie. Hefezellen reagieren exponentiell auf Temperaturdifferenzen. Bereits 0,5 °C Unterschied verändern das Verhältnis von Estern zu höheren Alkoholen um 10–20 %. Und in einem zylindrisch-konischen Tank mit 200 Hektolitern gibt es Temperaturschichtungen von bis zu 2 °C zwischen Konus und Oberfläche.

In Deutschland brauen rund 1.500 Brauereien — davon über 90 % mittelständisch. Die meisten steuern ihre Gärung mit statischen Kühlprofilen: Anstellen bei 8 °C, Hauptgärung bei 12 °C, Diacetylrast bei 18 °C, Kaltstufe bei 1 °C. Diese Rezepte funktionieren im Durchschnitt, aber nicht für jeden Tank und jede Hefegeneration.

Was die Gärung wirklich beeinflusst

Die Gärung ist ein biologischer Prozess mit über 600 identifizierten Stoffwechselprodukten. Für die Bierqualität sind 8–12 Schlüsselparameter entscheidend:

Sensorisch messbar in Echtzeit:

Temperatur (Konus, Mitte, Oberfläche)
pH-Wert (sinkt von 5,2 auf 4,1–4,4)
Extraktgehalt in °Plato (sinkt von Stammwürze auf Restextrakt)
CO₂-Volumenstrom (Peak nach 48–72 h)
Druck im Tank

Chargenabhängig (als Metadaten):

Stammwürze in °Plato
Hefegeneration (1. bis 8. Führung)
Hefevitalität (Methylenblau-Test, > 95 % gewünscht)
Anstellrate (Mio. Zellen/ml/°Plato)
Würzetrübung in EBC
Malzschüttung und Hopfengaben

Das Problem: Klassische SPS-Steuerungen regeln nur auf Temperatur. Sie sehen nicht, dass eine 6. Hefegeneration 18 % langsamer ankommt als eine frische Hefe und deshalb ein anderes Kühlprofil braucht.

Einen ähnlichen Ansatz der KI-gestützten Prozesssteuerung in der Lebensmittelindustrie beschreiben wir am Beispiel der Molkerei.

KI-Gärsteuerung: Architektur und Sensorik

Sensorbestückung pro Tank

Für eine KI-gestützte Gärsteuerung benötigen Sie:

3 Temperatursensoren (Konus, Mitte, Kopfraum) — Pt100, ±0,1 °C
1 pH-Sensor (inline, autoklavierbar)
1 Densitometer oder Refraktometer (inline)
1 CO₂-Durchflussmesser am Spundungsventil
1 Drucksensor

Investition pro Tank: 4.500–7.200 € für Sensorik und Verkabelung. Bei 14 Tanks: 63.000–100.800 €.

Datenfluss und Modell

# gaersteuerung-pipeline.yaml
datenquellen:
  sensoren:
    protokoll: "modbus_tcp"
    intervall_sekunden: 30
    tanks: 14
  erp:
    typ: "rest_api"
    daten: ["stammwuerze", "hefegeneration", "anstellrate"]
    sync: "bei_anstellen"

modell:
  typ: "lstm_autoencoder"
  features:
    - temperatur_konus
    - temperatur_mitte
    - temperatur_kopf
    - ph_wert
    - extrakt_plato
    - co2_flow_l_h
    - druck_bar
  metadaten:
    - stammwuerze_plato
    - hefegeneration
    - hefevitalitaet_pct
    - anstellrate_mio_ml_plato
  vorhersage:
    - gaerdauer_restzeit_h
    - diacetyl_peak_zeitpunkt_h
    - endvergaerungsgrad_pct
  aktualisierung: "alle_60_min"

steuerung:
  output: "kuehlventil_position_pct"
  regelstrategie: "modellpraediktive_regelung"
  sicherheit:
    max_temperatur_c: 25
    min_temperatur_c: -1
    max_aenderung_k_h: 2.0

Das LSTM-Modell (Long Short-Term Memory) lernt aus historischen Gärverläufen, wie sich Temperaturänderungen auf die Gärdynamik auswirken — und zwar abhängig von Hefezustand, Stammwürze und Gärphase.

Modellprädiktive Regelung statt starrer Profile

Der entscheidende Unterschied zur klassischen Steuerung: Die KI reagiert nicht nur, sie antizipiert.

Beispiel Diacetylrast: Klassisch wird bei einem festen Zeitpunkt (z. B. nach 5 Tagen) auf 18 °C angehoben. Die KI erkennt den Diacetylpeak am CO₂-Profil und pH-Verlauf 12–24 Stunden vor dem sensorisch messbaren Maximum. Sie startet die Rast genau dann, wenn die Hefe am aktivsten Diacetyl abbaut — und spart 1–2 Tage Tankbelegung.

Modellprädiktive Regelung (MPC) berechnet für jede Stunde die nächsten 24 Stunden voraus:

Aktuellen Zustand erfassen (alle Sensoren)
Gärverlauf für verschiedene Kühlstrategien simulieren
Optimale Kühlung wählen, die Qualität maximiert und Energie minimiert
Kühlventil anpassen, nächste Stunde erneut berechnen

Das Ergebnis: individuelle Kühlprofile pro Tank und Charge. Kein Tank wird mehr nach dem gleichen Schema behandelt.

Praxis-Ergebnisse: Fallbeispiel Craft-Brauerei

Eine fränkische Brauerei (45.000 hl/Jahr, 14 ZKTs, 12 Bierstile) hat KI-Gärsteuerung über 6 Monate pilotiert:

Kennzahl	Vorher	Nachher	Verbesserung
Ø Gärdauer Pils	12,4 Tage	10,1 Tage	−2,3 Tage
Diacetyl bei Abfüllung	38 ppb (Ø)	18 ppb (Ø)	−53 %
Energieverbrauch Kühlung	4,8 kWh/hl	3,7 kWh/hl	−22 %
Chargen-Konsistenz (Ester-CV)	18,4 %	6,2 %	−66 %
Tankkapazität effektiv	14 Tanks	≈ 16,8 Tanks*	+20 %

*Durch kürzere Gärdauer passen rechnerisch mehr Sude pro Jahr in dieselben Tanks.

Die Energieeinsparung allein bringt 24.000 €/Jahr. Die zusätzliche Tankkapazität erspart den Bau von 2–3 neuen Tanks à 45.000 € — eine vermiedene Investition von 90.000–135.000 €.

Wer den Gesamt-ROI seiner KI-Investitionen berechnen möchte, findet unsere Excel-Vorlage hilfreich.

Qualitätssicherung: Geschmacksprofil vorhersagen

Ein besonders wertvoller Aspekt für Craft-Brauereien: Die KI kann das sensorische Profil des fertigen Bieres bereits während der Gärung vorhersagen. Dafür korreliert sie Prozessdaten mit Ergebnissen aus dem Verkostungspanel.

Nach 12 Monaten Datensammlung (ca. 150–200 Sude) erreicht das Modell:

Bittere (IBU): Vorhersage ±2 IBU (3 Tage vor Abfüllung)
Farbe (EBC): Vorhersage ±1 EBC
Endvergärungsgrad: Vorhersage ±0,8 %
Ester-/Fuselalkohol-Verhältnis: Vorhersage ±12 % (qualitative Einordnung)

Das ermöglicht: Korrekturmaßnahmen während der Gärung statt erst beim fertigen Bier. Wenn die KI eine zu hohe Esterbildung vorhersagt, senkt sie die Temperatur um 0,5 °C — und die Charge bleibt im Zielkorridor.

Einführungsplan für Brauereien

Phase 1 — Monitoring (Monat 1–3): Sensoren nachrüsten, Daten sammeln, bestehende Kühlprofile beibehalten. Braumeister validiert Sensorwerte gegen Laboranalysen.

Phase 2 — Empfehlung (Monat 4–6): KI läuft parallel und zeigt Empfehlungen an. Braumeister entscheidet, ob er dem Vorschlag folgt. Modell lernt aus Abweichungen.

Phase 3 — Teilautomatik (Monat 7–9): KI steuert Temperatur automatisch, Braumeister überwacht und kann jederzeit übersteuern. Diacetylrast und Kaltstufe werden KI-gesteuert.

Phase 4 — Vollautomatik (ab Monat 10): KI steuert den gesamten Gärprozess. Braumeister konzentriert sich auf Rezeptentwicklung und Qualitätskontrolle.

Details zur schrittweisen KI-Implementierung im Mittelstand haben wir separat zusammengefasst.

Häufige Fragen

Ersetzt die KI den Braumeister?

Nein. Die KI ist ein Werkzeug, das den Braumeister von der manuellen Temperaturüberwachung entlastet. Rezeptentwicklung, Rohstoffauswahl, sensorische Bewertung und Kreativarbeit bleiben beim Menschen. Die KI sorgt dafür, dass das, was der Braumeister will, auch im Tank passiert — reproduzierbar und energieeffizient.

Funktioniert KI-Gärsteuerung auch bei obergäriger Hefe?

Ja, das Prinzip ist identisch. Obergärige Hefen arbeiten bei höheren Temperaturen (15–25 °C) und produzieren mehr Aromastoffe. Gerade deshalb ist die präzise Temperatursteuerung noch wichtiger. Für Weizenbiere oder belgische Stile liefert KI-Steuerung besonders große Qualitätsgewinne.

Wie viele historische Sude braucht die KI zum Trainieren?

Für ein Basismodell reichen 50–80 Sude desselben Bierstils (ca. 4–6 Monate Daten). Für ein stilübergreifendes Modell mit Geschmacksvorhersage sind 150–200 Sude ideal. Transfer Learning von vortrainierten Modellen kann die Anlaufphase auf 30–40 Sude verkürzen.

Was kostet die Sensorik pro Tank?

Die reine Sensorik (3× Temperatur, pH, Refraktometer, CO₂-Sensor, Druck) kostet 4.500–7.200 € pro Tank inklusive Verkabelung und Modbus-Anbindung. Hinzu kommen einmalig 15.000–25.000 € für den Edge-Server und die Software. Bei 14 Tanks liegt die Gesamtinvestition bei 85.000–130.000 €.

Wie gehe ich mit dem Reinheitsgebot um — darf KI den Brauprozess steuern?

Das Reinheitsgebot regelt die Zutaten (Wasser, Malz, Hopfen, Hefe), nicht die Prozesstechnologie. KI-Steuerung ändert keine Rezeptur und fügt keine Stoffe hinzu — sie optimiert nur Temperaturverläufe. Rechtlich und traditionell ist das unbedenklich. Viele Brauereien nutzen bereits automatisierte Sudhaus- und CIP-Steuerungen.