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

Wie teuer Stickies ein einzelnes Werk kommen, hängt an Rohstoffmix und Maschine; eine belastbare, abrufbare Branchenzahl dafür haben wir nicht gefunden. Eure eigene Zahl steht in den Wartungslogs, wie im Abschnitt „Das kannst du heute noch tun“ beschrieben: Stopps, Dauer, Chemie, Filze, Ausschuss.

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.

Diese Lücke schließt eine NIR-Messung, die jede Lieferung charakterisiert, am Laborblatt klassisch ausgewertet oder mit Machine Learning.

Mit vs. ohne KI, ein ehrlicher Vergleich

¹ Belastbare Vorher-nachher-Zahlen aus veröffentlichten Installationen haben wir nicht gefunden. Die rechte Spalte beschreibt, wo die Wirkung ansetzt, nicht wie groß sie ist.

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 Stunden Produktionsausfall, im Beispiel oben fünfeinhalb, plus die Schichtzeit, die für Reinigung, Filzwechsel und Wiederanfahren draufgeht. Wie viele Stopps tatsächlich wegfallen, hängt an den Maßnahmen, die auf die Messung folgen. 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 schnell einen fünfstelligen Betrag, im Beispiel oben rund 35.000 Euro. Filz, Chemie und Ausschuss sind direkt fassbar. Der Produktionsausfall ist Geld, wenn die Maschine ausgelastet ist, und dann mit dem Deckungsbeitrag der fehlenden Tonnen zu rechnen, nicht mit dem Umsatz. 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, niedrig (2/5) Die Messung selbst verhindert keinen Stopp. Wie viele wegfallen, hängt daran, ob auf die Messwerte Taten folgen: Beimischungsgrenzen, Chemiedosierung, Lieferantenwechsel. Eine veröffentlichte Zahl, wie viel ein solches Erkennungssystem bringt, haben wir nicht gefunden. Der einzige belegte Fall in unserer Quellenliste, knapp 60 Prozent weniger Bahnabrisse bei Acquaflex, kam durch eine chemische Behandlung zustande, nicht durch Messung. Bei Werken mit häufigen Stickies-Stopps reicht schon ein kleiner Teil verhinderter Stopps (Rechnung unten), bei Werken, die 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 Skalierbarkeit zwischen Werken, deshalb drei 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

Am Förderband geschieht die Klassifikation laufend, am Laborblatt aus der Auflöserprobe im Takt der Probenahme, typisch alle ein bis zwei Stunden. Das Ergebnis kann an das Leitsystem gehen, das nach vorher festgelegten Regeln Schmutzfänger-Drücke, Dosierung von Detackifier-Chemikalien und Beimischungsanteile anpasst. Eine Charge, die schon im Auflöser ist, lässt sich allerdings nicht mehr zurückhalten, nur noch verdünnen und chemisch behandeln; zurückhalten lässt sich nur, was vor dem Auflöser gemessen wurde.

Der Vorteil gegenüber klassischer Sichtprüfung: Am Laborblatt findet die NIR-Kamera auch Klebstoffpartikel, die das Auge übersieht, und unterscheidet Klebstofftypen. Eine Kamera über dem Förderband sieht dagegen nur, was an der Ballenoberfläche liegt, nicht, was im Ballen steckt.

Was das System nicht kann: Es misst Stichproben oder Oberflächen, keinen vollständigen Stoffstrom, und es sagt nichts darüber, was Cleaner und Siebe danach noch entfernen. 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 drei Ansätze mit ihren Tradeoffs, von denen nur der zweite als Serienprodukt etabliert ist:

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. Ein Serienprodukt, das Stickies auf Ballenoberflächen erkennt, haben wir nicht gefunden; das wäre ein Eigenbau mit NIR-Kamera und eigenem Modell. Geeignet als Vorfilter für auffällige Lieferungen, nicht als Messung der Stickies-Last.

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 in der Stoffleitung Die Idee: NIR-Spektrometer direkt in der Suspensionsleitung messen laufend, ohne Probenahme, mit direkter Integration in die Leittechnik. Ein Serienverfahren, das Stickies so in der verdünnten Suspension misst, haben wir nicht gefunden, und auch unsere Toolseite zu DOMAS verweist für Inline-Überwachung nur auf Qualitätssysteme an der fertigen Bahn. Physikalisch ist das schwer: In der Suspension machen Klebstoffe nur einen winzigen Anteil neben Wasser und Fasern aus. Wer so etwas angeboten bekommt, sollte Nachweismessungen gegen DOMAS-Laborblätter verlangen, bevor er investiert.

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 Kleine Stickies sind technisch relevant, sie passieren Cleaner und Siebe und lagern sich bevorzugt auf Filzen ab. PTS DOMAS Stickies & Plastics arbeitet laut unserer Toolseite mit 120 mal 120 µm je Pixel und erfasst damit auch sehr kleine Partikel; was deutlich kleiner als ein Pixel ist, bildet allerdings keine Kamera verlässlich ab. Kameralösungen mit 1–2 mm Pixelgröße sehen Partikel dieser Größe gar 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 NIR-Kamerasystem der Papiertechnischen Stiftung (PTS) in Heidenau misst laut unserer Toolseite nach ISO 15360-3:2024-05; ein NIR-Messverfahren für Stickies hatten Voith, PTS und Propakma 2020 in der DIN SPEC 6745 beschrieben. Misst Laborblätter aus Auflöserproben in 2–3 Minuten, unterscheidet klebende von nicht klebenden Polymeren und sortiert nach Materialtyp, Partikelzahl und Größe. Stärke: kein Färbeschritt. Wichtig für diesen Use Case: DOMAS klassifiziert laut unserer Toolseite klassisch, ohne maschinelles Lernen; für die Messung braucht es also kein KI-Projekt. Einsatzbereich: systematische Chargenprüfung, Lieferantenbewertung, Baseline-Monitoring. Preis: nur auf Anfrage bei PTS, Listenpreise gibt es nicht.

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. Preise nennt TOMRA nur auf Anfrage, laut unserer Toolseite liegt eine solche Sortiermaschine im sechsstelligen Bereich.

Custom ML auf industrieller Plattform, für die Softwareseite Ein lernendes Klassifikationsmodell (etwa ein CNN auf NIR-Spektraldaten) wird, wo es über die Laboranalytik hinaus eingesetzt wird, 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 : Preis nur auf Anfrage, PTS nennt keine Listenpreise
• Laufend: Wartungsvertrag und Pflege der Referenzdatenbank separat per Angebot, dazu interner Laboraufwand von 2–4 Stunden pro Woche
• Kein ML-Aufwand: DOMAS klassifiziert ohne maschinelles Lernen

Halbinline-Lösung (mittlere Stufe)

• NIR-Sensorik + Probenahmesystem: 80.000–150.000 €, Richtwert der Redaktion
• Modellentwicklung und Integration durch einen Systemintegrator: per Angebot, kommt hinzu
• Laufende Kalibrierung und Modellpflege: 10.000–20.000 €/Jahr
• Zusammen: 80.000–150.000 € plus Modell und Integration, plus laufende Kosten

Vollinline-Lösung

• Individuelle Systemlösung der großen Maschinenbauer, nur auf Anfrage. Ein etabliertes Serienverfahren für Stickies in der Suspension haben wir nicht gefunden (siehe Option 3).

Was du dagegenrechnen kannst Ein Reinigungsstopp durch Stickies kostet Produktionsausfall, Chemikalien, Filzschäden und gegebenenfalls Ausschuss. Eure Zahl steht in den Wartungslogs, im Beispiel oben waren es rund 35.000 Euro. Den Produktionsausfall rechnet ihr mit dem Deckungsbeitrag der fehlenden Tonnen, nicht mit dem Umsatz.

Die ehrliche Frage lautet nicht, um wie viel Prozent ein Erkennungssystem die Stopps senkt, dafür gibt es keine belastbare Zahl, sondern: Wie viele Stopps muss es im Jahr verhindern, damit es sich trägt? Angenommen, ein Stopp kostet euch 25.000 Euro:

• Halbinline: Die laufenden 10.000–20.000 Euro im Jahr sind nach 0,4–0,8 verhinderten Stopps gedeckt. Soll sich die Sensorik (80.000–150.000 Euro) in drei Jahren bezahlen, kommen 1,1–2 Stopps im Jahr dazu. Zusammen rund 1,5 bis 3 verhinderte Stopps im Jahr, plus was Modell und Integration kosten.
• Laborblatt: Bei einem Angebot von beispielsweise 60.000 Euro (Annahme, PTS nennt keine Preise) sind 60.000 geteilt durch 25.000, also 2,4 verhinderte Stopps nötig, um das Gerät zu bezahlen, dazu Wartung und die Laborstunden.

Wer heute 1,5 Stopps im Monat hat, also 18 im Jahr, muss davon nur einen kleinen Teil verhindern. Der Haken: Die Messung verhindert nichts. Erst wenn ihr eine belastete Lieferung zurückweist, eine Beimischungsgrenze einhaltet oder den Lieferanten wechselt, fällt ein Stopp weg, und diese Maßnahmen kosten ihrerseits: teurere, sauberere Sorten, mehr Detackifier, Aufwand im Einkauf.

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 Altpapiersorte (z. B. von Deinking-Ware auf gemischtes Altpapier)
• 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. Bei DOMAS pflegt PTS die Referenzdatenbank gegen gesonderte Vergütung. 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. Wie viel das spart, zeigt der Vergleich eurer Chemikalienrechnungen vorher und nachher; eine belastbare Branchenzahl dafür haben wir nicht gefunden.

“Unsere Lieferanten sind seit Jahren dieselben, wir kennen die Qualität.” Auch bei gleichen Lieferanten kann sich der Input ändern: Versandverpackungen aus dem Onlinehandel mit Haftetiketten und Klebebändern, veränderte Sammellogistik und internationale Altpapierströme verschieben die Zusammensetzung. Wie stark bei euch, dafür haben wir keine belastbare Zahl, eure Messung zeigt es. Die jahrelange Kenntnis eines Lieferanten schützt nicht vor Veränderungen in seinem eigenen Input-Mix.

“Der Investitionsbedarf ist zu hoch.” Rechne es rückwärts wie im Kostenabschnitt: Der Angebotspreis für PTS DOMAS geteilt durch die Kosten eines Stopps ergibt, wie viele Stopps wegfallen müssen, um das Gerät zu bezahlen; mit den Beispielzahlen von dort sind es gut zwei, dazu Wartung und Laborstunden. Bei 18 Stopps im Jahr ist das keine hohe Hürde, bei einem Stopp im Quartal schon. Entscheidend ist, dass auf die Messung Maßnahmen folgen, die wirklich Stopps verhindern.

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, darunter müsste das System einen zu großen Teil der wenigen Stopps verhindern, um sich in zwei bis drei Jahren zu tragen
• 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, lohnt sich die Rückwärtsrechnung aus dem Kostenabschnitt ernsthaft: Wie viele dieser Stopps müsste ein System verhindern, und welche Maßnahme würde sie verhindern? Dann lohnt sich eine Anfrage bei PTS in Heidenau oder ein Gespräch mit Voith Paper über das NIR-Messverfahren nach DIN SPEC 6745.

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

• Voith Paper, PTS und Propakma, DIN SPEC 6745 (2020): NIR-Messverfahren für klebende und nicht klebende Verunreinigungen. Laut Dr. Linus Friedrich (Voith Paper) ermöglichen NIR-Messungen zuverlässige Stickybilanzen aus Einzelmessungen, was etablierte Methoden wegen großer Streuung der Ergebnisse nur teilweise schaffen. Quelle: eu-recycling.com.
• Acquaflex (Luca Paccagnella, ATICELCA-Kongress 2021): Nach Behandlung mit Dispergiermitteln auf Basis natürlicher Lösemittel knapp 60 Prozent weniger Bahnabrisse; Werk nicht genannt; Erkennung per Fluoreszenzfärbung, chemische Behandlung, keine NIR-Erkennung. Quelle: paperindustryworld.com.
• PTS DOMAS Stickies & Plastics: unsere Toolseite nach ptspaper.de; Messung nach ISO 15360-3:2024-05, 2–3 Minuten je Laborblatt, 120 × 120 µm je Pixel, klassische Klassifikation ohne maschinelles Lernen, Preise nur auf Anfrage.
• Stickies-Chemie und Zusammensetzung: Wang, Marcello, Sawant, Salam, Abubakr, Qi und Li, „Identification and characterization of sticky contaminants in multiple recycled paper grades”, Cellulose 30(3), 2023 (online Dezember 2022), DOI: 10.1007/s10570-022-05006-6. Grundlage für die Beschreibung chemischer Varianz nach Altpapiersorte.
• Kosten- und Zeitangaben ohne Quelle: Richtwerte der Redaktion, keine Erhebung. Die Systeme selbst gibt es nur auf Anfrage; die 25.000 Euro je Stopp in der Rückwärtsrechnung sind eine Annahme.