PW-2026 PORTFOLIO · VERFAHRENSTECHNIK × MACHINE LEARNING PORTFOLIO · PROCESS ENGINEERING × MACHINE LEARNING

Verfahrenstechnik × Machine Learning Process Engineering × Machine Learning

Patrick Wrazidlo

Verfahrensingenieur (B.Eng., M.Eng. in Arbeit) mit Wurzeln in der Produktion. Ich verbinde Anlagenerfahrung aus der Chemieindustrie mit Machine Learning — und mache aus Prozessdaten messbaren Mehrwert. Process engineer (B.Eng., M.Eng. in progress) with roots on the plant floor. I combine hands-on experience from the chemical industry with machine learning — turning process data into measurable value.

Projekte ansehenView projects Kontakt aufnehmenGet in touch
PW‑001 Patrick Wrazidlo
PW Foto: Datei „portrait.jpg" in diesen Ordner legen Photo: place "portrait.jpg" in this folder

100 Über michAbout me

Ich bin gelernter Chemikant mit einem Jahr Berufserfahrung im Anlagenbetrieb und habe anschließend Verfahrenstechnik studiert (B.Eng., M.Eng. in Arbeit). Parallel dazu kam Machine Learning dazu — durch meine Bachelorarbeit, eine IHK-Weiterbildung und ein ML-Praktikum bei Glanbia. I'm a trained chemical plant operator with a year of hands-on experience in production, followed by a degree in process engineering (B.Eng., M.Eng. in progress). Alongside that I moved into machine learning — through my bachelor thesis, an IHK certificate course and an ML internship at Glanbia.

So verbinde ich beides: Ich kenne Anlagen aus dem laufenden Betrieb und kann aus Prozessdaten Modelle bauen. An genau dieser Schnittstelle aus Verfahrenstechnik und Datenanalyse arbeite ich am liebsten. That lets me combine both worlds: I know plants from live operation and can turn process data into models. This intersection of process engineering and data analysis is exactly where I like to work.

200 WerdegangCareer path

Von der Schichtschiene zum Modell — jede Station hat ihren Platz im Fließbild. From the shift floor to the model — every stage has its place in the flowsheet.

  1. 01

    Ausbildung zum ChemikantenApprenticeship: chemical plant operator

    Fundament in der Produktion: Anlagen fahren, Prozesse überwachen, Störungen erkennen und beheben. Hier habe ich gelernt, wie der Alltag an einer Chemieanlage wirklich aussieht. Foundation on the plant floor: operating equipment, monitoring processes, detecting and resolving upsets. This is where I learned what daily life at a chemical plant really looks like.

  2. 02

    Chemikant im Anlagenbetrieb (1 Jahr)Plant operator (1 year)

    Berufserfahrung im laufenden Betrieb — Verantwortung für Produktqualität und Anlagensicherheit im Schichtsystem. Praxiswissen, das sich nicht anlesen lässt. Professional experience in live operation — responsibility for product quality and plant safety in shift work. Practical knowledge you can't get from books.

  3. 03

    B.Eng. VerfahrenstechnikB.Eng. Process Engineering

    Abschlussarbeit an der Schnittstelle zu Machine Learning: Support Vector Regression zur Vorhersage des Wärmebedarfs von Gebäuden. Thesis at the interface with machine learning: support vector regression for predicting the heat demand of buildings.

  4. 04

    IHK-Fortbildung Machine Learning (4 Monate)IHK certificate course: Machine Learning (4 months)

    Strukturierte Weiterbildung: Datenaufbereitung, Modellauswahl, Validierung — das Handwerkszeug für den professionellen ML-Einsatz. Structured training: data preparation, model selection, validation — the toolkit for professional ML work.

  5. 05

    Machine-Learning bei Glanbia (1 Jahr)Machine learning at Glanbia (1 year)

    Aufbau einer SQL-Produktionsdatenbank für sämtliche Produktionsdaten und Entwicklung eines ML-Modells für die Rezepturentwicklung — Details unten bei den Projekten. Built an SQL database covering all production data and developed an ML model to support recipe development — details in the projects section below.

  6. 06

    M.Eng. Verfahrenstechnik (laufend)M.Eng. Process Engineering (in progress)

    Vertiefung von Prozesssimulation und Anlagenplanung — parallel dazu eigene ML-Projekte rund um Soft Sensors. Deepening process simulation and plant design — alongside personal ML projects focused on soft sensors.

300 ProjekteProjects

301

Bachelorarbeit: Wärmebedarf von Gebäuden per ML vorhersagen Bachelor thesis: predicting building heat demand with ML

Entstanden beim Ingenieurbüro Theta Concepts, das kommunale Wärmepläne erstellt. Für die richtige Dimensionierung künftiger Wärmeversorgung braucht es eine präzise Prognose des Nutzwärmebedarfs — eine Über- oder Unterdimensionierung verursacht hohe vermeidbare Kosten. Bisher kam dafür das extern lizenzierte Programm Thermos zum Einsatz; Ziel der Arbeit war ein eigenes, genaueres Modell auf Basis vorhandener Projektdaten. Created at the engineering office Theta Concepts, which develops municipal heat plans. Dimensioning future heat supply correctly requires an accurate forecast of useful heat demand — over- or under-sizing causes high, avoidable costs. Until now the externally licensed software Thermos was used; the goal was an own, more accurate model built on existing project data.

Das gewählte Support-Vector-Regression-Modell schätzt den Bedarf aus der Gebäudegeometrie (Umfang, Höhe, Grund- und Nutzfläche, Volumen) und berücksichtigt dabei die Klimabedingungen. Ergebnis: Das fein abgestimmte Modell erreichte gegenüber Thermos eine um 21 % höhere gewichtete Vorhersagegenauigkeit — und macht das Büro unabhängig von der externen Lizenz. The chosen support vector regression model estimates demand from building geometry (perimeter, height, footprint and usable area, volume) while accounting for climate conditions. Result: the fine-tuned model achieved a 21 % higher weighted prediction accuracy than Thermos — and frees the office from the external licence.

Probier es aus: Regle die Abmessungen und sieh, wie sich der geschätzte Bedarf verändert. Try it: adjust the dimensions and watch the estimated demand change.

BreiteWidth
10.0 m
LängeLength
12.0 m
WandhöheWall ht.
4.0 m
VolumenVolume 480 m³
Gesch. WärmebedarfEst. heat demand 21.600 kWh/a

Stark vereinfachte Illustration — das echte SVR-Modell nutzte weitere Geometrie­merkmale und Klimadaten.Heavily simplified illustration — the real SVR model used further geometry features and climate data.

  • SVR
  • Python
  • scikit-learn
  • EnergietechnikEnergy engineering
PDF Bachelorarbeit öffnenOpen bachelor thesis
302

Produktionsdatenbank & ML-Modell — Glanbia Production database & ML model — Glanbia

Aufbau einer zentralen SQL-Datenbank für sämtliche Produktionsdaten des Werks — vorher verstreut über Systeme und Tabellen, danach strukturiert abfragbar. Darauf aufbauend: ein Machine-Learning-Modell, das die R&D-Abteilung bei der Entwicklung neuer Rezepturen unterstützen sollte. Built a central SQL database for all of the site's production data — previously scattered across systems and spreadsheets, afterwards cleanly queryable. On top of it: a machine learning model intended to support the R&D department in new recipes.

Das Modell erreichte nicht die erhoffte Güte — die Datenbank aber wurde zum Werkzeug: Eine datenbasierte Batch-Optimierung reduzierte die Anzahl benötigter Batches für dieselbe Produktmenge und senkte damit direkt die Produktionskosten. The model did not reach the desired accuracy — but the database became a tool: data-driven batch optimization reduced the number of batches needed for the same product volume, directly cutting production costs.

Erkenntnis: Der Wert steckt oft schon in sauber strukturierten Daten — das Modell ist nur der zweite Schritt. Lesson: much of the value already lies in cleanly structured data — the model is only the second step.

  • SQL
  • Python
  • Machine Learning
  • ProzessdatenProcess data

Von verstreuten Rohdaten zur zentralen SQL-Datenbank — die gemeinsame Grundlage für Auswertung, Visualisierung und das Training von ML-Modellen.

From scattered raw data to a central SQL database — the shared basis for analysis, visualization and training machine-learning models.

303

Soft-Sensor-Demo: Rektifikationskolonne Soft sensor demo: distillation column

Privat entwickeltes Demo-Modell für eine Naphtha-Rektifikationskolonne (Debutanizer). Qualitätsgrößen wie der Butangehalt im Sumpf werden in der Praxis meist nur per Laboranalyse bestimmt — mit Stunden Verzögerung. Ein Soft Sensor schätzt diese Größe stattdessen modellbasiert aus ohnehin laufend gemessenen Prozessgrößen wie Temperaturen, Drücken und Durchflüssen. A personally developed demo model for a naphtha distillation column (debutanizer). Quality parameters such as the butane content in the bottoms are usually determined only by lab analysis — with hours of delay. A soft sensor instead estimates this value from process variables that are already measured continuously, such as temperatures, pressures and flows.

So steht der Wert quasi in Echtzeit zur Verfügung, ohne zusätzliche Sensorik — die Grundlage für schnellere Regelung und weniger Ausschuss. Das Projekt zeigt den kompletten Weg: Prozessverständnis, Auswahl der Eingangsgrößen, Modelltraining und Validierung gegen die Laborwerte. This makes the value available virtually in real time, with no additional hardware — the basis for faster control and less off-spec product. The project shows the full path: process understanding, choice of input variables, model training and validation against the lab values.

  • Soft Sensor
  • Python
  • RektifikationDistillation
  • Regression

Gemessene Prozessgrößen (TI, PI, FI) speisen das Modell, das den Butangehalt im Kolonnensumpf vorhersagt (AI).

Measured process variables (TI, PI, FI) feed the model, which predicts the butane content in the column bottoms (AI).

304

Anlagenkonzepte & Verfahrensfließbilder Plant concepts & process flow diagrams

Zwei Uni-Projekte vom Konzept bis zum fertigen Verfahrensfließbild: eine Anlage zur Hafermilch-Herstellung und eine Kabelrecycling-Anlage. Klassische verfahrenstechnische Auslegung — die Sprache, in der Anlagen gedacht und geplant werden. Two university projects from concept to a finished process flow diagram: an oat milk production plant and a cable recycling plant. Classic process design — the language in which plants are conceived and planned.

Das beigefügte Verfahrensfließbild ist ein Beispiel aus diesen Projekten: Es stellt eine Kabelrecycling-Anlage dar, in der aus Altkabeln Kupfer, PVC und Weichmacher zurückgewonnen werden — von der Zerkleinerung über die Trennung bis zur Aufbereitung der einzelnen Wertstoffe. The attached process flow diagram is one example from these projects: it depicts a cable recycling plant that recovers copper, PVC and plasticizer from scrap cable — from shredding through separation to processing of the individual recovered materials.

  • FließbilderPFDs
  • AnlagenplanungPlant design
  • Recycling
PDF Verfahrensfließbild öffnenOpen process flow diagram

Vereinfachter Ablauf der Kabelrecycling-Anlage — das vollständige R&I-Fließbild als PDF verlinkt.

Simplified flow of the cable recycling plant — the full P&I diagram is linked as a PDF.

400 KontaktContact

Interesse an einem Austausch oder einem gemeinsamen Projekt? Schreiben Sie mir — ich antworte persönlich. Interested in a conversation or a project together? Write to me — I reply personally.

patrick.wrazidlo@gmx.de