Bleichchemikalien-Optimierung: Peroxid sparen ohne Qualitätsverlust

Das echte Ausmaß des Problems

Die Bleichanlage einer Zellstofffabrik ist eines der chemikalienintensivsten Aggregate der Papierherstellung. Pro Tonne luftgetrocknetem Zellstoff (ADt) werden je nach Rohstoff und Zielweißgrad 10 bis 50 Kilogramm Bleichchemikalien eingesetzt — Wasserstoffperoxid, Chlordioxid, Natriumhydroxid, Ozon. Bei einer Fabrik mit 300 t/d Kapazität und 330 Betriebstagen entstehen Jahreschemikalienkosten von typischerweise 800.000 bis 2,5 Millionen Euro allein für den Bleichbereich.

Das Kernproblem ist die Ligninvariabilität der Rohstoffe. Frisches Holz aus verschiedenen Herkunftsregionen, Altersklassen und Baumarten hat grundlegend unterschiedliche Ligningehalte — ausgedrückt in der Kappa-Zahl (siehe Abschnitt weiter unten). Typische Schwankungsbreiten:

• Fichtenholz aus Nordeuropa: Kappa 28–36 nach dem Kocher
• Kiefernholz aus Osteuropa: Kappa 30–42 nach dem Kocher
• Eucalyptus (Hartholz, Sulfit): Kappa 12–18 — deutlich homogener
• Altpapierfasern: extrem variabel je nach Sammelzusammensetzung

Operatoren, die ohne Inline-Messung arbeiten, dosieren nach dem Worst-Case-Szenario: Wenn ich nicht weiß, ob diese Charge Kappa 28 oder Kappa 34 hat, dosiere ich für Kappa 34 — sonst riskiere ich einen Zielweißgrad-Verfehler, der zu Kundenreklamationen oder einem Stillstand führt. Dieser strukturelle Sicherheitspuffer kostet laut Branchenerfahrungen 20 bis 35 Prozent Überdosierung im Jahresdurchschnitt.

Die Konsequenzen sind dreifach:

• Direkte Chemikalienkosten: Wasserstoffperoxid kostet 400–650 €/t (Stand Frühjahr 2026, stark preisvolatil). Bei 35% Überdosierung entspricht das 60.000–200.000 € unnötige Jahresausgaben allein für H₂O₂ in einer mittelgroßen Fabrik.
• Abwasserbelastung: Nicht-reagiertes H₂O₂ und erhöhte CSB-Werte (Chemischer Sauerstoffbedarf) erhöhen die Kläranlagenbelastung und treiben Entsorgungskosten.
• Regulatorischer Druck: Die EU-Industrieemissionsrichtlinie (IED, 2010/75/EU) setzt über sogenannte BAT-Referenzdokumente (BREFs) verbindliche Emissionsobergrenzen — unter anderem für AOX (adsorbierbare Halogenverbindungen) und CSB/COD im Abwasser.

ECF und TCF: Welche Bleichsequenz bei dir gilt — und warum das für das ML-Modell entscheidend ist

Zwei Paradigmen dominieren die industrielle Zellstoffbleiche. Welches du einsetzt, bestimmt maßgeblich, wie ein ML-Modell gebaut wird.

ECF (Elemental Chlorine Free): Kein elementares Chlor, aber Chlordioxid (ClO₂) in Kombination mit Sauerstoff, Wasserstoffperoxid (H₂O₂) und Natriumhydroxid. Eine typische ECF-Sequenz für Langfaserzellstoff: D₀–E/O–D₁–D₂ (Chlordioxid-Sauerstoffextraktion-Chlordioxid-Chlordioxid). In Deutschland und der EU-27 ist ECF das vorherrschende Verfahren — über 90 Prozent der Kraftzellstoffproduktion in Europa läuft über ECF.

TCF (Totally Chlorine Free): Ausschließlich chlorfreie Chemikalien: Sauerstoff (O), Ozon (O₃), Wasserstoffperoxid (H₂O₂), Persulfat. Typische TCF-Sequenz für Kurzfaserzellstoff: O–O₃–P (Sauerstoff-Ozon-Peroxid). In Deutschland bei einigen Sulfat-Zellstoffproduzenten und bei Eukalyptusholz verwendet; TCF wird für Zertifizierungen wie den Blauen Engel und EU-Ecolabel bevorzugt.

Warum das für das ML-Modell wichtig ist:

Bei ECF hat ein Modell mehrere steuerbare Dosiergrößen gleichzeitig: ClO₂ in D₀, NaOH in der Extraktionsstufe, H₂O₂ in D₁, ClO₂ in D₂. Das sind 4–6 Stellgrößen, die sich gegenseitig beeinflussen. Ein Random-Forest-Regressionsmodell lernt diese Wechselwirkungen besser als ein einfaches PID-Regelkreis-Modell — aber das Trainings-Datenvolumen muss die gesamte Sequenz abbilden.

Bei TCF — insbesondere der Ozon-Stufe — sind die Reaktionskinetiken deutlich empfindlicher gegenüber Temperatur und pH-Schwankungen. Hier ist die Kappa-Zahl nach der O-Stufe der kritischste Messwert für das Modell. Ozon ist 10–15 Mal reaktiver als H₂O₂ und erlaubt keine nachträgliche Korrektur — wer zu viel Ozon einsetzt, schädigt die Faserstärke irreversibel. Für TCF-Stufen eignet sich ein Gradient-Boosting-Modell mit enger Dosiergrenze besser als ein freier Regressionsansatz.

Die Kappa-Zahl: Das Herzstück der Bleich-Optimierung

Die Kappa-Zahl ist eine der zentralen Kenngrößen der Zellstoffindustrie. Sie beschreibt den Restligningehalt im ungebleichten Zellstoff nach dem Kocher und bestimmt den Chemikalienbedarf in der Bleiche direkt.

Technisch: Die Kappa-Zahl gibt an, wie viel Kaliumpermanganat-Lösung ein Gramm Zellstoff unter Standardbedingungen verbraucht. Je höher die Kappa-Zahl, desto mehr Restlignin, desto mehr Bleichmittel wird benötigt.

Praktische Orientierungswerte:

Die Laboranalyse der Kappa-Zahl dauert 3–4 Stunden und ist eine nasse Chemie-Methode — zu langsam, um Dosierungen in Echtzeit anzupassen. Die NIR-Inline-Messung löst dieses Problem: Ein NIR-Sensor am Ausgang des Kochers misst kontinuierlich die Lichtabsorption des nassen Zellstoffs im Nahinfrarotbereich (1.100–2.500 nm) und schätzt die Kappa-Zahl in unter 20 Sekunden.

Wichtige Einschränkung: Ein NIR-Kalibrierungsmodell, das auf baltischer Fichte trainiert wurde, überträgt sich nicht automatisch auf skandinavische Fichte oder osteuropäische Kiefer. Jede Holzmischung braucht ihre eigene Kalibrierung oder ein spezifisches Transfer-Learning-Protokoll. FITNIR Analyzers (heute Teil von BTG Group) hat diese Problematik explizit adressiert und eine grade-to-grade transfer capability entwickelt — was zeigt, dass ohne diese Maßnahme eine Neu-Kalibrierung pro Holzmix erforderlich wäre.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Vergleichswerte für Weißgrad-Stabilität basieren auf der dokumentierten Valmet-Implementierung bei Burgo Ardennes (Belgien, Nov. 2022 / Mai 2024). Chemikalieneinsparungswerte sind aus mehreren Industriequellen gemittelt und gelten für ECF-Sequenzen.

Einschätzung auf einen Blick

Zeitersparnis — gering (2/5) Operatoren sparen kaum direkte Arbeitszeit. Der Prozessleittechnik-Eingriff für die Dosierungsanpassung dauert auch ohne KI nur wenige Minuten pro Schicht. Der tatsächliche Wert liegt in der Qualitätsstabilität und weniger in der Arbeitszeitreduktion. Verglichen mit Use Cases wie Ausschuss-Ursachenanalyse oder Papierbandriss-Vorhersage, die Operatoren aktiv von Überwachungsarbeit entlasten, ist der Zeitgewinn hier gering.

Kosteneinsparung — hoch (5/5) Das stärkste Argument für diesen Use Case. Bei Jahreschemikalienkosten von 500.000 bis 2 Millionen Euro entspricht eine 15-prozentige Einsparung 75.000 bis 300.000 Euro jährlich — ab dem ersten vollen Betriebsjahr. In kanadischen Kraftzellstoffwerken mit NIR-Kappa-Messung wurden laut Pulp and Paper Canada Einsparungen von 150.000 bis 250.000 CAD pro Jahr allein durch verbesserte Kappa-Messgenauigkeit dokumentiert. Die Kosteneinsparung ist damit die höchste aller verglichenen Anwendungsfälle in der Papierindustrie.

Schnelle Umsetzung — mittel (3/5) In Fabriken, die bereits über einen NIR-Sensor an der Kocherlinie und ein modernes DCS mit OPC-UA-Schnittstelle verfügen, ist ein erster Pilot in 3–4 Monaten realisierbar. Wenn Sensor oder OPC-UA fehlen, verlängert sich die Pilotphase auf 6–9 Monate. Verglichen mit rein softwarebasierten Optimierungen wie der Produktwechseloptimierung ist der Hardware-Schritt ein echter Aufwandstreiber.

ROI-Sicherheit — hoch (4/5) Chemikalienverbrauch ist direkte Materialbuchung — kein indirekter Effekt, kein Interpretationsspielraum. Vor/nach-Vergleich über 30 Produktionstage ist ausreichend, um einen statistisch belastbaren ROI zu dokumentieren. Valmet hat bei Burgo Ardennes 8,7% ClO₂-Einsparung über mehrere Jahre stabil nachgewiesen. Einzige Unsicherheit: Bei sehr volatilen H₂O₂-Preisen schwankt der Einsparwert in Euro stark — die prozentuale Einsparung bleibt stabil, der Eurobetrag nicht.

Skalierbarkeit — mittel (3/5) Innerhalb einer Fabrik kann das Modell auf mehrere Bleichstufen und verschiedene Produktspezifikationen ausgeweitet werden. Der kritische Haken: Ein Modell, das auf einer Mischung aus baltischer Fichte und skandinavischer Kiefer trainiert wurde, muss bei einem signifikanten Rohstoffwechsel neu kalibriert werden — typisch 4–8 Wochen Arbeit. Für Konzerne mit mehreren Standorten ist pro Werk ein separates Training nötig. Das begrenzt die Skalierbarkeit im Vergleich zu rein datengetriebenen Anwendungen wie der Rohstoffprognose.

Richtwerte — stark abhängig von Produktionsvolumen, eingesetzter Bleichsequenz und Ligninvariabilität des Holzeinkaufs.

Was das System konkret macht

Das Kernstück ist ein Regressionsmodell — kein neuronales Netz, kein Deep Learning, sondern ein Random Forest oder Gradient Boosting mit 20–50 Features. Das klingt weniger spektakulär als “KI” — ist aber für diese Aufgabe die zuverlässigere Wahl.

Der Datenpfad:

1. NIR-Sensor am Kocher-Ausgang misst kontinuierlich die Lichtabsorption des nassen Zellstoffs. Das kalibrierte Modell übersetzt die Spektraldaten in eine Kappa-Zahl-Schätzung — Genauigkeit ±0,5–1,0 Kappa-Punkte bei einer gut kalibrierten Anlage.

2. Prozessparameter fließen als zusätzliche Features ein: Kochertemperatur, Kochzeit, Sulfiditätsgrad der Kochlauge, Durchsatz, Tageszeit (Schichteffekte sind real), Holz-Lieferantenkennung.

3. Das ML-Regressionsmodell berechnet daraus die optimale Dosierung für jede Bleichstufe — H₂O₂-Menge, NaOH-Menge für die Extraktionsstufe, pH-Zielwert. Die Ausgabe ist kein On/Off-Signal, sondern eine kontinuierliche Dosierungsempfehlung.

4. SCADA/DCS-Integration: Die Dosierungsempfehlung wird via OPC-UA an das übergeordnete Prozessleitsystem übergeben. Das DCS kann diese Empfehlung automatisch umsetzen (Closed-Loop) oder dem Operator als Empfehlung anzeigen (Open-Loop / Assisted Control). In den meisten deutschen Papierwerken startet man mit Open-Loop — der Operator entscheidet, ob er den Vorschlag übernimmt — und wechselt nach 3–6 Monaten Erfahrung in den Closed-Loop-Betrieb.

5. Feedback-Schleife: Tatsächlich erreichter Weißgrad und CSB-Wert im Abwasser fließen als Labormessungen zurück in das Trainingsdatenset. Das Modell verbessert sich kontinuierlich — aber nur, wenn jemand diese Rückkopplung aktiv pflegt.

Warum kein Deep Learning?

Ein LSTM oder CNN hätte im Prinzip die Kapazität, komplexere Zeitreihen zu modellieren. In der Praxis ergeben sich drei Probleme: Erstens fehlt der Trainingsdatenbedarf — für 2.000–5.000 saubere gelabelte Prozesssequenzen braucht man 12–24 Monate historische Daten aus einem stabilen Betrieb. Zweitens fehlt die Erklärbarkeit: Ein Prozessleittechnik-Zertifizierer möchte wissen, warum das System eine bestimmte Dosierung empfiehlt, und “das Netz hat es so gelernt” ist keine akzeptable Antwort. Drittens sind Machine Learning-Modelle wie Random Forest oder Gradient Boosting robuster gegenüber kleinen Datensätzen und liefern interpretierbare Feature-Importance-Rankings — der Ingenieur versteht, welche Parameter die Dosierung am stärksten treiben.

OPC-UA vs. proprietäre DCS-Protokolle: Die Integrations-Realität

Die größte technische Hürde bei diesem Projekt ist nicht das ML-Modell — es ist die Anbindung an das bestehende Prozessleitsystem. In deutschen Zellstoff- und Papierfabriken finden sich drei typische Situationen:

Situation A: Modernes DCS mit OPC-UA (Siemens PCS 7/9, ABB System 800xA, Honeywell Experion ab ca. 2012) Das ML-System liest Prozessdaten über den OPC-UA-Server aus und schreibt Dosierungssetpoints zurück. Implementierungsaufwand: 2–4 Wochen für einen erfahrenen OT-Integrator. OPC-UA ist ein offener Standard (IEC 62541), der Hersteller-übergreifend funktioniert.

Situation B: Älteres DCS mit proprietärer OPC-DA-Schnittstelle (vor 2010) OPC-DA (das Vorgängerprotokoll) ist Windows-COM-basiert und nur auf Windows-Hosts lauffähig. Ein ML-System auf Linux/Python braucht einen Middleware-Layer (z.B. Matrikon OPC-Proxy oder Kepware). Implementierungsaufwand: 6–10 Wochen inklusive Testläufen. Risiko: Latenz durch die Middleware-Schicht.

Situation C: SPS-direkt ohne Historisierungssystem Kleinere Anlagen ohne zentralen Historian — Daten landen nur als Kurvenbilder auf dem Leitstand, sind aber nicht strukturiert gespeichert. Hier ist AVEVA PI System (PI System) oder eine Alternative wie InfluxDB als Zeitreihen-Historian der erste Schritt — ohne historische Daten kein ML-Modell.

Empfehlung für die Evaluation: Vor Projektstart ein 2-tägiges OT-Assessment durchführen. Klärungsfragen: Welches DCS, welche Version, welche OPC-Schnittstelle ist lizenziert, wie viele Datenpunkte können pro Sekunde gelesen/geschrieben werden, sind alle Dosierventile als Stellglieder im DCS adressiert?

Konkrete Werkzeuge — was wann passt

Für die ML-Entwicklung und den Betrieb des Regressionsmodells gibt es mehrere Optionen:

Python mit scikit-learn (kostenlos, Open Source) Der direkteste Weg. scikit-learn enthält fertige Implementierungen von Random Forest, Gradient Boosting (sklearn, LightGBM, XGBoost) und alle benötigten Preprocessing-Tools. Wer einen Data-Science-internen Prozessingenieur oder externen ML-Spezialisten hat, kommt damit am schnellsten zum Ziel. Nachteil: kein eingebautes Modell-Monitoring — das muss separat implementiert werden. Kostenlos, benötigt Python-Kompetenz im Team.

KNIME Analytics Platform (kostenlos für die Desktop-Version) Visuelle Workflow-Plattform, die Random Forest und Gradient Boosting über Drag-and-Drop-Nodes zugänglich macht. Für Prozessingenieure ohne Python-Kenntnisse ein sinnvoller Einstieg. KNIME lässt sich on-premise betreiben (kein Daten-Export nötig) und bietet native OPC-UA-Nodes über das KNIME-Ökosystem. Für Team-Deployment und automatisierte Modell-Updates wird der kostenpflichtige KNIME Business Hub benötigt.

Azure Machine Learning (nutzungsbasiert, EU-Region verfügbar) Für Fabriken, die bereits auf Azure-Infrastruktur setzen oder ein automatisiertes MLOps-Deployment brauchen. Azure ML ermöglicht automatisches Retraining bei Modell-Drift, versionierte Modell-Deployments und ein Monitoring-Dashboard. EU-Rechenzentren (Frankfurt, Amsterdam) gewährleisten DSGVO-konformen Betrieb. Nachteil: Vendor-Lock-in, Kosten für Compute steigen mit Trainingsfrequenz.

Siemens Insights Hub (Enterprise, auf Anfrage) Wer bereits Siemens-DCS-Infrastruktur im Einsatz hat, kann Insights Hub als IIoT-Plattform für Datenaggregation und App-Deployment nutzen. Insights Hub hat native OPC-UA-Connectivity und ermöglicht es, Python-basierte ML-Modelle als Edge Apps zu betreiben — direkt auf einem Siemens Industrial Edge Gateway, ohne Cloud-Roundtrip. Für Fabriken mit kritischen Latenz- oder Datenschutzanforderungen relevant.

Für Visualisierung und Monitoring: Grafana (Open Source) ist ideal als Dashboard-Schicht über den SCADA-Daten. Die Dosierungsempfehlungen des ML-Modells, die tatsächlichen Verbrauchswerte und der Weißgrad lassen sich in Echtzeit darstellen. Zeitreihendaten können in InfluxDB (Open Source) oder AVEVA PI System gespeichert werden.

Zusammenfassung: Wann welcher Ansatz

• Internes Data-Science-Know-how vorhanden, keine Cloud: Python + scikit-learn on-premise
• Prozessleittechniker als Hauptnutzer, kein Python: KNIME Desktop kostenlos + KNIME Business Hub
• Azure-Infrastruktur vorhanden, MLOps-Anforderungen: Azure ML
• Siemens-DCS, Edge-Deployment, Latenz-sensitiv: Siemens Insights Hub

EU-Industrieemissionsrichtlinie und BAT-Anforderungen für die Bleiche

Die EU-Industrieemissionsrichtlinie (IED, Richtlinie 2010/75/EU) verpflichtet Zellstoff- und Papierfabriken zur Anwendung der Besten Verfügbaren Techniken (BVT). Das zugehörige Referenzdokument — das BREF für Zellstoff, Papier und Pappe — definiert BAT-assoziierte Emissionswerte (BAT-AEL) für Abwassereinleitungen.

Konkret für die Bleiche:

• AOX (adsorbierbare organische Halogenverbindungen): Für ECF-Bleiche gilt BAT-AEL von maximal 0,17 kg AOX pro Tonne ADt. Eine überdosierte D₀-Stufe, die zu viel Chlordioxid einsetzt, erhöht AOX direkt. Das ML-Modell reduziert AOX-Emissionen als unmittelbarer Nebeneffekt.
• CSB/COD (Chemischer Sauerstoffbedarf): Für integrierte Werke (Zellstoff + Papiermaschine) gibt das BREF Bandbreiten von 1–2 kg CSB/ADt für modernes ECF-Bleichen. Überschüssiges H₂O₂, das nicht mit Lignin reagiert, erhöht die CSB-Belastung im Abwasser und damit die Kläranlagenkosten.
• TCF-spezifisch: AOX ist irrelevant, da keine Chlorverbindungen eingesetzt werden. Dafür ist die CSB-Last aus der Ozon-Stufe ein kritischer Messwert.

Was das für die Wirtschaftlichkeitsrechnung bedeutet: In Fabriken, die an der Grenze zu BAT-Emissionswerten operieren, kann eine ML-gestützte Chemikalienreduktion den Bau einer teuren Abwasservorbehandlungsanlage vermeiden oder verzögern — ein indirekter Kapitalschutz im ein- bis zweistelligen Millionenbereich.

Datenschutz und Datenhaltung

Die Prozessdaten einer Zellstofffabrik — Kappa-Zahl, Chemikaliendosierungen, Maschinenparameter — enthalten keine personenbezogenen Daten im Sinne der DSGVO. Ein Auftragsverarbeitungsvertrag (AVV) ist nur dann erforderlich, wenn Cloud-Dienste eingesetzt werden, die Prozessdaten verarbeiten (z.B. Azure ML).

Praktische Empfehlungen je Variante:

• On-Premise (Python + InfluxDB + Grafana): Kein AVV nötig, volle Datensouveränität. Empfohlen für Werke mit IP-sensiblem Prozess-Know-how oder in Konzernumfeldern mit strikten IT-Richtlinien.
• Azure ML (EU-Region): AVV mit Microsoft schließen (Self-Service über Azure Portal). EU-Datenregion (Frankfurt oder Amsterdam) wählen. Für die meisten industriellen Prozessdaten DSGVO-unbedenklich, da keine personenbezogenen Daten.
• Siemens Insights Hub: DSGVO-konformes EU-Hosting, Siemens bietet AVV. Zusätzlich prüfen, ob Fabrikspezifika als Betriebsgeheimnis klassifiziert sind und entsprechende NDA/Geheimhaltungsklauseln in den Systemintegrationsvertrag aufgenommen werden.

Kritischer Hinweis zum Modell-Schutz: Das trainierte ML-Modell selbst ist geistiges Eigentum. Wer ein externes Beratungsunternehmen für die Modellentwicklung engagiert, muss im Vertrag klar regeln, wem das Modell gehört und ob der Dienstleister Verfahrens-Know-how für Dritte verwenden darf.

Was es kostet — realistisch gerechnet

Einmalige Projektkosten

Wenn ein NIR-Sensor bereits vorhanden ist (wie es in modernen Kraftzellstofffabriken häufig der Fall ist), reduzieren sich die Einmalkosten auf 100.000–250.000 €.

Laufende Kosten

• Python on-premise: IT-Infrastruktur + 0,5–1 FTE für Modellpflege, ca. 20.000–50.000 €/Jahr
• Azure ML (EU): Compute-Kosten für Modell-Retraining + Deployment, ca. 5.000–20.000 €/Jahr (stark volumenabhängig)
• Externe ML-Unterstützung für Quartals-Prüfungen: 15.000–30.000 €/Jahr (optional, aber empfohlen)

ROI-Rechnung (konservatives Szenario)

Annahmen: 200 t/d ECF-Sulfat-Produktion, Chemikalienkosten 1,2 Mio. €/Jahr, 12% Einsparung durch ML-Optimierung.

Einsparung: 1.200.000 € × 12% = 144.000 €/Jahr

Bei Gesamtkosten von 200.000 € (mit vorhandenem NIR-Sensor): Amortisation in 1,4 Jahren.

Valmet hat bei Burgo Ardennes mit einem ähnlichen Ansatz 8,7% ClO₂-Einsparung nachgewiesen — und die dortige Produktion von 1.015 t/d legt nahe, dass absolute Einsparungen im hohen sechsstelligen Bereich lagen. Bei Fabriken mit 200–400 t/d und zwei- bis vierjährigem Abschreibungshorizont ist dieser Use Case einer der kapitaleffizientesten in der gesamten Papierindustrie.

Wie du den ROI tatsächlich misst: Vorher: 30-Tage-Baselinemessung der Chemikalienverbräuche pro Tonne ADt je Produkttyp. Nachher: dieselbe Kennzahl nach 90-tägigem Betrieb. Variablen, die den Vergleich verfälschen: Rohstoffwechsel, saisonale Produktionsmengenschwankungen, geplante Stillstände. Diese müssen aus dem Vergleich herausgerechnet werden.

Drei typische Einstiegsfehler

1. Das Modell wird auf historischen Labordaten trainiert — nicht auf NIR-Inline-Daten.

Der Reflex: “Wir haben 10 Jahre Laborwerte — das reicht.” Das Problem: Laborwerte haben eine Latenz von 3–4 Stunden, sind als Stichproben gezogen (nicht kontinuierlich) und unterscheiden sich systematisch vom NIR-Signal. Ein Modell, das auf Laborwerten trainiert wurde, ist nicht für Echtzeit-Predictions geeignet. Der erste Schritt muss sein, NIR-Signal und tatsächlichen Laborwert über 6–8 Wochen synchron aufzuzeichnen, um den Kalibrierungsdatensatz aufzubauen.

2. Closed-Loop-Betrieb zu früh einschalten.

Der Wunsch ist verständlich: Wenn das Modell gut ist, soll es auch automatisch steuern. In der Praxis gehen dabei oft Batches verloren. Die empfohlene Sequenz ist immer: Open-Loop (Empfehlung sichtbar, Operator entscheidet) → teilautomatisch (Empfehlung wird umgesetzt, wenn Operator nicht innerhalb von 2 Minuten widerspricht) → Closed-Loop (vollautomatisch, Alarm bei Abweichung). Jede Stufe mindestens 4–6 Wochen im Alltagsbetrieb halten.

3. Modell-Drift nach Rohstoffwechsel wird nicht erkannt — und das System macht trotzdem Empfehlungen.

Das ist der gefährlichste Fehler, weil er still passiert. Wenn der Holzeinkauf die Lieferanten wechselt — neue Mischung, andere Kiefer-Fichten-Ratio, anderer Walddurchforstungsgrad — verändert sich die Beziehung zwischen NIR-Signal und tatsächlicher Kappa-Zahl langsam. Das Modell beginnt zu driften. Ohne ein aktives Monitoring-Dashboard, das die Modellvorhersage mit Laborwerten vergleicht, bemerkt das niemand — bis ein Produktionsproblem den Alarm auslöst. Lösung: Automatischer Alert, wenn die Residuen zwischen Modellvorhersage und Laborwert über 7 Tage einen Schwellenwert überschreiten. Dann Neu-Kalibrierung anstoßen.

Sonderfall Wartung: Ein NIR-Sensor, der jahrelang in feuchter, chemisch aggressiver Atmosphäre betrieben wird, verschmutzt und driftet mechanisch. Eine jährliche optische Kalibrierung mit Referenzproben ist Pflicht — sonst schiebt das System falsche Kappa-Zahl-Werte ins Modell, und das Modell empfiehlt auf Basis fehlerhafter Eingaben.

Was mit der Einführung wirklich passiert

Die Technik ist bei diesem Projekt nicht das Hauptproblem. Das Hauptproblem heißt Betriebsverantwortung und Schichtbetrieb.

Schichtleiter-Akzeptanz ist nicht selbstverständlich. Ein erfahrener Prozessoperator, der seit 15 Jahren die Bleiche fährt, hat ein tiefes intuitives Verständnis für “wie der Stoff heute ist”. Wenn ein Algorithmus eine Dosierungsempfehlung gibt, die von seiner Intuition abweicht, wird er sie im Zweifel ignorieren — nicht aus Boshaftigkeit, sondern aus berechtigtem Eigeninteresse (er haftet für den Produktionserfolg). Das erste Jahr ist keine Technik-Einführung, sondern ein Vertrauensaufbau-Projekt.

Was konkret hilft:

• Den Schichtleitern zeigen, wie das Modell zu seiner Empfehlung kommt. Feature-Importance-Plots aus dem Random Forest sind verständlich — “Die baltische Fichte von Lieferant X hat historisch immer Kappa 30–32 nach Kocher — das Modell weiß das.” Das ist überzeugender als Vertrauensappelle.
• In den ersten 3 Monaten die Modell-Empfehlungen transparent neben die eigene Dosierung stellen (ohne Einflussnahme) und gemeinsam auswerten: Wann lag das Modell besser? Wann lagen Schichtleiter-Korrekturen besser?
• Einem Prozessingenieur die “Modellverantwortung” übertragen — Ansprechpartner für Qualitätsprobleme, Schnittstelle zum Modellentwickler. Ohne diese Rolle verliert das System innerhalb von 12 Monaten an Akzeptanz.

Was nicht funktioniert: Das System über die Betriebsleitung zu mandatieren, ohne die Schichtteams einzubeziehen. Schichten, die nicht verstehen, warum die Dosierungsempfehlung kommt, werden im Zweifelsfall abweichen — und rechtfertigen diese Abweichung intern als “Vorsichtsmaßnahme”. Damit ist der ROI sofort halbiert.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Wir haben schon eine Prozessregelung — PID-Regler für die Dosierung.”

PID-Regler stabilisieren einen Prozess rund um einen Sollwert. Sie reagieren auf Abweichungen, die bereits eingetreten sind — nicht auf die Kappa-Zahl, die in den nächsten 30 Minuten aus dem Kocher kommt. Das ML-Modell ist eine vorausschauende Steuerung (Feedforward), nicht eine Rückkopplungsregelung. Beide ergänzen sich: PID hält den Prozess stabil, das ML-Modell setzt den richtigen Sollwert für den PID — basierend auf dem, was gerade aus dem Kocher kommt.

„Unser NIR-Sensor ist 12 Jahre alt — der ist ungenau.”

Das stimmt teilweise. Ältere NIR-Sensoren haben mehr optischen Drift und brauchen häufigere Rekalibrierungen. Vor dem ML-Projekt sollte ein Wartungscheck des Sensors stehen. Kosten für eine professionelle NIR-Sensorinspektion und Optikreinigung: ca. 5.000–10.000 €. Das ist kein Argument gegen das Projekt — es ist ein Argument für eine initiale Sensorbewertung.

„Wenn das Modell falsch dosiert, haben wir eine Charge Ausschuss.”

Berechtigte Sorge. Sie ist der Grund, warum alle professionellen Implementierungen mit Open-Loop-Betrieb beginnen. Das Modell kann keine Charge beschädigen, solange es nur Empfehlungen gibt. Erst wenn über mehrere Monate statistisch bewiesen ist, dass die Empfehlungen besser sind als die manuelle Dosierung, lohnt die Closed-Loop-Diskussion. Das Risiko ist manageabel — nicht trivial, aber manageabel.

„Das rechnet sich bei unserer Fabrikgröße nicht.”

Für Fabriken unter 50 t/d Kapazität mit weniger als 300.000 € Jahreschemikalienkosten ist das ehrlich gesagt richtig. Bei 5% Einsparung wären das 15.000 € jährlich — Amortisationszeit bei 200.000 € Investitionskosten: über 10 Jahre. Das rechnet sich nicht. Unter welchen Bedingungen es sich rechnet: siehe Abschnitt “Woran du merkst, dass das zu dir passt.”

Woran du merkst, dass das zu dir passt

Positive Indikatoren:

• Du betreibst eine ECF- oder TCF-Bleichanlage mit mehr als 100 t/d Produktionskapazität
• Dein Holzeinkauf ist diversifiziert — du beziehst Holz von mehreren Lieferanten oder aus unterschiedlichen Regionen, und der Ligningehalt schwankt spürbar zwischen den Chargen
• Du hast bereits Inline-Messung im Bleichbereich — mindestens Weißgradmessung und pH; ein NIR-Sensor ist vorhanden oder im Investitionsplan
• Dein DCS ist jünger als 10–12 Jahre und hat eine OPC-UA- oder zumindest OPC-DA-Schnittstelle
• Deine Chemikalienkosten liegen über 500.000 €/Jahr — darunter ist der Business Case zu eng

Wann du noch nicht anfangen solltest — drei harte Ausschlusskriterien:

1. Produktionsvolumen unter 80–100 t/d (größenbasiert): Die Amortisationszeit übersteigt 5–7 Jahre selbst im besten Fall. Der Return reicht nicht, um das Projekt zu rechtfertigen. Prüfe stattdessen, ob eine manuelle Kappa-Zahl-Schnellmessung (halbautomatisches Labor) die Dosiergenauigkeit verbessern kann — das kostet einen Bruchteil.

2. Keine strukturierte Prozessdatenhistorie vorhanden (prozessreifegradbasiert): Wenn die Prozessdaten der letzten 12 Monate nur als nicht-exportierbare Kurvenbilder auf einem Leitstandmonitor vorliegen — und nicht als strukturierte Zeitreihen in einem Historian — fehlt die Grundlage. Dann ist die Installation eines Process Data Historians (z.B. AVEVA PI System oder InfluxDB) der erste Schritt, nicht das ML-Modell.

3. DCS ist ein proprietäres System ohne Netzwerk-Anbindung (infrastrukturbasiert): Ältere Emerson- oder Yokogawa-Systeme aus den 1990ern ohne Ethernet-Schnittstelle. Nachrüsten ist möglich, aber die Integrationskosten übersteigen dann den ROI bei mittleren Fabrikgrößen. Erst Hardware-Modernisierung, dann Digitalisierung.

Das kannst du heute noch tun

Der sofort umsetzbare erste Schritt kostet nichts und braucht keine externe Hilfe: Quantifiziere das Überdosierungs-Problem in deiner Fabrik.

Nimm die Chemikalienverbrauchsprotokolle der letzten 90 Tage — Kilogramm H₂O₂, ClO₂ und NaOH pro Tonne ADt je Produktsorte. Berechne die Varianz: Wie stark schwankt der Verbrauch bei gleicher Produktsorte zwischen verschiedenen Holzchargen? Wenn die Schwankung über 20% liegt, ist das dein konkretes Potenzial.

Zweiter Schritt: Hol den letzten NIR-Sensor-Wartungsbericht raus. Wie alt ist die letzte Kalibrierung? Wie groß ist die dokumentierte Messabweichung? Das gibt dir den Qualitätsstatus deiner wichtigsten Eingangsgröße.

Dritter Schritt: Lass dir von deinem DCS-Anbieter bestätigen, ob eine OPC-UA-Schnittstelle lizenziert ist — oder was ein Nachrüsten kosten würde.

Mit diesen drei Datenpunkten hast du den Business-Case-Backbone für eine interne Entscheidungsvorlage.

Für die datengetriebene Analyse deiner historischen Prozessdaten — wenn ein Export aus dem Historian möglich ist — hier ein Analyse-Prompt:

Quellen & Methodik

• Valmet Bleaching Optimizer / Burgo Ardennes (Belgien): Valmet-Fallstudie “Burgo Ardennes stabilizes bleaching process”, veröffentlicht Nov. 2022 und Mai 2024 auf valmet.com. Dokumentierte Ergebnisse: 8,7% Reduktion des Chlordioxid-Verbrauchs, 47,9% Reduktion der Weißgradvariabilität. Implementierung: Valmet Kappa Analyzer, Cormec5 Helligkeitsmessung, Valmet Bleaching Optimizer APC.

• FITNIR Analyzers / BTG Group: Publizierte Einsparungswerte von 150.000–250.000 CAD/Jahr für Kraftzellstoffmühlen mit NIR-Kappa-Inline-Messung, dokumentiert in Pulp and Paper Canada (“Canadian mills opt for FITNIR analyzers”). FITNIR nutzt Diffus-Reflexions-NIR-Spektroskopie (1.100–2.500 nm) für die Kappa-Zahl-Messung, Analysezeit unter 20 Sekunden. Heute Teil der BTG Group.

• EU-Industrieemissionsrichtlinie (IED, 2010/75/EU): BREF-Dokument für die Zellstoff-, Papier- und Pappeherstellung (Europäische Kommission, JRC Technical Reports). BAT-assoziierte Emissionswerte für AOX (Grenzwert 0,17 kg/ADt für ECF-Bleiche), CSB/COD und weitere Parameter.

• NIR-Spektroskopie für Kappa-Zahl: Metrohm, “Pulp and paper QC and product screening with NIR spectroscopy”, 2024 (metrohm.com). Bestätigt Genauigkeit ±0,5–1,0 Kappa-Punkte bei kalibrierter Inline-Messung.

• ECF/TCF-Marktanteile Europa: European Confederation of Paper Industries (CEPI) — ECF über 90% der europäischen Kraftzellstoffproduktion.

• Chemikalienpreise und Prozesskosten: Industrieerfahrungswerte für deutsche Zellstoff- und Integrationswerke (Stand Frühjahr 2026). H₂O₂-Marktpreise stark volatil — immer auf aktuelle Bezugspreise prüfen.

• Scoring-Einordnung: Einsparungswert (5/5) basiert auf FITNIR/Valmet-Referenzen. Skalierbarkeit (3/5) reflektiert dokumentierte Notwendigkeit der per-Standort-Neukalibrierung bei Holzmix-Wechsel, wie explizit von FITNIR als Design-Herausforderung benannt.

Du willst wissen, ob das Potenzial in deiner Fabrik ausreicht und welche Sensor- und DCS-Infrastruktur ihr konkret nachrüsten müsstet? Meld dich — das klären wir gemeinsam in einem kurzen Gespräch.