Energieverbrauch senken mit KI-Analyse in der Papierfabrik

Das echte Ausmaß des Problems

Die Papierindustrie ist eine der energieintensivsten Industrien weltweit. In Deutschland verbraucht die Branche jährlich rund 30 TWh Strom und ist damit nach Chemie und Stahl einer der größten industriellen Stromverbraucher. Je nach Produkttyp und Maschinengeneration liegt der spezifische Energiebedarf bei 250 bis 700 kWh Strom und 800 bis 1.500 kWh Wärme pro Tonne Papier.

Mit den Energiepreissteigerungen seit 2021 ist Energie für viele Werke vom zweiten zum ersten Kostenfaktor geworden. Laut Branchenangaben des VDP (Verband Deutscher Papierfabriken) machen Energiekosten 10 bis 20 Prozent des Umsatzes aus, bei einzelnen hochenergetischen Betrieben noch mehr. Für ein mittelgroßes Werk mit 100.000 Jahrestonnen und 4 Mio. EUR Energieeinsatz bedeutet 5 Prozent Einsparung: 200.000 EUR/Jahr, ohne einen Cent in neue Maschinen zu investieren.

Das Paradoxe: Die Daten liegen vor. Papiermaschinen sind mit Energiezählern und Prozesssensoren ausgestattet. SCADA- und Historian-Systeme speichern Dampfmengen, Stromverbräuche und Prozessparameter im Minutentakt. Das Problem ist nicht fehlende Messung, es ist fehlende kontextualisierte Interpretation. Ein Energiezähler sagt “2,3 MWh in dieser Stunde”. Er sagt nicht: “2,3 MWh ist unter den aktuellen Produktionsbedingungen zu viel um 0,4 MWh, weil der Filzlaufzeit-Faktor gerade erhöht ist und der Trocknungshaube-Taupunkt nicht angepasst wurde.”

Spezifisch für die Trockenpartie, die in der Regel 40 bis 50 Prozent des Gesamtenergieverbrauchs einer Papiermaschine beansprucht: Der Dampfbedarf hängt von Grammage, Einlauffeuchte aus der Pressenpartie, Papierbahn-Temperatur, Haubenbedingungen und Zylinder-Belegungsgrad ab, also von sechs bis zehn gleichzeitigen Parametern. Manuell optimiert man für einen Parameter. Das Modell optimiert alle gleichzeitig.

Mit vs. ohne KI, ein ehrlicher Vergleich

Einschätzung auf einen Blick

Zeitersparnis, niedrig (2/5) Der direkte Zeitgewinn für Schichtpersonal ist gering, die Maschine läuft weiter, nur effizienter. Was sich verändert, ist der Aufwand für Energiemanager und Prozessverantwortliche: Monatliche Analysen, die heute drei bis sechs Stunden dauern, werden automatisiert. Das ist wertvoll, aber im Vergleich zu Anwendungsfällen, die Stunden operativer Arbeit einsparen, ein kleiner Hebel.

Kosteneinsparung, sehr hoch (5/5) Energie ist der zweitgrößte Kostenfaktor, in manchen Werken inzwischen der größte. Eine Einsparung von 5 Prozent bei 3 Mio. EUR Jahresenergieeinsatz bedeutet 150.000 EUR weniger jährliche Ausgaben. Unter allen Anwendungsfällen der Papierindustrie ist dieser Hebel einer der größten absoluten Beträge, und vollständig ohne Produktionseinschränkung erreichbar.

Schnelle Umsetzung, mittel (3/5) Schneller als Qualitätsprädiktion (kein Ausschuss-Labeling nötig), aber nicht trivial. Voraussetzung ist ein laufender Process Historian mit Energiemessdaten in ausreichender Granularität. Wenn das vorhanden ist, sind erste Analysen und Benchmark-Dashboards in 8 bis 12 Wochen möglich. Wenn Energiemessung lückenhaft ist oder die Integration ins SCADA fehlt, verlängert sich das um Monate.

ROI-Sicherheit, hoch (4/5) Strom und Dampf haben einen Preis. Wenn das Modell zeigt “Sektion 4 verbraucht 8 Prozent mehr Dampf als unter vergleichbaren Produktionsbedingungen im Vormonat”, ist das Euro-genau ausrechenbar. Der einzige Unsicherheitsfaktor: ob die identifizierten Potenziale tatsächlich technisch umgesetzt werden können oder ob andere Betriebsbedingungen die Einsparung verhindern. Nicht ganz so direkt wie die Ausschussmessung, daher 4 statt 5.

Skalierbarkeit, hoch (4/5) Das Analysekonzept lässt sich auf weitere Sektionen, weitere Maschinen und weitere Standorte ausrollen, ohne von vorne anfangen zu müssen. Voraussetzung: vergleichbare Dateninfrastruktur. Konzerne mit mehreren Werken profitieren zusätzlich vom Benchmarking über Standorte, welches Werk nutzt pro Tonne am wenigsten Dampf und warum?

Richtwerte, stark abhängig von Ausgangsniveau, Energiemix und Qualität der Messdaten.

Was das System konkret macht

Das Herzstück ist kein Zauberkasten, sondern strukturierte Predictive Analytics auf Energiedaten in Kombination mit Produktionsdaten. In der Praxis bedeutet das:

Baseline-Modellierung: Das System berechnet für jede Maschinenpartie (Nasspartie, Pressenpartie, Trockenpartie, Streichmaschine) einen “erwarteten Energiebedarf” auf Basis der aktuellen Produktionsbedingungen, Flächengewicht, Geschwindigkeit, Feuchtegehalt, Temperatur. Dieser Sollwert ist dynamisch, nicht ein starrer Jahresdurchschnitt.

Abweichungsanalyse: Weicht der tatsächliche Verbrauch in einer Sektion signifikant vom erwarteten Wert ab, löst das System einen Alert aus. “Trocknungssektion 3: 12 % über Sollwert bei aktuellen Bedingungen. Mögliche Ursachen: Kondensatableiter-Funktionsprüfung empfohlen, Haubenzulufttemperatur prüfen.”

Schichtvergleich: Vergleich identischer Produktionsbedingungen über verschiedene Schichten und Operatoren. Das System kann zeigen: “Frühschicht verbraucht im Schnitt 4 % mehr Dampf als Spätschicht bei gleicher Produktion.” Das ist eine Trainings- oder Prozesskommunikations-Aufgabe, kein Maschinenproblem.

Trendanalyse: Dampfverluste, verkalkte Kondensatableiter und abgenutzte Filze schleichen sich über Wochen ein. Das Modell erkennt den Trend, bevor er als Abweichung sichtbar wird, und ermöglicht geplante statt ungeplante Instandhaltung.

Ein besonders wertvoller Hebel in der Trockenpartie: die Optimierung des Hauben-Taupunkts. Höhere Taupunkte bedeuten mehr Wärmerückgewinnung aus dem Brüdenabzug. Forschungsprojekte der TU Dresden zeigen, dass eine Anpassung des Taupunkts von 56 °C auf 62 °C die Wärmerückgewinnungskapazität um bis zu 19 Prozent erhöhen kann, Laborbedingungen; Praxiswerte variieren je nach Haubenkonstruktion und Altpapieranteil, konservative Schätzungen liegen bei 8–14 Prozent. KI-Systeme, die Haubenbedingungen in Echtzeit überwachen, können den optimalen Taupunkt unter den jeweils herrschenden Produktionsbedingungen berechnen.

Konkrete Werkzeuge, was wann passt

AVEVA PI System, Die Grundlage. Ohne einen laufenden Process Historian, der Energiezähler, Dampfmengen und Prozessparameter im Minutentakt historisiert, gibt es keine Datenbasis für die Analyse. AVEVA PI ist in der deutschen Papierindustrie weit verbreitet. Wenn es bereits vorhanden ist, halbiert das die Projektvorbereitungszeit. Wer PI noch nicht betreibt, sollte das als erstes Teilprojekt einplanen, Kosten je nach Tagpunktanzahl 80.000 bis 250.000 EUR.

ABB Genix, ABBs industrielle KI-Plattform bietet spezialisierte Energieeffizienz-Module für die Prozessindustrie. Der “Opportunity Loss Manager” identifiziert Betriebszustände mit erhöhtem Energieverbrauch und quantifiziert die Verluste in Echtzeit in EUR/Stunde. Für Werke mit ABB-Infrastruktur die Integration mit dem geringsten Reibungsverlust. Enterprise-only, Preise auf Anfrage.

Siemens Insights Hub, Siemens’ industrielle IoT-Plattform mit integrierten Energieanalyse-Apps. Einige Module sind für Papierfabriken konfiguriert. Sinnvoll für Siemens-dominante Werke. Datenhosting EU-konform (Azure-Regionen in Europa). Einstieg über “Asset Performance Suite” möglich.

SAP Digital Manufacturing, Für Werke mit SAP-Backbone: Die Energy Management-Funktionalität in SAP DM verbindet Produktionsorders mit Energieverbrauchsdaten und ermöglicht Energie-per-Produkt-Kalkulation. Besonders wertvoll für Werke, die CO2-Abdrücke je Sorte für Kunden-Reportings ausweisen müssen. Kein KI-System im engeren Sinne, aber solide Grundlage für datengetriebenes Energiereporting.

Offene Open-Source-Alternative (für Werke mit IT-Ressourcen): Wer einen Process Historian mit REST-API betreibt, kann mit Python + Pandas + scikit-learn eine erste Anomalie-Erkennung auf Energiedaten selbst aufbauen. Kein Produkt zu kaufen, aber 2 bis 3 Monate Entwicklungsaufwand für eine robuste Lösung einplanen. Skaliert nicht ohne weiteren Aufwand, aber für erste Machbarkeitsnachweise ein gangbarer Weg.

Zusammenfassung:

• ABB-Infrastruktur dominant → ABB Genix
• Siemens-Infrastruktur dominant → Siemens Insights Hub
• SAP als ERP-Rückgrat → SAP Digital Manufacturing ergänzen
• Historian fehlt → AVEVA PI zuerst
• IT-Ressourcen vorhanden, kein Budget → Python-Eigenentwicklung als Pilot

Datenschutz und Datenhaltung

Energiedaten sind fast ausschließlich Maschinendaten ohne direkten Personenbezug. Die DSGVO-Relevanz ist daher deutlich geringer als bei anderen KI-Anwendungen. Zwei Ausnahmen:

Erstens: Schicht-spezifische Energieauswertungen, die auf einzelne Operatoren zurückführbar sind (“Frühschicht von Person X verbraucht mehr Dampf”), können Leistungsüberwachung darstellen. Betriebsrat und Datenschutzbeauftragten einbeziehen, bevor personenbezogene Auswertungen operativ genutzt werden.

Zweitens: Cloud-Plattformen wie ABB Genix verarbeiten Betriebsdaten global. Für Werke mit NIS-2-Compliance-Pflicht (sofern als Betreiber kritischer Infrastruktur eingestuft) oder Anforderungen nach ISO 50001 (Energiemanagementsystem) sollte die Datenhaltung im Vertrag explizit geregelt sein. AVEVA PI on-premises hält alle Daten lokal; SAP-Lösungen in deutschen Rechenzentren sind bei entsprechender Konfiguration vollständig EU-seitig.

Unabhängig davon: Die Einführung eines datengetriebenen Energiemanagementsystems ist in der Regel ISO 50001-kompatibel und kann sogar Zertifizierungsvoraussetzungen unterstützen, da sie Messbarkeit und kontinuierliche Verbesserung dokumentiert.

Was es kostet, realistisch gerechnet

Wenn Process Historian bereits vorhanden:

• Konfiguration Energieanalyse-Dashboards: 20.000–60.000 EUR einmalig (externe Unterstützung)
• Modellentwicklung und Kalibrierung: 30.000–80.000 EUR
• Laufende Plattformlizenz: 20.000–100.000 EUR/Jahr je nach Tool
• Projektbudget gesamt: 70.000–200.000 EUR im ersten Jahr

Wenn Process Historian noch aufgebaut werden muss:

• Historian-Einführung: 80.000–250.000 EUR
• Energiemessung nachrüsten (Dampfmengenmesser, Unterzähler): 30.000–100.000 EUR
• Konfiguration Analyseebene: 50.000–100.000 EUR
• Projektbudget gesamt: 200.000–500.000 EUR

Was du dagegenrechnen kannst: Für ein Werk mit 3 Mio. EUR Jahresenergieeinsatz und realistischer 5-Prozent-Einsparung: 150.000 EUR/Jahr. Das ergibt:

• Bei 100.000 EUR Projektkosten: Amortisation unter 1 Jahr
• Bei 300.000 EUR Projektkosten: Amortisation 2 Jahre
• Dazu: Einsparung ist dauerhaft und wächst mit steigenden Energiepreisen

Außerdem: Viele Werke können Investitionen in Energieeffizienz über Bundesförderung (BAFA Energieeffizienz in der Wirtschaft, Programm 2) teilfinanzieren. Das reduziert die Netto-Investition um 15 bis 40 Prozent.

ROI-Nachweis in der Praxis: Energieeinsatz per Tonne Papier (spezifischer Energiebedarf) ist die Kennzahl. Vorher-/Nachher-Vergleich über sechs Monate mit kontrollierten Produktionsbedingungen ist ausreichend, keine komplexe Statistik nötig.

Drei typische Einstiegsfehler

1. Energieanalyse ohne saubere Messdaten starten. Der häufigste Fallstrick: Man hat einen Historian mit Energiedaten, aber die Unterzähler für einzelne Maschinensektionen fehlen. Man weiß, wie viel Dampf die gesamte Fabrik verbraucht, aber nicht wie viel davon auf Trockenpartie Maschine 1 versus Maschine 2 entfällt. Mit Gesamtdaten kann man keine sektionsspezifischen Einsparpotenziale finden. Lösung: Zuerst Messlücken schließen. Einen Monat mit Klemmmessgeräten messen, um zu verstehen, wo Unterzähler fehlen, bevor man in eine KI-Plattform investiert.

2. Einsparpotenziale berechnen, ohne sie umzusetzen. Ein Dashboard, das zeigt “Sektion 4 hat 9 Prozent Einsparpotenzial”, ist wertlos, wenn niemand die nötigen Maßnahmen umsetzt. Das klingt trivial, tatsächlich passiert es regelmäßig, dass Erkenntnisse im System schlummern, weil unklar ist, wer verantwortlich ist, welche Maßnahmen technisch umsetzbar sind und welche das Produktionsrisiko erhöhen. Lösung: Vor dem System-Start definieren, wer für welche Sektion Maßnahmen umsetzt, wer Freigaben erteilt und wie der Prüfzyklus aussieht.

3. Nur den Gesamtverbrauch optimieren statt sektionsspezifisch vorzugehen. Gesamtverbrauch senken klingt richtig, aber ohne Sektionsebene bist du blind für die eigentlichen Hebel. In einem typischen Werk entfallen 40 bis 50 Prozent des Energieverbrauchs auf die Trockenpartie, 15 bis 25 Prozent auf Refiner und Mahlung, 10 bis 15 Prozent auf Lüftung und Klimatisierung. Die Maßnahmen für jeden Bereich sind grundverschieden. Wer nur auf Gesamtzahlen schaut, investiert möglicherweise in die falsche Sektion.

Was mit der Einführung wirklich passiert, und was nicht

Energiemanagement-KI erzeugt selten emotionalen Widerstand im Schichtpersonal, das System macht keine Empfehlungen, die Operatoren sofort belasten. Der Widerstand kommt von anderer Seite: aus der mittleren Führungsebene.

Wer bisher die Energieberichte erstellte und dafür Ressourcen veranschlagte, sieht in der Automatisierung dieser Aufgabe eine Bedrohung. Das muss frühzeitig adressiert werden: Die gewonnene Zeit soll für die Analyse und Umsetzung von Maßnahmen genutzt werden, nicht einfach eingespart. Das ist keine Selbstverständlichkeit, sondern ein Change-Management-Auftrag.

Die zweite Herausforderung: Vertrauen in die Modellempfehlungen. Wenn das System sagt “Kondensatableiter in Sektion 3 prüfen”, aber die letzte Inspektion vor zwei Wochen stattfand und keine Auffälligkeiten zeigte, wird diese Empfehlung ignoriert, zu Recht. Was folgt, ist oft eine Vertrauenslücke, die schwer zu überbrücken ist. Lösung: Jede Modellempfehlung, die nicht umgesetzt wird, dokumentieren und den tatsächlichen Befund festhalten. Wenn das System in der Mehrheit der Fälle recht hatte, steigt das Vertrauen empirisch.

Was konkret hilft:

• Monatliche Energie-Auswertung als festes Meeting etablieren: Was hat das System gefunden, was wurde umgesetzt, was nicht und warum?
• Einen “Energie-Champion” pro Schicht benennen, Person, die bei auffälligen Verbrauchs-Alerts als erste aktiv wird
• CO2-Reduktion als zusätzliche Metrik transparent machen, das motiviert in Richtung Nachhaltigkeitsziele, die viele Unternehmen ohnehin haben

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

“Wir haben schon ISO 50001, das reicht doch.” ISO 50001 ist ein Managementsystem, kein Analysetool. Es beschreibt den Prozess zur kontinuierlichen Verbesserung, aber nicht, womit du die Verbesserungspotenziale findest. Ein Werk mit ISO 50001 und manueller Datenauswertung hat denselben Blindfleck wie ein Werk ohne Zertifikat. Die KI-Analyse ist das Werkzeug, das ISO 50001 mit echtem Substanz füllt.

“Der Energiebedarf hängt von der Produktion ab, da kann ich nichts optimieren.” Das ist nur teilweise richtig. Ja, mit steigendem Flächengewicht steigt der Dampfbedarf. Aber: Zwei Schichten mit identischer Produktion können 5 bis 8 Prozent unterschiedlichen Energieverbrauch haben, wegen Bedienerverhalten, Haubenzulufttemperaturen oder Kondensatableiter-Zustand (Praxisbeobachtung aus Betriebsoptimierungsprojekten; Bandbreite variiert je nach Werk und Prozessreife). Diese Betriebsführungs-Variabilität ist der Hebel. Der sieht sich nur, wenn du für identische Produktionsbedingungen vergleichst.

“Energiepreise sind zu volatil, ROI-Kalkulation hat keine Aussagekraft.” Das Gegenteil ist richtig: Höhere Energiepreise erhöhen den Wert jeder eingesparten kWh. Eine Einsparung von 5 Prozent bei 100 EUR/MWh ist das Doppelte wert wie bei 50 EUR/MWh. Volatilität macht Energieeffizienz rentabler, nicht weniger.

Woran du merkst, dass das zu dir passt

• Energiekosten machen über 10 Prozent deines Umsatzes aus, das ist der Mindest-Hebel für ein wirtschaftlich sinnvolles Projekt
• Du hast einen Process Historian (oder bist dabei, einen einzuführen), der Energiezähler und Prozessparameter historisiert
• Dein Energiemanager erstellt Monatsberichte manuell in Excel, das ist das Symptom für fehlende Automatisierung
• Du hast konkrete Verdachtsmomente, dass bestimmte Sektionen oder Schichten überproportional viel Energie verbrauchen, aber keinen sauberen Beweis
• CO2-Reporting ist ein wachsender Druck von Kunden oder Behörden, datengetriebene Energieanalyse liefert die Grundlagen automatisch

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

1. Keine Unterzähler für einzelne Maschinensektionen. Wenn du nur Gesamtverbrauch kennst, nicht die Sektionsaufteilung, kannst du keine Einsparpotenziale lokalisieren. Das erste Investment muss in Messtechnik gehen, nicht in eine KI-Plattform.

2. Energieeinsatz unter 500.000 EUR/Jahr. Unterhalb dieser Schwelle übersteigen Projektkosten und Betriebsaufwand die erreichbare Einsparung in der Regel bei realistischer Berechnung. Das gilt für sehr kleine Betriebe, die meisten deutschen Papierfabriken überschreiten diesen Schwellenwert erheblich.

3. Kein Verantwortlicher für Umsetzung von Maßnahmen. Ein Analysetool ohne jemanden, der die Ergebnisse operationalisiert, ist wertlos. Wenn nicht klar ist, wer die identifizierten Einsparpotenziale in konkrete Maßnahmen übersetzt und deren Umsetzung verantwortet, sollte der Systemkauf aufgeschoben werden, bis diese Rolle besetzt ist.

Das kannst du heute noch tun

Exportiere die letzten 12 Monate Dampfverbrauch (Gesamtwerk, oder nach Sektion falls verfügbar) und Produktionsmenge und lade beides in ChatGPT oder Claude hoch. Frage nach dem spezifischen Dampfbedarf je Tonne Papier nach Monat und ob es Perioden gibt, in denen der Wert auffällig vom Jahresdurchschnitt abweicht.

Das dauert 20 Minuten und zeigt dir zwei Dinge: Erstens, ob deine Daten gut genug strukturiert sind für eine automatisierte Analyse. Zweitens, ob es offensichtliche Muster gibt, saisonale Schwankungen, Ausreißer im Winter oder nach bestimmten Wartungsintervallen.

Quellen & Methodik

• Energiekostenanteil 10–20 % Umsatz: VDP Jahresbericht Papier 2022/2023; bestätigt durch Brancheninformation des Bundesverbands der Deutschen Industrie (BDI) für energieintensive Industrien.
• Spezifischer Energiebedarf 250–700 kWh Strom + 800–1.500 kWh Wärme pro Tonne: ENERGYNEST, “Energy consumption in the pulp & paper industry” (2024); DOE Bandwidth Study for Pulp and Paper (U.S. Department of Energy, 2013).
• Trockenpartie 40–50 % Energieanteil: DOE Bandwidth Study (2013); TU Dresden Forschungsberichte zur Trockenpartie-Optimierung.
• Taupunkt-Optimierung +19 % Wärmerückgewinnung: TU Dresden, Forschungsprojekt INFOR117, “Energetische Optimierung der Trockenpartie” (veröffentlicht unter tu-dresden.de).
• 30 TWh Jahresverbrauch deutsche Papierindustrie: VDP Statistik Jahresbericht; Destatis Energieverbrauch Verarbeitendes Gewerbe.
• BAFA-Förderung Energieeffizienz: Bundesamt für Wirtschaft und Ausfuhrkontrolle, Programm “Bundesförderung für Energieeffizienz in der Wirtschaft” (Stand April 2026).