Stickies-Erkennung in Recyclingfasern — Klebstoffreste vor der Linie aufspüren

Das echte Ausmaß des Problems

Stickies sind die hartnäckigste Qualitätsfalle der Altpapierverarbeitung. Haftetiketten, Post-it-Kleber, Buchbinderleime, Heißkleber aus Wellpappenfugen, Schmelzklebstoffe aus Fensterbriefumschlägen und Druckfarben-Binder — all das landet zusammen mit genuinen Papierfasern im Altpapiergebinde, löst sich im Auflöser nur unvollständig und wandert als unsichtbare Klebereste durch Cleaner und Siebe in die Papiermaschine.

Im Prozess passiert dann Folgendes: Thermoplastische Klebstoffe schmelzen ab etwa 50–80 °C auf — genau die Temperaturen, die in Trockenpartie und Presswalzen herrschen. Sie lagern sich auf Walzen, Sieben, Filzen und Trockenzylindern ab, akkumulieren und verursachen dann schlagartig:

• Bahnabrisse durch Klebeflecken, die die Papierbahn am Walzennip festhalten
• Flecken und Löcher im Fertigprodukt, die erst beim Kunden oder bei der Rolleninspektion auffallen
• Verschmutzte Siebe und Filze mit drastisch verkürzter Standzeit
• Notabstellungen für aufwendige Reinigungszyklen mit Hochdruckreinigung und Lösemittelchemikalien

Laut Daten der Fachzeitschrift TSI Journals kosten stickies-bezogene Schäden die Papierindustrie in den USA mehrere hundert Millionen Dollar pro Jahr. Auf europäische Werke übertragen: Für ein Werk mit 200.000 Tonnen Jahreskapazität und regelmäßigen Stickies-Ereignissen entstehen jährliche Schäden im mittleren einstelligen Millionenbereich — durch Ausfall, Chemikalien, Verschleiß und Ausschuss zusammen.

Das Tückische daran: Die Verursachungskette ist lang. Der Sticker auf dem Karton kommt von Lieferant A. Die Charge mit erhöhtem Risiko wird heute verarbeitet. Die Ablagerung auf der Kalanderwalze wird erst in zwei Schichten sichtbar. Wenn die Maschine stillsteht, ist die Quelle nicht mehr rückverfolgbar — es sei denn, ihr habt ein System, das den Eingang jeder Charge bereits bei Anlieferung charakterisiert.

Genau diese Lücke schließt Machine Learning-gestützte NIR-Spektroskopie.

Mit vs. ohne KI — ein ehrlicher Vergleich

¹ Richtwerte aus Praxisberichten und Installationsberichten vergleichbarer Werke (u. a. Voith Paper Technology Center Heidenheim 2022/23); keine repräsentative Studie, aber konsistente Beobachtungen über mehrere Implementierungen.

Die Umstellung ändert die Logik des Qualitätsmanagements grundlegend: Statt reaktive Schadensminimierung betreibt das Werk proaktive Eingangssteuerung. Das hat einen Nebeneffekt, den Einkaufsleiter oft unterschätzen: Erstmals habt ihr objektive Messdaten für Lieferantengespräche.

Einschätzung auf einen Blick

Zeitersparnis — hoch (4/5) Jeder vermiedene Stickies-Stopp spart 4–8 Stunden Produktionsausfall — plus die Schichtzeit, die für Reinigung, Filzwechsel und Wiederanfahren draufgeht. Bei zwei Stopps pro Monat entspricht das 8–16 Stunden monatlicher Produktionszeit, die wiedergewonnen werden. Im Branchenvergleich — wo Papierbandriss-Vorhersage ähnliche Zeiteffekte erzielt — ist das ein starker Hebel, wenngleich nicht ganz an der Spitze, weil nicht jede Fabrik dieselbe Stickies-Frequenz hat.

Kosteneinsparung — hoch (4/5) Ein einzelnes Stickies-Ereignis mit Bahnabriss, Reinigungsstopp und Filzschaden kostet 15.000–60.000 Euro. Das sind direkte, buchhalterisch fassbare Kosten — keine indirekte Schätzung, sondern zählbarer Schaden. In der Papierindustrie gilt: Jede Tonne Ausschuss ist unmittelbarer Kostenverlust. Die Kosteneinsparung wird daher hoch bewertet, aber nicht als 5, weil der ROI stark von der tatsächlichen Ereignisfrequenz abhängt — Werke mit seltenem Stickies-Problem haben einen weniger eindeutigen Kosteneffekt.

Schnelle Umsetzung — niedrig (2/5) Das ist kein SaaS-Tool, das man in einem Nachmittag konfiguriert. NIR-Hardware muss am Altpapier-Eingang montiert, kalibriert und in die Steuerungstechnik eingebunden werden. Das Klassifikationsmodell braucht Trainingsproben aus unterschiedlichen Altpapierchargen — typisch 3–5 Monate bis zum validierten Pilotbetrieb. Damit liegt die Stickies-Erkennung am unteren Ende des Einstiegs-Spektrums in dieser Kategorie, vergleichbar mit der Papierbandriss-Vorhersage.

ROI-Sicherheit — mittel (3/5) Der ROI ist real, aber konditionell. Bei Werken mit mehr als zwei Stickies-Stopps pro Monat amortisiert sich das System innerhalb von zwei Jahren problemlos. Bei Werken, die selten Stickies-Probleme haben — weil sie saubere Sortierqualitäten verarbeiten — liegt die Amortisation deutlich länger. Das macht den ROI von diesem Anwendungsfall stärker variabel als bei, etwa, der Mahlgradoptimierung, die in fast jedem Werk messbaren Nutzen bringt.

Skalierbarkeit — mittel (3/5) Innerhalb eines Werks skaliert das System gut auf mehrere Eintragslinien. Zwischen Werken ist ein Modell-Transfer möglich, erfordert aber eine Rekalibrierung auf die lokale Altpapierbasis — denn die Stickies-Zusammensetzung hängt vom regionalen Altpapiermarkt und den lokalen Lieferanten ab. Das begrenzt die werksinterne Skalierbarkeit auf drei bis vier Punkte.

Richtwerte — stark abhängig von Altpapiermix, Maschinentyp und bisheriger Stickies-Ereignisfrequenz.

Was das Erkennungssystem konkret macht

Der technische Ansatz kombiniert zwei gut etablierte Werkzeuge: Nahinfrarot-Spektroskopie (NIR) und ein Machine Learning-Klassifikationsmodell.

Warum NIR? Klebriger Klebstoff ist im sichtbaren Licht oft transparent oder unauffällig — er sieht aus wie Papier. Im Nahinfrarot-Bereich (700–2500 nm) hingegen zeigen organische Polymere charakteristische Absorptionsmuster. Polyacrylate, Polyvinylacetate, Heißkleber auf EVA-Basis und PSA-Klebstoffe absorbieren Nahinfrarot-Licht in spezifischen Wellenlängen-Banden, die Cellulose nicht zeigt. Das Spektrum einer stickies-belasteten Probe ist also messbar anders als das einer sauberen Probe.

Was das KI-Modell tut: Ein auf Altpapierproben trainiertes Deep Learning-Modell (typisch ein Convolutional Neural Network auf spektralen Bilddaten) klassifiziert eingehende Chargen in drei Kategorien:

1. Gering belastet — kann normal eingesetzt werden
2. Mittel belastet — Schmutzfänger auf erhöhte Empfindlichkeit stellen, Beimischung begrenzen
3. Stark belastet — separate Aufbereitung, Rückhalten oder begrenzte Beimischung

Die Klassifikation geschieht in Echtzeit beim Altpapier-Eingang — entweder direkt an der Aufgabeförderbahn oder an der Laborblattprobe aus der Auflöserprobe. Das Ergebnis geht automatisch an das Leitsystem, das daraufhin Schmutzfänger-Drücke, Dosierung von Detackifier-Chemikalien und den Beimischungsanteil dieser Charge anpasst.

Der Vorteil gegenüber klassischer Sichtprüfung: Ein erfahrener Schichtführer erkennt einen nassen Klebestreifen. Er erkennt keine Polyacrylatdispersion, die als dünner Film über die Fasern verteilt ist und erst beim Aufwärmen klebrig wird. Das NIR-System erkennt beides.

Was das System nicht kann: Es macht keine Aussage über die Papierqualität nach dem Auflöser — es ist eine Eingangs-Charakterisierung, keine Prozesskontrolle. Die Entscheidung, was mit einer als “stark belastet” eingestuften Charge passiert, trifft nach wie vor der Schichtführer. Das System liefert die Information — die Steuerung bleibt beim Menschen.

Was ihr sensor-seitig braucht

Das ist der Punkt, an dem viele Projekte scheitern — nicht am Modell, sondern an der Hardware-Entscheidung. Hier sind die drei gängigen Ansätze mit ihren Tradeoffs:

Option 1: NIR-Kameramodul am Förderband (Inline) Eine NIR-Zeilenkamera wird über das laufende Altpapierförderband montiert und scannt jeden Quadratzentimeter der vorbeilaufenden Ballen-Oberfläche. Vorteil: vollkontinuierliche Messung, kein Probenaufwand. Nachteil: erfasst nur die Oberfläche des Ballens, nicht das Innere. Tiefenliegende Stickies-Schichten werden nicht erfasst. Geeignet für Einstiegslösungen mit mittlerem Risikoprofil.

Option 2: NIR-Laborblatt-Analyse aus Auflöserprobe (Halbinline) Nach dem Auflöser wird eine Suspension-Probe entnommen, ein Laborblatt (RK-Format) hergestellt und im PTS DOMAS Stickies & Plastics in 2–3 Minuten analysiert. Vorteil: erfasst den tatsächlichen Stickies-Eintrag ins System — nicht die Ballenoberfläche, sondern das, was sich im Auflöser tatsächlich gelöst hat. Nachteil: nicht vollautomatisch, Probenahme-Intervall typisch 1–2 Stunden. Geeignet für systematische Lieferantenbewertung und Baseline-Monitoring.

Option 3: Vollinline-NIR am Stoffauflauf (Hochauflösung) Hochauflösende NIR-Spektrometer direkt in der Stoff-Suspensionsleitung messen die Spektralsignatur der verdünnten Faserstoffsuspension. Vorteil: hohe Messfrequenz, keine manuelle Probenahme, direkte Integration in die Leittechnik. Nachteil: Hohe Investition (200.000–400.000 € für Sensor + Integration), erfordert stabile Leitungsverhältnisse, regelmäßige Kalibrierung gegen Referenzproben. Geeignet für Werke mit hoher Stickies-Frequenz und klarem ROI-Nachweis.

Kritischer Faktor: Drift-Kompensation NIR-Sensoren driften mit der Zeit — durch Temperaturänderungen, Verschmutzung der Optik und Alterung der Lichtquelle. Ohne regelmäßige Kalibrierung gegen Referenzstandards wird das Modell systematisch falsch. Plant von Beginn an einen Kalibrierungsrhythmus ein: mindestens monatlich, bei Optik-Verschmutzung auch öfter.

Räumliche Auflösung beachten Mikrostickies (< 150 µm) sind technisch relevant — sie passieren Cleaner und Siebe und lagern sich bevorzugt auf Filzen ab. Das PTS DOMAS Stickies & Plastics mit 120 × 120 µm Pixelauflösung erfasst diesen Bereich. Billigere Kameralösungen mit 1–2 mm Pixelgröße sehen Mikrostickies nicht.

Konkrete Werkzeuge — was wann passt

Der Markt für stickies-spezifische KI-Systeme ist kleiner und spezialisierter als bei anderen KI-Anwendungen. Es gibt keine fertige SaaS-Lösung, die ihr morgen abonnieren könnt — ihr bewegt euch in der Welt industrieller Messtechnik.

PTS DOMAS Stickies & Plastics — für Laboranalytik und Eingangskontrolle Das nach DIN SPEC 6745 normierte NIR-Kamerasystem von PTS München. Misst Laborblätter aus Auflöserproben in 2–3 Minuten, klassifiziert nach Materialtyp (Polyacrylate, PVA, Heißkleber etc.) und Partikelgröße. Stärke: kein Färbeschritt, sehr gute Unterscheidung verschiedener Klebstoffchemien. Einsatzbereich: systematische Chargenprüfung, Lieferantenbewertung, Baseline-Monitoring. Preis: mittlerer fünfstelliger Bereich, Anfrage über PTS München.

Valmet IQ Web Inspection System — für Inline-Defekterkennung am laufenden Band Das Web Inspection System von Valmet ist das Qualitäts-Kamerasystem für die laufende Papierbahn — kein Eingangs-Screening-Tool, aber der logische nächste Schritt: Es erkennt Stickies-bedingte Flecken und Bahnabrisse in Echtzeit und verknüpft sie mit Prozessdaten aus dem Valmet IQ QCS. Geeignet für Werke, die bereits Valmet-Technologie einsetzen und Defekt-Ereignisse automatisch mit Prozessparametern korrelieren wollen. Preis: 200.000–600.000 € je nach Maschinenbreite, inklusive Integration ins QCS.

TOMRA AUTOSORT — für vorgelagerte Altpapier-Sortierung TOMRA AUTOSORT mit NIR-Technologie und GAINnext-KI ist in der Altpapier-Vorsortierstufe relevant — nicht in der Papierfabrik selbst, sondern beim Aufbereiter. Werke, die mit eigenem Sortierwerk oder eng verbundenen Aufbereitern arbeiten, können über TOMRA bereits im Altpapier-Input Störstoffe reduzieren. Investition: 150.000–500.000 € je Sortiermaschine.

Custom ML auf industrieller Plattform — für die Softwareseite Das eigentliche Klassifikationsmodell (CNN auf NIR-Spektraldaten) wird in den meisten aktuellen Installationen als maßgeschneiderte Lösung auf industriellen ML-Plattformen (Siemens Industrial Edge, Aveva/OSIsoft, Azure IoT Hub mit ML-Extension) entwickelt. Es gibt keinen Fertig-Baukasten, der NIR-Altpapier-Stickies und papiermaschinenspezifische Outputs out-of-the-box kombiniert. Das bedeutet: Ihr braucht entweder einen Systemintegrator mit Erfahrung in Papierprozessen oder einen der großen Maschinenhersteller (Voith, Valmet, Andritz) als Gesamtanbieter.

Zusammenfassung: Wann welcher Ansatz

• Einstieg mit Labormethodik und Lieferantenbewertung → PTS DOMAS Stickies & Plastics
• Inline-Defekterkennung auf der Maschine, Valmet-Umgebung → Valmet IQ WIS
• Vorgelagerte Störstoffreduktion im Sortierwerk → TOMRA AUTOSORT
• Vollständige Inline-Stickies-Steuerung mit Prozessintegration → Systemlösung Voith / Valmet / Andritz auf Anfrage

Datenschutz und Datenhaltung

Stickies-Erkennungssysteme verarbeiten keine personenbezogenen Daten im DSGVO-Sinne — es geht um Spektraldaten von Altpapierchargen und Prozessparameter der Papiermaschine. Die DSGVO-Relevanz ist damit deutlich geringer als bei digitalen Plattformen.

Dennoch gibt es zwei datenschutz-relevante Aspekte, die ihr vor der Einführung klären solltet:

Betriebliche Geheimhaltung von Prozessdaten: Das Modell und die Trainingsdaten (Stickies-Profile eurer Altpapierlieferanten, charakteristische Spektralmuster eures Rohstoffmixes) sind betriebliches Know-how. Wenn ihr mit einem externen Systemintegrator oder einem Maschinenhersteller arbeitet, muss im Vertrag geregelt sein, wer Eigentümer der trainierten Modelle und der Trainingsdaten ist und ob der Anbieter diese Daten für andere Werke nutzen darf.

Cloud- vs. On-Premise-Verarbeitung: Industrie-4.0-Plattformen wie Siemens Industrial Edge oder Aveva ermöglichen On-Premise-Betrieb — die Inferenz läuft auf einem Edge-Computer im Werk, keine Spektraldaten verlassen das Werksgelände. Das ist für die meisten Papierfabriken die bevorzugte Architektur: volle Datenkontrolle, keine Cloud-Abhängigkeit, funktioniert auch ohne Internetverbindung. Stellt ihr auf eine Cloud-basierte Plattform um, klärt vorab: Wo werden Prozessdaten gespeichert? Sind die EU-Server-Anforderungen erfüllt?

Lieferantendaten: Wenn ihr Stickies-Profile nach Lieferant dokumentiert und diese Daten für Einkaufsentscheidungen nutzt, solltet ihr das in eurer internen Datenrichtlinie festhalten — nicht als rechtliche Pflicht, sondern weil es bei Lieferantengesprächen zu Nachfragen kommen kann.

Was es kostet — realistisch gerechnet

Die Kostenstruktur unterscheidet sich fundamental von SaaS-basierten KI-Tools — hier geht es um Investitionsgüter, nicht um Monatsabonnements.

Laborblatt-Ansatz (Einstieg)

• PTS DOMAS Stickies & Plastics: 40.000–80.000 € einmalig (Gerät + Kalibrierung + Einweisung)
• Laufend: Wartungsvertrag ca. 5.000–8.000 €/Jahr, interner Laboraufwand 2–4 Stunden/Woche
• Kein separater ML-Aufwand: das Modell ist im DOMAS-System integriert

Halbinline-Lösung (mittlere Stufe)

• NIR-Sensorik + Probenahmesystem: 80.000–150.000 €
• Modellentwicklung und Integration durch Systemintegrator: 30.000–80.000 €
• Laufende Kalibrierung und Modellpflege: 10.000–20.000 €/Jahr
• Gesamtinvestition: 110.000–230.000 €

Vollinline-Lösung (vollintegriert)

• Hardware, Software, Integration: 200.000–500.000 €
• Laufende Kosten: 20.000–40.000 €/Jahr
• Gesamtinvestition: typisch 250.000–550.000 €

Was du dagegenrechnen kannst Ein Reinigungsstopp durch Stickies kostet 15.000–60.000 Euro (Produktionsausfall + Chemikalien + Filzschäden + ggf. Ausschuss). Bei zwei Ereignissen pro Monat: 30.000–120.000 Euro monatlich — oder 360.000 bis 1,4 Millionen Euro pro Jahr. Selbst eine 50-prozentige Reduktion der Ereignisfrequenz ergibt bei dieser Basis eine Amortisation der Halbinline-Lösung innerhalb von 6–18 Monaten.

Konservatives Szenario: Ihr habt derzeit 1,5 Ereignisse pro Monat, durchschnittliche Kosten 25.000 € je Ereignis (450.000 €/Jahr). Das System reduziert auf 0,75 Ereignisse (225.000 €/Jahr). Differenz: 225.000 €/Jahr. Investition Halbinline: 170.000 €. Amortisation: unter 12 Monate. Das ist der Fall, für den der Business Case sich eindeutig rechnet.

Vier typische Einstiegsfehler

1. Das Modell auf eine Altpapierqualität trainieren und dann vergessen. Der häufigste Fehler in der Praxis: Man trainiert das Klassifikationsmodell auf die aktuell verarbeiteten Altpapierqualitäten — und wenn sich die Rohstoffbasis ändert (neuer Lieferant, anderer Sortierquellen-Mix, mehr Post-Consumer-Mischware durch veränderte Sammelsysteme), klassifiziert das Modell falsch. Die Stickies-Zusammensetzung ist in Post-Consumer-Mischware fundamental anders als in industriellen Sortierqualitäten. Kein Hinweis, keine Fehlermeldung — das Modell läuft einfach weiter und gibt falsche Sicherheit. Lösung: Modell-Drift aktiv überwachen (monatliche Validierungsproben gegen bekannte Referenzchargen) und bei Rohstoffbasis-Änderungen sofort Retraining einplanen.

2. Die Erkennung als Ende der Kette sehen — ohne Prozessanpassung. Einige Werke installieren ein Stickies-Erkennungssystem, das Chargen klassifiziert — und dann passiert damit nichts Automatisiertes. Der Schichtführer bekommt eine Ampel, ignoriert sie im Tagesgeschäft, und beim nächsten Bahnabriss war “die Zeit nicht da” für eine Reaktion. Lösung: Schon in der Konzeptionsphase definieren, was bei jeder Klassifikationsstufe passiert. Welche Dosierkurven für Detackifier-Chemikalien gelten bei “mittel belastet”? Wer entscheidet bei “stark belastet” über Rückhalt oder Beimischung? Das Erkennungssystem ist nur so gut wie die Handlungslogik dahinter.

3. Keine Baseline vor dem Systemstart aufbauen. Wer das System einschaltet, ohne vorher dokumentiert zu haben, wie viele Stickies-Ereignisse pro Monat auftreten und was sie kosten, hat keinen Vergleichswert. Der ROI ist dann nicht messbar, das Management fordert nach 12 Monaten Rechenschaft, und der Nachweis fehlt. Lösung: Mindestens sechs Monate vor Installation systematisch dokumentieren — Datum, Dauer, betroffene Maschinenteile, Kostenschätzung jedes Stickies-Ereignisses. Diese Baseline ist die Grundlage für die Amortisationsrechnung und die einzige Möglichkeit, intern für Nachfolgeinvestitionen zu argumentieren.

4. Der stille Systemberater-Fehler: falsche Sicherheit durch Modell-Drift. Wenn das System läuft und keine “rot”-Alarme kommen, entsteht schnell das Gefühl, das Problem sei gelöst. Tatsächlich kann es bedeuten: Das Modell driftet und klassifiziert belastete Chargen als “grün”. Baut deshalb von Beginn an eine regelmäßige Validierungsprüfung ein — mindestens einmal im Quartal eine bekannte stark belastete Referenzcharge durch das System schicken und prüfen, ob die Klassifikation noch stimmt.

Wenn sich die Rohstoffbasis ändert — Modell-Drift erkennen und gegensteuern

Diesen Aspekt solltet ihr vor dem Kauf ernst nehmen: Ein NIR-Klassifikationsmodell für Stickies ist kein Set-and-forget-System.

Warum Rohstoffveränderungen kritisch sind: Die chemische Zusammensetzung von Stickies ist nicht universell. Ein Laborblatt aus Post-Consumer-Mischware (Haushalt) enthält primär druckfarben-gebundene Stickies, PSA-Haftetiketten und Heißkleber aus Lebensmittelverpackungen. Ein Laborblatt aus Industrie-OCC (Wellpappenkartons) enthält primär Heißklebstoffe aus Wellpappenfugen und Klebstoffnaht-Auftrag. Beide sehen spektral unterschiedlich aus — ein auf industriell-OCC trainiertes Modell erkennt PSA-Stickies schlechter und umgekehrt.

Trigger für Retraining:

• Neuer Lieferant für mehr als 10 % des Rohstoffvolumens
• Wechsel der Altpapierqualität (z. B. von DIP-Qualität auf Mischware-Mischung)
• Saisonale Verschiebungen im Altpapierangebot (Post-Consumer-Anteil steigt nach Weihnachten)
• Validierungscharge zeigt Falschklassifikationsrate > 15 %

Wer das Retraining durchführt: Beim Systemlieferanten oder intern mit ML-Know-how. PTS München bietet Rekalibrierungen gegen zusätzliche Analysegebühr an. Bei industriellen On-Premise-Plattformen (Siemens Edge, Aveva) kann das Retraining intern durchgeführt werden, wenn ihr die Daten und die Modell-Pipeline kontrolliert. Plant hier jährlich 1–2 Retraining-Zyklen plus Budget für 2–3 ungeplante Reaktionen auf größere Rohstoff-Veränderungen ein.

Wie ihr Drift früh erkennt: Führt eine monatliche Validierungsprobe ein: Eine bekannte Charge mit dokumentierter Stickies-Last (z. B. aus dem letzten Reinigungsstopp zurückgehalten und analysiert) läuft durch das System. Wenn die Klassifikation von der bekannten Realität abweicht, habt ihr Drift — und könnt reagieren, bevor das Modell euch Sicherheit vortäuscht, die nicht vorhanden ist.

Was mit der Einführung wirklich passiert — und was nicht

Die Technik ist der einfachere Teil. Die größere Hürde liegt zwischen Messsystem und Maschinenführer.

Das “Ampel-Problem”: Wenn das System eine rote Klassifikation ausgibt und der Schichtführer gerade fünf andere Dinge gleichzeitig managt, ist die Wahrscheinlichkeit hoch, dass die Warnung ignoriert wird — nicht aus Gleichgültigkeit, sondern weil es keine klare Handlungsanweisung gibt. Was genau tut man bei “stark belastet”? Die Entscheidungslogik muss vor dem ersten Echtbetrieb schriftlich festgelegt und mit den Schichtführern besprochen werden.

Widerstand aus der Schicht: Erfahrene Maschinenführer haben über Jahre Intuition für Stickies entwickelt — sie wissen aus Erfahrung, welche Lieferanten problematisch sind, und reagieren mit angepasster Chemikaliendosierung. Ein System, das das nun quantifiziert und dokumentiert, kann sich anfühlen wie Kontrolle statt Unterstützung. Wichtig: Diesen Widerstand nicht ignorieren. Fragt die Maschinenführer, welche Lieferanten aus ihrer Sicht problematisch sind — und prüft, ob das System dieselben als “erhöhtes Risiko” einstuft. Übereinstimmung schafft Vertrauen. Abweichungen — egal in welche Richtung — sind wertvolles Feedback für die Kalibrierung.

Was nicht passiert: Die Stickies-Probleme verschwinden nicht sofort. Das System reduziert Ereignisse, eliminiert sie nicht. Reste-Stickies, die durch Cleaner kommen, sind nach wie vor ein Thema. Das System verbessert die Eingangssteuerung, nicht den Prozess insgesamt. Wer 100-prozentige Stickies-Freiheit erwartet, wird enttäuscht.

Was gut funktioniert: Der Nebeneffekt, den die meisten Werke unterschätzen: Lieferantenbewertung auf Datenbasis. Wenn ihr nach drei Monaten Betrieb zeigen könnt, dass Lieferant A konsistent unter dem Grenzwert liegt und Lieferant B drei der letzten vier Chargen als “erhöhtes Risiko” klassifiziert wurden, habt ihr ein Argument für Preisnachverhandlungen oder Lieferantenauswahl, das vorher schlicht nicht existiert hat.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

“Wir haben das Problem mit Detackifier-Chemikalien im Griff.” Detackifier passiviert Stickies-Partikel chemisch — er macht sie weniger klebrig, entfernt sie aber nicht aus dem Prozess. Er reduziert Ablagerungen auf Walzen und Filzen, hat aber keinen Einfluss auf Stickies, die als Flecken ins Fertigprodukt wandern. Und: Er kostet Geld, das proportional zur Rohstoff-Qualität eingesetzt werden müsste. Ein NIR-System ermöglicht euch, Detackifier genau dann zu dosieren, wenn er gebraucht wird — nicht pauschal bei jeder Charge. Das spart typisch 15–30 % der laufenden Chemikalienkosten für diesen Posten.

“Unsere Lieferanten sind seit Jahren dieselben — wir kennen die Qualität.” Das war vor 2020 eine verlässliche Annahme. Seitdem haben E-Commerce-Wachstum, veränderte Sammellogistik und internationale Altpapierhandelsströme die Stickies-Zusammensetzung in vielen Altpapierqualitäten deutlich verändert. PSA-Etiketten aus dem Online-Versandhandel, Klebebänder aus Retouren-Paketen und Kunstharz-Klebstoffe aus Verpackungsfolien sind heute in Mengen in Mischware-Qualitäten präsent, die vor zehn Jahren selten waren. Die jahrelange Kenntnis eines Lieferanten schützt nicht vor Veränderungen in seinem eigenen Input-Mix.

“Der Investitionsbedarf ist zu hoch.” Teilen wir das auf: Der Laborblatt-Ansatz mit PTS DOMAS kostet 40.000–80.000 € Einmalinvestition. Wenn euer Werk ein Stickies-Ereignis im Schnitt 25.000 € kostet und ihr 1,5 Ereignisse pro Monat habt (450.000 €/Jahr), amortisiert sich die Investition bei 40-prozentiger Reduktion der Ereignisse in unter 18 Monaten — selbst im konservativen Szenario. Wer sagt, die Investition sei zu hoch, hat die Gegenkalkulation noch nicht gemacht. Das einzige valide Argument gegen die Investition ist ein niedriges Ausgangsniveau: Wer nur ein Ereignis pro Quartal hat, rechnet anders.

Woran du merkst, dass das zu dir passt

• Ihr verarbeitet mehr als 50.000 Tonnen Recyclingfasern pro Jahr — darunter ist die Investition in NIR-Inline-Hardware selten wirtschaftlich sinnvoll
• Ihr habt mindestens ein bis zwei Stickies-bedingte Reinigungsstopps pro Monat — das ist die Mindestfrequenz, bei der eine Hardware-Investition innerhalb von zwei bis drei Jahren amortisiert wird
• Eure Altpapier-Rohstoffbasis ist gemischt oder schwankt — reine Industrie-OCC-Sortierqualitäten mit stabilen Lieferanten brauchen weniger Eingangskontrolle als Post-Consumer-Mischware
• Ihr habt einen Schichtführer oder Prozesschemiker, der für die Stickies-Steuerung verantwortlich ist — das System braucht eine menschliche Anlaufstelle, die Klassifikationen interpretiert und in Maßnahmen umsetzt
• Ihr wollt Lieferantenqualität erstmals objektiv bewerten — der Nebeneffekt des Reportings ist für viele Werke genauso wertvoll wie die direkte Schadensreduktion

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

1. Unter 50.000 Tonnen/Jahr Recyclingfaser-Einsatz. Bei kleineren Werken reicht die Stickies-Ereignisfrequenz typisch nicht aus, um eine Hardware-Investition von 80.000+ € innerhalb von drei Jahren zu amortisieren. In diesem Fall ist systematisches Stichproben-Monitoring nach ISO 15360-2 und Lieferantenaudit der kosteneffizientere Weg.

2. Keine historische Stickies-Dokumentation vorhanden. Ohne dokumentierte Baseline (Ereignisse, Dauer, Kosten) könnt ihr das Modell nicht kalibrieren und den ROI nicht messen. Wenn diese Daten fehlen, ist der sinnvollste erste Schritt: 6 Monate lang jedes Stickies-Ereignis dokumentieren, bevor ihr Hardware kauft.

3. Stock-Preparation ohne digitale Prozesskontrolle (kein DCS/PLC). Ein NIR-System, das Chargen klassifiziert, aber nicht mit dem Leitsystem kommunizieren kann, liefert Daten, die manuell interpretiert und manuell umgesetzt werden müssen — das senkt den Nutzen auf ein Minimum und erhöht die Reaktionszeit auf Stunden statt Sekunden. Ohne digitale Prozesssteuerung ist der erste Investitionsschritt nicht das Erkennungssystem, sondern die Leittechnik.

Das kannst du heute noch tun

Fang mit dem Kostenüberblick an — heute, ohne Hardware, ohne Budget.

Hol euch die Wartungslogs der letzten zwölf Monate und identifiziert alle Reinigungsstopps, die auf Ablagerungen zurückzuführen waren. Schätzt für jeden Stopp: Wie lange war die Maschine weg? Welche Chemikalien wurden eingesetzt? Musste der Filz erneuert werden? Rechnet diese Kosten zusammen.

Wenn ihr auf mehr als 150.000 € im Jahr kommt: Der Business Case für ein NIR-System ist vorhanden. Dann lohnt sich eine Anfrage bei PTS München oder ein Gespräch mit Voith Paper über das DIN SPEC 6745-Messverfahren.

Wenn ihr auf weniger als 50.000 € kommt: Stickies ist bei euch ein Randthema. Dann ist der sinnvollere Schritt ein besseres Lieferanten-Monitoring per Stichprobe — ohne Hardware-Investition.

Für die Analyse könnt ihr auch die folgende Prompt-Vorlage als Ausgangspunkt für eine strukturierte Auswertung mit einem KI-Assistenten nutzen:

Quellen & Methodik

• Stickies-Kosten US-Papierindustrie: TSI Journals, „Stickies Monitoring for Improved Paper Recycling Efficiencies” (tsijournals.com) — Schätzung: mehrere hundert Millionen Dollar/Jahr durch Qualitätsprobleme und Ausfallzeiten. Klassisches Referenzdokument der Branche.
• 4 % Produktionsausfallrate durch Ablagerungen: beta.co.id / BetaChemical, „Paper machines are bleeding output to invisible deposits” (2024) — Richtwert für Verpackungs- und Tissuemaschinen.
• Voith Paper + PTS Heidenau, DIN SPEC 6745 (2022): Entwicklung des NIR-basierten Stickies-Messverfahrens. Quellen: eu-recycling.com/Archive/28386, print.de, fibers-in-process.de — gemeinsame Pressemitteilung Voith/PTS, Zitat Dr. Linus Friedrich (Voith Paper).
• Acquaflex / SCA Edet-Werk (ATICELCA 2021 Kongress): Dokumentierter Fall einer nordeuropäischen Tissuefabrik mit 60-prozentiger Reduktion der Bahnabrisse durch Stickies-Behandlung. Quelle: paperindustryworld.com.
• PTS DOMAS Stickies & Plastics Produktseite: ptspaper.de — technische Spezifikationen Messauflösung, Messdauer, Normierung nach DIN SPEC 6745.
• Stickies-Chemie und Zusammensetzung: Cellulose (Springer Nature), „Identification and characterization of sticky contaminants in multiple recycled paper grades” (DOI: 10.1007/s10570-022-05006-6, 2022) — Grundlage für die Beschreibung chemischer Varianz nach Altpapierqualität.
• Implementierungskosten und Zeitschätzungen: Erfahrungswerte aus vergleichbaren Industrieprojekten (Inline-NIR-Qualitätssysteme in der Papier- und Lebensmittelindustrie, Stand Mai 2026).