Dampfverbrauchsoptimierung Trockenpartie: 10% Energie einsparen

Das echte Ausmaß des Problems

Die Trockenpartie ist der mit Abstand größte Energieverbraucher einer Papierfabrik. Bis zu zwei Drittel des gesamten Wärmebedarfs entfallen allein auf das Trocknen der Papierbahn — abhängig vom Papiertyp, der Maschinen­konfiguration und dem Wassergehalt am Einlauf der Trockenpartie. Für eine mittelgroße Maschine mit 200.000 Tonnen Jahresproduktion und einem spezifischen Dampfverbrauch von 3 t/t bei 35 €/t bedeutet das: Dampfkosten von rund 21 Millionen Euro pro Jahr, allein für diesen einen Prozessschritt.

Das Problem liegt nicht im Energiehunger der Trockenzylinder an sich — es liegt in der Art, wie sie seit Jahrzehnten geregelt werden:

Statische Dampfkurven sind der Standard. Die Setpoints für Dampfdruck und -verteilung über die Trockenzylindergruppen werden einmalig vom Prozessingenieur eingestellt und danach kaum verändert. Sie orientieren sich am ungünstigsten Betriebsfall: maximale Flächenmasse, höchster Feuchtigkeitseintrag, niedrigste Maschinengeschwindigkeit. Im tatsächlichen Produktionsmix, der oft zu 70 bis 80 Prozent unter diesen Extremwerten liegt, wird systematisch zu viel Dampf eingesetzt.

Die Konsequenz in Zahlen: Laut akademischer Studien (Drying Technology, Vol. 29, 2011) liegt das Einsparungspotenzial durch Prozessoptimierung in der Trockenpartie bei 5 bis 12 Prozent des Dampfverbrauchs — ohne Investitionen in neue Trockenzylinder, ohne Produktionsunterbrechung und ohne Qualitätsverlust. Bei einem spezifischen Dampfverbrauch von 3 Tonnen pro Tonne Papier, einer Jahresproduktion von 200.000 Tonnen und Dampfkosten von 35 Euro pro Tonne:

• 5% Einsparung = 10.500 Tonnen Dampf = 367.500 Euro/Jahr
• 10% Einsparung = 21.000 Tonnen Dampf = 735.000 Euro/Jahr

Diese Einsparung ist keine Prognose — sie ist messbar, direkt und unmittelbar. Der Dampfzähler gibt sie exakt aus.

Was verhindert, dass diese Einsparung bereits realisiert wird? Drei Faktoren:

1. Fehlende Echtzeitmodellierung — kein System berechnet in Echtzeit, wie viel Dampf bei der aktuellen Faserfeuchte, Grammatur und Maschinengeschwindigkeit physikalisch benötigt wird.
2. Risikoaversion der Operatoren — wer die Dampfkurven herunterzieht und dann einen Abriss verursacht, steht im Protokoll. Wer zu viel Dampf verbraucht, fällt nicht auf.
3. Keine Rückkopplung — ohne Onlinemessung der Restfeuchte am Ausgang jeder Trocknungsgruppe fehlt die Grundlage für regelungstechnische Anpassungen.

Mit vs. ohne KI — ein ehrlicher Vergleich

Vergleichswerte auf Basis akademischer Studien (Drying Technology, ResearchGate) und Herstellerangaben (Valmet, 2024). Ergebnisse variieren stark je nach Ausgangssituation, Maschinenalter und Papiersorte.

Einschätzung auf einen Blick

Zeitersparnis — minimal (1/5)
Die Dampfoptimierung läuft vollautomatisch im Hintergrund — kein Operator spart dadurch Zeit. Ähnlich wie bei der Mahlgradoptimierung ist das kein Nachteil, sondern das Wesen des Anwendungsfalls: Das System ersetzt keine Arbeitszeit, es verändert einen physikalischen Prozess. Zeitersparnis ist hier das falsche Bewertungskriterium.

Kosteneinsparung — maximal (5/5)
Zwischen 300.000 und 1.200.000 Euro jährlich — direkt messbar am Dampfzähler. Das ist der stärkste Kostenhebel in dieser Kategorie und teilt den Spitzenwert mit der Mahlgradoptimierung und der Bleichchemikalienoptimierung. Der entscheidende Unterschied zur Mahlgradoptimierung: Die Trockenpartie ist volumenmäßig größer — in einer Papierfabrik, in der Energie 30 bis 40 Prozent der variablen Kosten ausmacht, ist das Dampfsystem der größte Einzelhebel.

Schnelle Umsetzung — schwierig (2/5)
MPC-Systementwicklung, DCS-Integration und Commissioning dauern realistisch 4 bis 9 Monate. OPC-UA-Anbindung an bestehende Leitsysteme, Tagnamen-Mapping auf hunderte Prozessparameter, Sicherheitskonzept für Closed-Loop-Eingriffe — das ist echte Systemintegration, keine Software-Einführung. Planungssicherheit ja, Schnelligkeit nein.

ROI-Sicherheit — maximal (5/5)
Kaum ein industrieller KI-Anwendungsfall hat eine so direkte und vollständige Messung des Nutzens wie die Dampfoptimierung: Der Dampfzähler vor und nach der Trockenpartie gibt den Verbrauch auf die Tonne genau aus. Kein Schätzwert, keine Approximation, keine Attribution über mehrere Prozessschritte. Das macht diesen Use Case zum sichersten ROI-Nachweis in der Papierfabrik — vergleichbar nur mit dem Mahlgradenergiemanagement.

Skalierbarkeit — mittel (3/5)
Jede Trockenpartie hat eine andere Zylinderanordnung, andere Dampfkaskadentopologie, andere Haubengeometrie. Ein einmal entwickeltes MPC-Modell kann als Startbasis für eine zweite Maschine dienen, braucht aber umfangreiches Retuning. Innerhalb einer Maschine skaliert das System gut — über Maschinenparks hinweg ist jede Linie ein eigenes Projekt.

Richtwerte — stark abhängig von Maschinentyp, Altmaschinen-DCS-Kompatibilität, Produktmix und verfügbaren Prozessdaten.

Kondensatableiter und Wärmeübergang: Der physikalische Kern

Um zu verstehen, warum statische Dampfkurven systematisch versagen, hilft ein Blick auf die Physik des Trockenzylinders.

Das Kondensatproblem. Dampf überträgt Wärme auf die Papierbahn, indem er an der Innenwand des Trockenzylinders kondensiert. Dabei entsteht ein Kondensatfilm. Das Problem: Kondensat leitet Wärme etwa 70-mal schlechter als die Stahlwand des Zylinders. Schon ein 3 mm starker Kondensatfilm senkt den effektiven Wärmeübergangskoeffizienten um 30 bis 40 Prozent — das bedeutet: Wer denselben Trocknungseffekt erreichen will, braucht mehr Dampfdruck, mehr Energie, mehr Kosten.

Syphon und Thermoblock. Moderne Trockenzylinder haben rotierende Syphons, die das Kondensat kontinuierlich abführen, und Kondensatableiter (Thermoblock), die Dampf von Kondensat trennen. Wenn ein Kondensatableiter strömt — also Dampf durchlässt — geht Energie direkt verloren. Wenn er blockiert, baut sich Kondensat auf und der Wärmeübergang verschlechtert sich. Die meisten Papierfabriken haben keine systematische Überwachung des Kondensatableiterstatus — sie erfahren von Problemen erst, wenn der Dampfverbrauch auffällig steigt oder die Restfeuchte aus dem Soll läuft.

Was ML und MPC hier konkret leisten:

1. Kondensatableiter-Monitoring per Schallanalyse oder Thermographie — Sensoren erkennen, ob ein Ableiter strömt oder blockiert, bevor es der Operator bemerkt. Das allein spart typisch 2 bis 5 Prozent Dampfverlust.

2. Dynamische Syphon-Druckregelung — Das MPC-Modell berechnet den optimalen Differenzdruck zwischen Dampfraum und Kondensatseite für jede Zylindergruppe abhängig von Drehzahl, Papierfeuchte und Grammatur. Statische Druckkurven überkompensieren bei niedrigen Maschinengeschwindigkeiten systematisch.

3. Taschenbelüftung (Pocket Ventilation) — In der Trockenpartie mit beidseitiger Trocknung entstehen Papiertaschen zwischen den Zylindern. Zu wenig Luftdurchsatz in diesen Taschen führt zu inhomogener Trocknung (Querprofilproblem), zu viel Durchsatz verbraucht Energie unnötig. ML-Modelle finden das tatsächliche Optimum je Betriebspunkt.

Warum das für die Einführungsentscheidung relevant ist: Wer ein MPC-System einführt, ohne vorher den Kondensatableiter-Status zu erfassen und die Syphon-Druckregelung zu überprüfen, startet auf unsicherem Fundament. Das Modell wird Parameter optimieren, die auf fehlerhaften Messwerten basieren. Der erste Schritt vor dem MPC-Projekt ist immer der physikalische Audit der Dampf- und Kondensatinfrastruktur.

Was das System konkret macht

Das Herzstück einer KI-gestützten Dampfoptimierung in der Trockenpartie ist ein zweilagiges Steuerungssystem:

Lage 1 — Das Trocknungsmodell berechnet sekündlich, wie viel Wärme die Papierbahn in jedem Zylinderabschnitt benötigt, um die Zielrestfeuchte am Rollenende zu erreichen. Eingangsgröße ist ein Online-NIR-Sensor am Einlauf der Trockenpartie, der Feuchtigkeitsgehalt und Flächenmasse der einlaufenden Bahn misst. Zusätzlich fließen Maschinengeschwindigkeit, Sortenwechselparameter und Rohstoffcharakter ein. Das Modell kann physikbasiert sein (Wärmebilanzgleichungen), datenbasiert (ML-Regressionsmodell auf historischen Prozessdaten) oder hybrid — letzteres ist der aktuelle Stand der Technik, weil physikalische Grundgleichungen die Modellstruktur vorgeben und ML die schwer modellierbare Rohmaterialvariabilität lernt.

Lage 2 — Der MPC-Regler nimmt die Sollwerte aus dem Trocknungsmodell und setzt sie in konkrete Setpoints für jeden Dampfdruckregelkreis um. Er berücksichtigt dabei: Totzeiten (Wärme wirkt nicht sofort), Koppeleffekte zwischen benachbarten Zylindergruppen, Sicherheitsgrenzen (Dampfdruck darf definierten Maximalwert nicht überschreiten) und Kondensatrückgabebeschränkungen. Bei Sortenwechsel — besonders bei Wechseln zwischen stark unterschiedlichen Flächenmassen — passt das System die Dampfkurve über alle Gruppen proaktiv an, nicht reaktiv nach dem ersten Feuchtefehler.

Der NIR-Sensor als Augenöffner. ABB hat 2024 einen Feuchtigkeitssensor vorgestellt, der 5.000 Messungen pro Sekunde über die gesamte Bahnbreite liefert — das ist die Messfrequenz, auf die ein MPC-System angewiesen ist. Ältere Sensoren mit 1 bis 5 Sekunden Totzeit zwischen den Messungen verhindern präzise Regelung. Die Sensorqualität ist deshalb eine Voraussetzung, keine Nebenbedingung.

Konkrete Werkzeuge — was wann passt

Die Systemarchitektur einer Dampfoptimierung in der Trockenpartie besteht aus mehreren Schichten, die unterschiedliche Tools übernehmen.

DCS-Ebene (Prozessleitsystem):

Valmet DNA ist die erste Wahl für Maschinen, die bereits aus dem Valmet-Ökosystem stammen oder kürzlich umgebaut wurden. Das System bringt vorgefertigte MPC-Module für die Trockenpartie mit — inklusive Haubenluftbalance-Regelung (XT Control), Syphon-Druckmanagement und Querprofilregelung. Der Vorteil: Domänenwissen ist im Tool hinterlegt, das Tuning startet nicht bei Null. Für Voith-Maschinen bietet Voith entsprechende Systeme unter dem Namen OnCumulus an — vergleichbare Funktionalität, proprietäres Ökosystem.

Für Maschinen mit Siemens-Leitsystemen ist Siemens Insights Hub als übergeordnete Datenebene sinnvoll — das DCS bleibt Siemens PCS 7 oder TIA Portal, Insights Hub liefert die Analytics-Schicht für Energieeffizienz und Anomalieerkennung.

Historian-Ebene (Langzeitdatenspeicherung):

AVEVA PI System ist der De-facto-Standard in der Prozessindustrie für die Speicherung von Millionen Zeitreihen-Tags mit sub-sekündlicher Granularität. Für die Dampfoptimierung entscheidend: Historikdaten für 18 bis 24 Monate sind die Trainingsgrundlage für ML-Modelle, die Rohmaterialvariabilität lernen sollen. Ohne Process Historian gibt es keine sinnvolle Modellentwicklung. AVEVA PI bietet über 450 vorgefertigte Interfaces zu Leitsystemen aller Hersteller und ist mit OPC-UA direkt anbindbar.

ML-Modell- und MPC-Ebene:

Für Werke, die nicht auf Valmet-Plattformen setzen wollen oder können, ist ein Custom-Ansatz mit Python auf Edge-Hardware die Alternative. Die Trocknungsphysik lässt sich mit etablierten Bibliotheken (scikit-learn für Regression, scipy für Differentialgleichungen) als hybrides Modell implementieren. Das Modell läuft auf einem Industrie-PC im Werk — die MPC-Optimierung läuft lokal, ohne Cloud-Abhängigkeit, mit Setpoint-Ausgabe über OPC-UA ins DCS. Vorteil: vollständige Datensouveränität, keine laufenden Cloud-Kosten. Nachteil: das papiermaschinenspezifische Domänenwissen muss im Team vorhanden oder eingekauft sein.

ABB Genix ist eine Option für Werke, die eine umfassendere IIoT-Plattform suchen — nicht nur Dampfoptimierung, sondern Asset Performance Management, Anomalieerkennung und Predictive Maintenance in einer Plattform. ABB hat für die Papierindustrie spezifische Module und bringt mit dem 2024 vorgestellten Hochfrequenz-Feuchtigkeitssensor (5.000 Messungen/Sekunde) ein Schlüsselelement mit.

ProcessMiner (jetzt DataRobot Manufacturing) war die agilste rein ML-basierte Plattform speziell für die Prozessindustrie, mit dokumentierten durchschnittlichen Einsparungen von 500.000 US-Dollar pro Produktionslinie jährlich. Planungsvorbehalt: Das Unternehmen wurde von DataRobot übernommen — wer diesen Ansatz verfolgen will, muss die aktuelle Produktstrategie mit DataRobot klären.

Zusammenfassung: Wann welcher Ansatz

• Valmet-Maschinen oder Neuanschaffung → Valmet DNA mit XT Control
• Siemens-DCS im Haus → Siemens-Stack + AVEVA PI als Historian
• Maximale Datensouveränität, eigene Ingenieure → Custom Python auf Edge-Hardware + AVEVA PI
• Umfassende IIoT-Plattform gewünscht → ABB Genix (Enterprise)
• Spezialisierte Papierindustrie-ML-Plattform → DataRobot Manufacturing (ex-ProcessMiner, Verfügbarkeit klären)

Was OPC-UA und DCS-Integration wirklich bedeuten

Der technische Ansatz klingt im Whitepaper einfach: „MPC-System liest Prozessparameter, berechnet optimale Setpoints, schreibt sie zurück ins DCS.” In der Praxis ist das die aufwendigste Phase des gesamten Projekts — und gleichzeitig die, die am häufigsten unterschätzt wird.

OPC-UA-Konfiguration. OPC-UA ist der Standard für die Maschine-zu-Maschine-Kommunikation in modernen Leitsystemen. Aber: nicht jedes installierte Leitsystem unterstützt OPC-UA ohne Nachrüstung. Ältere Siemens PCS 7-Versionen (vor Version 8.2) brauchen ein Software-Upgrade. Honeywell-DCS-Systeme haben häufig proprietäre Treiber, die erst in OPC-UA-Adapter gewrapped werden müssen. Das ist kein dramatisches Problem, aber es kostet Zeit und muss vor Projektbeginn inventarisiert werden.

Tagnamen-Mapping. Eine Trockenpartie mit 4 bis 6 Zylindergruppen hat typischerweise 200 bis 400 relevante Processtags — Dampfdrücke, Kondensatdrücke, Syphon-Differenzdrücke, Haubentemperaturen, Luftdurchsätze, Ventilpositionen. Diese Tags sind in jedem DCS anders benannt. Das Mapping zwischen den physikalischen Größen, die das MPC-Modell braucht, und den tatsächlichen Tagnamen im DCS ist eine manuelle Arbeit, die niemand unterschätzen sollte. Bei schlecht dokumentierten Leitsystemen (und die gibt es in jedem Werk) dauert das allein zwei bis vier Wochen.

Setpoint-Write-Back und Sicherheitskonzept. Wenn das MPC-System Setpoints aktiv ins DCS zurückschreiben soll (Closed-Loop-Betrieb), braucht es ein formales Sicherheitskonzept: Wer darf das System deaktivieren? Was passiert bei Kommunikationsausfall? Was sind die absoluten Grenzwerte, die das System niemals überschreiten darf? Diese Fragen sind nicht technischer, sondern organisatorischer Natur — und sie müssen mit Produktionsleitung, Werkssicherheit und in regulierten Branchen auch mit dem TÜV oder dem Versicherer abgestimmt werden.

Der Empfehlungsmodus als Übergangsphase. Fast alle erfolgreichen MPC-Einführungen in der Papierindustrie starten im Empfehlungsmodus: Das System berechnet optimale Setpoints und zeigt sie dem Operator — aber der Operator entscheidet, ob er sie übernimmt. Erst nach 3 bis 6 Monaten, wenn die Operatoren dem Modell vertrauen und der Hersteller die Zuverlässigkeit validiert hat, wird auf Closed-Loop umgestellt. Dieser Schritt ist nicht optional — er ist der Grund, warum solche Projekte langfristig funktionieren.

Datenschutz und Datenhaltung

Dampf- und Prozessdaten aus der Trockenpartie enthalten keine personenbezogenen Daten im Sinne der DSGVO — es handelt sich um Temperaturen, Drücke, Maschinengeschwindigkeiten und Qualitätsparameter. Dennoch gibt es zwei datenschutzrechtlich relevante Aspekte:

Produktionsrezepturen als Geschäftsgeheimnis. Die Betriebsparameter einer Papiermaschine — spezifische Dampfkurven, Rohstoffzusammensetzung, Sortenparameter — können als schutzwürdige Betriebsgeheimnisse gelten. Wenn diese Daten in Cloud-Plattformen hochgeladen werden, muss vertraglich geregelt sein, dass der Plattformanbieter sie nicht für Dritte oder für eigenes Produkttraining nutzt. Bei Valmet DNA und anderen OEM-Systemen ist typischerweise nur die Datenübertragung für Fernwartungszwecke geregelt — Produktionsdaten bleiben im Werk. Bei Cloud-basierten Ansätzen (ABB Genix, Siemens Insights Hub) ist die Datenhaltungsklausel im Enterprise-Vertrag explizit zu verhandeln.

On-Premises vs. Cloud. Für die meisten Papierfabriken ist ein Hybrid-Ansatz der pragmatische Weg: Echtzeit-Prozessdaten und der MPC-Algorithmus laufen on-premises (im Werk, auf industrietauglicher Edge-Hardware), übergeordnete Analysen und Langzeit-Historikauswertungen können in einer EU-gehosteten Cloud-Instanz stattfinden. AVEVA PI unterstützt diese Hybrid-Architektur und ermöglicht granulare Entscheidungen darüber, welche Daten on-premises verbleiben.

AVV-Pflicht. Wenn ein Systemintegrator oder Plattformanbieter auf Produktionsdaten zugreift — auch nur im Rahmen von Fernwartung oder Modellaktualisierung — ist nach Art. 28 DSGVO ein Auftragsverarbeitungsvertrag abzuschließen. In der Praxis wird das bei DCS-Projekten oft übersehen, weil die Daten als „nicht personenbezogen” eingestuft werden. Die Pflicht besteht trotzdem, sobald der Dienstleister im Auftrag Daten verarbeitet, die dem Unternehmen gehören.

Was es kostet — realistisch gerechnet

Einmalige Projektkosten

Ein vollständiges MPC-Projekt für eine Trockenpartie besteht aus mehreren Kostenpositionen:

• Energieaudit und Baseline-Messung: 15.000–40.000 Euro. Grundlage für die Business-Case-Berechnung und Identifikation des tatsächlichen Optimierungspotenzials. Wird von Valmet, Voith oder spezialisierten Ingenieurdienstleistern angeboten.
• Process Historian (falls nicht vorhanden): AVEVA PI im fünfstelligen bis niedrigen sechsstelligen EUR-Bereich pro Jahr, abhängig von der Anzahl der Tags und dem Betriebsmodell. Falls bereits vorhanden: dieser Posten entfällt.
• MPC-Software und Lizenz: Valmet DNA XT Control, Siemens-MPC-Module oder Custom-Lösung: 80.000–250.000 Euro, abhängig von Systemkomplexität und Anbieter.
• Systemintegration und Inbetriebnahme: 100.000–300.000 Euro, abhängig von DCS-Alter, OPC-UA-Nachrüstbedarf und Projektlaufzeit. Das ist typischerweise der größte Einzelposten.
• Gesamtinvestition: 200.000–600.000 Euro für eine Maschine.

Laufende Kosten

• Softwarelizenzen und Wartungsverträge: 20.000–60.000 Euro/Jahr
• Modellpflege und Retuning (1–2 mal jährlich): 10.000–30.000 Euro/Jahr

ROI-Rechnung — konservatives Szenario

Maschine: 200.000 t/Jahr, spezifischer Dampfverbrauch 3,0 t/t, Dampfpreis 35 EUR/t, Einsparung 8%:

• Eingesparter Dampf: 48.000 t/Jahr
• Kosteneinsparung: 1.680.000 EUR/Jahr
• Investition (Mitte): 400.000 EUR einmalig + 60.000 EUR/Jahr laufend
• Amortisationszeit: 3–4 Monate

Für kleinere Maschinen (80.000 t/Jahr, 5% Einsparung): 420.000 EUR Einsparung jährlich bei gleicher Investitionssumme — Amortisationszeit unter 12 Monate. Dies ist realistisch der stärkste ROI aller digitalen Projekte in einer Papierfabrik.

Wie du den Nutzen tatsächlich misst. Definiere vor Projektbeginn eine 4-wöchige Baseline-Periode mit unveränderter Dampfführung. Danach läuft das MPC-System im Empfehlungsmodus — Dampfzähler-Vergleich Woche für Woche. Nach dem Wechsel in den Closed-Loop-Betrieb: monatlicher Report aus dem Process Historian, Vergleich spezifischer Dampfverbrauch pro Sorte gegen Baseline. Kein Schätzwert, keine Attribution — der Dampfzähler gibt die Zahl.

Typische Einstiegsfehler

1. Ohne Kondensatableiter-Inventar starten.
Der häufigste und teuerste Fehler: Ein MPC-System optimiert Dampfsetpoints — aber wenn 15 bis 20 Prozent der Kondensatableiter strömen oder blockieren, arbeitet das Modell auf einem kaputten Fundament. Jede Trockenpartie hat typisch 50 bis 150 Kondensatableiter. Eine Thermographie-Begehung (ein bis zwei Tage, 5.000–15.000 Euro) identifiziert alle defekten Ableiter vor Projektbeginn. Das ist keine Option — es ist der erste Schritt.

2. Den Empfehlungsmodus überspringen und direkt in Closed-Loop gehen.
Papierfabriken, die MPC-Systeme ohne Übergangsphase im Empfehlungsmodus einführen, erleben regelmäßig Operatoren-Widerstand und vorschnelle Deaktivierungen nach dem ersten unerwarteten Systemverhalten. Das Modell ist immer ein Modell — es hat blinde Flecken, die erst durch Betriebserfahrung sichtbar werden. Drei bis sechs Monate im Empfehlungsmodus sind kein Luxus, sondern Risikomanagement.

3. Das Modell nach Inbetriebnahme nicht warten.
Dieser Fehler wirkt verzögert — und ist deshalb der gefährlichste. Ein MPC-Modell, das auf Betriebsdaten aus 2024 trainiert wurde, kennt den Rohstoffwechsel von 2025 nicht. Wenn der Faserstoff-Einkauf von einem anderen Altpapierlieferanten wechselt, ändert sich die Feuchtigkeitscharakteristik am Trocknungseinlauf. Das Modell passt sich nicht automatisch an — es empfiehlt weiterhin Parameter, die für den alten Rohstoff optimiert waren, und der Vorteil schmilzt langsam dahin. Wer dieses Modell nicht vierteljährlich prüft und jährlich neu trainiert, hat nach 18 Monaten ein System, das schlechter performt als sein Start. Wer ist im Betrieb für das Retraining zuständig? Diese Frage muss vor der Projektentscheidung beantwortet sein.

4. Die Operatoren zu spät einbinden.
Schichtführer, die erst bei der Einführung erfahren, dass ein System ab jetzt ihre Dampfsetpoints überschreibt, werden Wege finden, das System zu umgehen. Der erste Schritt: Operatoren sind Experten für das Verhalten ihrer Maschine — ihr Wissen über Anomalien, Saisonalitäten und Materialchargen muss in die Modellentwicklung einfließen. Betrieb, der das MPC-System mitentworfen hat, verteidigt es.

Was mit der Einführung wirklich passiert — und was nicht

Die ersten Wochen im Empfehlungsmodus. Das System macht Vorschläge, die häufig kleiner wirken als erwartet: statt dem statischen Dampfdruck von 3,5 bar empfiehlt es 3,2 bar — eine Differenz, die der Schichtführer für vernachlässigbar hält. Trotzdem: Über 24 Stunden, über alle Zylindergruppen, summiert sich diese Differenz zum messbaren Wert im Dampfzähler. Dieser Moment — wenn das erste Wochenreporting die Einsparung schwarz auf weiß zeigt — ist der entscheidende Wendepunkt für die Akzeptanz.

Was nicht passiert: Das System ersetzt keine Operatoren. Schichtführer, die befürchten, dass ein autonomes System ihre Qualifikation überflüssig macht, werden durch die Erfahrung entlastet: Das System übernimmt die Routineoptimierung, der Operator konzentriert sich auf Anomalien, Sortenübergänge und Situationen, in denen das Modell an seine Grenzen stößt. Das ist qualitative Aufwertung, keine Degradierung.

Das Modell-Drift-Problem. Sechs bis neun Monate nach erfolgreicher Einführung sinkt die Einsparung typisch um 20 bis 30 Prozent — nicht weil das System defekt ist, sondern weil sich der Betrieb verändert hat: neuer Rohstofflieferant, geänderter Produktmix, ausgetauschter Trockenzylinder. Das ist normal und erwartbar. Abfangen lässt es sich nur durch regelmäßigen Vergleich: Was erzielt das Modell aktuell, was sollte es erzielen? Dieser Vergleich muss Teil der monatlichen Energieberichterstattung sein.

Realistischer Zeitplan mit Risikohinweisen

Realistische Gesamtlaufzeit: 7–10 Monate bis zum stabilen Closed-Loop-Betrieb. Projekte, die unter diesem Zeitrahmen abgeschlossen werden, haben in der Regel entweder sehr modernes DCS, bereits vorhanden Process Historian, oder stark eingeschränkten Scope.

Häufige Einwände — und was dahintersteckt

„Wir haben das schon versucht. Das hat nie funktioniert.”
Fast immer steckt dahinter eines von zwei Problemen: Entweder ein System, das Closed-Loop gestartet hat, ohne vorher Operatoren-Vertrauen aufgebaut zu haben — dann wurde es nach dem ersten Qualitätsereignis deaktiviert und nie reaktiviert. Oder ein Modell, das nach der Einführung nicht gepflegt wurde und nach 12 Monaten schlechtere Ergebnisse lieferte als ohne Optimierung. Beides ist lösbar — aber erst nach einer ehrlichen Diagnose, was damals schiefgelaufen ist.

„Der Dampfverbrauch ändert sich bei uns ständig — ein Modell kann das nicht erfassen.”
Das ist genau das Argument für ein dynamisches Modell, nicht dagegen. Ein statisches Modell kann tatsächlich nicht mit hoher Rohmaterialvariabilität umgehen — deshalb funktionieren statische Dampfkurven auch schlecht. Ein ML-Hybridmodell lernt aus historischen Daten, wie sich Rohmaterialvariationen auf den optimalen Dampfbedarf auswirken, und antizipiert diese Wechsel schneller als jeder Operator.

„Wir können uns keine Produktionsunterbrechung für die Integration leisten.”
OPC-UA-Integration erfordert keine Produktionsunterbrechung — die Anbindung läuft parallel zum laufenden Betrieb im Read-Only-Modus. Erst für den Closed-Loop-Betrieb braucht es einen kurzen Tie-In-Slot (typisch 4 bis 8 Stunden geplanter Stillstand). Das lässt sich in routinemäßige Wartungsfenster integrieren.

Woran du merkst, dass das zu dir passt

Das Projekt ist vielversprechend, wenn:

• Deine Trockenpartie mindestens 2 Trockenzylindergruppen mit separater Dampfdruckregelung hat (bei nur einer Gruppe fehlt der Regelungshebel)
• Der spezifische Dampfverbrauch über das Jahr messbar schwankt — das ist das Zeichen, dass Optimierungspotenzial vorhanden ist
• Eure Maschine einen Process Historian mit mindestens 12 Monaten Historikdaten hat oder dieser beschafft werden kann
• Das DCS unterstützt OPC-UA oder kann ohne Produktionsunterbrechung aufgerüstet werden
• Die Jahresproduktion über 80.000 Tonnen liegt — erst dann ist die Investitionsrechnung klar positiv

Drei harte Ausschlusskriterien — wann es sich (noch) nicht lohnt:

1. Jahresproduktion unter 60.000 Tonnen. Bei dieser Maschinengröße sind die Dampfkosteneinsparungen zu klein, um die Investition in MPC-Software, DCS-Integration und laufende Modellpflege innerhalb von 3 Jahren zu amortisieren. Die Maßnahme: Manueller Energieaudit mit Kondensatableiter-Inspektion und manuelle Dampfkurvenanpassung — das ist günstiger und wirkt sofort.

2. Kein Process Historian mit Historikdaten aus mindestens 12 Monaten. Ein ML-Hybridmodell kann ohne Historikdaten nicht auf Rohmaterialvariabilität trainiert werden. Rein physikbasierte Modelle sind möglich, aber sie lernen keine anlagenspezifischen Besonderheiten. Wenn kein Historian vorhanden ist, muss zuerst eine Process-Historian-Installation erfolgen — und dann weitere 12 bis 18 Monate gewartet werden, bevor ein sinnvolles Training möglich ist.

3. DCS älter als 15 Jahre ohne OPC-UA-Schnittstelle und ohne Budget für Modernisierung. Ein MPC-System kann nicht über proprietäre Protokolle aus den 1990er-Jahren kommunizieren. Ohne die Möglichkeit, Prozessdaten in Echtzeit auszulesen und Setpoints zurückzuschreiben, ist kein Closed-Loop-Betrieb möglich. Das ist kein programmatisches Problem — es ist ein Hardware- und Lizenzproblem, das zuerst gelöst sein muss.

Das kannst du heute noch tun

Der wichtigste erste Schritt kostet weniger als du denkst: eine Thermographie-Begehung der Kondensatableiter. Jeder Kondensatableiter-Hersteller (Forbes Marshall, Armstrong, Spirax Sarco) bietet Dampfverlustes-Audits an — entweder als bezahlter Service oder als Einstiegsgespräch vor einem Wartungsvertrag.

Was du danach weißt: Wie hoch ist dein tatsächlicher Dampfverlust durch defekte Ableiter? Dieser Wert ist die Baseline für die Business-Case-Berechnung und zeigt gleichzeitig, ob das Problem so groß ist, dass ein MPC-System das richtige Instrument ist — oder ob eine günstigere Maßnahme schon einen erheblichen Teil des Potenzials hebt.

Für die erste Analyse deiner Trockenpartie-Daten ohne jede Investition kannst du diesen Prompt in Claude oder ChatGPT verwenden:

Quellen & Methodik

• Dampfoptimierungspotenzial 5–12%: Moshfeghian & Moshfeghian, „Process Parameters Optimization for Energy Saving in Paper Machine Dryer Section”, Drying Technology, Vol. 29, No. 8 (2011). Bestätigt durch: Li et al., „Optimization for Energy Consumption in Drying Section of Fluting Paper Machine”, ResearchGate (2016) — dort konkret: 11% Dampfreduktion von 1,71 auf 1,53 t/t Papier an einer Wellpappenmaschine.

• Valmet XT Control und Guangzhou PM9: Valmet-Fallstudie, „Optimize paper machine drying energy with Valmet XT Control” (valmet.com, Stand Mai 2026). Dokumentierte Einsparung: 500 kW Stromäquivalent, 200.000 USD/Jahr, 4 Monate Amortisationszeit.

• Papierfabrik Jass / Voith: Pressemitteilung Voith, 30. Januar 2025: „Umbaumaßnahmen von Voith sichern Papierfabrik Jass Energieeinsparungen und Effizienzsteigerungen in der Trockenpartie.” PM 3, Fulda, 280.000 t/Jahr, Vortrockenpartie und Wärmerückgewinnung, umgebaut März 2024. Mögliche Einsparung bis 25% durch moderne Haubenregelung.

• ProcessMiner-Einsparungen: Aus Kundenfallstudien kommunizierte Durchschnittseinsparung: 500.000 USD/Jahr pro Produktionslinie (processminer.com, archiviert, jetzt DataRobot).

• Kondensatschicht-Wärmeleitfähigkeit: Valmet White Paper, „Steam and Condensate System” (valmet.com/globalassets, Stand Mai 2026): Kondensatfilm ist 70× schlechter wärmeleitend als die Zylinderstahlwand, Zieldicke 3 mm.

• Spezifischer Dampfverbrauch 2/3 der Gesamtenergie: Mehrfach bestätigt u. a. durch Voith-Technologiedokumentation, Valmet-Whitepaper und Bundesumweltministerium-Leitfaden Energieeffizienz Papierindustrie. Bandbreite 1,5–3,5 t Dampf pro Tonne Papier je nach Sorte und Maschinentyp.

• ABB Moisture Sensor (5.000 Messungen/Sekunde): ABB Press Release, „ABB launches fastest paper machine moisture sensor on the market” (new.abb.com, 2024).

• Dampfpreisannahmen: Marktpreise für Industriedampf Deutschland 2024–2026, Bandbreite 25–55 EUR/t abhängig von Brennstoffmix und Eigenversorgungsanteil. Rechnungsbeispiele mit 35 EUR/t als konservativer Mittelwert.

Du willst wissen, ob das Optimierungspotenzial in deiner spezifischen Trockenpartie ausreicht, um ein MPC-Projekt zu rechtfertigen? Ein Energieaudit-Gespräch mit konkreten Maschinendaten dauert 30 Minuten — und bringt mehr als jedes Whitepaper.