Filz- und Lagerwechsel: Bedarfsgerechte Wartung statt Kalenderplan

Das echte Ausmaß des Problems

Papiermaschinen sind mechanisch anspruchsvolle Systeme: Eine einzige Maschine enthält 200 bis 400 Wälzlager, die unter Feuchtigkeit, hohen Drehzahlen und wechselnden Lasten arbeiten. Die Pressenpartie ist dabei besonders belastet — Niplast, Temperatur und das abgepresste Wasser schaffen eine Umgebung, die Lager schneller altern lässt als in anderen Industriebereichen.

Gleichzeitig laufen Pressfilze unter Bedingungen, die ihre Lebensdauer schwer vorhersagbar machen: Papiersorte, Maschinengeschwindigkeit, Rohstoffqualität und Siebwasserbelastung bestimmen, wie schnell ein Filz verblindet oder kompaktiert. Ein Filz, der bei Tissueproduktion 21 Tage hält, überlebt bei einer anspruchsvollen Kunstdrucksorte vielleicht nur 14 Tage — und ein anderer, der für 28 Tage geplant ist, läuft problemlos 35 Tage.

Die Konsequenz: Kalenderbasierte Wartungsintervalle treffen systematisch daneben. Entweder zu früh — unnötige Filzkosten — oder zu spät — Qualitätsverluste und Maschinenschäden.

Was das konkret bedeutet:

• Filzkosten: Ein Pressfilzsatz kostet zwischen 35.000 und 80.000 Euro je nach Maschinenbreite und Qualität. Eine Maschine mit vier Filzpositionen bindet bei 28-Tage-Intervallen jährlich 600.000–1.300.000 Euro in Filzkosten — und eine Verschiebung um 15–20 Prozent in die richtige Richtung entspricht 90.000–260.000 Euro jährlicher Einsparung.
• Lagerausfallkosten: Ein ungeplanter Stillstand in der Pressenpartie kostet laut Branchenreports typisch 20.000–22.000 Euro pro Stunde in entgangener Produktion. Zusätzlich: Ein Lagerwechsel im Notfall beansprucht 50–80 Arbeitsstunden; der beschädigte Filz muss vorzeitig ersetzt werden. Ein einziger Lagerausfall in der Pressenpartie kostet realistisch 80.000–200.000 Euro.
• Häufigkeit: Ohne systematische Überwachung erleidet eine mittlere Papierfabrik laut Branchenangaben 20–30 lagerbezogene Produktionsunterbrechungen pro Jahr. Eine konsequente Vibrations- und Temperaturüberwachung kann diese auf 2–8 reduzieren.

Die Sappi-Fabrik in Gratkorn (Österreich) hat das beziffert: Auf PM11 mit rund 600 Sensoren wurden in weniger als zwei Betriebsjahren 25 Maschinenprobleme erkannt, 23 davon früh genug für geplante Wartung. Die vermiedenen Produktionsverluste: rund 4,3 Millionen Euro (Quelle: SKF Evolution, September 2000).

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Vergleichswerte für Lager-Früherkennungsrate und Stoppreduzierung stammen aus dem Sappi-Gratkorn-Bericht (SKF Evolution, 2000) und der OxMaint-Fallstudie (2024), die eine Reduktion lagerbezogener Produktionsunterbrechungen um 91% dokumentierte. Filzkosteneinsparungen basieren auf der SKF-Fallstudie zu Filzwechselintervall-Optimierung (Nettoeinsparung €297.000/Jahr, skf.com).

Einschätzung auf einen Blick

Zeitersparnis — niedrig (2/5)
Vibrations- und Filzüberwachung spart keine täglichen Arbeitsstunden — Operatoren und Schichtingenieure verbringen nach der Einführung fast gleich viel Zeit mit ihrer regulären Arbeit. Was sich ändert: Das Antwortmuster auf Probleme. Statt nachts in die Fabrik zu fahren und sieben Stunden im Notbetrieb zu stehen, wird der Lagertausch am nächsten geplanten Stillstand durchgeführt. Das ist kein Zeitgewinn im kalkulatorischen Sinn, aber ein erheblicher Gewinn an Planbarkeit und Schlafqualität. Verglichen mit Anwendungsfällen wie der Papierbandriss-Vorhersage, die Stillstandszeiten von 2–6 Stunden je Ereignis direkt spart, liegt der direkte Zeiteffekt hier niedriger.

Kosteneinsparung — sehr hoch (5/5)
Das ist der Haupthebel und der stärkste in der gesamten Kategorie. Ein einzelner vermiedener Pressenausfall (100.000–200.000 Euro) finanziert die gesamte Sensorinfrastruktur. Die zusätzliche Filzkostenoptimierung liefert weiteren, dauerhaften Nutzen: Ein Newsprint-Werk hat durch verlängerte Filzintervalle allein 297.000 Euro netto jährlich eingespart. Beides zusammen übertrifft den Kostenhebel der meisten anderen Papierindustrie-Anwendungsfälle.

Schnelle Umsetzung — sehr niedrig (1/5)
Das ist der härteste Punkt dieses Anwendungsfalls — und er verdient Ehrlichkeit. Bevor das erste ML-Modell zuverlässig arbeitet, vergehen realistische 6–12 Monate: Sensorinstallation (4–8 Wochen, planbar), dann Datenbasislaufzeit (4–8 Monate, um alle relevanten Betriebszustände abzudecken), dann Modelltraining und Validierung. Kein anderer Anwendungsfall in der Papierindustrie braucht eine längere Vorlaufzeit vor dem ersten verlässlichen Ergebnis. Wer schnelle Ergebnisse braucht, schaut besser auf Energieverbrauchsanalyse oder Bleichchemikalien-Optimierung — dort sind erste Ergebnisse in 3–6 Monaten realistisch.

ROI-Sicherheit — hoch (4/5)
Wenn Ausfälle passieren, sind die Kosten präzise messbar: Stundensatz entgangene Produktion, Lagerkosten, Filzersatz. Das macht den ROI dieses Anwendungsfalls außergewöhnlich transparent — deutlich klarer als indirekte Optimierungen wie Qualitätsverbesserungen oder Energiereduktionen. Die Einschränkung: Das Modell muss genug Referenzdaten aus echten Degradationsereignissen gesehen haben, um verlässlich zu warnen. In den ersten Monaten, bevor diese Referenzen vorliegen, ist die Warnschwelle konservativ gesetzt — das System warnt lieber zu früh als zu spät, was zu gelegentlichen Fehlalarmen führt.

Skalierbarkeit — niedrig (2/5)
Das ist die größte strukturelle Einschränkung: Jede Papiermaschine braucht ihre eigene Sensorinstallation und ihr eigenes Anomaliemodell. Ein Modell, das PM1 kennt, kann nicht direkt auf PM2 übertragen werden — auch wenn beide Maschinen baugleich sind. Denn die Lagerfrequenzen, Temperaturprofile und Filzdynamiken hängen von tatsächlichem Betriebsverhalten, Schmierstoffzustand und Maschinenalter ab. Eine Fabrik mit fünf Papiermaschinen braucht praktisch fünf separate Projekte. Verglichen mit softwarebasierten Anwendungsfällen (Rohstoffprognose, Kundensegmentierung), die nach einmaliger Einrichtung ohne Mehraufwand skalieren, ist das eine echte Einschränkung.

Richtwerte — stark abhängig von Maschinentyp, Sensorinfrastruktur und Produktionsprogramm.

Was das System konkret macht

Das Grundprinzip ist Predictive Analytics auf Zeitreihendaten: Sensoren messen dauerhaft, was an der Maschine passiert. Machine Learning-Modelle lernen, was “normal” aussieht — und schlagen Alarm, wenn die Signale davon abweichen.

Für Lager in der Pressenpartie nutzt das System Hüllkurvenanalyse (Envelope Analysis) auf Vibrationssignalen. Wenn ein Kugellager einen Riss im Außenring entwickelt, erzeugt jede Berührung eines Rollelements mit dem Schaden einen hochfrequenten Impuls — mit charakteristischer Frequenz (BPFO, Ball Pass Frequency Outer Race). Diese Frequenz ist berechenbar aus Lagergeometrie und Drehzahl. Das System sucht gezielt nach diesen Mustern, lange bevor sie sich im Breitband-Vibrationsspektrum zeigen. Ergebnis: Vorlaufzeit von 2–6 Wochen vor kritischem Lagerzustand.

Für Pressfilze nutzt das System andere Signalketten: Feuchteprofil-Scans über die Bahnbreite, Saugkastenvakuumtrends und Druckdifferenzen vor und nach Uhle-Boxen. Ein verblindeter Filz nimmt weniger Wasser auf — das zeigt sich in steigendem Restfeuchtewert nach dem Nip, in sinkender Wasserdurchsatzmenge pro Vakuumeinheit und in verändertem Feuchteprofilbild. Das ML-Modell lernt, welche Kombination dieser Signale auf baldigen Leistungsabfall hinweist — nicht auf einen einzelnen Schwellenwert, sondern auf den charakteristischen Degradationspfad dieses spezifischen Filzes auf dieser spezifischen Maschine.

Das macht multivariate Anomalieerkennung aus: Sie kombiniert Vibration (Lager), Temperatur (Lagerschmierung), Saugkastenparameter (Filzpermeabilität) und Nipdruckprofile zu einem Gesamtbild — und erkennt Muster, die kein Sensor allein zeigen würde.

Zwei Probleme, zwei Signale: Filz und Lager gemeinsam denken

Pressfilz und Lager sind physikalisch getrennte Systeme, aber ihre Überwachung gehört zusammen — weil sie in Wechselwirkung stehen.

Ein verblindeter Filz erhöht den Nipwiderstand, was die Walzen stärker belastet. Erhöhte Walzenlast bedeutet höhere Lagerkräfte. Steigende Lagerkräfte beschleunigen die Lagerermüdung. Ein Filz, der zwei Wochen zu spät gewechselt wird, kann die Lager darunter messbar kürzer leben lassen.

Umgekehrt: Wenn ein Lager Exzentrizität entwickelt, verändert sich die Nipdruckverteilung über die Bahnbreite. Das zeigt sich im Filzfeuchteprofilbild — ein Muster, das der Filzüberwachung gefällt, aber in Wirklichkeit ein Lagerwarnsignal ist.

Deshalb braucht eine vollständige Lösung zwei Sensortypen:

Vibrationssensoren für Lager — Piezoelektrische Beschleunigungsaufnehmer mit Bandbreite 0–10 kHz, montiert direkt auf dem Lagergehäuse. Standard: zwei Positionen je Lager (Antriebs- und Führungsseite), jeweils vertikal und horizontal. Für Saugpresswalzen mit Innenmantelbohrungen zusätzlich Axialaufnehmer für Mantelbelastungsanalyse. Abtastrate mindestens 20 kHz für zuverlässige Hüllkurvenanalyse.

Feuchte-, Vakuum- und Drucksensoren für Filze — Infrarot-Feuchteprofilsensoren über die volle Bahnbreite (oder traversierende Sensoren), Vakuumsensoren an Uhle-Boxen und Saugkästen, Druckprofilmessung am Nip (optional: iRoll-Messwalzen für Direktmessung des Druckprofils). Für Filze reicht eine niedrigere Abtastrate — sekündlich oder minütlich ist ausreichend.

Separate Modelle, gemeinsame Auswertung: Das Lagervibrations-Modell und das Filzdegradations-Modell laufen getrennt — sie brauchen unterschiedliche Feature-Engineering-Ansätze und reagieren auf verschiedene Zeitskalen. Die Auswertungs-Schicht kombiniert beide Alarmsignale und erkennt Wechselwirkungen: “Lageralarm + gleichzeitiger Feuchteprofilshift” ist ein anderer Handlungsbedarf als “Lageralarm allein”.

Konkrete Werkzeuge — was wann passt

Die Werkzeugwahl für Filz- und Lagerüberwachung hängt von drei Fragen ab: Habt ihr eine Valmet-Maschine? Seid ihr bereits im AWS-Ökosystem? Wie viel OT/IT-Kompetenz habt ihr im Haus?

Valmet DNA Condition Monitoring — Wenn eure Papiermaschine von Valmet stammt und ihr bereits Valmet DNA als Leitsystem habt, ist das die naheliegendste Wahl. Valmet kennt die exakte Maschinengeometrie, Lagertypen und Normalbetriebsbereiche — das Modell startet mit einem Vorsprung gegenüber einer Standardlösung, die diese Parameter erst lernen muss. Die Integration in das bestehende Leitsystem ist direkt. Nachteil: Preise nur auf Anfrage, typisch fünf- bis sechsstelliger Jahresbetrag je nach Sensorumfang.

SKF Enlight — Für die Lagerwartung der De-facto-Standard in der Papierindustrie. SKF hat in Dutzenden Papiermühlen Condition-Monitoring-Systeme installiert (Sappi Gratkorn ist das prominenteste Beispiel) und bringt ein erprobtes Fünf-Stufen-Degradationsmodell mit. Besonders sinnvoll, wenn ihr SKF-Lager im Einsatz habt. Nachteil: Nicht auf Filzüberwachung ausgelegt — für die Filzseite braucht ihr ergänzende Sensorik und eine separate Datenquelle.

Amazon Lookout for Equipment — Die Cloud-native Option für Werke, die bereits auf AWS-Infrastruktur setzen. Lookout for Equipment nimmt Zeitreihendaten aus beliebigen Sensoren, trainiert automatisch ein multivariates Anomaliemodell und gibt Echtzeit-Warnungen. Kein ML-Wissen erforderlich, EU-Region (Frankfurt) verfügbar. Kosten: Pay-as-you-go, typisch 150–400 Euro/Monat je Modell. Nachteil: Kein UI — Ergebnisse müssen in Grafana oder QuickSight visualisiert werden; OPC-UA-Anbindung erfordert AWS IoT Greengrass als Edge-Gateway.

Siemens Insights Hub — Sinnvoll, wenn ihr mehrere Maschinen oder Standorte habt und Siemens als Technologiepartner bereits etabliert ist. Insights Hub (früher MindSphere) bietet Enterprise-Grade-Condition-Monitoring mit DSGVO-konformem EU-Hosting. Mehrere Maschinen können in einer gemeinsamen Plattform überwacht werden — was bei Werken mit 3–5 Papiermaschinen die Gesamtkosten pro Maschine senkt.

AVEVA PI System als Historian-Unterbau — In vielen größeren Papierfabriken läuft PI System bereits als Zeitreihen-Historian. Falls das bei euch der Fall ist, könnt ihr Lager- und Filzdaten direkt in PI einlesen und auf dieser Datenbasis ML-Modelle mit Azure ML oder Python-Skripten aufbauen. Vorteil: Keine neue Dateninfrastruktur. Nachteil: Hohe Eigenleistung bei der Modellentwicklung.

InfluxDB + Grafana — Die Open-Source-Alternative für Werke mit OT/IT-Kompetenz im Haus. InfluxDB als Zeitreihendatenbank (on-premise betreibbar, keine Lizenzkosten), Grafana für Visualisierung und Alert-Management. Python-Bibliotheken (scikit-learn, PyOD) für die Anomaliedetektion. Gesamtkosten deutlich niedriger als Enterprise-Lösungen, aber erhebliche interne Entwicklungsarbeit.

Zusammenfassung: Wann welcher Ansatz

• Valmet-Maschine mit Valmet DNA → Valmet DNA CM als Systemlösung
• Lagerfokus, SKF-Bestand → SKF Enlight
• Cloud-first, AWS-Infrastruktur → AWS Lookout for Equipment
• Multi-Maschinen, Siemens-Umgebung → Siemens Insights Hub
• PI System vorhanden → Custom ML auf PI-Datenbasis
• OT/IT-Kompetenz intern, Budget-Fokus → InfluxDB + Grafana + Python

Datenschutz und Datenhaltung

Maschinen- und Sensordaten aus Papiermaschinen enthalten keine personenbezogenen Daten im Sinne der DSGVO — Vibrationskurven und Filzfeuchtewerte sind keine personenbezogenen Informationen. Dennoch sind zwei Datenschutzaspekte relevant.

Betriebsgeheimnisse und Wettbewerbsdaten: Produktionsdaten, Maschinenparameter und Betriebskennzahlen einer Papierfabrik sind Geschäftsgeheimnisse. Wer diese Daten an einen Cloud-Anbieter sendet, muss klären, ob der Anbieter Daten zur Modellverbesserung nutzen darf. Bei AWS Lookout for Equipment werden Kundendaten laut AWS-Vertragswerk nicht für das Training allgemeiner Modelle verwendet — aber das sollte vertraglich abgesichert werden.

EU-Datenhaltung: Für OT-Daten aus kritischen Produktionsanlagen bevorzugen viele europäische Werke explizit EU-gehostete Lösungen. AWS Lookout for Equipment ist in der EU-Region Frankfurt (eu-central-1) verfügbar. Valmet DNA CM und SKF Enlight bieten on-premise oder EU-Hosting-Optionen. InfluxDB on-premise ist die souveränste Lösung — alle Daten bleiben im eigenen Rechenzentrum.

NIS-2-Relevanz: Papier- und Zellstoffwerke können unter NIS-2 als wichtige Einrichtungen eingestuft sein, sofern sie eine bestimmte Produktionsgröße überschreiten. In diesem Fall sind Anforderungen an die Sicherheit von Netzwerk- und Informationssystemen zu beachten, was die Anbindung von OT-Systemen an Cloud-Dienste zusätzlich reguliert. Klärt das mit eurem IT-Sicherheitsbeauftragten, bevor ihr OT-Daten in die Cloud schickt.

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten

Die größte Kostenposition ist die Hardware: piezoelektrische Beschleunigungssensoren kosten 100–400 Euro pro Stück, eine typische Pressenpartie hat 30–80 Messpositionen. Dazu kommen Signalkonditionierer, Edge-Gateway, Kabelverlegung (oder Wireless-Knoten für schwer zugängliche Stellen), mechanische Montagevorrichtungen (Gewindestutzen, Adapterhülsen für Lagergehäuse). Realistische Hardware-Kosten für eine Pressenpartie:

• 40 Vibrationssensoren × 250 Euro = 10.000 Euro Hardware
• Edge-Gateway + Connectivity: 3.000–8.000 Euro
• Feuchte-/Vakuumsensoren Filzseite: 5.000–15.000 Euro
• Montage und Kabelverlegung (durch Spezialisten): 15.000–40.000 Euro
• Gesamt Hardware + Installation: 35.000–75.000 Euro

Dazu Software-Lizenz oder Cloud-Setup (je nach Plattform 10.000–50.000 Euro einmalig) und Modelltraining nach der Datensammelphase (5.000–20.000 Euro für externe Unterstützung). Gesamte Einrichtungskosten: 60.000–150.000 Euro für eine Papiermaschine.

Laufende Kosten (monatlich)

• Cloud-Dienste (AWS Lookout etc.): 200–500 Euro/Monat
• Softwarelizenz (Enterprise-Plattformen): 1.000–5.000 Euro/Monat
• Sensorwartung und Kalibrierung: 1–2 Tage/Jahr intern

Wie du den Nutzen tatsächlich misst
Nicht die Einsparungskalkulation, sondern der Ereignis-Log ist der ehrlichste Beweis: Wie viele Lageralarme hat das System in den letzten sechs Monaten ausgegeben? Wie viele davon wurden in geplante Stopps überführt? Wie viele Notabschaltungen gab es trotzdem? Der Vergleich “Notabschaltungen vor vs. nach Einführung” ist die überzeugendste ROI-Messung — weil sie keine Annahmen braucht.

Konservatives ROI-Szenario
Ausgangsannahme: 20 lagerbezogene Stopps pro Jahr vor Einführung, nach Einführung noch 6. Reduktion: 14 Stopps. Durchschnittliche Stoppdauer: 5 Stunden. Produktionskosten: 20.000 Euro/Stunde. Einsparung durch vermiedene Ausfälle: 14 × 5 × 20.000 = 1,4 Millionen Euro. Plus Filzkostenoptimierung: 10% von jährlich 1 Million Euro Filzkosten = 100.000 Euro. Gesamteinsparung: ~1,5 Millionen Euro. Investition: 100.000 Euro einmalig + 60.000 Euro/Jahr laufend. Amortisation: unter 3 Monate nach Erreichen des stabilen Modellzustands.

Das ist das konservative Szenario. Die Sappi-Gratkorn-Referenz liegt beim Dreifachen.

Typische Einstiegsfehler

1. Das Modell als fertig betrachten, sobald es läuft.
Nach 4–8 Monaten Datensammlung startet das Modell. Es erkennt Anomalien. Alle sind zufrieden. Und dann ändert sich die Produktionssituation: Die Maschine wechselt von Zeitungsdruckpapier auf ein gestrichenes Feinpapier. Neue Betriebspunkte, neue Lastprofile, neue Normalbereiche — das Modell kennt sie nicht und beginnt zu warnen, obwohl alles in Ordnung ist. Oder umgekehrt: Es lernt den neuen Normalbetrieb schnell und übersieht dabei echte Lagerprobleme. Ein Anomaliemodell braucht eine definierte Zuständigkeit für Retraining — wer prüft monatlich, ob die Alarmquote sich verändert hat? Mehr dazu im nächsten Abschnitt.

2. Mit zu wenigen Sensoren an zu vielen Lagern sparen.
Der Reflex: “Wir überwachen nur die kritischsten fünf Lager.” Das klingt sinnvoll, ist aber gefährlich. Lagerausfälle in der Pressenpartie entstehen oft an den Stellen, die man nicht auf der Liste hat — weil die Liste aus historischen Ausfällen der letzten fünf Jahre stammt, nicht aus einer aktuellen Risikoanalyse. Eine vollständige Überwachung der Pressenpartie kostet 30–50% mehr als eine Teilüberwachung, verhindert aber genau die Überraschungen, die Kalender-basierte Wartung produziert.

3. Filz- und Lagerüberwachung getrennt beauftragen.
Es ist verlockend, Lager-Monitoring an SKF zu vergeben und Filz-Monitoring intern zu behalten — weil Filze vom Filzlieferanten kommen und Lager von Lagerherstellern. In der Praxis entstehen dann zwei separate Dashboards, zwei separate Alarmierungswege und niemand, der die Wechselwirkungen sieht. Wer Geld für beide Systeme ausgibt, sollte auf Integration bestehen: eine gemeinsame Darstellung, ein gemeinsamer Alarmierungs-Workflow.

4. Den OT/IT-Graben unterschätzen.
Papiermaschinendaten leben in der OT-Welt: SCADA, Historian, PLC. Die ML-Plattform lebt in der IT-Welt: Cloud, APIs, Datenbanken. Dazwischen liegt ein Graben aus Protokoll-Inkompatibilitäten (Modbus, OPC-UA, proprietäre Schnittstellen), Sicherheitsregeln (OT-Netz nicht direkt mit Internet verbinden) und Zuständigkeitsfragen (wer darf auf die Maschine zugreifen?). Diese Integration unterschätzen die meisten Projekte — und sie kann einen erheblichen Teil des Budgets auffressen, bevor der erste Sensor Daten liefert.

Modell-Drift nach Sortenumstellung: Der unterschätzte Betriebsfehler

Papiermaschinen werden selten für nur eine Sorte betrieben. Wer heute Newsprint produziert, produziert nächsten Monat möglicherweise ein beschichtetes Magazinpapier — mit anderen Maschinengeschwindigkeiten, anderen Niplast-Einstellungen, anderem Feuchteprofil.

Das Anomaliemodell hat eine klare Definition: “Normal” bedeutet das, was es im Training gesehen hat. Wechselt die Produktionssituation, stimmt die Definition nicht mehr. Die Folgen sind vorhersagbar:

Falsch-Alarme häufen sich. Das Modell sieht Betriebszustände, die es nicht kennt — und interpretiert sie als Anomalie. Der Schichtingenieur reagiert auf Alarm 47 genausowenig wie auf Alarm 46, weil er gelernt hat, dass nach Sortenwechsel die Hälfte der Alarme spurlos verschwindet. Das sogenannte “Alarm Fatigue” setzt ein.

Echte Anomalien werden verpasst. Das Modell lernt adaptiv, neue Betriebszustände als “normal” einzustufen — darunter auch subtile Frühwarnsignale eines beginnenden Lagerschadens.

Konkrete Gegenmaßnahme: Führt ein Produktionsprogramm-Tagebuch, das in der Datenplattform als Kontextvariable mitgeführt wird. Jede Sortenumstellung wird als “Regime-Wechsel” markiert. Das Modell wird entweder je Regime separat trainiert (Multi-Mode-Modell) oder nach jedem Wechsel auf Driftmetrik überprüft. Als Faustregel: Wenn die Alarmrate sich nach einem Sortenwechsel innerhalb von drei Tagen um mehr als 30% verändert, muss das Modell auf Drift geprüft werden.

SKF und Valmet bieten dafür in ihren Enterprise-Plattformen automatische Regime-Erkennungsalgorithmen an. Für AWS Lookout for Equipment oder Python-basierte Systeme muss diese Logik selbst implementiert werden — sie gehört in die Konzeptphase, nicht in eine nachträgliche Bugfix-Runde.

Was mit der Einführung wirklich passiert — und was nicht

Das technische System ist das kleinere Problem. Das größere ist der Kulturwandel zwischen Kalender-Wartung und Zustandswartung.

Widerstandsmuster 1: “Wir haben das immer so gemacht.”
Kalenderbasierte Filzwechsel sind seit Jahrzehnten Standard. Der Filzlieferant empfiehlt Intervalle, der Wartungsplan wird daraus abgeleitet, die Schichten kennen das System. Wenn das KI-System sagt, der Filz könne noch zwei Wochen laufen, entsteht Misstrauen: “Was weiß das System, was ich nicht weiß?” Dieser Widerstand ist legitim — und er löst sich nur durch Daten, nicht durch Überzeugungsarbeit. Zeigt nach sechs Monaten, wie oft das System recht hatte. Lasst Schichtingenieure die Entscheidung, einem Systemvorschlag zu folgen oder nicht, zunächst selbst treffen — und dokumentiert die Ergebnisse beider Entscheidungen.

Widerstandsmuster 2: Zu viele Alarme in der Anlaufphase.
In den ersten 4–6 Monaten nach Modellstart ist die Alarmquote erhöht — weil das Modell seine Schwellenwerte noch kalibriert und nicht alle Betriebszustände kennt. Wenn in dieser Phase nicht kommuniziert wird, dass das normal ist, entsteht Frustration: “Das System nervt, ich ignoriere die Alarme.” Das ist das schlechteste mögliche Ergebnis. Plant explizit eine Anlaufphase ein, in der Alarme geloggt, aber nicht als Pflichtreaktion behandelt werden. Nutzt diese Daten aktiv zur Modellkalibrierung.

Widerstandsmuster 3: Zuständigkeitsfragen zwischen OT und IT.
Wer darf das Sensor-Gateway neu starten? Wer pflegt das ML-Modell? Wer ist für die Datenpipeline zuständig, wenn der Historian nicht mehr schreibt? Diese Fragen entstehen nicht im Pilotprojekt — sie entstehen drei Monate danach, wenn das erste technische Problem auftritt. Klärt vor der Einführung, wer was verantwortet. Typisch: OT-Team verantwortet Sensorik und Datenerfassung; IT-Team verantwortet Cloud-Anbindung, Plattform und Alarmierungskonfiguration; Instandhaltung verantwortet die Reaktion auf Alarme.

Realistischer Zeitplan mit Risikohinweisen

Ehrliche Gesamtaussage: Rechnet mit 12–18 Monaten bis zum stabilen Produktivbetrieb. Kein anderer Anwendungsfall in der Papierindustrie braucht diese Vorlaufzeit. Der erste greifbare Nutzen entsteht oft erst nach Monat 12 — wenn das Modell das erste Mal einen bevorstehenden Lagerausfall vorhersagt und er tatsächlich in den geplanten Stopp verschoben werden kann.

Häufige Einwände — und was dahintersteckt

„Wir haben schon einen Historiker. Warum brauchen wir mehr?”
Ein Historian speichert Daten — er analysiert sie nicht. Das Anomaliemodell macht etwas anderes: Es vergleicht den aktuellen Zustand mit dem gelernten Normalzustand und quantifiziert die Abweichung. Diese Arbeit macht kein Mensch mit stundenlanger Historiker-Kurvenschau — schon gar nicht in der Nachtschicht.

„Unsere Lager wurden alle letztes Jahr neu eingebaut. Wir brauchen das nicht.”
Neue Lager ermüden trotzdem — und die ersten Defekte zeigen sich oft an Lagern, die vor kurzem eingebaut wurden, weil Einbaufehler (falsche Passung, Kontaminierung beim Einbau, Falschausrichtung) sich erst nach Wochen oder Monaten im Signal zeigen. Außerdem: “alle letztes Jahr neu” bedeutet, dass in 3–5 Jahren alle gleichzeitig das kritische Alter erreichen.

„Der ROI ist zu unsicher, wir hatten letztes Jahr keine Ausfälle.”
Kein Ausfall letztes Jahr ist kein Beweis, dass keiner kommt. Es ist statistisch wahrscheinlicher, dass kleinere Ausfälle bisher nicht als “lagerbezogen” kategorisiert wurden oder dass das Glück irgendwann endet. Wer dieses Argument macht, sollte die Wartungshistorie der letzten fünf Jahre aufarbeiten: Wie viele Stopps hatten Lagerbeteiligung, direkt oder indirekt?

Woran du merkst, dass das zu dir passt

• Deine Papierfabrik hat eine oder mehrere Maschinen mit einer Pressenpartie, in der Schuhpressen, Saugpresswalzen oder Granitwalzen in Folge laufen
• Ihr erlebt im Schnitt mehr als zwei ungeplante Produktionsunterbrechungen pro Monat, bei denen Lager oder Filze beteiligt sind
• Ihr wechselt Filze nach Kalenderplan und habt das Gefühl, dass die Intervalle manchmal zu kurz, manchmal zu lang sind
• Euer Instandhaltungsleiter verbringt Zeit mit Handmessungen und Vibrationsprüfungen, die ihr lieber automatisiert hätten
• Ihr habt mindestens einen Process Historian im Einsatz (AVEVA PI, Valmet DNA, SAP PM oder vergleichbar) — oder seid bereit, eine Zeitreihendatenstruktur aufzubauen

Wann ihr es (noch) lassen solltet — drei harte Ausschlusskriterien:

1. Produktion unter 100.000 Tonnen pro Jahr oder eine einzelne Maschine mit weniger als drei Filzpositionen. Die Investition in Sensorinfrastruktur (60.000–150.000 Euro) amortisiert sich erst ab einer gewissen Ereignishäufigkeit. Wer weniger als zwei lagerbezogene Stopps pro Jahr hat und Filzkosten unter 200.000 Euro jährlich, wird den Break-even erst in fünf oder mehr Jahren erreichen. Für kleinere Werke ist die Einführung strukturierter manueller Vibrationsmessungen (monatlich, protokolliert) der sinnvollere erste Schritt.

2. Kein Historian, keine OT-Datenpipeline, kein OT/IT-Team. Wenn Sensordaten bisher nicht systematisch erfasst werden, ist der erste Schritt die Dateninfrastruktur — nicht das ML-Modell. Ein ML-Modell ohne zuverlässige Datenbasis liefert keine verwertbaren Ergebnisse. Mindestvoraussetzung: Ein Historian, der Maschinendaten mit Zeitstempel speichert, und eine Person, die die technische Anbindung neuer Sensoren durchführen kann.

3. OT-Sicherheitsrichtlinien verbieten jede Cloud-Anbindung, aber kein on-premise-Budget ist vorhanden. Viele Papierfabriken haben strenge OT-Netz-Trennungsregeln — das ist richtig und sinnvoll. Für diesen Anwendungsfall gibt es on-premise-Lösungen (InfluxDB + Python, Valmet DNA on-premise, SKF Enlight lokal). Aber on-premise erfordert eine interne Server-Infrastruktur, die betrieben und gewartet werden muss. Wenn weder Cloud-Anbindung noch eigene Server-Infrastruktur möglich sind, fehlt die technische Grundlage.

Das kannst du heute noch tun

Bevor du eine einzige Investitionsentscheidung triffst, mach eine einfache Bestandsaufnahme: Wie oft hat eure Maschine in den letzten drei Jahren unplanmäßig gestanden — und in wie vielen Fällen waren Lager oder Filze beteiligt? Addiere die Stunden, multipliziere mit eurem Produktionskostensatz. Das ist die obere Schranke des erreichbaren Nutzens.

Diese Rechnung kannst du mit dem folgenden Prompt in 20 Minuten aus deinen Wartungsprotokollen zusammenstellen:

Quellen & Methodik

• Sappi Gratkorn Fallstudie (92% Früherkennungsrate, €4,3 Mio. vermiedene Verluste): SKF Evolution, „Paper mill gains from condition monitoring”, September 2000 — evolution.skf.com/paper-mill-gains-from-condition-monitoring/ — Langzeitstudie auf PM11 mit ~600 Sensoren, Monitoring-Start 1995.
• 72% Reduktion Produktionsunterbrechungen, $3,4 Mio. Jahreseinsparung, $399.000 Erstinvestition: OxMaint Case Study, „Paper Mill Reduces Production Breaks 72% with Monitoring”, 2024 — oxmaint.com (Mid-Sized Paper Mill, 850 t/Tag, anonym).
• SKF Filzintervall-Optimierung, €297.000 Nettoeinsparung/Jahr: SKF Reference Case, „SKF optimizes maintenance intervals for paper mill” — skf.com/us/industry-solutions/pulp-paper/reference-cases/paper-machine-optimization.html (Newsprint-Werk, Intervall von 25 auf 28 Tage optimiert).
• Downtime-Kostensatz $20.000–22.000/Stunde: Industriereports (OxMaint, Siemens Predictive Maintenance Whitepaper für Pulp & Paper, 2020) — assets.new.siemens.com.
• Filzkosten $35.000–80.000 pro Satz: KL Fabric / klfabric.com „What is Paper Machine Clothing? Definition, Use, and Price” (Stand April 2026) und Feltest.com „How to maximize Paper Machine Clothing value through innovation”.
• Sensor-Spezifikation (Bandbreite 0–10 kHz, Montagepositionen): Dewesoft, „Condition Monitoring of Paper Mill Press Section Roles” — dewesoft.com/blog/paper-mill-condition-monitoring; PCB Piezotronics, „Vibration Monitoring of Paper Mill Machinery” Whitepaper.
• Predictive Maintenance Einsparpotenziale (30–50% Stillstandsreduktion, 8–12% gegenüber präventiver Wartung): Branchenübersicht bei Produktion.de und Wirtschaft Digital BW, bestätigt durch mehrere Primärquellen oben.

Du willst wissen, welche Sensorkonfiguration für eure spezifische Pressenpartie sinnvoll wäre — und was die realistische Investitionsrechnung für euren Maschinenpark ergibt? Das klären wir gerne in einem kurzen Gespräch.