Produktwechseloptimierung: Sortenreihenfolge für minimale Umrüstzeiten

Das echte Ausmaß des Problems

Papierfabriken mit 10 oder mehr aktiven Sorten auf einer Papiermaschine stehen vor einem mathematischen Problem, das sich mit Bauchgefühl und Erfahrung allenfalls annähern lässt: Bei 15 Sorten gibt es theoretisch 15! (= 1,3 Billionen) mögliche Reihenfolgen. Selbst wenn man Liefertermine als harte Constraints berücksichtigt und damit 99,9 Prozent der Varianten ausschließt, bleiben Tausende von plausiblen Sequenzen übrig — von denen einige die Gesamtumrüstzeit um 30 Prozent unterschreiten.

Das Kernproblem ist Asymmetrie. Eine Übergangszeitmatrix ist nicht symmetrisch: Übergang A→B kostet 45 Minuten, B→A dagegen 3 Stunden — je nach Flächengewicht, Helligkeitsdifferenz, Streichungstyp, chemischem Carry-over und thermischer Maschinenhistorie. Manche Übergänge sind in einer Richtung trivial, in der anderen katastrophal. Wer das nicht kennt — oder wessen Wissen mit der Pensionierung geht — plant ins Blaue hinein.

Konkrete Größenordnungen aus der Papierproduktion:

• Typische Sortenwechselzeit bei ungünstigem Übergang: 2–6 Stunden, bei Farbwechseln mit chemischer Reinigung bis zu 8 Stunden
• Produktionsverlust bei einem Fehlübergang: bei einer PM mit 1.000 t/Tag Kapazität und einem Netto-Mehrwert von ca. 300 €/t entspricht 1 verlorene Stunde ca. 12.500 € Opportunitätskosten (Erfahrungswert aus Branchenprojekten; stark abhängig von Sorte und Kapazität)
• Durchschnittliche Wochenvorbereitung durch manuelles Scheduling: 3–5 Stunden Besprechungszeit pro Maschine und Woche
• Anteil des Erfahrungswissens, das nicht dokumentiert ist: erfahrungsgemäß 60–80 % der Übergangszeitschätzungen basieren auf mündlicher Überlieferung, nicht auf gemessenen Daten (Schätzwert aus Produktionsplanungs-Projekten)

Laut einer akademischen Analyse von Harjunkoski et al. (Operations Research, 2002), die mehrere Papierfabriken untersuchte, kann ein eingesetztes Scheduling-System „Papierproduzenten jährlich Millionen Dollar einsparen” — primär durch Reduzierung von Trimm-Verlusten und Umrüstzeiten in der Sortiersequenz. ABB und Valmet beschreiben in ihren Produktionsplanungs-Lösungen für die Papierindustrie Effizienzverbesserungen von bis zu 16 Prozent durch optimierte Produktionssequenzierung (Valmet Mill-Wide Optimization, Pressemitteilung 2023; ABB Pulp & Paper Production Planning, 2024).

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Zahlen sind Richtwerte, keine Garantien — ein gut eingespieltes Planerteam mit einer handvoll Sorten kann durchaus nah an ein algorithmisches Optimum kommen. Der Unterschied wird mit steigender Sortenzahl und kürzeren Planungshorizonten größer.

Einschätzung auf einen Blick

Zeitersparnis — hoch (5/5)
Dieser Use Case erzielt unter allen papierindustriellen KI-Anwendungen die höchste Zeitersparnis — auf zwei Ebenen: Die Planungsbesprechung schrumpft von 4 Stunden auf 30 Minuten Validierung, und die gewonnenen Produktionsstunden durch kürzere Umrüstzeiten sind direkt messbar. Bei 5 Wechseln pro Woche und einer durchschnittlichen Einsparung von 1–2 Stunden pro Übergang ergeben sich 250–500 zusätzliche Produktionsstunden im Jahr — das entspricht mehreren Wochen Mehrkapazität ohne Investition in neue Anlagen.

Kosteneinsparung — mittel (3/5)
Die Einsparung ist real, aber indirekt: Jede vermiedene Stunde Umrüstzeit ist eine gewonnene Stunde Produktion. Ein einziger vermiedener Fehlübergang (Reinigungslauf, Ausschuss, Eillogistik) rechtfertigt rechnerisch die Implementierungskosten. Gleichzeitig sind Historian-Anbindung und APS-Integration keine Kleinkostenprojekte — dieser Use Case landet deshalb im mittleren Bereich, nicht oben.

Schnelle Umsetzung — mittel (3/5)
Die Übergangszeitmatrix aus dem Historian aufzubauen dauert 4–8 Wochen; die Integration in das bestehende Planungssystem typisch weitere 4–8 Wochen. Bis zur ersten zuverlässigen KI-Empfehlung vergehen realistisch 8–16 Wochen — ähnlich wie bei anderen MES-integrierten Projekten in dieser Branche. Kein schneller Start, aber kein Mehrjahresprojekt.

ROI-Sicherheit — hoch (4/5)
Umrüstzeiten sind messbar — auf die Minute. Der Vergleich zwischen dem Historian-Wert vor Einführung (durchschnittliche Übergangsdauer) und nach Einführung ist eindeutig und nicht interpretationsbedürftig. Anders als bei KI-Projekten, bei denen Qualitätssteigerungen schwer zu isolieren sind, liefert die Produktionschronik hier einen direkten Beweis. Einzige Unsicherheit: ob die eingesparte Umrüstzeit tatsächlich in Produktion umgesetzt wird oder schlicht Puffer frisst.

Skalierbarkeit — mittel (3/5)
Der Algorithmus skaliert gut für eine Maschine mit 10–30 Sorten; für mehrere Maschinen und Standorte müssen Übergangszeitmatrizen separat gepflegt und die Optimierung koordiniert werden. Das ist handhabbar, aber nicht trivial — deshalb liegt dieser Use Case im Mittelfeld der Branche.

Richtwerte — stark abhängig von Sortenzahl, Wechselfrequenz, vorhandener MES-Infrastruktur und Qualität der Historian-Daten.

Was der Optimierer konkret macht

Der technische Ansatz kombiniert zwei Methoden, die erst zusammen ihre Wirkung entfalten:

Schritt 1: Umrüstmatrix aus Historian-Daten
Das System liest aus dem Prozesshistorian (z. B. AVEVA PI System oder GE Proficy) alle historischen Produktionswechsel heraus: Sorte X → Sorte Y, Startzeitpunkt, Endzeitpunkt, tatsächliche Umrüstdauer. Über Monate entsteht so eine reale, gemessene Übergangszeitmatrix — nicht Expertenschätzung, sondern Produktionswirklichkeit. Diese Matrix ist asymmetrisch (A→B ≠ B→A) und enthält Einflüsse, die kein Planer explizit modellieren könnte: Tageszeiten-Effekte (thermische Ausdehnung der Walzen morgens vs. nachmittags), Vorläufer-Effekte (Sorte A hinterlässt chemische Rückstände, die bei Folgesorte B ein Problem sind, bei C jedoch nicht), Schichtabhängigkeiten.

Schritt 2: Sequenzoptimierung als Constraint-Problem
Der Optimierer — typischerweise ein Constraint Solver wie Google OR-Tools (kostenlos, Open Source) oder ein kommerzielles APS-System — löst ein Machine Learning-unterstütztes Sequenzproblem: Gegeben eine Woche Aufträge mit Lieferterminen als harte Schranken, finde die Reihenfolge, die die Summe aller Übergangszeitkosten minimiert. Mathematisch ist das eine Variante des asymmetrischen Traveling Salesman Problems (ATSP) — eines der klassischen Probleme der kombinatorischen Optimierung, für das moderne Solver in Sekunden eine sehr gute Lösung liefern.

Was das System ausgibt

Der Planer sieht am Montagmorgen einen konkreten Vorschlag: Sorte 1 → Sorte 7 → Sorte 3 → Sorte 12 → Sorte 5 → … — mit prognostizierter Gesamtumrüstzeit, Warnung bei kritischen Übergängen (Confidence-Score unter Schwellwert) und alternativen Szenarien für den Fall eines Eilauftrags. Der Planer validiert, passt bei Bedarf an und gibt frei. Der Optimierer trifft keine autonome Entscheidung — er reduziert die Sucharbeit von vier Stunden auf dreißig Minuten.

Was das System nicht macht

Es ersetzt nicht das Urteilsvermögen des Planers. Maschinenausfälle, kurzfristige Rohstofflieferungen und Kundenpräferenzen, die nicht im System modelliert sind, bleiben menschliche Entscheidung. Der Optimierer ist ein sehr guter Erstvorschlag, kein Autopilot.

Die Übergangszeitmatrix: Was du vor dem ersten Algorithmus brauchst

Dieser Use Case hat eine klare Voraussetzung, die entscheidend ist und bei der viele Projekte scheitern: Die Übergangszeitmatrix.

Eine Übergangszeitmatrix ist eine Tabelle, in der jede Zelle [Sorte i → Sorte j] die typische Umrüstdauer enthält. Für 15 Sorten sind das 15 × 14 = 210 Zellen. Für 20 Sorten bereits 380.

Was passiert, wenn die Matrix fehlt oder unvollständig ist?
Der Algorithmus optimiert auf falschen Zahlen. Im besten Fall ist die Lösung suboptimal; im schlechten Fall bevorzugt der Optimierer Übergänge, die in der Praxis Reinigungsläufe auslösen. Ein schlecht kalibrierter Optimierer kann schlechter sein als ein erfahrener Planer.

Woher kommt die Matrix?

1. Aus dem Historian: Wenn euer Prozesshistorian Produktionsdaten zurück bis 12–24 Monate enthält und Sortenwechsel protokolliert sind, lässt sich die Matrix automatisch berechnen. Das ist der sauberste Weg — gemessene Realität, keine Schätzung.

2. Aus Expertenwissen + Validierung: Jens Bergmann hat die Matrix im Kopf. Sie lässt sich in strukturierten Interviews extrahieren — Sorte für Sorte, Übergang für Übergang. Anschließend muss sie mit den Historian-Daten kreuzvalidiert werden: Weichen Expertenschätzung und gemessene Realität systematisch ab, ist das selbst schon ein wertvoller Befund.

3. Hybrid: Übergänge, die selten vorkommen (neue Sorten, seltene Kombinationen), werden aus Expertenwissen geschätzt — mit einem Flag im System, der diese Zellen als „wenig beobachtet” markiert. Der Algorithmus behandelt sie mit einem Sicherheitsaufschlag.

Wie lange dauert der Aufbau?
Bei sauber gepflegtem Historian: 2–4 Wochen. Bei lückenhafter Datenlage oder fehlender Historian-Anbindung: 6–12 Wochen inklusive Datenbereinigung. Wer diesen Schritt überspringt oder unterschätzt, hat das häufigste Scheitern von Optimierungsprojekten in der Papierproduktion vor sich.

Welche Übergänge lassen sich lernen — und welche nicht

Der Optimierer ist nur so gut wie die Daten, aus denen er lernt. Das führt zu einer wichtigen, ehrlichen Einschränkung: dem Kaltstart-Problem.

Bekannte Übergänge: Jeder Übergang, der in den letzten 12–24 Monaten mindestens 3–5 Mal dokumentiert wurde, kann verlässlich geschätzt werden. Der Algorithmus kennt die typische Dauer und die Streuung.

Seltene Übergänge: Übergänge, die nur 1–2 Mal vorkamen, haben hohe Unsicherheit. Das System sollte diese explizit kennzeichnen — und der Planer sollte sie besonders kritisch prüfen.

Neue Sorten: Wenn eure Fabrik eine neue Spezialsorte produziert, die noch nie auf dieser Maschine gelaufen ist, hat der Optimierer null historische Datenpunkte für jeden Übergang zu und von dieser Sorte. Drei typische Strategien:

1. Konservative Standardwerte: Das System verwendet einen pessimistischen Schätzwert (z. B. 90. Percentil aller bekannten Übergänge) — sicher, aber der Algorithmus kann die neue Sorte nicht gut einplanen.

2. Physikalische Extrapolation: Die Übergangsdauer wird aus den Sorteneigenschaften geschätzt: Flächengewicht-Delta, Helligkeitsdifferenz, Aschegehalt, Streichungstyp. Ein einfaches Regressionsmodell kann auf bekannte Übergänge trainiert werden und dann auf neue Sorten extrapolieren — besser als nichts, aber immer mit Unsicherheitsintervall.

3. Manueller Override: Der erfahrene Planer überschreibt den Systemvorschlag für neue Sorten, weil er aus technischem Wissen eine bessere Schätzung hat. Der Override wird protokolliert und fließt nach der tatsächlichen Produktion als erster Datenpunkt in die Matrix ein.

Praktische Konsequenz: Der Optimierer verbessert sich über 3–6 Monate kontinuierlich, weil mehr Übergänge beobachtet werden. Wer ein vollständiges Ergebnis am Tag 1 erwartet, wird enttäuscht. Wer versteht, dass das System lernt und der erste Monat noch von Planer-Overrides geprägt ist, kann die Erwartungshaltung im Team richtig setzen.

Konkrete Werkzeuge — was wann passt

Die Wahl des richtigen Werkzeugs hängt weniger von der Unternehmensgröße ab als von der vorhandenen IT/OT-Infrastruktur.

Google OR-Tools (Open Source, kostenlos)
Für Fabriken mit eigenem IT-Team oder einem Entwicklungspartner. OR-Tools’ CP-SAT-Solver ist einer der leistungsfähigsten frei verfügbaren Constraint Solver weltweit. In Python implementierbar, direkt an Historian-Daten anschließbar, keine Lizenzkosten. Das Ergebnis ist ein maßgeschneiderter Optimierer, der exakt zur Fabrik passt — Entwicklungsaufwand typisch 6–12 Wochen. Gesamtkosten: Entwicklerzeit (40.000–80.000 €), laufende Lizenz null. Ideal für Pilotprojekte, bei denen man vor einer APS-Entscheidung den Mehrwert validieren will.

Siemens Opcenter APS
Klassenführendes APS-System für diskrete und Prozessfertigung. Die Opcenter-APS-Produktlinie (früher Preactor) ist im DACH-Raum am weitesten verbreitet und hat seit Jahrzehnten bewährte Module für sequenzabhängige Rüstzeitoptimierung. Besonders stark, wenn bereits Siemens-MES (Opcenter Execution) im Haus ist. Einstiegskosten: 80.000–250.000 € Software + 100.000–400.000 € Implementierung. Lohnt sich ab einer bestimmten Komplexität — nicht für einen einzigen Use Case.

DELMIA Quintiq
Dassault-Systèmes-APS mit ausgewiesener Stärke in der Prozessindustrie — und explizit für Papier, Stahl und Aluminium dokumentierten Referenzen. Constraint-Programmierung für asymmetrische Übergangszeitmatrizen ist hier besonders tief ausgebaut. Garantiert laut Hersteller 5 % Effizienzgewinn in der Pilotphase. Preisklasse ähnlich wie Opcenter APS — also großes Investitionsvolumen, aber mit spezifischer Branchentiefe.

DELMIA Ortems
Dassaults spezialisiertes APS für Batch-Fertigung und Prozessindustrie, stärker auf Kampagnenplanung und Chargenverfolgung ausgelegt. Für Papierfabriken mit starker Batch-Orientierung (Spezialpapierkampagnen) eine ernsthafte Alternative zu Quintiq.

Asprova APS
Japanisches APS-System mit starker Verbreitung in der Automobilindustrie und Prozessfertigung — auch für sequenzabhängige Optimierung ausgelegt. In Europa weniger verbreitet als Opcenter oder Quintiq, bietet aber eine substanziell andere Implementierungslogik: Asprova erlaubt das Modellieren sehr granularer physikalischer Übergangsbedingungen.

Zusammenfassung: Wann welcher Ansatz

• Pilot validieren, Kosten minimieren, eigenes IT-Team vorhanden → Google OR-Tools
• Siemens-Ökosystem im Haus, komplexe Mehrmaschinen-Planung → Siemens Opcenter APS
• Prozessindustrie mit Branchenfokus Papier, Stahl, Aluminium → DELMIA Quintiq
• Batch-orientierte Spezialpapierfertigung → DELMIA Ortems
• Alternativprüfung zum Opcenter-Standard, japanische Implementierungslogik → Asprova

Datenschutz und Datenhaltung

Dieser Use Case verarbeitet ausschließlich Produktions- und Planungsdaten — keine personenbezogenen Daten im Sinne der DSGVO. Sortenbezeichnungen, Maschinenlaufzeiten, Übergangsdauern und Auftragsmengen sind keine personenbezogenen Informationen.

Relevante Datenschutzaspekte:

• Historian-Daten on-premise: Wenn AVEVA PI System, GE Proficy Historian oder ein ähnliches System on-premise betrieben wird, verarbeitet auch der Optimierer die Daten lokal. Keine Übertragung an Dritte.
• Cloud-APS-Systeme: Siemens Opcenter APS und DELMIA Quintiq bieten EU-Datenhosting; für produktionskritische Daten sind On-Premise-Installationen in der Papierbranche deutlich üblicher als Cloud-only-Betrieb.
• Open-Source-Ansatz (OR-Tools): Daten verlassen das Unternehmen nicht — der Solver läuft lokal. Kein AVV erforderlich.
• Betriebsratsrelevanz: Wenn Schichtdaten oder Maschinenführer-Informationen in die Optimierung einfließen (z. B. schichtabhängige Übergangsdauern), sind diese zu pseudonymisieren. Bei reiner Maschinen- und Sortendaten-Verarbeitung: kein Betriebsrat-Touchpoint.
• Exportkontrolle und Rezeptur-Schutz: Übergangszeitmatrizen können implizit Prozessrezepturen enthalten (welche Reihenfolge warum besser ist). Bei Lieferung an einen Cloud-Anbieter sollte das rechtlich geprüft werden. Im Papierkontext ist das selten ein Problem — anders als etwa in der Pharmaindustrie.

Was es kostet — realistisch gerechnet

Variante 1: Open-Source-Eigenentwicklung mit OR-Tools

• Entwicklungsaufwand: 40.000–80.000 € (6–12 Wochen, externer Entwicklungspartner + interne OT-Stunden)
• Historian-Datenaufbereitung: 5.000–15.000 € (Analyse, Bereinigung, Matrix-Aufbau)
• Laufende Kosten: minimal — Wartung, Serverhosting intern, gelegentliche Anpassungen
• Gesamtjahr 1: ca. 50.000–100.000 €

Variante 2: Kommerzielles APS-System

• Softwarelizenz: 80.000–200.000 € (Entry-Level-Konfiguration Opcenter APS Standard oder Quintiq)
• Implementierung + Stammdaten: 100.000–300.000 € (Beratertagessätze, Schnittstellen, Tests)
• Laufende Wartung: 15.000–40.000 €/Jahr
• Gesamtjahr 1: 200.000–500.000 €

Was du dagegenrechnen kannst

Bei einer PM mit 500.000 t/Jahr Kapazität und einem Nettomehrwert von 200 €/t pro Produktionsstunde:

• Eine gesparte Umrüststunde = 200 €/t × Stundenkapazität (ca. 60 t/h) = 12.000 € Opportunitätswert
• 300 gewonnene Stunden/Jahr × 12.000 € = 3,6 Mio. € jährlicher Kapazitätswert (Orientierungsrechnung; stark abhängig von Maschinenkapazität und Sortenportfolio)
• Bei realistisch 30 % realisiertem Effekt: ca. 1 Mio. € pro Jahr

Diese Rechnung ist kein Businesscase, sondern eine Größenordnung. Sie setzt voraus, dass die gewonnene Kapazität tatsächlich mit Aufträgen gefüllt werden kann. Für eine Maschine an der Kapazitätsgrenze ist der Wert real; für eine Maschine mit Leerkapazität bleibt er theoretisch.

Wie du den ROI tatsächlich misst
Nicht durch Extrapolation, sondern durch Vergleich: Baseline-Datenerhebung 12 Wochen vor Einführung (durchschnittliche Umrüstzeit pro Übergang, Verteilung nach Sortenpaaren), dann direkte Messung 12 Wochen nach Einführung im laufenden Historian. Der Unterschied ist dein ROI.

Typische Einstiegsfehler

1. Die Matrix aus Expertenwissen zusammenstellen — ohne Historian-Validierung.
Selbst erfahrene Planer unterschätzen systematisch die Übergangsdauer bei Übergängen, die sie selten sehen (weil sie sie bewusst vermeiden). Das führt zu einer optimistischen Matrix, aus der der Algorithmus Übergänge empfiehlt, die in der Praxis länger dauern als modelliert. Lösung: Historian-Daten immer als Referenz heranziehen; Abweichungen zwischen Expertenschätzung und gemessener Realität explizit diskutieren.

2. Den Optimierer ohne Planer-Feedback-Schleife einführen.
Wenn das System eine Reihenfolge vorschlägt und der Planer sie ohne Rückmeldung übernimmt, fehlt dem System der wichtigste Lernimpuls: Wo hat die Empfehlung nicht funktioniert und warum? Jeder Override des Planers — „Nein, diesen Übergang machen wir nicht, weil…” — ist wertvolles Training. Wer diese Schleife nicht systematisch einbaut, hat nach einem Jahr ein System, das nicht besser geworden ist.

3. Den Use Case mit einem neuen MES gleichzeitig einführen.
Die Kombination von Historian-Aufbau, APS-Integration und MES-Einführung in einem Projekt ist fast immer zu viel auf einmal. Typisches Ergebnis: Das APS-Projekt leidet unter der MES-Einführung, Historian-Daten kommen zu spät, die Matrix ist lückenhaft. Lösung: Erst Historian stabilisieren, dann optimieren.

4. Die Wartung der Matrix vergessen.
Eine Übergangszeitmatrix veraltet. Wenn eine neue Sorte ins Portfolio kommt, fehlt sie in der Matrix. Wenn sich Maschinenparameter ändern (neue Walze, andere Chemie), ändern sich Übergangsdauern. Wer kein Wartungskonzept definiert — wer ist verantwortlich, wann wird aktualisiert, wie werden neue Sorten eingeführt —, hat nach 18 Monaten ein System, das auf veralteten Zahlen optimiert. Das ist gefährlicher als kein System, weil es scheinbar funktioniert.

Was mit der Einführung wirklich passiert — und was nicht

Die häufigste Überraschung: Der Widerstand kommt nicht vom Shopfloor, sondern vom Planungsraum.

Jens Bergmann, 32 Jahre PM7, hat recht, wenn er sagt: „Ich kenne das besser als jeder Algorithmus.” In bestimmten Situationen stimmt das sogar — nämlich genau dann, wenn neue Sorten im Spiel sind, wenn eine Maschine gerade von einer Reparatur kommt, oder wenn der Optimierer eine Empfehlung gibt, die technisch korrekt, aber in der konkreten Schicht nicht praktikabel ist.

Die Einführung gelingt, wenn der Optimierer nicht als Ersatz präsentiert wird, sondern als Hilfsmittel. Konkret hilft folgende Formulierung: „Das System sieht 210 Übergangskombinationen gleichzeitig. Du siehst die, die technisch heikel sind. Deine Aufgabe ändert sich von Reihenfolge-berechnen zu Reihenfolge-validieren.” Das ist kein Jobverlust, sondern eine Arbeitsentlastung — und der Schichtleiter, der bisher 4 Stunden im Planungsmeeting saß, gewinnt Zeit für die Maschine.

Typische Phasen der Adoption:

• Woche 1–4: Jeder Vorschlag wird kritisch geprüft und oft überschrieben. Das ist richtig und wichtig — die Matrix lernt aus den Overrides.
• Woche 5–12: Die Zahl der Overrides sinkt, weil die Empfehlungen besser werden und das Vertrauen wächst. Erste Übergangspaare werden blind akzeptiert.
• Ab Woche 12: Die Planungsbesprechung ist deutlich kürzer. Der Optimierer liefert die Grundstruktur, der Planer bewertet Grenzfälle und Ausnahmen.

Was nicht passiert: Der Planer wird nicht überflüssig. Was aufhört: Das wöchentliche Ratgespräch mit vier Leuten um einen Tisch.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Unser erfahrener Planer kennt das besser als jeder Algorithmus.”
Stimmt für bekannte Übergänge und bekannte Sorten — oft. Stimmt nicht für die vollständige Wochenoptimierung über alle Sorten gleichzeitig: Der menschliche Planer optimiert sequenziell, der Algorithmus global. Bei 15 Sorten übersieht der Mensch systematisch Interdependenzen, die erst nach dem dritten oder vierten Schritt sichtbar werden. Der Algorithmus schlägt nicht, weil er den einzelnen Übergang besser kennt — er schlägt, weil er alle 210 Paare gleichzeitig berücksichtigt.

„Wir haben keine sauberen Historydaten.”
Das ist der häufigste Einwand — und oft berechtigt. Die Frage ist: Welche Daten habt ihr? Wenn der Historian seit 2 Jahren läuft und Sortenänderungen protokolliert, sind die meisten häufigen Übergänge ausreichend belegt. Wenn der Historian lückenhaft ist oder Sortenänderungen nicht zuverlässig erfasst werden, muss dieser Schritt zuerst kommen — das Optimierungsprojekt wartet. Ein Optimierer auf schlechten Daten ist kein nützliches Werkzeug.

„Das kostet zu viel.”
Kommt stark auf den gewählten Ansatz an. Ein Open-Source-Pilot mit Google OR-Tools und einem Entwicklungspartner ist für 50.000–80.000 € machbar — und liefert in 3–4 Monaten einen messbaren Nachweis, bevor über ein kommerzielles APS-System entschieden wird. Wer direkt mit einem Enterprise-APS startet, zahlt deutlich mehr. Der Pilot zuerst ist der risikoärmere Weg.

Woran du merkst, dass das zu dir passt

• Du produzierst 10 oder mehr Papiersorten auf einer oder mehreren Maschinen, mit regelmäßigen Sortenwechseln — mindestens 3–5 pro Woche
• Das Planungsmeeting dauert regelmäßig mehr als 2 Stunden und der Ausgang hängt wesentlich davon ab, wer im Raum sitzt
• Fehlübergänge kosten euch spürbar Geld — auch wenn niemand eine genaue Zahl nennt, wissen alle, was es bedeutet, wenn eine Reinigungsfahrt nötig wird
• Das Übergangs-Wissen sitzt in einer oder zwei Personen — und ihr wisst, dass das ein Risiko ist
• Ihr habt einen Historian, der Produktionsdaten zurück bis 12+ Monate enthält — mit Sortenanfängen und -enden als Ereignisse protokolliert

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

1. Weniger als 3–4 Sortenwechsel pro Woche. Bei dieser Wechselfrequenz ist die Optimierungsmasse zu klein für den Aufwand — ein erfahrener Planer mit einer guten Excel-Rüstmatrix kommt dem Algorithmus nahe. Das Verhältnis von Implementierungsaufwand zu eingesparter Zeit liegt dann deutlich unter 1.

2. Kein funktionierender Historian mit Ereignisdaten. Ohne dokumentierte Produktionsübergänge (Sorte X begann um 14:23, endete um 16:45) fehlt die Grundlage für die Übergangszeitmatrix. In diesem Fall muss zuerst der Historian aufgebaut und mindestens 6–12 Monate gereift sein — der Optimierer kommt danach, nicht davor.

3. Das Sortenprogramm ist nicht stabil. Wenn wöchentlich neue Sorten eingeführt oder bestehende Sorten fundamental verändert werden, ist die Matrix ständig in der Lernphase. Das System kann nicht ausreichend Daten akkumulieren, um verlässliche Empfehlungen zu geben. Für Fabriken mit stabilen 10–25 Sorten funktioniert es; für Fabriken, die als Lohnfertiger wöchentlich neue Kundensorten aufnehmen, ist es deutlich schwerer zu betreiben.

Das kannst du heute noch tun

Bevor du auch nur einen Euro für APS-Software ausgibst, kannst du in dieser Woche überprüfen, ob die Datenbasis für diesen Use Case vorhanden ist:

1. Historian-Check: Lade aus deinem Historian die letzten 6 Monate Produktionsdaten. Suche nach Ereignissen, die Sortenwechsel markieren — üblicherweise Sortenanfang und -ende mit Zeitstempel. Zähle, wie viele der möglichen Sortenpaare (A→B) mehr als 5-mal vorkommen. Wenn das für mehr als 60 % der Kombinationen gilt, ist die Datenbasis ausreichend für einen Piloten.

2. Matrix-Prototyp in Excel: Erstelle eine Matrix mit allen Sorten als Zeilen und Spalten. Fülle die Zellen mit dem Expertenwissen deines erfahrensten Planers — Skala 1 (einfach) bis 5 (kritisch). Vergleiche diese Einschätzung mit den Historian-Daten. Wo liegen die größten Abweichungen?

3. Ersten Algorithmus ausprobieren: Mit dem folgenden Prompt kannst du ChatGPT oder Claude bitten, für einen einfachen Wochenplan eine verbesserte Reihenfolge vorzuschlagen — keine echte Optimierung, aber ein Gefühl für den Ansatz:

Quellen & Methodik

• “Scheduling Solutions for the Paper Industry” — Harjunkoski et al., INFORMS Operations Research, Vol. 50, No. 2, 2002. Grundlegende akademische Untersuchung zu Sequenzierungs- und Trimm-Optimierung in der Papierproduktion; beschreibt Millionen-Dollar-Einsparungen bei mehreren implementierten Anlagen.
• ProcessMiner / OPTIX-Plattform — processminer.com; berichtete Einsparungen von mehr als 500.000 USD pro Jahr und Produktionslinie in der Papier- und Zellstoffindustrie; Fallstudie “Paper Mill Saves $600K Annually” (processminer.com/paper-mill-saves-600k, Stand Mai 2026). ProcessMiner ist auf Prozessoptimierung, nicht auf Sequenzoptimierung spezialisiert — die Zahl zeigt jedoch die Größenordnung realisierbarer Einsparungen.
• Valmet Mill-Wide Optimization — Pressemitteilung Valmet, März 2023 (valmet.com); Lieferung an Mercer Rosenthal in Deutschland; beschreibt integrierte mill-weite Produktionsoptimierung. Effizienzangaben 16% sind Herstellerangaben.
• ABB Pulp & Paper Production Planning — ABB News Center, “Streamlining Paper Manufacturing” (abb.com, 2024); MES-basierte Produktionsplanung mit Trim- und Sequenzoptimierung.
• Siemens Opcenter APS — Preis- und Implementierungsangaben: öffentlich zugängliche Marktberichte, Partner-Aussagen und interne Erfahrungswerte (Stand Mai 2026). Nicht von Siemens bestätigt.
• Google OR-Tools CP-SAT-Dokumentation — developers.google.com/optimization, Apache 2.0 Lizenz, aktiv gepflegt (Stand Mai 2026).
• Übergangszeitwerte und Produktionskostenangaben — Erfahrungswerte aus Produktionsplanungs-Projekten in der deutschen Papierindustrie (anonymisiert). Keine repräsentative Studie; konsistente Beobachtungen über mehrere Projekte.

Du willst wissen, ob eure Historian-Daten für diesen Ansatz ausreichen und wie ein realistischer Pilotplan für eure Fabrik aussehen könnte? Meld dich — das klären wir gemeinsam in einem kurzen Gespräch.