Mahlgradoptimierung: Festigkeit und Energieverbrauch in Balance halten

Das echte Ausmaß des Problems

Mahlung ist die energieintensivste Einzeloperation in der Papierherstellung. In einer typischen Papierfabrik mit einer Jahresproduktion von 150.000 bis 400.000 Tonnen entfallen 30–50 Prozent des gesamten Stromverbrauchs auf die Refineranlagen in der Stoffaufbereitung, das bestätigt eine Übersichtsarbeit zu Energieeffizienzherausforderungen in der Zellstoff- und Papierindustrie (BioResources, NC State University).

Das bedeutet in Zahlen: Ein mittelgroßes Werk mit 25 MW installierter Refinerleistung, das an 8.000 Stunden im Jahr läuft und einen Strompreis von 70 €/MWh zahlt, gibt 14 Mio. € pro Jahr allein für das Mahlen aus. Jedes Prozent Einsparung entspricht 140.000 €.

Das Optimierungspotenzial liegt nicht im Ziel, sondern im Weg dorthin: Operatoren, auch erfahrene, wählen systematisch konservative Betriebspunkte, weil die Kosten eines Qualitätsfehlers sofort sichtbar sind (Reklamation, Rücklieferung, Maschinenstillstand), die Kosten einer unnötigen Übermahlung dagegen im Energiekonto verschwinden und nie einem einzelnen Schichtprotokoll zugeordnet werden.

Dazu kommt der Rohstoffeffekt: Die Beziehung zwischen Energieeintrag und Faserqualität ist nicht stabil. Altpapier schwankt täglich in Faserlänge, Feinkorngehalt und Alterungszustand. Primärfasern variieren mit der Holzart, dem Kochaufschluss und dem Bleichgrad. Diese Variabilität macht feste Setpoints grundsätzlich ineffizient, der Operator, der heute gut eingestellt hat, ist morgen bei anderer Faserlage schon wieder im Übermahlungsbereich.

Wie groß ist das systematische Einsparpotenzial? Die Forschungsliteratur ist konsistent: Studien zur Mahlwerks-Optimierung berichten Einsparungen von 8 bis 15 Prozent des spezifischen Energieeintrags ohne Einbußen bei Qualitätskennwerten, unter der Voraussetzung, dass Freeness und relevante Fasereigenschaften inline gemessen werden und ein Regelmodell vorhanden ist. Für das Tembec Pine Falls-Werk in Kanada dokumentiert ein TAPPI-Bericht (Perreault, 2007) eine Reduktion des Energieverbrauchs um mehr als 10 Prozent nach Einführung eines Advanced-Control-Systems auf den Hauptrefinern.

Mit vs. ohne KI, ein ehrlicher Vergleich

¹ Erfahrungswerte aus Implementierungen mit Inline-Freeness-Messung; stark abhängig von Rohmaterialvariabilität und Maschinentyp.

Der entscheidende Vorteil liegt nicht in der Intelligenz des Modells allein, sondern in der Kombination: Das Modell reagiert schneller auf Faserschwankungen als ein Mensch es kann, und es hat keine Präferenz für Sicherheitspuffer, die nicht durch aktuelle Messwerte gestützt sind.

Einschätzung auf einen Blick

Zeitersparnis, minimal (1/5) Diese Anwendung spart keine Arbeitszeit, Operatoren sind weiterhin in der Schicht, Labore laufen weiter, Wartungsrhythmen ändern sich nicht. Der Hebel liegt ausschließlich auf der Kostenseite, nicht auf der Personalseite. Eine ehrlichere Beurteilung als eine 1 wäre hier nicht möglich, und das ist kein Nachteil der Anwendung, sondern ihre klare Positionierung.

Kosteneinsparung, sehr hoch (5/5) Energieeinsparungen von 8–15 Prozent an einer Anlage mit 10–25 MW installierter Refinerleistung ergeben Jahreswerte von 160.000 bis über 700.000 Euro. In dieser Branche und diesem Anwendungsfeld ist das einer der stärksten direkten Kostenhebel überhaupt, messbar in kWh/t, verifizierbar an der Energieabrechnung. Vergleichbar mit dem Potenzial der Energieverbrauchsanalyse über alle Sektionen hinweg, aber mit deutlich direkterem Eingriff auf einen der größten Einzelverbraucher.

Schnelle Umsetzung, gut (4/5) Wenn ein Prozesshistorian mit mindestens 12 Monaten Refinerdaten vorhanden ist und Inline-Freeness-Messung bereits installiert ist, kann ein erstes Regressionsmodell in 6–10 Wochen laufen. Das ist schneller als die meisten Prozessoptimierungsprojekte in der Branche, die typisch 4–8 Monate für Datenintegration und Kalibrierung brauchen. Der entscheidende Engpass ist die Inline-Messtechnik, fehlt sie, verschiebt sich der Zeithorizont deutlich.

ROI-Sicherheit, hoch (4/5) Energiemenge ist direkt messbar, und der Vergleich vor/nach Implementierung ist methodisch sauber machbar (kWh/t Fertigprodukt als normierte Kennzahl). Was die volle 5 verhindert: Rohmaterialvariabilität kann in Vergleichszeiträumen schwanken und den ROI-Nachweis erschweren. Außerdem erfordert das Modell aktive Pflege, ein Modell, das nach einem Rohstoffwechsel nicht nachtrainiert wird, kann negativ ROI produzieren.

Skalierbarkeit, hoch (4/5) Ein trainiertes Modell für eine Faserlinie ist eine gute Ausgangsposition für die zweite und dritte Linie, Architektur und Datenstruktur sind übertragbar. Vollständige Replizierbarkeit ohne Anpassungsaufwand ist aber unrealistisch: Jeder Refiner hat seinen eigenen Verschleißzustand, jede Faserlinie ihre Rohmaterialzusammensetzung. Skalierung kostet weniger Aufwand als Neuentwicklung, aber nicht Null.

Richtwerte, stark abhängig von installierter Refinerleistung, Rohmaterialvariabilität und vorhandener Messinfrastruktur.

Spezifischer Energieeintrag als Zielgröße, was das System wirklich regelt

Bevor wir über KI-Modelle reden, müssen wir über die Physik reden. Denn die entscheidende Erkenntnis ist nicht die Technologie, sie ist die richtige Zielgröße.

Der Mahlgrad, gemessen als Schopper-Riegler-Zahl (°SR) oder Canadian Standard Freeness (ml CSF), ist ein Messwert, kein Regelziel. Das eigentliche Optimierungsziel ist der spezifische Energieeintrag in kWh pro Tonne Stoff (SEI). Dieser bestimmt, wie viel mechanische Energie der Refiner auf die einzelne Faser überträgt, und damit indirekt die Fasermorphologie, die Freeness, die Festigkeitseigenschaften.

Die Beziehung zwischen SEI und Papierqualität ist nichtlinear: Bis zu einem Punkt steigen Zugfestigkeit und Berstdruck mit wachsendem Energieeintrag steil an. Danach flacht die Kurve ab, mehr Energie bringt immer weniger Qualitätszuwachs, verbraucht aber proportional mehr Strom. Diesen Sättigungspunkt für jeden Sortenauftrag und jede Faserlage präzise zu finden, ist die Aufgabe des ML-Modells.

Was ein traditionelles Regelungskonzept nicht kann: Fixsetpoints auf SEI oder Freeness setzen voraus, dass die Fasercharakteristik konstant ist. Ist sie nicht. Ein Altpapierstoff, der heute mit 80 kWh/t optimal gemahlen wird, kann morgen, bei anderer Zusammensetzung des Altpapiergemischs, bei 72 kWh/t das gleiche Ergebnis liefern. Oder 88 kWh/t benötigen. Das Modell lernt diese Zusammenhänge aus historischen Daten und passt den SEI-Setpoint dynamisch an, auf Basis aktueller Fasermessungen, nicht Erfahrungswerten.

Was ein gutes ML-Modell tatsächlich modelliert:

• Eingaben: Faserlänge, Faserverteilung, Feinkorngehalt, Freeness, Konsistenz, Messerraum-Temperatur, Plattenabstand
• Ausgabe: Minimaler SEI, der die vorgegebenen Festigkeitsziele (Reißlänge, Berstdruck, Dehnung) für die aktuelle Faserlage erfüllt
• Nebenbedingungen: Qualitätsfenster müssen eingehalten werden; das Modell darf nicht unterhalb des minimalen Qualitätsschwellenwerts optimieren

Das ist ein klassisches Constraint-Optimization-Problem mit einem Regressionsmodell als Kern. Die Wissenschaft ist robust: Eine Peer-Review-Studie aus dem Jahr 2022 (Aalto University / De Gruyter, Nordic Pulp and Paper Research Journal) zeigte mit einem ANN-Ansatz Korrelationskoeffizienten von 0,97 für den Energieverbrauch der ersten Mahlingsstufe und 0,94 für die zweite Stufe, ausreichend für produktionstaugliche Regelung.

Freeness-Messung als unverzichtbares Feedback-Signal

Hier ist das härteste Hindernis dieser ganzen Anwendung, das zu selten klar ausgesprochen wird: Ein ML-Modell zur Mahlgradoptimierung ohne Inline-Freeness- oder Fasermessung ist kein geschlossener Regelkreis. Es ist eine offene Steuerkette. Und eine offene Steuerkette optimiert nichts, sie rechnet nur besser, was der Operator ohnehin eingestellt hätte.

Ein geschlossener Regelkreis braucht einen Sensor, der in Echtzeit misst, was das Modell zu optimieren versucht. Für die Mahlgradoptimierung bedeutet das: kontinuierliche Messung von Freeness (CSF oder SR), idealerweise ergänzt durch Faserlänge und Feinkorngehalt, direkt nach jedem Refiner.

Was existiert:

• Valmet Fiber Furnish Analyzer (Valmet MAP Q): Inline-Messung von Faserlänge, Feinkorngehalt, Fibrillierungsgrad und Freeness; Messintervall typisch 10–30 Sekunden; direkt in Valmet DNA / IQ QCS integrierbar
• Pulmac Freeness Analyzer: Automatisierter Laborersatz für kontinuierliche Freeness-Messung; günstiger als Full-Property-Analyzer, aber auf Freeness beschränkt
• NIR-basierte Inline-Sensoren: Vereinzelt im Einsatz für Rohdichte- und indirekten Festigkeitsnachweis, methodisch schwieriger bei wechselnder Faserlage

Was die Investition bedeutet: Ein Valmet Fiber Furnish Analyzer kostet als Hardware typisch 80.000–150.000 Euro, dazu kommen Installation und Inbetriebnahme. Das ist keine triviale Vorinvestition. Aber sie ist die Voraussetzung, nicht das Zubehör.

Für Werke ohne Inline-Messung gilt: Der realistische erste Schritt ist nicht das ML-Modell, es ist die Entscheidung über die Sensorarchitektur. Welche Refiner sind die wichtigsten Energieträger? Welche Faserlinie hat die höchste Variabilität? Dort kommt der erste Inline-Analyzer rein. Das ML-Modell folgt, wenn der Feedbackkanal steht.

Was das System konkret macht

Das technische Konzept heißt Machine Learning-gestützte Mahlwerksregelung mit modellprädiktivem Kern. In der Praxis läuft es so:

Schritt 1, Historische Modellierung. Aus dem Prozesshistorian (typisch OSIsoft PI / AVEVA PI System) werden 12–24 Monate Betriebsdaten geladen: Refinerleistung, Plattenabstand, Konsistenz, Freeness-Labordaten, Maschinengeschwindigkeit, Sorten-ID, Festigkeitsprüfwerte. Ein Gradient-Boosting- oder ANN-Modell wird auf diesen Daten trainiert, um die Beziehung zwischen Betriebsparametern und Ergebnisqualität zu lernen.

Schritt 2, Inline-Kalibrierung. Das trainierte Modell wird mit Inline-Messdaten des Freeness-/Faser-Analyzers verknüpft. Jetzt kann es nicht nur historische Muster erkennen, sondern auf den aktuellen Faserzustand reagieren.

Schritt 3, Setpoint-Empfehlung oder autonome Regelung. Das System berechnet in Echtzeit den optimalen SEI für die aktuelle Faserlage und den aktiven Sortenauftrag. Je nach Implementierungstiefe:

• Empfehlungsmodus: Das System zeigt dem Operator den berechneten Zielwert; er entscheidet, ob er ihn übernimmt
• Supervisor-Modus: Das System schreibt Setpoints direkt in das DCS/SCADA-System; der Operator kann übersteuern
• Autonomer Modus: Vollständige Closed-Loop-Regelung ohne manuelle Eingriffe; nur bei stabilen Prozessverhältnissen und nach ausreichend Validierungsphase empfohlen

Schritt 4, Monitoring und Drift-Erkennung. Das Modell überwacht kontinuierlich seine eigene Vorhersagegenauigkeit. Weicht die tatsächliche Freeness systematisch vom Modell-Sollwert ab, meldet es Bedarf für ein Retraining.

Rohmaterialvariabilität und Modell-Drift, der wichtigste Langzeitrisikofaktor

Hier ist das Problem, das Anbieter selten prominent kommunizieren: Ein ML-Modell, das heute perfekt funktioniert, kann in sechs Monaten falsche Setpoints empfehlen, nicht weil die Software fehlerhaft ist, sondern weil sich die Welt, auf der es trainiert wurde, verändert hat.

In der Papierindustrie nennen wir das die Rohstoffverschiebung:

• Neuer Altpapier-Lieferant mit anderer Sortenzusammensetzung
• Wechsel des Holzlieferanten (Nadelholz statt Laubholz oder umgekehrt)
• Saisonale Schwankungen im Wassergehalt des eingehenden Faserstoffs
• Einführung einer neuen Zellstoffsorte in den Furnish
• Wechsel der Mahlplattengeometrie nach Revisionsintervall

Jede dieser Veränderungen verschiebt die Beziehung zwischen SEI und Faserqualität, die das Modell gelernt hat. Das Modell empfiehlt dann Energiesetpoints, die auf der alten Faserlage korrekt waren, auf der neuen aber entweder zur Untermahlung (Qualitätsrisiko) oder zur Übermahlung (Energieverschwendung) führen. Dieses Phänomen heißt Konzept-Drift.

Die Lösung ist organisatorisch, nicht technisch. Das Modell muss neu trainiert werden, sobald sich eine der Grundbedingungen ändert. Das setzt voraus:

1. Drift-Monitoring: Automatisiertes Tracking der Vorhersagegüte (tatsächliche Freeness vs. Modell-Prognose). Sobald der mittlere Vorhersagefehler über einen Schwellenwert steigt, wird ein Alert ausgelöst.

2. Klare Verantwortung: Es braucht eine namentlich benannte Person, typisch ein Prozessingenieur oder Datenanalyst, die auf Drift-Alerts reagiert, die Ursache analysiert und das Retraining veranlasst. Ohne diese Person verfällt das Modell still.

3. Retraining-Protokoll: Mindestzeitraum an neuen Daten, der für das Retraining benötigt wird. Bei größeren Rohstoffwechseln typisch 4–8 Wochen valide Betriebsdaten unter den neuen Bedingungen.

Für Werke mit stabiler Faserbasis (Primärfaser aus fester Lieferantenbeziehung, keine Sortenbreite) ist dieser Risikofaktor gering. Für Altpapier verarbeitende Werke mit breiter Lieferantenstruktur ist er dominant.

Konkrete Werkzeuge, was wann passt

Valmet Fiber Furnish Control, Die spezialistischste Lösung für diese Aufgabe. Direkt in Valmet DNA und Valmet IQ QCS integriert, misst Fasereigenschaften und Freeness inline und regelt Refiner-Setpoints modellprädiktiv. Nachgewiesen: Freeness-Variabilität um 30–70% reduziert in einer finnischen Referenzinstallation (Valmet, 2022). Der Nachteil: funktioniert am besten mit Valmet-eigener Automationshardware. Preis auf Anfrage; Gesamtprojekt inklusive Analyzer-Hardware typisch 150.000–350.000 Euro.

AVEVA PI System als Basis-Infrastruktur, Kein Optimierungssystem, aber unverzichtbarer Datenspeicher. Der PI-Historian archiviert alle Raffinierparameter mit hochauflösender Zeitstempelung und bildet die Datenbasis für jedes ML-Modell in diesem Umfeld. Die meisten größeren Papierfabriken in Deutschland betreiben bereits AVEVA PI, wenn das der Fall ist, sind die historischen Trainingsdaten schon vorhanden.

Azure Machine Learning, Für Werke oder Konzerne, die auf Microsoft-Cloud-Infrastruktur setzen und ihre Modelle selbst entwickeln und betreiben wollen. Azure ML bietet alle Bausteine: AutoML für erste Modellversionen, MLflow-Integration für Versionierung, MLOps-Pipeline für Monitoring und Retraining. EU-Region verfügbar (Frankfurt), DSGVO-konforme Datenverarbeitung möglich. Erfordert eigene Data-Science-Ressourcen oder einen Systemintegrator.

ABB Genix, ABBs industrielle KI- und IIoT-Plattform deckt Mahlwerksoptimierung als Teil einer werksweiten Optimierungsstrategie ab. Sinnvoll, wenn ABB bereits als Leitsystem-Lieferant aktiv ist und der Scope nicht auf einzelne Refiner beschränkt bleiben soll, sondern die gesamte Anlage in die Energieverbrauchsanalyse einbezogen werden soll. Enterprise-Preise; Pilotprojekt mindestens sechs Monate.

DataRobot, Seit der Übernahme von ProcessMiner ist DataRobot die formelle Nachfolge-Plattform für autonome Prozesssteuerung in der Papierindustrie. DataRobot bietet AutoML, Modell-Monitoring und MLOps. Für Werke, die die ehemalige ProcessMiner-Expertise suchen, ist DataRobot der direkte Ansprechpartner. Enterprise-Lizenz, keine öffentlichen Preise.

Zusammenfassung: Wann welcher Ansatz

• Valmet-Ausrüstung, Valmet DNA/IQ vorhanden → Valmet Fiber Furnish Control ist der direkteste Weg
• AVEVA PI als Historian, Microsoft-Cloud-Strategie → Azure ML für eigene Modellentwicklung
• ABB-Leitsystem, werksweiter Optimierungsanspruch → ABB Genix
• Suche nach autonomer Closed-Loop-Regelung mit vorkonfigurierten Modellen → DataRobot (ProcessMiner-Nachfolge)

Datenschutz und Datenhaltung

Prozessdaten einer Papierfabrik enthalten keine personenbezogenen Daten im klassischen Sinne, Sensor- und Betriebsdaten sind Maschinendaten, keine personenbezogenen Informationen nach DSGVO. Dennoch gibt es schutzwürdige Bereiche:

Rezeptur- und Verfahrensdaten als Geschäftsgeheimnis. Produktionsrezepturen, optimierte Energiesetpoints und Modellparameter können wettbewerblich sensibel sein, sie spiegeln jahrzehntelanges Prozesswissen wider. Wenn diese Daten an Cloud-Systeme übertragen werden, sollte ein AVV (Auftragsverarbeitungsvertrag nach Art. 28 DSGVO) abgeschlossen werden, auch wenn keine personenbezogenen Daten im engen Sinne betroffen sind.

On-Premises als Standardansatz. Für die Mehrzahl der Implementierungen verbleiben Prozessdaten im SCADA/DCS/Historian-System des Werks. ML-Modelle laufen auf lokaler Hardware oder auf einem industriellen Edge-Computer. Cloud-Übertragung findet nur für Remote-Monitoring und Retraining statt, und kann vertraglich eingeschränkt werden.

Bei Cloud-Nutzung: Azure Machine Learning in der EU-Region (Frankfurt) ermöglicht eine Verarbeitung in Deutschland, mit AVV, ISO-27001-Zertifizierung und explizitem EU-Datenhosting. ABB Genix bietet On-Premises-Optionen für Kernprozessdaten. Valmet Fiber Furnish Control läuft standardmäßig on-premises im Valmet DNA-System.

NIS-2-Relevanz. Papierfabriken, die als Teil kritischer Infrastruktur oder als wichtige Einrichtungen nach NIS-2 eingestuft sind, müssen die Cyber-Resilienz ihrer Prozessleit- und Optimierungssysteme prüfen. Wenn ein ML-System autonome Steuerbefehle ins DCS schreibt, ist es eine Risikokomponente im Sinne der NIS-2-Richtlinie, Zugriffskontrolle, Audit-Logs und Incident-Response-Plan werden dann zur Pflicht.

Was es kostet, realistisch gerechnet

Szenario 1: Integration in bestehendes Valmet-System

• Valmet Fiber Furnish Analyzer (Hardware): 80.000–150.000 €
• Softwarelizenz und Implementierung Valmet Fiber Furnish Control: 50.000–120.000 €
• Inbetriebnahme, Kalibrierung, Schulung: 20.000–40.000 €
• Gesamtinvestition: 150.000–310.000 €
• Laufende Kosten: Wartungsvertrag ca. 8–12% des Investitionswerts pro Jahr

Szenario 2: Eigenentwicklung auf Azure ML

• Datenintegration (AVEVA PI → Azure ML): 30.000–60.000 €
• Modellentwicklung und Validierung: 50.000–100.000 € (extern) oder interne Ressourcen
• Inline-Sensor (sofern nicht vorhanden): 50.000–150.000 €
• Gesamtinvestition: 130.000–310.000 €
• Laufende Kosten: Azure ML Compute ca. 1.000–3.000 €/Monat + interner Aufwand für Monitoring

Was du dagegen rechnest: Ein Werk mit 15 MW Refinerleistung, das 8.000 Stunden/Jahr läuft und 70 €/MWh Stromkosten hat: Gesamtjahreskosten Mahlung = 8,4 Mio. €. Bei 10 Prozent Einsparung: 840.000 € pro Jahr. Selbst bei 5 Prozent: 420.000 €, und eine Amortisationszeit von unter einem Jahr.

Wie du den ROI tatsächlich misst: Der methodisch sauberste Ansatz ist der kWh/t-Vergleich, normierter Energieverbrauch pro Tonne Fertigprodukt über mindestens sechs Monate vor und nach Implementierung, bereinigt um Rohmaterialschwankungen und Sortenwechsel. Energiedaten aus dem Historian, Produktionsdaten aus dem MES, alles ist vorhanden. Der ROI-Nachweis ist bei dieser Anwendung deutlich handfester als bei indirekten Anwendungen wie Predictive-Maintenance-Konzepten.

Bewusste Einschränkung: Die Einsparungsprozentsätze aus der Literatur gelten für Werke, die tatsächlich mit systematischer Übermahlung betreiben. Werke, die bereits manuell gut eingestellt sind oder sehr stabile Rohstoffe verarbeiten, werden am unteren Ende dieser Bandbreite landen.

Drei typische Einstiegsfehler

1. Mit dem Modell beginnen, ohne die Sensorinfrastruktur zu klären. Der häufigste Fehler: Ein Team entwickelt ein Gradient-Boosting-Modell auf historischen Labordaten, und merkt dann, dass der Regelkreis geschlossen werden müsste, aber kein Inline-Sensor vorhanden ist. Labordaten kommen mit Verzögerung von 2–4 Stunden, offline, ein- oder zweimal pro Schicht. Ein Optimierungsmodell auf dieser Datenbasis kann höchstens Schicht-Empfehlungen generieren, keine dynamische Regelung. Lösung: Zuerst die Frage beantworten, welche Sensoren bereits inline messen, welche fehlen und was ihr Einbau kostet.

2. Einen einzigen Betriebspunkt als Trainings-”Wahrheit” behandeln. Historische Daten aus dem Historian spiegeln die Entscheidungen der Vergangenheit wider, auch alle konservativen Fehlstellungen. Wenn ein Modell auf diesen Daten trainiert wird, ohne zu verstehen, welche Betriebspunkte tatsächlich qualitätsoptimal waren und welche nur “sicher genug” waren, lernt es systematisch konservative Setpoints als Normal. Das Modell repliziert menschliches Sicherheitsdenken statt es zu überwinden. Lösung: Explorative Datenphasen einplanen, in denen bewusst Setpoints variiert werden, um den SEI-Qualitätskorridor besser zu vermessen.

3. Das Modell nach Inbetriebnahme nicht weiter betreuen. Ein ML-Mahlgradregel-System, das eingeführt und dann sich selbst überlassen wird, ist nach 12–18 Monaten oft ein Sicherheitsproblem, kein Effizienzgewinn. Rohstoffwechsel, neue Mahlplatten nach Revision, Änderungen in der Sortenpalette, all das verschiebt die Beziehungen, die das Modell gelernt hat. Ohne aktives Drift-Monitoring und eine Person, die verantwortlich nachtrainiert, empfiehlt das System irgendwann falsche Setpoints mit der gleichen Zuversicht wie zu Beginn. Hier unterscheidet sich diese Anwendung fundamental von einfacheren KI-Projekten wie Textverarbeitung: Das Modell ist an eine physikalische Realität geknüpft, die sich verändert.

Was mit der Einführung wirklich passiert, und was nicht

Die größte Herausforderung bei der Einführung ist nicht technisch. Sie ist die Frage, wem das Team vertraut: dem Erfahrungswissen des Operators oder dem Systemvorschlag.

Das Übermahler-Mindset ist tief verwurzelt. Operatoren, die seit Jahren gelernt haben, dass eine Qualitätsreklamation eine Katastrophe ist und ein paar kWh/t Mehrverbrauch “Sicherheit” bedeuten, werden einen Systemvorschlag, der den Energieeinsatz reduziert, nicht blind übernehmen. Das ist keine Dummheit, das ist berechtigtes Misstrauen in ein System, das sie noch nicht kennen.

Was hilft:

• Transparenz über die Modell-Unsicherheit: Zeig dem Operator nicht nur den Setpoint, sondern auch das Konfidenzintervall. “Das Modell sagt 82 kWh/t, Vertrauensbereich 78–87 kWh/t” ist überzeugender als “82 kWh/t”.
• Historischer Rückblick: Zeig dem Operator, wie oft er in der Vergangenheit mit seinem konservativen Setpoint im “Übermahlungsbereich” war, an echten Daten, aus seinem eigenen Historian. Das ist schwerer zu bestreiten als eine abstrakte Modellvorhersage.
• Empfehlungsmodus vor autonomem Modus: Mindestens drei Monate im Empfehlungsmodus laufen lassen, bevor der autonome Closed-Loop aktiviert wird. In dieser Phase akkumuliert das System seinen eigenen Track Record.
• Qualitätsingenieur einbinden: Der Prozessingenieur oder Qualitätsleiter muss bestätigen, dass in der Empfehlungsphase keine Qualitätsverschlechterung messbar ist. Dieses Feedback ist die Währung, mit der das Operator-Vertrauen erkauft wird.

Was nicht passiert: Das System macht Schichtleitende überflüssig. Operatoren bekommen eine bessere Arbeitsgrundlage, nicht mehr, nicht weniger. Die Verantwortung für die Prozessentscheidung bleibt beim Menschen.

Realistischer Zeitplan mit Risikohinweisen

Wichtig: Der autonome Modus ist kein zwingender Schritt. Viele Werke erzielen mit dem Empfehlungsmodus (Operator übernimmt Vorschlag in 70–90% der Fälle) bereits 80% der möglichen Energieeinsparung, ohne die Governance-Anforderungen eines vollautonomen Systems.

Häufige Einwände, und was dahintersteckt

“Wir haben bereits eine gute Prozessregelung, warum noch KI?” Klassische Prozessregelung (PID-Kaskaden auf SEI oder Freeness) ist deterministisch, sie hält einen vorgegebenen Sollwert. Die Frage ist: Wer gibt diesen Sollwert vor, und wie? Wenn das ein Fixwert aus der Sortenspezifikation ist, optimiert die Regelung den Betrieb, aber nur auf diesen Fixwert hin, nicht auf den tatsächlichen Minimalbedarf. ML-Optimierung geht einen Schritt weiter und fragt: Was ist der niedrigste Sollwert, der heute noch die Qualitätsziele erfüllt?

“Wir können den ROI-Nachweis nicht sauber erbringen, zu viele Variable.” Das stimmt, wenn du keinen sorgfältigen Vergleichsrahmen aufbaust. Es stimmt nicht, wenn du den normierten kWh/t-Verbrauch über sechs Monate trackst und statistisch bereinigst. Der ROI-Nachweis ist hier sauberer als bei den meisten anderen KI-Anwendungen, Energiemenge ist kein Schätzwert, sondern ein Messwert. Das Risiko liegt weniger in der Methode als in der Disziplin, die Vergleichsperiode tatsächlich zu kontrollieren.

“Was, wenn das System eine falsche Empfehlung gibt und die Qualität stimmt nicht?” Ein gut konfiguriertes System hat Hardgrenzen: Unter einen definierten SEI-Mindestwert geht das Modell nicht, auch wenn die Optimierung es vorschlagen würde. Und im Empfehlungsmodus entscheidet der Operator. Qualitätssicherung bleibt immer beim Menschen, das System ist ein Hilfsmittel, kein Automat für Qualitätsziele. Die Absicherung liegt in der Kombination aus Empfehlungsmodus-Phase, definierten Qualitäts-Failsafes und einem Eskalationsprotokoll für den Fall, dass das System außerhalb seiner Trainingsgrenzen gerät.

Woran du merkst, dass das zu dir passt

Signale, dass ihr bereit seid:

• Eure installierten Refiner haben zusammen mehr als 3 MW Leistung, darunter ist der Business Case dünn
• Ihr habt einen Prozesshistorian, der mindestens 12 Monate Refinerdaten (Leistung, Plattenabstand, Konsistenz, Schichtproduktion) lückenlos archiviert hat
• Ihr wisst aus Labordaten oder Operator-Beobachtung, dass die Freeness in der Hauptlinie um mehr als ±10 ml CSF schwankt, das ist das Optimierungspotenzial
• Ihr verarbeitet Altpapier oder wechselnde Fasermischungen, hier ist der Hebel am größten
• Ihr habt einen Prozessingenieur oder Datentechniker, der die Modellbetreuung nach Inbetriebnahme übernehmen kann

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

1. Installierte Refinerleistung unter ~1–2 MW und/oder Jahresenergiekosten Mahlung unter 500.000 €. Bei diesem Volumen überschreiten die Investitionskosten (Sensor + Software + Implementierung) die erreichbare Einsparung deutlich. Für kleine Spezialpapierhersteller oder Einlinien-Werke ist das Kosten-Nutzen-Verhältnis ungünstig.

2. Kein Prozesshistorian mit refinerrelevanten Daten. Ohne mindestens 12 Monate historische Betriebsdaten gibt es keine Trainingsgrundlage für das ML-Modell. Wer heute keine Historian-Infrastruktur hat, muss zuerst dort investieren, das ist ein eigenständiges Projekt mit eigenem Zeitplan, bevor das ML-Modell sinnvoll entwickelt werden kann.

3. Kein Inline-Feedback-Signal aus der Stoff-Aufbereitung. Ein ML-Mahlgradmodell ohne Inline-Freeness- oder Fasermessung bleibt im Empfehlungsmodus auf Schicht-Ebene, es kann keine dynamische Regelung betreiben. Wenn der Sensor nicht vorhanden und die Investition in absehbarer Zeit nicht möglich ist, ist die realisierbare Einsparung 30–50% geringer als in vollintegrierten Implementierungen.

Das kannst du heute noch tun

Der schnellste Einstieg ohne Investition: Analysiere die letzten 90 Tage deiner Historian-Daten auf Übermahlung.

Öffne dein Historian-Dashboard (AVEVA PI / PI Vision oder Äquivalent), wähle die Hauptrefiner-Linien und plot: spezifischer Energieeintrag (kWh/t) vs. gemessene Freeness-Labordaten. Wenn du siehst, dass deine Freeness in einem Bereich von 10 ml CSF oder mehr schwankt, während der Energieeintrag weitgehend konstant bleibt, dann mahlst du auf einen Fixwert, nicht auf ein Qualitätsziel. Das ist der sichtbare Beweis für ungenutztes Optimierungspotenzial.

Wenn du keinen unmittelbaren Historian-Zugriff hast: Stelle deinem Energiemanagement-Team die Frage, wie der kWh/t-Verbrauch in der Mahlung in den letzten 12 Monaten nach Sorte und Schicht variiert. Eine hohe Varianz bei ähnlichen Produkten ist das erste Signal.

Als praktischen Analyseansatz nutze diesen Prompt, er hilft dir, vorhandene Prozessdaten systematisch auszuwerten:

Quellen & Methodik

• Spezifischer Energieeintrag, Freeness-Variabilität und Optimierungspotenzial: Holton et al. / Valmet, „Valmet launches intelligent fiber furnish control to secure better refiner operation” (2022), valmet.com, dokumentierter Fallstudie eines finnischen Board-Werks mit 30–70% Freeness-Variabilitätsreduktion über 18 Monate.
• >10 Prozent Energieeinsparung durch Advanced Control: Perreault, T. & Chouinard, P., „Power Cost Reduction Through Advanced Quality Control at Tembec Pine Falls” (TAPPI IMPC Conference, 2007), Implementierung eines Advanced-Control-Systems auf Hauptrefinern mit >10% Energiereduktion nach Vollbetrieb.
• ANN-Modellierung für RSEC-Vorhersage: Ahmad et al., „Advanced energy-saving optimization strategy in thermo-mechanical pulping by machine learning approach” (Nordic Pulp & Paper Research Journal, De Gruyter, 2022), Peer-reviewed Studie mit Korrelationskoeffizient 0,97 für ersten Mahlingsstufen-RSEC.
• Energieanteil Mahlung: Bajpai, P., „Energy efficiency challenges in pulp and paper manufacturing: A tutorial review” (BioResources, NC State University, 2016), 30–50% Stromanteil der Refineranlagen bestätigt.
• Konzept-Drift in Industrieprozessen: Allgemeine ML-Literatur; spezifische Anwendung auf Papierfabrik-Kontext basiert auf Erfahrungswerten aus Prozessoptimierungsprojekten.
• Kosten und ROI-Bandbreiten: Erfahrungswerte aus industriellen Prozessoptimierungsprojekten in der Zellstoff- und Papierindustrie; keine öffentlich verfügbaren Einzelprojekt-Budgetangaben ohne NDA.
• AVEVA PI System: Preisangaben basierend auf Anbieterinformationen (Stand Mai 2026).
• Valmet Fiber Furnish Control: Produkt-Dokumentation Valmet (Stand Mai 2026), valmet.com.

Du willst wissen, ob sich der Business Case für dein Werk rechnet und welche Infrastruktur ihr als Nächstes braucht? Meld dich, das klären wir gemeinsam in einem kurzen Gespräch.