Papierqualität automatisch steuern: KI in der Prozessoptimierung

Das echte Ausmaß des Problems

Papiermaschinen produzieren schnell — eine moderne Hochgeschwindigkeitsmaschine läuft mit 1.200 bis 1.800 Metern pro Minute. Das bedeutet: Qualitätsprobleme, die sich langsam anbahnen, haben bei manueller Steuerung oft schon Kilometer Bahn produziert, bevor sie erkannt und korrigiert werden.

Laut Branchenstudien der VDP (Verband Deutscher Papierfabriken) liegt der Ausschussanteil in deutschen Papierfabriken je nach Maschinentyp und Sortenspektrum zwischen 1,5 und 4 Prozent der Jahresproduktion. Bei einer mittelgroßen Maschine mit 100.000 Jahrestonnen und einem Produktpreis von 700 EUR/Tonne entspricht das 1,05 bis 2,8 Millionen EUR gebundener Produktionskapazität, die jährlich als Ausschuss endet — entweder in die Bütte zurück oder als schlechtere Sorte.

Besonders problematisch:

• Rohstoffvarianz bei Altpapier: Faserqualität, Feinstoffanteil und Stickies schwanken je nach Sammeldatum, Lieferant und Saison erheblich. Standardrezepturen sind immer ein Kompromiss.
• Maschinendrift über Schicht: Filze und Siebe altern mit jeder produzierten Tonne. Ein frisch aufgezogenes Filz entwässert anders als eines nach 90 Betriebstagen. Die Parametereinstellungen von 7 Uhr passen nicht mehr um 22 Uhr.
• Multivariater Charakter des Problems: Grammage, Feuchte, Zugfestigkeit, Reißlänge und Dehnbarkeit hängen alle voneinander ab. Eine Korrektur an Parameter A kann Parameter B in den Off-spec-Bereich treiben. Menschliche Intuition ist bei 40+ gleichzeitigen Prozessvariablen schlicht überfordert.

Zur Einordnung: Solenis OPTIX, ein KI-System für Papierfabriken, berichtet von Kunden, die nach Implementierung eine Verbesserung der Qualitätszielerfüllung von über 60 Prozent erreichten — mit ROI-Werten bis 500 Prozent bei vollständig ausgerollter Plattform (Herstellerangabe).

Mit vs. ohne KI — ein ehrlicher Vergleich

¹ Erreichbare Reduktion abhängig von Ausgangsniveau, Maschinentyp und implementierter Sensorik. Eigene Erfahrungswerte aus Industrie-Pilotprojekten; keine repräsentative Studie.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5) Operatoren verbringen in einem typischen Zwölfstundenschicht 90 bis 150 Minuten mit manuellen Qualitätskorrekturen, Parameterabgleichen und Rezepturjustierungen. Ein gut kalibriertes System übernimmt 70 bis 80 Prozent davon autonom. Das entlastet spürbar — aber der Einfluss auf die operative Schichtarbeit ist weniger dramatisch als etwa bei der Schadensprophylaxe durch vorausschauende Wartung, die Stillstandsstunden spart. Unter den Anwendungsfällen dieser Branche eine mittlere Position.

Kosteneinsparung — hoch (4/5) Der Off-spec-Anteil hat einen direkten Preis: jede Tonne schlechterer Qualität, die intern verbraucht oder günstiger verkauft wird, ist ein messbarer Verlust. Bei Jahreskapazitäten ab 50.000 Tonnen und einem Off-spec-Anteil von 2 bis 3 Prozent liegen die jährlichen Verluste schnell im sechsstelligen Bereich. Der Hebel ist real — nicht der größte in der Branche (Energieoptimierung und Bandrissprävention können höhere Werte erzielen), aber sehr direkt messbar.

Schnelle Umsetzung — niedrig (2/5) Das ist der härteste Punkt dieser Klasse von KI-Lösungen. Bevor ein Modell verlässlich läuft, braucht es: saubere Sensordaten aus QCS und Prozessleitsystem, mindestens sechs bis zwölf Monate historische Betriebsdaten inklusive Off-spec-Ereignissen als Labeldaten, eine Kalibrierungsphase unter Realbedingungen und das Vertrauen der Schichtführer, die das System akzeptieren müssen. Kein Tool für übermorgen — eher ein Sechsmonatsprojekt unter optimalen Bedingungen.

ROI-Sicherheit — sehr hoch (5/5) Das ist der stärkste Punkt: Ausschuss lässt sich mit dem Tachometer messen. Du siehst täglich, wie viel Off-spec-Ware produziert wurde, was sie kostet, und was das System daran geändert hat. Kein ROI-Rätselraten — du kannst A/B-Vergleiche zwischen Schichten mit und ohne Systemunterstützung fahren. Unter allen Anwendungsfällen der Branche die klarste und direkteste Messbarkeit.

Skalierbarkeit — mittel (3/5) Ein Modell, das auf Maschine A kalibriert ist, lässt sich nicht einfach auf Maschine B übertragen — jede Maschine hat eigene Filze, Siebe, Alterscharakter und Maschinenspezifikationen. Innerhalb einer Fabrik mit mehreren Maschinen ist Wissenstransfer möglich, aber kein Zero-Shot-Transfer. Konzerne mit zehn Standorten brauchen zehn separate Projekte.

Richtwerte — stark abhängig von Maschinentyp, Sortenspektrum und vorhandener Sensorinfrastruktur.

Was das System konkret macht

Das technische Fundament ist Predictive Analytics auf Echtzeit-Prozessdaten. Konkret:

Datenbasis: Papiermaschinen sind bereits reich mit Sensoren ausgestattet — das Quality Control System (QCS) misst quer zur Bahn Flächengewicht, Feuchtigkeit und oft weitere Parameter (Opazität, Aschegehalt, Glätte) in Sekundenintervallen. Das Prozessleitsystem (DCS/SCADA) erfasst parallel hunderte Stellgrößen: Massepumpendrehzahl, Siebwasserführung, Dampfdrücke, Pressennips, Aufrollspannung. Diese Daten werden historisiert — typischerweise in einem Process Historian wie AVEVA PI.

Modellarchitektur: Das KI-System lernt aus historischen Daten, welche Kombination von Prozessparametern mit welcher Qualitätsabweichung korreliert — idealerweise inklusive der Vorläufersignale, die typischerweise 3 bis 8 Minuten vor Qualitätsabweichung auftreten. Gängig sind Gradient-Boosting-Modelle oder LSTM-Netzwerke für die Zeitreihendynamik.

Betriebsmodi:

• Assistierter Modus: Das System zeigt dem Operator an, welche Parameterjustierung es empfiehlt — der Mensch entscheidet und bestätigt. Gut für die Einführungsphase.
• Autonomer Modus: Das System greift direkt über OPC-UA-Schnittstellen in das DCS ein und setzt Korrekturen autonom um. Erfordert Vertrauen, das über Monate aufgebaut werden muss.

Qualitätsprädiktion: Einige Systeme können nicht nur aktuelle Abweichungen erkennen, sondern die Endqualität einer Bahn bereits in der Nasspartie vorhersagen — bevor das Papier die Trocknung durchlaufen hat. Das ermöglicht frühe Weichenstellung: Weiterlaufen oder umschalten.

Konkrete Werkzeuge — was wann passt

ABB Genix — ABBs industrielle KI-Plattform mit spezifischen Modulen für Papier- und Zellstoffherstellung. Der “Opportunity Loss Manager” quantifiziert Qualitätsverluste in Echtzeit, das APM-Modul kombiniert Anlagenüberwachung und Qualitätsprognose. Geeignet für Werke, die bereits ABB-Leitsysteme betreiben. Preise ausschließlich auf Anfrage, Enterprise-only, typisch sechs- bis siebenstellige Jahresbeträge.

AVEVA PI System als Datenfundament — Bevor ein KI-Modell laufen kann, müssen Prozessdaten in ausreichender Qualität und Granularität historisiert sein. AVEVA PI ist der De-facto-Standard für Process-Historian in der Papierindustrie. Wer PI noch nicht betreibt, muss das als Voraussetzung einrechnen.

ProcessMiner — Spezialisierter auf Papier- und Zellstoffwerke, bekannt durch die Solenis-OPTIX-Partnerschaft. Bietet autonome Chemiedosierungsoptimierung und Qualitätsprädiktion. Kunden berichten von 400.000 bis 600.000 USD Jahreseinsparung pro Linie (Herstellerangaben). Kein Deutschlandbüro, US-Daten-Hosting — AVV-Prüfung erforderlich.

Siemens Opcenter — Als MES-Schicht über bestehendes SCADA empfehlenswert für Werke die Siemens-Infrastruktur betreiben. Bietet Quality Management Module für SPC (Statistical Process Control) und Integration mit ML-Werkzeugen.

KEYENCE Vision — Für die optische Oberflächenprüfung auf der Rollenschneidanlage oder im Querrichtungsprofil. KEYENCE liefert Kamerasysteme zur automatischen Erkennung von Löchern, Rissen, Verschmutzungen und Oberflächendefekten in laufender Bahn. Keine KI-Prozesssteuerung, aber wertvolle Ergänzung für Endkontrolle. Hardware-Einmalzahlung, lokaler Kundendienst in Deutschland, Demoanlagen auf Anfrage.

Zusammenfassung nach Ausgangssituation:

• ABB-Leitsysteme vorhanden → ABB Genix als natürliche Erweiterung
• Siemens-Infrastruktur → Siemens Opcenter mit Qualitätsmodulen
• Chemiedosierung als Haupthebel → ProcessMiner/OPTIX
• Optische Fehlerinspektion → KEYENCE Vision
• Process-Historian fehlt → AVEVA PI als Voraussetzung

Datenschutz und Datenhaltung

Prozessparameter wie Maschineneinstellungen, Rezepturen und Qualitätsprotokolle sind in der Regel keine personenbezogenen Daten — DSGVO greift hier nur am Rand. Relevant wird die Frage bei zwei Punkten:

Erstens, wenn Schichtdaten mit Mitarbeiterkennungen verknüpft werden (z.B. “Operator Müller hat in Schicht X folgende Parameter gesetzt”). Das ist bei modernen MES-Systemen Standard — und damit DSGVO-pflichtiger Personenbezug. Betriebsrat einbinden, Betriebsvereinbarung für digitale Überwachungstools abschließen.

Zweitens bei Cloud-basierten KI-Plattformen, die Produktionsdaten für Modell-Training nutzen: ABB Genix und ProcessMiner verarbeiten Daten global. Für Unternehmen mit Anforderungen an Datensouveränität oder NIS-2-Compliance (Kritische Infrastruktur) sollte das im Vertrag explizit geregelt sein — inklusive Opt-out von Modell-Training auf eigenen Daten und On-Premises-Deployment-Option. AVEVA PI on-premises hält alle Daten auf betriebseigenen Servern und ist damit die datenschutzneutrale Option.

Was es kostet — realistisch gerechnet

Einmalige Projektkosten:

• Prozess-Historian (AVEVA PI, falls nicht vorhanden): 80.000–250.000 EUR je nach Taganzahl
• KI-Plattform-Implementierung (ABB Genix, ProcessMiner): 150.000–500.000 EUR, je nach Umfang und Integrationstiefe
• Sensorik-Nachrüstung (falls QCS-Messwerte unzureichend): 20.000–120.000 EUR
• Interne Projektressourcen (Prozessingenieure, 6–12 Monate): 100.000–200.000 EUR Opportunitätskosten
• Realistisches Projektbudget gesamt: 300.000–900.000 EUR für erstes Rollout

Laufende Kosten:

• Lizenz KI-Plattform: 50.000–200.000 EUR/Jahr (Enterprise, Anfrage nötig)
• PI-System-Wartung: 15–25 % der Anschaffungskosten jährlich
• Interne Modellpflege: 0,2–0,5 FTE eines Prozessingenieurs

Was du dagegenrechnen kannst: Rechenbeispiel für ein Werk mit 120.000 Jahrestonnen Wellpappenrohpapier (700 EUR/Tonne Durchschnittspreis), aktuelle Off-spec-Rate 2,5 Prozent:

• Heutige Ausschusskosten: 120.000 × 0,025 × 700 = 2,1 Mio. EUR/Jahr
• Realistisch erreichbare Reduktion um 40 %: 840.000 EUR/Jahr
• Bei konservativ angenommenen 30 % Erreichung: 630.000 EUR/Jahr

Selbst im konservativsten Szenario amortisiert sich ein 500.000-EUR-Projekt innerhalb eines Jahres.

Wie du den ROI tatsächlich nachweist: Keine Theorie — wähle eine Maschine für einen 90-tägigen A/B-Zeitraum: Hälfte der Schichten mit Systemunterstützung, Hälfte ohne (oder Vergleich zu vorherigem Jahresdurchschnitt). Der Unterschied im Off-spec-Anteil ist dein ROI-Beweis.

Drei typische Einstiegsfehler

1. Modell mit unzureichenden Labeldaten trainieren. Ein Qualitätsprädiktor braucht historische Daten, in denen Off-spec-Ereignisse klar markiert sind — Zeitpunkt, betroffene Parameterzone, Art der Abweichung. Wenn das QCS-System Off-spec-Bahn nur als “Rollennotiz” in Papierform dokumentiert hat und nicht digital im Historian, fehlt das Training-Label. Das Modell lernt dann aus dem falschen Datenmaterial. Lösung: Vor dem KI-Projekt sechs Monate digitales Qualitätsprotokoll aufbauen und mit Historian-Zeitstempeln verknüpfen.

2. Autonomen Modus zu früh aktivieren. Das Druckgefühl unter Schichtführern, wenn ein System autonom in die Maschinensteuerung eingreift, ohne dass sie die Logik dahinter verstehen, ist real und führt zu aktivem Sabotage-Verhalten: Man “überschreibt” die KI-Einstellungen, weil man ihr nicht vertraut. Lösung: Mindestens drei Monate rein assistierter Betrieb. Das Schichtpersonal soll täglich sehen, dass die Empfehlungen stimmen — bevor das System eigenständig agiert.

3. Das Modell einführen und sich nicht mehr darum kümmern. Ein Qualitätsprädiktor, der auf dem Datenstand von Januar 2025 trainiert wurde, kann im Oktober 2025 nach Filzwechsel, Stückzahlerweiterung und neuen Altpapierlieferanten systematisch falsche Empfehlungen geben. Modell-Drift ist in der Papierindustrie kein theoretisches Problem — Maschinencharakter und Rohstoffbasis ändern sich laufend. Jeder Modellbetrieb braucht ein Monitoring-Konzept: Wer überprüft monatlich, ob die Vorhersagegenauigkeit noch stimmt? Was löst ein Retraining aus?

Was mit der Einführung wirklich passiert — und was nicht

Die erste Reaktion der Schichtführer auf autonome Parameteranpassungen ist fast immer Skepsis. Das ist kein Widerstand gegen Technik — es ist professionelle Vorsicht. Ein Schichtführer, der 20 Jahre lang bei Qualitätsdrift die gleiche Maßnahme ergriffen hat, wird einem Modell, das das Gegenteil empfiehlt, erst dann vertrauen, wenn er mehrfach gesehen hat, dass es recht hatte.

Wichtige Erkenntnis aus Praxisprojekten: Das Problem entsteht nicht in der Einführung, sondern in der Kommunikation. Wenn die Schichtführer als erste von dem Projekt erfahren und aktiv eingebunden werden — Erklärung der Modelllogik, Testphase mit ihrem Feedback — ist die Akzeptanz deutlich höher als bei einer Anordnung “ab nächsten Montag läuft das System”. Die besten Implementierungen lassen das Schichtpersonal die Empfehlungen drei Monate lang manuell nachvollziehen, bevor irgendetwas automatisiert wird.

Was realistisch nicht passiert: Ein sofortiger vollständiger Rückgang des Ausschusses um 60 Prozent in Woche eins. Das System lernt. Es braucht Betriebsdaten unter realen Bedingungen, iterative Feinjustierung, und eine Phase, in der man Modellvorhersagen aktiv validiert. Wer in Monat drei ungeduldig wird, bricht ein Projekt ab, das in Monat sieben die ersten wirklich stabilen Ergebnisse geliefert hätte.

Was konkret hilft:

• Schichtführer als “Modell-Paten” einbinden: Sie geben tägliches Feedback, welche Empfehlungen gut waren und welche nicht
• Transparenz-Dashboard für alle Schichten: Was hat das System heute gemacht, warum, mit welchem Ergebnis?
• Klare Eskalationsregel: Operator kann Systemempfehlung jederzeit übersteuern — mit Pflichtdokumentation des Grundes

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

“Unser QCS misst schon alles — wozu brauchen wir KI?” QCS misst in Querrichtung und liefert Profildaten. Was es nicht kann: die kausale Kette zurückverfolgen. Wenn Grammage-Schwankungen auftreten, zeigt QCS das Symptom — nicht die Ursache. Das KI-System analysiert 40 bis 80 Prozessparameter gleichzeitig und findet multivariate Muster, die ein Mensch nicht erkennen kann. QCS ist die Diagnoseinstrument; das KI-System ist die Ursachenanalyse und der Therapieplan.

“Unsere Operatoren kennen die Maschine besser als jedes Modell.” Das ist oft wahr — und kein Widerspruch. Ein erfahrener Schichtführer hat ein intuitives Modell der Maschine im Kopf, aufgebaut über Jahre. Das Problem: Schichtübergaben, Urlaub, Krankheit, Renteneintritt. Das Wissen ist in Personen gebunden, nicht im System. Das KI-Modell ist das dokumentierte, transferierbare, nicht-vergessende Pendant zu diesem Erfahrungswissen. Es verdrängt den Schichtführer nicht — es bewahrt sein Wissen auch für seine Nachfolger.

“Das kostet zu viel für unser Werk.” Stimmt für kleine Betriebe unter 30.000 Tonnen Jahreskapazität. Für die meisten deutschen Papierfabriken mit über 60.000 Tonnen ist der ROI-Rechner eindeutig — vorausgesetzt der aktuelle Ausschussanteil liegt über 1,5 Prozent. Wer weniger Ausschuss hat, sollte zuerst fragen: Wissen wir wirklich, wie viel Off-spec wir produzieren, oder messen wir es nicht genau genug?

Woran du merkst, dass das zu dir passt

• Dein Off-spec-Anteil liegt über 1,5 Prozent der Jahresproduktion — und du weißt das, weil du es misst, nicht weil du es schätzt
• Qualitätsschwankungen folgen keinem klaren Muster, das Schichtpersonal beheben kann — es tritt “einfach so” auf, ohne erkennbare Ursache
• Dein Process Historian läuft und enthält mindestens 12 Monate saubere Zeitreihendaten aus QCS und Prozessleitsystem
• Dein Werk produziert über 50.000 Tonnen jährlich — darunter reicht der Hebel in der Regel nicht für ein rentables Projekt
• Du hast einen Prozessingenieur oder eine erfahrene Operatorin, die das Modell fachlich begleiten und validieren kann — nicht nur die IT, sondern jemand der die Maschine kennt

Wann es sich (noch) nicht lohnt — drei harte Ausschlusskriterien:

1. Kein Process Historian oder Daten schlechter Qualität. Ohne saubere, hochfrequente Historikdaten aus Prozessleitsystem und QCS gibt es keine Trainingsbasis. Wer seinen Historian noch nicht hat oder der Datenqualität nicht traut, muss das zuerst reparieren — das ist Voraussetzung, kein Parallelprojekt.

2. Jahresproduktion unter 30.000 Tonnen oder sehr stabiles Sortenspektrum. Bei kleinen Werken oder solchen, die seit Jahren eine konstante Sorte fahren und deren Off-spec unter 1 Prozent liegt, übersteigen Projektkosten den erreichbaren Nutzen systematisch. Das Geld ist in diesem Fall besser in Sensorik-Upgrades oder Schichtpersonal-Training investiert.

3. Keine interne Ressource für Modellpflege. Ein trainiertes Modell braucht jemanden, der es monatlich prüft, versteht, wenn die Genauigkeit sinkt, und entscheidet, wann ein Retraining nötig ist. Wenn diese Person nicht existiert oder nicht finanzierbar ist, sollte das Projekt nicht gestartet werden — ein nicht gepflegtes Modell ist schlimmer als kein Modell, weil es falsch Selbstvertrauen ausgibt.

Das kannst du heute noch tun

Bevor du ein Angebot einholst: Exportiere aus deinem SCADA oder QCS-System die letzten 90 Tage Off-spec-Protokolle und lade sie in ChatGPT hoch. Stelle die Frage, ob sich zeitliche Muster erkennen lassen — Uhrzeiten, Schichten, Wochentage. Das dauert 30 Minuten und zeigt dir, ob dein Off-spec-Problem ein Muster hat, das adressierbar ist — oder ob es wirklich zufällig verteilt ist.

Für eine systematischere erste Analyse, die du heute mit deinen vorhandenen Daten starten kannst:

Quellen & Methodik

• Off-spec-Anteil 1,5–4 %: VDP Papier 2023 Leistungsbericht; branchenübliche Erfahrungswerte aus Praxisprojekten in deutschen Papierfabriken.
• Solenis OPTIX ROI-Angaben: Herstellerangaben processminer.com (Solenis OPTIX), Stand April 2026 — als Herstellerangaben gekennzeichnet, keine unabhängige Validierung.
• Projektkosten und Amortisationszeiten: Eigene Erfahrungswerte und publizierte Industrieberichte aus Implementierungsprojekten 2022–2025 in europäischen Papierfabriken.
• AVEVA PI als Process Historian: AVEVA Produktdokumentation und Markterhebungen; Einsatz als Standard-Historian in der Papierindustrie branchenübergreifend dokumentiert.
• ABB Advanced Digital Services Fallstudie: ABB, „Advanced Digital Services increase Indian paper mill production and quality”, new.abb.com (2024).
• Trockenpartie-Energieanteil 40 %: DOE Bandwidth Study für die Zellstoff- und Papierindustrie (U.S. Department of Energy, 2013); Größenordnung für europäische Werke konsistent.