Papier- & Zellstoffindustrie

Ein Bandriss in der Nasspartie kostet 2–6 Stunden Produktionsausfall plus Reinigung und Neuanfahrt. Operatoren erkennen kritische Zustände erst, wenn das Band bereits gerissen ist, zu spät für korrigierende Eingriffe.

LSTM-Zeitreihenmodell + Isolation Forest auf Spannungs-, Feuchte- und Geschwindigkeitssensoren der Nasspartie. Das Modell lernt normale Signalmuster und schlägt 3–8 Minuten vor dem Riss Alarm.

Rissfrequenz um 40–60% reduzierbar. Jeder verhinderte Riss eliminiert 2–6 Std. Stillstand, bei 600 €/Min Kapazitätswert und vier Rissen/Monat sind das bis zu 172.800 € Einsparung pro Monat.

Open-Source-Stack (InfluxDB + Python, kein Lizenzbudget)Edge-Deployment auf Siemens IPC oder vergleichbarEnterprise IIoT-Plattform (AVEVA PI + Azure ML)

Ligningehalt variiert je nach Holzcharge um 15–30%. Operatoren dosieren pauschal für das Worst-Case-Szenario, im Durchschnitt werden 20–35% zu viel Chemikalien verbraucht. Das erhöht Kosten und Abwasserlast.

NIR-Inline-Messung des Ligningehalts + Random-Forest- bzw. Gradient-Boosting-Regressionsmodell berechnet die optimale Peroxid-Dosierung für jede Charge. Das System gibt Dosierempfehlungen in Echtzeit an das Prozessleitsystem weiter.

Chemikalieneinsatz um 15–25% reduzierbar. Bei Jahreskosten von 500.000–2 Mio. € für Bleichchemikalien entspricht das 75.000–500.000 € Einsparung. Gleichzeitig sinken CSB-Werte im Abwasser.

NIR-Inline-Messung + DosierempfehlungRegressionsmodell + SCADA-AnbindungClosed-Loop-Steuerung mit Drift-Monitoring

Dickenschwankungen unter 5 µm sind für Operatoren nicht erkennbar, führen aber zu Reklamationen beim Druckkunden und erhöhtem Ausschuss in der Weiterverarbeitung. Walzenschliff nach Kalender verpasst oft den kritischen Zeitpunkt.

Inline-Laserprofilometrie und Nipdruckmessung quer zur Maschinenrichtung liefern kontinuierliche Verschleißsignale. Ein LSTM-Zeitreihenmodell (Long Short-Term Memory) analysiert die Profildrift, berechnet den optimalen Schleifzeitpunkt und visualisiert den aktuellen Walzenzustand für Maschinenführer und Instandhaltung.

Reklamationsrate wegen Dickenschwankungen um 50–70 % senkbar. Walzenschliffrhythmus wird bedarfsgerecht statt kalenderbasiert, typisch 15–30 % längere Standzeiten pro Walze bei gleichzeitig besserer Papierqualität.

Caliper-Profilanalyse aus QCS-DatenNipdrucksensorik (iRoll) + LSTM-PrognoseVollintegration mit Dashboard + SAP-PM

Stickies aus Haftetiketten, Heißkleber und PSA-Beschichtungen sind im Altpapierballen unsichtbar. Erst wenn sie im Prozess aufschmelzen und sich auf Walzen, Sieben und Filzen ablagern, wird das Problem erkannt, dann ist der Reinigungsstopp unvermeidbar.

NIR-Spektroskopie am Altpapier-Eingang kombiniert mit einem CNN-basierten Spektralklassifikationsmodell (Convolutional Neural Network auf NIR-Bilddaten) identifiziert Stickies-belastete Chargen. Hochbelastete Lieferungen werden gezielt beigemengt oder für eine separate Aufbereitung zurückgehalten. Die Schmutzfänger-Einstellung wird automatisch angepasst.

Stickies-bedingte Reinigungsstopps um 30–50 % reduzierbar. Jeder vermiedene Stopp spart 4–8 Stunden Produktionsausfall plus Chemikalien- und Filzkosten. Lieferantenqualität wird erstmals systematisch messbar.

Laborblatt-Analyse (PTS DOMAS)NIR-Kamera am Förderband + CNN-KlassifikationVollinline-NIR + automatische Sortierklappe

Übergetrocknete Ränder werden spröde und brechen in der Weiterverarbeitung. Feuchte Mittelzonen führen zu Welligkeit und Planheitsproblemen. Beide Fehler verursachen Reklamationen, vor allem bei Druck- und Verpackungskunden.

Inline-NIR-Feuchtemessung quer zur Maschinenrichtung + modellprädiktiver Algorithmus (MPC) steuert Dampfdosierung und Befeuchterventile der einzelnen Aktuatorzonen individuell nach.

Feuchteabweichung im Querprofil (2-Sigma) um 40–65 % reduzierbar. Planheitsreklamationen sinken um 40–60 %. Dampfverbrauch in der Trockenpartie um 5–8 % optimierbar. Maschinengeschwindigkeit in dokumentierten Fällen um 5 % steigerbar.

NIR-Querprofilscanner + PID-RegelungMehrzonendampfbox + MPC-AlgorithmusOEM-Komplettlösung mit Cloud-Monitoring

Pauschalintervalle für Filzwechsel führen zu zwei Fehlern gleichzeitig: Filze werden zu früh ausgetauscht (unnötige Materialkosten) oder zu spät erkannt (Qualitätsverlust, Maschinenschäden). Gleiches gilt für Lager in der Pressenpartie.

Vibrations-, Temperatur- und Drucksensoren an Lager- und Pressenpartie liefern kontinuierliche Daten. Ein multivariates Isolation-Forest-Modell auf Zeitreihenbasis (ergänzt durch Hüllkurvenanalyse für Lagersignale) erkennt Abweichungen vom Normalzustand und schlägt kontextabhängige Wechselzeitpunkte vor.

Filzkosten um 10–20% reduzierbar durch bedarfsgerechten Wechsel. Ungeplante Pressenausfälle durch Lagerschäden um 60–90% reduzierbar. Typische Einsparung: 200.000–500.000 €/Jahr bei einer Großmaschine.

Vibrationssensoren + Hüllkurvenanalyse für LagerMultivariate Anomaliedetektion auf IoT-DatenVollintegration Lager + Filz mit Regime-Erkennung

Operatoren stellen Mahlgrad konservativ ein, lieber zu viel als zu wenig, um Qualitätsziele sicher zu erreichen. Energiekosten in der Mahlung machen 15–25% des Gesamtverbrauchs einer Papierfabrik aus, Optimierungspotenzial bleibt ungenutzt.

Inline-Messung von Freeness und Fasereigenschaften + Gradient-Boosting-Regressionsmodell (XGBoost oder ANN) berechnet den minimalen Energieeinsatz für jeden Sortenauftrag. Das Modell berücksichtigt Rohstoffvariabilität automatisch.

Energieverbrauch in der Mahlung um 8–15% senkbar ohne Qualitätsverlust. Bei Energiekosten von 2–5 Mio. €/Jahr in der Mahlung: 160.000–750.000 € Einsparung.

Inline-Freeness-Messung als BasisInline-Sensoren + MPC-RegelungML-Regression (XGBoost/ANN) + MPC

Trockenpartien werden mit statischen Dampfkurven betrieben, kalibriert auf den schlechtesten Betriebsfall (höchste Flächenmasse, feuchteste Rohstoffcharge). Im Normalbetrieb wird damit systematisch zu viel Dampf verbraucht.

Physikbasiert-ML-hybrides Trocknungsmodell (Wärmebilanz + Random-Forest-Regression für Rohmaterialvariabilität) berechnet sekündlich den optimalen Dampfbedarf je Zylindergruppe. MPC-Regler setzt die Sollwerte dynamisch ins DCS um.

Dampfeinsatz in der Trockenpartie um 8–12% reduzierbar. Bei einem Verbrauch von 3–8 t Dampf pro Tonne Papier und Dampfkosten von 30–50 €/t: 300.000–1.200.000 € Einsparung pro Jahr und Maschine.

Physikbasiertes TrocknungsmodellML-Hybridmodell + MPC-ReglerML-Hybrid + MPC + DCS-Closed-Loop

Ausschussquoten von 3–8% gelten in der Papierindustrie als normal, obwohl ein erheblicher Teil systematisch vermeidbar wäre. Ursachenanalysen nach Ausschussereignissen sind zeitaufwendig und bleiben oft bei offensichtlichen Symptomen stecken.

Gradient-Boosting-Modell (XGBoost/LightGBM) korreliert alle historisierten Prozessparameter automatisch mit Ausschussereignissen. SHAP-Erklärbarkeit macht die wichtigsten Einflussfaktoren mit Gewichtung transparent und priorisierbar.

Ausschussquote um 1–3 Prozentpunkte senkbar. Bei einer Maschine mit 200 t/Tag Kapazität und 150 €/t Produktwert: 110.000–330.000 €/Jahr aus Produktionswert-Gewinn, dazu Energie- und Rohstoffeinsparungen durch weniger Re-Pulping. Dazu schnellere Root-Cause-Analysen nach Vorfällen.

Historian-Export + Excel-KorrelationGradient Boosting + SHAP-ReportsData Warehouse + XGBoost + SHAP-Dashboard

Ein Wechsel von weißem Schreibpapier auf braune Verpackungspappe kostet 4–6 Stunden Umrüstzeit. Die gleiche Maschine kann von Zeitungsdruck auf SC-Papier in 45 Minuten wechseln. Manuelle Planung ignoriert diese Asymmetrien weitgehend.

Traveling-Salesman-ähnliche kombinatorische Optimierung über alle Sorten-Wechsel-Kombinationen mit realen Umrüstzeiten aus der Produktionshistorie. Der Algorithmus findet die optimale Sequenz unter Liefertermineinhaltung.

Umrüstzeiten um 15–25% reduzierbar ohne Lieferterminverletzungen. Bei 3–5 Sortenwechseln pro Woche und 2 Std. Durchschnittseinsparung pro Wechsel: 300–500 zusätzliche Produktionsstunden pro Jahr.

Übergangsmatrix aus Historian-DatenOR-Tools-Solver + MatrixKommerzielles APS + Historian-Anbindung

Labor-Analysen für CSB/BSB dauern 2,5 bis 24 Stunden. Bis ein Grenzwertverstoß erkannt wird, ist die betroffene Abwassermenge bereits eingeleitet. Folge: Bußgelder bis 50.000 €, behördliche Auflagen und im Wiederholungsfall Produktionseinschränkungen.

UV/Vis-Spektralmessung an den Einleitpunkten kombiniert mit Support Vector Regression oder Random Forest als Surrogatmodell, schätzt CSB/BSB-Werte kontinuierlich aus Spektraldaten. Alarm-Logik greift ein, bevor kritische Werte den Einleitpunkt erreichen, Reaktionszeit sinkt von Stunden auf Minuten.

Grenzwertverstöße deutlich reduzierbar. Wer historisch Verstöße hatte, kann 50.000–500.000 € an Bußgeldern und Folgekosten einsparen. Erleichtert Behördenmonitoring durch lückenlose, manipulationssichere Dokumentation des gesamten Einleitverlaufs.

Online-UV/Vis-Sonde + SCADA-AnzeigeUV/Vis-Sonde + ML-SurrogatmodellUV/Vis + ML + Bypass-Automatik im SCADA

Papierhersteller kaufen Altpapier und Zellstoff oft reaktiv, wenn die Bestände sinken. Dabei verpassen sie günstige Einkaufsfenster und zahlen in Hochpreisphasen. Beschaffungskosten machen 40–60% der Gesamtkosten aus.

Zeitreihenprognose mit XGBoost, LSTM oder Prophet auf Basis von Marktpreisindizes, Containerfrachtkosten, Währungskursen und saisonalen Mustern. Das Modell gibt 4–8 Wochen Vorlauf auf Preistendenzen und empfiehlt Einkaufsfenster.

Beschaffungskosten durch besseres Timing um 3–8% senkbar. Bei Rohstoffkosten von 10–50 Mio. €/Jahr: 300.000–4.000.000 € Einsparung. Dazu stabilere Margen durch proaktives Hedging.

EUWID-Daten + Excel-TrendauswertungProphet/XGBoost auf MarktpreisreihenML-Plattform + interne ERP-Einkaufsdaten

Jeder Formatwechsel bringt eine Risikophase. Erfahrene Maschinenführer kennen ihre Maschine gut, aber dieses Wissen ist nicht formalisiert, nicht übertragbar und geht mit der Pensionierung verloren. Jüngere Operatoren haben oft deutlich mehr Anfahrschwierigkeiten.

Random-Forest-Klassifikationsmodell auf historischen Anfahrdaten nach Formatwechseln: Welche Parameterkombinationen führen zu rissfreiem Anfahren? Das System gibt dem Operator konkrete Empfehlungen für Geschwindigkeit, Zugkraft und Feuchtigkeit beim nächsten Formatwechsel.

Anfahrtrisse nach Formatwechsel von typisch 1–3 pro Woche auf 0–1 reduzierbar (30–50% Reduktion in dokumentierten Fällen). Wichtiger: Erfahrungswissen wird systematisch digitalisiert und bleibt dem Unternehmen auch nach Personalwechseln erhalten.

Historische Anfahrdaten auswertenKlassifikationsmodell für Anfahrqualität trainierenOperator-Assistenz mit Parameterempfehlung

Spezialpapier-Hersteller betreiben 15–20 Sorten mit Hunderten Qualitätsparametern, aber Kundenzuordnungen basieren auf Erfahrungswerten und Vertriebsbauchgefühl. Das Ergebnis: Kunden bestellen jahrelang Sorten, die für ihr Equipment suboptimal sind, bis ein Ausschuss-Problem oder eine Beschwerde die Fehlzuordnung sichtbar macht.

k-Means- und hierarchisches Clustering gruppiert Kunden nach ihren tatsächlichen Qualitätsprofilen, aus ERP-Bestellhistorie, QC-Prüfprotokollen und Kundenspezifikationen. Das Modell identifiziert systematisch Fehlzuordnungen: Kunden, die eine andere Sorte brauchen, und Kunden, die für eine höhermargige Sorte qualifiziert wären.

Weniger sortenbedingte Beschwerden, höhere Treffsicherheit bei Neukundenberatung. Beschwerdeanalyse sinkt von 2–4 Stunden auf unter 15 Minuten; 15–22% Margenverbesserung bei identifizierten Hochmargen-Upsell-Kandidaten, die auf passendere Premiumpapiere umsteigen.

ERP + QC/LIMS verknüpfenClustering (k-Means / hierarchisch)Sales-Dashboard mit Matching-Matrix

Druckfarbenreklamationen entstehen oft erst beim Kunden in der Druckerei, Wochen nach der Papierproduktion. Rückwärtsverfolgung zur Leimungsrezeptur ist aufwendig. Labortest-Kapazitäten reichen nicht für alle Varianten.

Gradient-Boosting-Ensemble (XGBoost/LightGBM) korreliert Leimungsparameter (Leim-Typ, Konzentration, Auftragsgewicht, Stärkerezeptur) mit Saugverhalten-Messwerten (Cobb-Wert, IGT-Test). Neue Rezepturen werden simuliert bevor sie auf der Maschine laufen.

Druckfarbenreklamationen durch schlechte Leimungskompatibilität von typisch 3–4 pro Jahr auf 1–2 reduzierbar (40–60% Reduktion). Labortest-Aufwand für neue Rezepturen sinkt von 2–4 Wochen Volltest auf 2–3 Tage gezielten Kurztest (50–70% Zeitersparnis).

Rezeptur- und Labordaten verknüpfenEnsemble-Regressionsmodell trainierenAmpel-Vorhersage für neue Rezepturen

Qualitätsschwankungen in laufender Produktion, Grammage, Feuchtigkeit, Glanz, entstehen durch Rohstoffvarianz, Maschinendrift und Witterungseinflüsse. Operatoren korrigieren reaktiv, oft zu spät.

Gradient-Boosting- und LSTM-Modelle auf Echtzeit-Sensordaten und QCS-Messwerten erkennen Qualitätstrends Minuten vor Überschreitung der Spezifikation und schlagen parametrisierte Korrekturen vor oder setzen sie autonom um.

Off-spec-Anteil um 30–60 % reduzierbar. Bei einer Maschine mit 100.000 Jahrestonnen und 2 % Ausschuss entspricht 1 Prozentpunkt weniger Ausschuss bereits 200.000–400.000 EUR Jahreseinsparung.

QCS-Datenanalyse mit ChatGPT/Claude (kein Setup)Zeitreihenanalyse auf SCADA-Historian (AVEVA PI + ML-Modell)Prescriptive-Analytics-Plattform mit autonomer SCADA-Anbindung

Energiemanager kennen den Gesamtverbrauch, aber nicht, welche Maschinensektionen zu welchem Zeitpunkt ineffizient laufen und warum. Manuelle Auswertungen sind zeitaufwendig und retrospektiv.

Gradient-Boosting-Regressionsmodelle (XGBoost) korrelieren Energieverbrauchsdaten mit Produktions- und Prozessparametern; Isolation-Forest-Algorithmen identifizieren ineffiziente Betriebszustände in Echtzeit und zeigen konkrete Optimierungsmaßnahmen pro Sektion und Schicht.

3–8 % Energieeinsparung durch optimierte Betriebsführung erreichbar. Bei einem Energieeinsatz von 2 Mio. EUR/Jahr entspricht das 60.000–160.000 EUR/Jahr, rein durch bessere Prozessführung, ohne Kapitalinvestitionen.

Process Historian + Dashboard (wenn Historian vorhanden)Industrielle KI-Plattform (ABB Genix / Siemens Insights Hub)Python-Eigenentwicklung auf REST-API (IT-Ressourcen nötig)

Altpapier- und Zellstoffbeschaffung basiert auf Erfahrung und Daumenregeln. Preissignale werden spät erkannt, Lagerbestände sind zu hoch oder zu niedrig, und die Abstimmung zwischen Einkauf und Produktionsplanung dauert Tage.

Prophet-Zeitreihenmodelle (Facebook/Meta) kombiniert mit XGBoost-Regression prognostizieren Rohstoffbedarfe aus internen Produktionsplänen und externen Marktdaten (Altpapierpreisindizes, Sammelquoten, Exportdaten) für rollende 90-Tage-Beschaffungsempfehlungen mit Preisprognose.

Prognosegenauigkeit von 65 auf bis zu 85–90 % steigerbar. Lagerkosten um 8–15 % senkbar. Fehlmengen-bedingte Produktionsstopps signifikant reduzierbar.

ChatGPT / Claude mit CSV-Export (kein Setup)Python + Prophet auf eigener InfrastrukturSAP Ariba / o9 Solutions (Enterprise-Integration)