Kalander-Walzenprofil: Unsichtbaren Dickenschwankungen auf der Spur

Das echte Ausmaß des Problems

Kalanderwalzen tun so, als wären sie ein unveränderlicher Glättungsprozess. In Wirklichkeit verändern sie sich kontinuierlich — und die Veränderungen sind lange unsichtbar.

Eine typische Kalanderwalze in einer Hochleistungspapiermaschine nimmt in jeder Schicht Wärme aus der heißen Papierbahn auf. Temperaturunterschiede von mehr als 10 °C quer zur Maschinenrichtung sind keine Seltenheit — und eine Temperaturdifferenz von 1 °C bewirkt bei einem Walzendurchmesser von einem Meter bereits eine thermische Ausdehnung von 10 µm. Was das bedeutet: Das Nipdruckprofil verändert sich mit jedem Betriebszyklus. An bestimmten Stellen entsteht systematisch mehr Pressdruck als an anderen. Dort verschleißt die Walzenoberfläche schneller.

Das Ergebnis sind Mikroriefen, die sich als periodisches Querprofil im Papier manifestieren. Typische Amplitude: 3–10 µm. Für das bloße Auge unsichtbar. Für eine Offset-Druckmaschine, die auf Gleichmäßigkeit bis in den µm-Bereich angewiesen ist, kann schon eine Amplitude von 5 µm zu einem Druckbild führen, das der Druckereikunde sofort zurückweist.

Das eigentliche Problem ist das Timing: Walzenschliff wird in den meisten deutschen Papierfabriken noch kalenderbasiert geplant — alle X Betriebsstunden oder alle Y Tonnen, je nach Walzentyp. Dieser Rhythmus orientiert sich am Durchschnitt, nicht am tatsächlichen Zustand. Das führt zu zwei Szenarien:

• Zu frühes Schleifen: Die Walze hatte noch Reserven. Jedes vorzeitige Schleifen kostet Material (Walzendurchmesser nimmt ab) und Produktionszeit. Ein Walzenschliff für eine große Kalanderwalze kostet zwischen 20.000 und 80.000 Euro inklusive Stillstandskosten — plus eine begrenzte Anzahl möglicher Schliffe, bevor die Walze das Mindestmaß erreicht.
• Zu spätes Schleifen: Die Profilabweichung ist bereits so ausgeprägt, dass sie in der Produktqualität sichtbar wird. Reklamationen, Ausschuss in der Weiterverarbeitung, Eilschliffe zu ungünstigen Zeiten.

In der deutschen Papierindustrie sind Reklamationen wegen Dickenschwankungen ein wiederkehrendes Thema — besonders für die Hersteller von grafischen Papieren (LWC, SC, gestrichene Kartons), wo Druckereikunden strenge Toleranzanforderungen stellen.

Mit vs. ohne KI — ein ehrlicher Vergleich

Wichtig: Die KI erfindet keine Qualitätsdaten, die nicht vorhanden sind. Sie braucht eine kontinuierliche Messbasis — entweder aus dem bestehenden QCS (Quality Control System) oder aus neu installierten Sensoren. Ohne Messbasis kein Modell.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5) Die direkten Zeitersparnisse entstehen vor allem an zwei Stellen: weniger Reklamationsbearbeitung (die typischerweise 4–8 Stunden pro Fall bindet) und vermiedene ungeplante Qualitätsstopps. Im Tagesbetrieb verändert sich die Arbeit der Maschinenführung wenig — das System liefert eine zusätzliche Information auf dem Bildschirm, ändert aber nicht die Bedienung selbst. Der größere Effekt ist das Vermeiden von Ausnahmen, nicht die Beschleunigung des Normalbetriebs.

Kosteneinsparung — mittel (3/5) Die Einsparungen entstehen an zwei Stellen: weniger Walzenschliffe (je 20.000–80.000 € pro Eingriff inklusive Stillstand) und weniger Reklamationskosten. Valmet dokumentiert in einer Fallstudie bei Stora Enso Anjala, Finnland, eine Verlängerung der Walzenwechselintervalle um bis zu 50 % durch iRoll-gestützte Profiloptimierung. Das ist erheblich — aber es braucht 12–18 Monate Betrieb, bis die erste Schliffreduktion messbar ist. Deshalb ist die Kosteneinsparung real, aber nicht so sofort sichtbar wie bei Maßnahmen mit täglicher Wirkung, was zur Bewertung 3 führt. In der Papierindustrie haben Papierbandriss-Vorhersage und Bleichchemikalien-Optimierung mit ihren direkten Produktionsschutz-Effekten die höheren Kosten-Scores.

Schnelle Umsetzung — niedrig (2/5) Das ist der schwierigste Aspekt. Selbst wenn die Sensorik bereits vorhanden ist: Das ML-Modell braucht einen repräsentativen Datensatz, um das normale Verschleißverhalten von anomalem zu unterscheiden. Das dauert 4–6 Monate, wenn glücklicherweise ein Schleifzyklus vollständig in diese Zeit fällt — sonst länger. Dazu kommt die Hardware-Installation, DCS-Integration und Modellkalibrierung. Schnelle Umsetzung ist hier 2 — gleich auf mit anderen sensor-basierten Ansätzen in der Branche.

ROI-Sicherheit — mittel (3/5) Der ROI ist konzeptionell klar: Weniger Schliffe = direkte Kosteneinsparung, messbar in Euro pro Eingriff. Was ihn unsicherer macht: Der Nachweis braucht mehrere Schleifzyklen (2–3 Jahre), um statistisch belastbar zu sein. Außerdem hängt der ROI stark vom Schleifkostenanteil in der Kalkulation ab — bei Walzen mit günstiger externer Dienstleistung ist der Hebel kleiner als bei teuren Walzentypen mit langen Anfahrwegen.

Skalierbarkeit — hoch (4/5) Einmal aufgebaut, skaliert das System gut. Dieselbe Daten-Infrastruktur (Historian, Dashboard, Modell-Framework) kann auf weitere Kalanderwalzen im Werk ausgerollt werden — ohne proportional steigenden Aufwand. Ein Werk mit 4 Kalanderwalzen hat nach der ersten Implementierung den Großteil der Architektur bereits bezahlt; die Erweiterung auf Walze 2–4 ist organisatorisch, nicht technisch das Aufwendige.

Richtwerte — stark abhängig von Maschinengeschwindigkeit, Walzentyp, Papiersorte und vorhandener Sensor-Infrastruktur.

Was das System konkret macht

Das Grundprinzip klingt einfach: Es werden kontinuierlich Messungen des Walzenprofils gemacht, und ein Algorithmus lernt, was das “normale” Verschleißmuster ist — um dann zu erkennen, wenn das Profil in eine problematische Richtung driftet.

Die Realität ist etwas komplizierter, weil ein Kalanderwalzenprofil nie konstant ist. Es schwankt thermisch mit der Maschinentemperatur, es hängt vom aktuellen Flächengewicht des Papiers ab, vom Nipdruckprofil, vom Liniendruck. Das Modell muss also nicht nur messen, sondern auch kontextualisieren: Ist diese Profilabweichung eine thermisch bedingte Momentaufnahme — oder ist sie eine langfristig wachsende Verschleißsignatur?

Die drei Messebenen

Ebene 1 — Caliper (Dicke) des Papiers:
Das QCS (Quality Control System) misst die Papierdicke mit einem traversierenden Scanner quer zur Maschinenrichtung, typischerweise alle 30–120 Sekunden. Diese Messung ist in den meisten modernen Papiermaschinen bereits vorhanden. Sie zeigt das Ergebnis des Walzenprofils — aber mit Verzögerung und mit Überlagern durch andere Prozessparameter (Feuchtigkeit, Rohstoffvariation).

Ebene 2 — Nipdruckprofil:
Valmet iRoll misst den Nipanpressdruck direkt in der Walzenoberfläche — Drucksensoren sind in den Walzenmantel eingebettet und messen das Druckprofil über die volle Breite bei laufender Maschine. Das ist die direkteste verfügbare Verschleißsignatur: Wo sich das Druckprofil asymmetrisch verändert, liegt mehr Verschleiß vor als geplant. Diese Messung ist die wertvollste für die Vorhersage — aber sie setzt iRoll-fähige Walzen voraus, also eine entsprechende Hardware-Investition.

Ebene 3 — Walzenprofil-Lasermessung:
Stationäre oder traversierende Laserprofilmessgeräte messen die geometrische Form der Walzenoberfläche offline (im Stillstand) oder inline (bei Betrieb, seltenere Installation). Diese Daten liefern die direkteste Verschleißmessung, sind aber im Betrieb aufwendiger zu erheben als kontinuierliche Nipdruckmessungen.

Das ML-Modell

Das Machine Learning-Modell, typischerweise ein LSTM-Netz (Long Short-Term Memory) oder ein Gradient-Boosting-Modell, lernt aus dem historischen Profilverlauf:

• Wie sieht das Nipdruckprofil normal aus für diese Walze, diesen Liniendruck, diese Papiersorte?
• Wie verändert sich das Profil typischerweise über einen Schleifzyklus?
• An welchem Punkt im Verschleißverlauf kommen Qualitätsreklamationen?

Auf Basis dieser Muster gibt das Modell eine Prognose: In X Betriebsstunden überschreitet das Profil den kritischen Schwellwert. Bis dahin kann der Schleiftermin eingeplant werden.

Was ihr sensor-seitig braucht

Das ist die technische Entscheidung, die das Projekt am stärksten prägt. Drei Wege sind möglich:

Weg 1 — QCS-Daten nutzen (kein neues Hardware-Investment):
Fast alle Papiermaschinen mit einem Baujahr nach 2000 haben ein QCS mit traversierender Calipermessung. Diese Daten reichen für ein erstes Modell — sie zeigen das Ergebnis des Walzenprofils im Papier. Problem: viele überlagernde Einflüsse (Rohstoffschwankungen, Feuchtesteuerung), die das Signal verrauschen. Für erste Muster und Frühwarnsysteme geeignet, aber weniger präzise als direkte Walzenmessungen.

Weg 2 — iRoll-Walzen (empfohlen, aber Hardware-Investment):
Valmet iRoll setzt voraus, dass die Walze mit eingebetteten Drucksensoren ausgestattet ist. Das passiert beim nächsten Walzentausch — die neue Walze beziehungsweise ein neuer Walzenmantel wird bereits mit der iRoll-Sensorik ausgestattet. Einmalkosten: im Bereich des Walzenpreises selbst, abhängig von Durchmesser und Breite. Vorteil: direkteste verfügbare Verschleißsignatur, keine Überlagervariablen.

Weg 3 — Stationäre Laserprofilometrie:
Traversierende Lasersensoren an einem Messportal können das Walzenprofil während kurzer Stillstandsphasen oder bei langsamer Fahrt messen. Diese Lösung ist von Walzentyp unabhängig, liefert sehr präzise geometrische Daten, kann aber das Nipdruckverhalten während des Betriebs nicht erfassen. Geeignet als Ergänzung zum QCS-Datenansatz für Werke ohne iRoll-Pläne.

Wichtige Sensor-Parameter, die vor der Entscheidung geklärt werden müssen:

• Maschinenbreite (bestimmt Anzahl der Messzonen und Auflösung quer zur Maschinenrichtung)
• Maschinengeschwindigkeit (bei >1.500 m/min werden kontaktlose Messsysteme zwingend)
• Walzendurchmesser und -material (bestimmt thermisches Verhalten und Sensorkompatibilität)
• Vorhandene DCS-Protokolle (OPC-UA, Profibus, Modbus — wichtig für Datenanbindung)

Ein häufiger Fehler: zu wenige Messpunkte quer zur Maschinenrichtung. Ein Sensor alle 50 cm ist für ein 5-m-breites Papier grob — für die Erkennung von Wellenprofilen mit 20–30 cm Periode braucht das System mindestens eine Abtastung alle 10–15 cm. Das ist die kritische Spezifikationsangabe, die bei der Sensorauswahl oft zu wenig Beachtung findet.

Integration in die Maschinensteuerung

Das KI-System ist nur so gut wie seine Datenanbindung. Das ist in der Praxis oft die aufwendigste Phase — nicht die Modellentwicklung, sondern die Datenanbindungs-Arbeit.

Typische Systemlandschaft in einer Papierfabrik:
Das DCS (Distributed Control System) steuert die Maschine; das QCS verarbeitet die Scanning-Daten; der Process Historian (häufig AVEVA PI System) archiviert die Zeitreihendaten; Instandhaltung und Maschinenbuch laufen in SAP oder einem CMMS. Das KI-Modell braucht Lesezugriff auf den Historian und muss seine Ausgaben (Schleifprognose, Profilvisualisierung) an das richtige Interface zurückgeben.

OPC-UA als technische Brücke:
Moderne DCS-Systeme (Siemens SIMATIC PCS 7/PCS neo, ABB System 800xA, Emerson DeltaV) sprechen OPC-UA — das erleichtert die Datenanbindung erheblich. Ältere Anlagen mit proprietären Protokollen erfordern ein OPC-Gateway als Zwischenschicht.

Was ein sauberes Setup braucht:

• Historisierung der Querprofildaten im Historian mit mindestens 1-Hz-Auflösung
• Zeitstempel-Synchronisation zwischen Qualitätsmessystem, DCS und Historian (Driftfehler von >2 Sekunden verfälschen die Ursachenzuordnung bei schnellen Maschinen)
• Rückmeldung der Schleiftermine aus der Instandhaltung ins System (das Modell muss wissen, wann ein Schliff stattgefunden hat — sonst lernt es das falsche Muster)
• Dashboard-Anbindung an den Steuerstand: Grafana oder ein werksinternes SCADA-Dashboard liefert dem Maschinenführer den Profiltrend ohne Extra-Login

Was typischerweise unterschätzt wird:
Die Schleifhistorie. Das System braucht die historischen Schleiftermine, um den vollständigen Verschleißzyklus zu modellieren. In vielen Werken sind diese Daten nicht digital verfügbar — sie stecken in Papierbüchern der Instandhaltung aus den letzten 5–10 Jahren. Diese Daten retrospektiv zu erfassen ist mühsam, aber für ein gutes Modell unverzichtbar.

Modellpflege: wenn sich die Walze ändert

KI-Modelle in der Fertigungsumgebung degradieren, wenn sich ihre Umgebung ändert — und in der Papierfabrik ändert sich regelmäßig etwas.

Drei typische Driftsituationen:

1. Neuer Walzenmantel oder neue Walze:
Nach einem Walzenwechsel hat das Modell keinen Referenzpunkt für den neuen Walzenzustand. Das System muss das als “Tag Null” erkennen und neu kalibrieren. Fehler hier: Das Modell schlägt Alarm, weil das neue Walzenprofil vom Durchschnitt des alten abweicht — obwohl die neue Walze einwandfrei ist. Lösung: Expliziter “Walzenwechsel”-Event im System, der eine Neubasierung auslöst.

2. Sortimentswechsel:
Verschiedene Papiersorten erzeugen unterschiedliche Wärmemuster in der Walze und damit andere Normalprofile. Ein Modell, das auf LWC-Produktion kalibriert ist, interpretiert ein SC-Sortenspektrum falsch — und umgekehrt. Mindestanforderung: Sortierungsspezifische Modelle oder zumindest sortimentsspezifische Schwellwerte.

3. Saisonale Temperaturveränderungen:
Kalanderwalzen reagieren auf die Umgebungstemperatur in der Maschinenhalle. Ein Profil im Sommer bei 28 °C Hallentemperatur sieht anders aus als dasselbe Profil im Winter bei 8 °C. Das Modell muss diese saisonale Baseline entweder kennen oder mit Umgebungstemperatur als zusätzlichem Feature arbeiten.

Wann ein Retraining notwendig ist:

• Nach jedem Walzenwechsel (neue Kalibrierphase, typisch 4–8 Wochen)
• Bei Sortimentserweiterungen um mehr als 20 % des Betriebszeitanteils
• Wenn die Vorhersagegenauigkeit über 6 Monate messbar abnimmt (Abgleich der Prognose vs. tatsächlicher Schleifzeitpunkt)
• Bei Maschinen-Umbauten, die das Nipdruckverhalten verändern

Ein Retraining ist kein technisches Projekt — es ist ein 2–4 stündiger Prozess für eine Data-Science-Ressource, sobald neue Daten vorliegen. Wer dafür kein internes Know-how hat, vereinbart es als Teil des Wartungsvertrags mit dem Systemanbieter.

Konkrete Werkzeuge — was wann passt

Für die Messdatenerfassung und -historisierung:
Valmet IQ mit iRoll ist die industriell best-dokumentierte Lösung für Nipdruckprofil-Monitoring in Papiermaschinen. Dokumentierte Fallstudien zeigen 40 % Qualitätsverbesserung (Coat Weight 2-Sigma) bei Stora Enso Anjala und 80 % Reduktion der Wickelausschüsse bei Sappi Alfeld. Voraussetzung: iRoll-fähige Walzen und Integration in Valmet- oder kompatibles DCS.

AVEVA PI System ist in deutschen Papierfabriken der am häufigsten eingesetzte Historian für Prozessdaten. Falls bereits vorhanden: ideale Basis für die Zeitreihen-Datenhaltung der Profilmessungen. Falls nicht vorhanden: InfluxDB (Open Source, selbst hostbar, kein Lizenzaufwand) ist eine Alternative für neue Installationen.

Für das ML-Modell:
Azure Machine Learning bietet eine verwaltete Umgebung für den Modellbetrieb, mit Zugriffskontrolle, Versionierung und geplanten Retraining-Jobs. Geeignet für Werke, die bereits Azure nutzen. Dataiku bietet eine visuelle Low-Code-Umgebung für die Modellentwicklung — interessant für Prozessingenieure ohne tiefes Python-Wissen, die eigene Modelle bauen und pflegen wollen, ohne auf externe Data Scientists angewiesen zu sein.

Für die Visualisierung am Steuerstand:
Grafana (Open Source) kann Profildaten aus dem Historian in Echtzeit visualisieren und Schwellwert-Alarme konfigurieren. Einstieg ohne Lizenzkosten möglich, wenn der Historian schon eine Grafana-kompatible Datenquelle hat (InfluxDB, PI Web API). Valmet IQ hat selbst ein integriertes Dashboard-System, das direkt am Steuerstand verfügbar ist.

Wann welcher Ansatz:

• Valmet-Maschinenumfeld + Bereitschaft zur iRoll-Investition → Valmet IQ als Komplettlösung, ergänzt durch Azure ML für das Vorhersagemodell
• Gemischtes DCS-Umfeld + bestehender PI-Historian → PI + individuell entwickeltes LSTM-Modell (Python, open source) + Grafana-Dashboard
• Greenfield oder ohne bestehende Infrastruktur → InfluxDB + Python (scikit-learn, Prophet) + Grafana als moderne, kostengünstige Open-Source-Architektur

Datenschutz und Datenhaltung

Walzenprofilmessungen und Maschinenprozessdaten sind per se nicht personenbezogen — sie enthalten keine Informationen über Mitarbeitende. Die DSGVO ist deshalb für die Kerndaten dieses Anwendungsfalls in der Regel nicht unmittelbar relevant.

Trotzdem gibt es datenschutzbezogene Punkte, die zu klären sind:

Schichtprotokoll-Daten:
Wenn das System Schichtdaten aus dem MES oder SAP-PM einbezieht (um den Schleifzeitpunkt mit dem Produktionskalender zu korrelieren), können Schichtbelegungsdaten verarbeitet werden, die Rückschlüsse auf einzelne Mitarbeitende erlauben. Das ist ein typischer Grenzfall, der mit dem Betriebsrat abzustimmen ist.

Cloud-basierte Dienste:
Wenn Valmet IQ über Valmet Cloud Diagnostics Daten an Valmet übermittelt (Remote Monitoring für Servicediagnose), oder wenn Azure ML für das Modell genutzt wird, verlassen Prozessdaten das Werksgelände. Für Papierfabriken ohne besondere Geheimhaltungsanforderungen (keine Spezialpapiere für Regierungskunden o.ä.) ist das in der Praxis kein Problem — ein AVV mit dem Dienstleister ist jedoch immer abzuschließen.

Empfehlung:
Reine On-Premises-Architektur (eigener Historian + eigenes Modell auf Werksserver) ist für Papierfabriken mit sensiblen Produktionsdaten der sauberste Weg. Valmet iRoll funktioniert vollständig ohne Cloud-Anbindung. InfluxDB und Grafana lassen sich komplett on-premise betreiben.

Was es kostet — realistisch gerechnet

Einmalige Investitionen (Bandbreite, abhängig von Walzentyp und vorhandener Infrastruktur):

• Valmet iRoll-fähige Walze (neue Walze oder Walzenmantel mit Sensorik): Aufpreis gegenüber Standard-Walze, typisch im fünfstelligen EUR-Bereich pro Walze — fällt an bei ohnehin anstehendem Walzenwechsel, kein Zusatz-Stillstand notwendig
• QCS-Erweiterung für hochauflösende Caliperdaten (falls QCS vorhanden, aber Auflösung unzureichend): 15.000–50.000 €
• Historian-Lizenz oder InfluxDB-Setup + Server: 0 € (Open Source, eigener Server) bis 30.000+ €/Jahr (AVEVA PI bei neuem Deployment)
• ML-Modell-Entwicklung (intern oder Dienstleister): 15.000–50.000 € einmalig; deutlich günstiger bei vorhandener Data-Science-Ressource

Laufende Kosten (jährlich):

• Cloud ML (Azure ML): ca. 500–2.000 €/Jahr für die typische Datenmenge
• Modellpflege: 2–4 Tage/Jahr für Retraining und Kalibrierung (intern oder extern)
• Grafana: 0 € (OSS) bis 10.000 €/Jahr (Enterprise Support)
• Valmet iRoll Wartungsvertrag: auf Anfrage, typisch als Teil des allgemeinen Walzenservicevertrags

Was du dagegen rechnen kannst:

Ein einziger vermiedener ungeplanter Walzenschliff spart je nach Walzengröße, Anfahrweg des Schleifers und Stillstandskosten 20.000–80.000 €. Bei durchschnittlich 2–4 Schliffzyklen pro Walze und Jahr und einer Standzeit-Verlängerung von 15–30 % amortisiert sich das System bei einer mittelgroßen Papierfabrik mit 3–4 Kalanderwalzen in 2–4 Jahren — konservativ gerechnet, ohne die vermiedenen Reklamationskosten einzurechnen.

Konservatives Szenario (eine Kalanderwalze, Schleifintervall von 6 auf 7 Monate verlängert):
Einsparung: 1 Schliffvermeidung à 35.000 € pro 42 Monate = ~10.000 €/Jahr. Bei 3 Walzen: ~30.000 €/Jahr. Systemkosten: 5.000–15.000 €/Jahr (laufend). Das ist Break-Even oder knapper Gewinn. Die Reklamationsvermeidung (18 Paletten à 1.500 € = 27.000 € pro Ereignis) ist der eigentliche Hebel, der das Projekt profitabel macht.

Typische Einstiegsfehler

1. Mit dem Modell starten, bevor die Datenbasis steht.
Der häufigste Fehler ist es, ein ML-Modell aufzubauen, bevor ausreichend strukturierte Daten vorliegen. Drei bis vier Schleifzyklen braucht man mindestens, um ein belastbares Modell zu trainieren. Wer nach drei Monaten ein Prognose-Dashboard will, wird enttäuscht sein — und das System wird Fehlalarme produzieren, die das Vertrauen der Maschinenführer ruinieren. Erst messen, dann modellieren.

2. Die Schleifhistorie fehlt im Modell.
Das ML-Modell muss wissen, an welchem Punkt im Verschleißzyklus jede Messung stattfand. Dafür braucht es die Zeitstempel der historischen Schleiftermine. In vielen Werken stecken diese in Papierbüchern oder in den Köpfen der Instandhaltungsmeister. Dieser Datenerfassungsaufwand von 2–4 Wochen wird regelmäßig unterschätzt.

3. Zu wenige Messpunkte quer zur Maschinenrichtung.
Ein QCS mit 25 Messzonen quer über eine 5-m-breite Maschine hat eine räumliche Auflösung von 20 cm — ausreichend für Makroprofile, aber unzureichend für die Detektion von Wellenprofilen mit 30–40 cm Periode. Wenn die Hardware nicht die nötige Querauflösung liefert, ist auch das beste Modell blind. Die Sensorspezifikation muss vor der Investition geprüft werden.

4. Das System wird nicht in die Instandhaltungsplanung integriert.
Ein System, das eine Schleifprognose ausgibt, die niemand in SAP-PM eingibt, ist wertlos. Das ist kein technisches Problem — es ist ein Prozess-Problem. Wer ist dafür verantwortlich, die Modell-Prognose in eine Wartungsorder umzuwandeln? Diese Frage muss vor der Inbetriebnahme beantwortet sein. Andernfalls läuft das Dashboard ein Jahr lang, und die Schleiftermine werden trotzdem nach Kalender geplant.

5. Das Modell läuft nach dem Walzenwechsel weiter ohne Neubasierung.
Das ist der gefährlichste stille Fehler. Nach dem Einbau einer neuen Walze basiert das Modell auf dem Verschleißverhalten der alten Walze. Es wird zunächst “alles grün” melden, weil die neue Walze noch besser ist — aber die Alarmschwellen passen nicht mehr. Im schlimmsten Fall verpasst das System das frühe Warnfenster beim nächsten Zyklus. Die Lösung ist ein expliziter Walzenwechsel-Event im System, der eine Neubasierungsperiode einleitet.

Was mit der Einführung wirklich passiert — und was nicht

Die technische Seite dieses Projekts ist nicht das Schwierigste. Das Schwierigste ist die Verankerung im Tagesbetrieb.

Maschinenführer und ihr Verhältnis zum Trend-Dashboard:
Maschinenführer arbeiten mit direkten Steuergrößen: Liniendruck, Dampfdruck, Temperatur. Ein “Prognose-Dashboard” ist eine neue Kategorie von Information, auf die sie noch kein eingespieltes Reaktionsmuster haben. In der ersten Phase ignorieren viele das Dashboard schlicht — nicht aus Ablehnung, sondern weil sie nicht wissen, was sie damit tun sollen. Was hilft: Klare Eskalationsregeln (“Wenn der Profil-Score über Schwelle X steigt, Instandhaltungsmeister informieren”). Das gibt dem Dashboard eine konkrete Handlungskonsequenz.

Die Instandhaltung braucht ein neues Planungsritual:
Bisher wurde der Schleiftermin nach Betriebsstunden geplant. Das neue System empfiehlt einen anderen Zeitpunkt — manchmal früher, manchmal später als der Kalender. Die Instandhaltungsplanung muss lernen, diese Empfehlung zu bewerten: Passt der Termin ins Produktionsprogramm? Ist der Schleifer verfügbar? Das erfordert eine neue wöchentliche Routine, die das Systemdashboard als regulären Input einbezieht.

Erste Fehlalarme zerstören Vertrauen — wenn sie nicht erklärt werden:
Kein Modell ist von Anfang an perfekt. In der Kalibrierphase werden Fehlalarme auftreten — das Modell interpretiert ein normales Temperaturprofil-Muster als Verschleißsignal. Wenn die Maschinenführung diese Fehlalarme ohne Erklärung erlebt, ist das Vertrauen in das System sofort weg. Was hilft: Eine explizite “Lernphase” von 3–6 Monaten kommunizieren, in der das Modell noch kalibriert wird — und einen definierten Ansprechpartner, der jeden Fehlalarm erklärt und als Feedback ins Modell einarbeitet.

Was konkret hilft:

• Vor der Inbetriebnahme die Instandhaltungsmeister einbinden — sie kennen die Walzen am besten und können die ersten Trainingsszenarien validieren
• Ein internes Verfolgungsboard führen: Was hat das System prognostiziert, was war tatsächlich nötig? Abweichungen als Lernfutter behandeln, nicht als Systemversagen
• Quartalsweise Prüfung der Schleiftermin-Genauigkeit — Verbesserung über die Zeit sichtbar machen

Realistischer Zeitplan mit Risikohinweisen

Realistische Gesamtzeit bis zum ersten verlässlichen Schleifprognose-Zyklus: 12–18 Monate. Das ist kein Zeichen von Ineffizienz — es ist die physikalische Realität eines Verschleißzyklus-Lernprozesses.

Häufige Einwände — und was dahintersteckt

„Wir schleifen die Walzen schon nach einem bewährten Rhythmus — warum ändern?”
Der bewährte Rhythmus ist ein Durchschnitt. Er passt auf den typischen Fall, nicht auf jeden konkreten Zyklus. In einem Jahr mit ungewöhnlichen Sortimentsschwerpunkten, mit einer neuen Rohstoffcharge oder bei veränderten Betriebstemperaturen kann der tatsächliche Verschleiß deutlich vom Durchschnitt abweichen — in beide Richtungen. Das System schlägt keinen anderen Rhythmus vor, es schlägt den richtigen Zeitpunkt für diesen Zyklus vor.

„Wir haben keine Data Scientists und können kein ML-Modell betreiben.”
Das Modell muss nicht intern entwickelt werden. Valmet liefert iRoll mit integrierter Diagnose-Software. Systemintegratoren und Ingenieurbüros, die auf Papiermaschinen-Automatisierung spezialisiert sind, bieten Projektierungsleistungen an. Die Frage ist nicht, ob intern ein Machine-Learning-Experte benötigt wird — sondern ob es eine interne Ansprechperson gibt, die das System in die Instandhaltungsplanung einbettet. Das ist eine Prozess-Aufgabe, keine Informatik-Aufgabe.

„Was, wenn das Modell einen Schleif zu früh empfiehlt — verlieren wir nicht Walzenlebensdauer?”
Das ist ein berechtigter Einwand. Kein Modell ist von Anfang an perfekt. Deshalb gibt es in der Kalibrierphase Fehlalarme in beide Richtungen — gelegentlich zu früh, gelegentlich zu spät. Aber: Das aktuelle kalenderbasierte System hat systembedingt eine Falsch-Positiv-Rate von ungefähr 50 % — entweder schleifst du zu früh oder zu spät, weil du den tatsächlichen Zustand nicht kennst. Das Modell zielt darauf, diese Quote auf unter 10–15 % zu senken. Und selbst wenn gelegentlich ein Schleiftermin minimal früher gesetzt wird als nötig: Die Alternative (Reklamation mit 18 Paletten und einem ungeplanten Eilschliff) ist teurer.

Woran du merkst, dass das zu dir passt

Du bist ein guter Kandidat, wenn:

• Deine Papierfabrik grafische Papiere, LWC, SC oder gestrichene Kartons produziert — also Sorten, bei denen Druckereikunden enge Caliper-Toleranzen fordern (typisch ±3–5 µm)
• Du Reklamationen wegen Druckbild-Inhomogenitäten hast, die beim Druckkunden auf Dickenschwankungen zurückgeführt werden — auch wenn die interne Messung in Spec war
• Deine Instandhaltung den Schleifrhythmus als “gefühlt” richtig beschreibt, aber keine datenbasierte Aussage über den optimalen Zeitpunkt treffen kann
• Du ein QCS mit traversierender Calipermessung hast, das kontinuierliche Querprofildaten liefert (das ist die Mindestbasis für ein erstes Modell)
• Du in den nächsten 1–2 Jahren ohnehin einen Walzenwechsel planst — das ist das Fenster, um iRoll-Sensorik einzurüsten, ohne Zusatz-Stillstand

Drei harte Ausschlusskriterien — wer das noch nicht anpacken sollte:

1. Keine inline-Caliper-Messung vorhanden (QCS-Lücke): Ohne kontinuierliche Querprofilmessungen gibt es keine Datenbasis für ein Modell. Der erste Schritt ist dann die Investition in ein QCS oder zumindest in traversierende Calipermessung — das KI-System kommt danach.

2. Commodity-Produktion ohne Caliper-Toleranzanforderungen (z. B. ausschließlich Verpackungspapiere, Sackpapier, Wellpapierrohpapier): Wenn der Endkunde Dickenschwankungen von ±30 µm akzeptiert und keine Druckqualitätsanforderungen stellt, ist der wirtschaftliche Hebel zu klein für die Systemkosten. Das KI-Profiling-Projekt rechnet sich erst, wenn Qualitätsreklamationen wegen Dickenschwankungen ein messbares Problem sind.

3. Kein DCS-Zugang oder ältere Leitsystem-Generation ohne OPC-UA (Anlagen vor ca. 2000 ohne Retrofit): Die Datenanbindung setzt voraus, dass Prozessdaten maschinell zugänglich sind. Ein proprietäres Leitsystem ohne Netzwerkschnittstelle schließt eine praktikable Integration aus. Erst Leitsystem-Modernisierung, dann Profilanalyse.

Das kannst du heute noch tun

Bevor du in Sensoren oder Modelle investierst, kannst du mit deinen vorhandenen Daten beginnen: Exportiere aus dem QCS die letzten 12 Monate Caliper-Querprofildaten — viele QCS-Systeme haben eine Export-Funktion für historische Profildaten. Lade diese Daten in eine Tabellenkalkulation oder in Grafana über die vorhandene Historian-Anbindung. Visualisiere das Querprofil pro Woche als Liniendiagramm.

Was du dann sehen wirst: Hat sich die Randzone-zu-Mitte-Amplitude systematisch verändert? Gibt es eine wiederkehrende Welle, die sich über Wochen aufbaut? Wenn ja, hast du den ersten Beweis, dass das Muster vorhanden ist — und damit die Basis für eine belastbare Business-Case-Rechnung gegenüber der Geschäftsführung.

Als nächsten konkreten Schritt kannst du diesen Prompt nutzen, um eine erste Auswertung aus deinen exportierten Profildaten zu erstellen:

Quellen & Methodik

• Valmet iRoll Fallstudien: Valmet Inc., “iRoll: Intelligent Roll Solutions for board and paper” — dokumentiert bei Stora Enso Anjala, Finnland (40 % Coat Weight 2-Sigma-Verbesserung, bis zu 50 % längere Walzenwechselintervalle) und Sappi Alfeld, Deutschland (80 % Reduktion Wickelausschüsse). Valmet Roll Services White Paper, 2011/2014. (URL: valmet.com/board-and-paper/services/roll-services/iroll-technology/)

• Valmet iRoll Temperature Monitoring Case Studies: Valmet Insights, “Using iRoll for sheet/roll temperature monitoring” — dokumentiert Rollenbezug-Ausfälle durch Dampfkasten-Übertemperatur an einer US-Liner-Karton-Anlage und lokalisierte Bezugsverschleiß an einer Niederländischen Stärkepresse. (URL: valmet.com/insights/articles/up-and-running/new-technology/FPiRollTemp/)

• Thermische Walzenausdehnung: Wikipedia, “Kalanderwalzen” — Temperaturdifferenz von 1 °C bewirkt bei 1 m Walzendurchmesser ca. 10 µm thermische Ausdehnung; typische Quer-Temperaturdifferenzen >10 °C.

• Precision Roll Grinders, “Managing Calender Roll Wear to Extend Service Life”: Höherwertige Anfangsprofile führen zu gleichmäßigerer Belastung im Betrieb und können die Walzenlebensdauer mehr als verdoppeln. (URL: precisionrollgrinders.com/blog/managing-calender-roll-wear-to-extend-service-life)

• Walzenschliffkosten 20.000–80.000 €: Branchenerfahrungswerte aus Industriegesprächen in der deutschen Papierindustrie (Stand 2025). Keine öffentlich zugängliche Primärquelle für Einzelpreise verfügbar; Bandbreite abhängig von Walzendurchmesser, Länge, Schleifaufwand und Stillstandskosten.

• Cross-Direction Profile Control in Papermaking: IntechOpen, “Model Predictive Control and Optimization for Papermaking Processes” (2011) — erklärt das Grundprinzip der CD-Profilregelung und die QCS-Messtechnik für Papiermaschinen.

Du möchtest wissen, ob deine vorhandenen QCS-Daten für ein erstes Profilverschleiß-Modell ausreichen — oder ob eine iRoll-Investition bei euch sinnvoll ist? Meld dich — das klären wir in einem kurzen Gespräch.