Abwasserüberwachung: CSB/BSB-Anomalien in Echtzeit erkennen

Das echte Ausmaß des Problems

Papierfabriken mit einer Produktionskapazität von mehr als 20 Tonnen pro Tag gelten nach der Industrieemissionsrichtlinie als IED-Anlagen. Anhang 28 der Abwasserverordnung (AbwV) schreibt vor, dass der CSB-Wert täglich als 24-Stunden-Mischprobe zu messen ist, der BSB₅-Wert wöchentlich. Die BSB₅-Konzentration am Einleitpunkt darf 25 mg/L nicht überschreiten; für CSB gelten produktionsbezogene Jahres-Durchschnittswerte zwischen 1,4 und 6,0 kg/t je nach Papiersorte und Faserquelle.

Das klingt beherrschbar, bis man sich die Zeitarithmetik ansieht:

• Eine 24-Stunden-Mischprobe läuft bis Mitternacht
• Dann geht sie ins Labor
• Die klassische Dichromat-Methode für CSB braucht rund 2,5 Stunden
• Bis das Ergebnis bewertet und gemeldet ist, vergeht noch einmal eine Stunde

Der Grenzwertverstoß vom gestrigen Tag ist frühestens heute früh bekannt. Das Abwasser ist seit Stunden im Vorfluter. Nach § 103 WHG können Ordnungswidrigkeiten mit bis zu 50.000 Euro Bußgeld belegt werden; bei schweren oder wiederholten Verstößen drohen außerdem nachträgliche Auflagen der Wasserbehörde, bis hin zu zeitweisen Produktionsbeschränkungen für die betroffene Linie.

Branchendaten aus Umweltbundesamt-Berichten und Landesbehörden zeigen: In deutschen integrierten Papierfabriken kommt es statistisch mehrmals jährlich zu Überschreitungsereignissen, die meldepflichtig sind. Die meisten entstehen nicht durch Nachlässigkeit, sondern durch fehlende Reaktionszeit: Das Abwassernetz hat eine Laufzeit von 1–4 Stunden bis zum Einleitpunkt, die Labor-Auswertung kommt danach.

Mit vs. ohne KI, ein ehrlicher Vergleich

¹ Die manuelle Laborprobe ist weiterhin vorgeschrieben, das ML-System ersetzt sie nicht, sondern ergänzt sie als frühes Warnsystem.

Einschätzung auf einen Blick

Zeitersparnis, mittel (3/5) Die tägliche Wartezeit auf das Laborergebnis entfällt für die Echtzeiteinschätzung, 2 bis 3 Stunden täglich, die Sandra Vetter und ihr Team nicht mehr auf den CSB-Wert warten. Der eigentliche Gewinn liegt aber nicht in der Zeitersparnis an sich, sondern in der Handlungsfähigkeit: Wer 15 Minuten nach dem Ereignis einen Alarm bekommt, kann noch eingreifen. Wer 16 Stunden wartet, kann nur noch Schadensminimierung betreiben. Verglichen mit anderen Anwendungsfällen im Produktwechsel ist der reine Zeitgewinn moderat, weil die manuelle 24h-Probe weiterhin laufen muss.

Kosteneinsparung, mittel (3/5) Der finanzielle Nutzen ist stark situationsabhängig. Eine Fabrik, die in den letzten drei Jahren keine Bußgeldbescheide hatte, spart durch das System weniger als eine, die regelmäßig im Behördenvisier steht. Pro vermiedenem Verstoßereignis liegen die Einsparungen (Bußgeld + Anwaltskosten + behördlicher Mehraufwand) bei 50.000 bis 500.000 Euro, und das sind nur die direkten Kosten, ohne Reputationsschäden und Investitionsauflagen aus Folgeverhandlungen. Für die Kostenersparnis gilt: keine Verstoßhistorie bedeutet schlechtere ROI-Argumente.

Schnelle Umsetzung, niedrig (2/5) Das ist die ehrlichste Kennzahl: Dieses Projekt ist keine Software-Einführung, sondern eine Infrastrukturmaßnahme mit Hardwarebeschaffung, Sensorinstallation in einer chemisch aggressiven Umgebung, initialer Kalibrierung (8–12 Wochen Parallelbetrieb), ML-Modelltraining auf historischen Daten und SCADA-Integration. Realistisch vergehen 5–8 Monate bis zum produktiven Betrieb. Damit liegt dieses Projekt unter dem Branchendurchschnitt bei der Implementierungsgeschwindigkeit, und das ist wichtig, bevor das Budget bewilligt wird.

ROI-Sicherheit, mittel (3/5) Der ROI ist real, aber er ist eine Versicherung, keine Rendite. Wer noch nie einen Bußgeldbescheid hatte, kann ihn schlecht in die Kalkulation einsetzen. Wer zweimal im Jahr Meldepflichten auslöst, hat einen harten Business Case. In der Praxis lässt sich das Risiko gut historisch einschätzen: Jede Fabrik kennt ihre Schwankungsbreiten, Sortenwechselhäufigkeiten und Labor-Kommentare der letzten drei Jahre. Das ist der ehrliche Einstieg in die ROI-Rechnung.

Skalierbarkeit, hoch (4/5) Einmal aufgebaut, lässt sich das System auf weitere Einleitpunkte derselben Fabrik oder auf Schwesterbetriebe einer Gruppe ausrollen, mit erheblich geringerem Aufwand, weil die Modellarchitektur wiederverwendet wird. Jedoch: Jeder neue Einleitpunkt braucht eigene Sensorinstallation und eigene Kalibrierungsläufe (andere Abwasserzusammensetzung, andere Leitfähigkeit, anderes Ligninmuster). Der Aufwand sinkt mit der Erfahrung, verschwindet aber nicht.

Richtwerte, stark abhängig von Anlagengröße, Verstoßhistorie und vorhandener SCADA-Infrastruktur.

Was das System konkret macht

Das Messprinzip ist UV/Vis-Absorptionsspektroskopie: Eine Sonde, die direkt in den Abwasserkanal taucht, leuchtet mit ultraviolettem und sichtbarem Licht durch das Wasser und misst, welche Wellenlängen wie stark absorbiert werden. Organische Verbindungen, Ligninsulfonat aus dem Zellstoffaufschluss, kurzkettige Fettsäuren aus der biologischen Stufe, restliche Bleichmittel, absorbieren bei charakteristischen Wellenlängen. Das vollständige Absorptionsspektrum (200–720 nm) ist eine Art Fingerabdruck der aktuellen Abwasserzusammensetzung.

Aus diesem Spektrum schätzt ein Machine Learning-Surrogatmodell in Echtzeit die CSB- und BSB₅-Werte. Das Modell wird auf historischen Daten aus der eigenen Fabrik trainiert: auf der einen Seite die Spektren, die der Sensor aufgezeichnet hat, auf der anderen Seite die zeitgleich im Labor gemessenen CSB/BSB-Werte. Wenn beide Datenreihen synchronisiert sind, lernt das Modell die spektralen Muster, die zu hohen CSB-Werten führen, und erkennt diese Muster in Echtzeit, bevor das Laborergebnis vorliegt.

Das Modell gibt dabei nicht den exakten CSB-Wert aus, sondern eine Schätzung mit Konfidenzintervall. Eine typische Alarmstufe sieht so aus: Wenn das Modell mit 85 % Konfidenz schätzt, dass der CSB-Wert die Alarm-Schwelle von z. B. 75 % des Erlaubnis-Tagesmittelwerts überschreitet, geht ein Signal an das SCADA-System. Der Schichtführer bekommt eine Nachricht und kann prüfen: Bypass-Becken öffnen, Produktionsrate drosseln, Bleichmittelzufuhr korrigieren.

Wichtig: Das System ersetzt die gesetzlich vorgeschriebene 24h-Mischprobe und deren Laborauswertung nicht. Es ist ein Frühwarnsystem, das zwischen den Pflichtmessungen läuft, und das den entscheidenden Vorsprung gibt.

Sensorkalibrierung und Driftkorrektur

Dies ist der kritischste operative Aspekt, der in Beschaffungsgesprächen regelmäßig zu wenig Gewicht bekommt.

Ein UV/Vis-Sensor in einem Papierwerk-Abwasserkanal arbeitet unter schwierigen Bedingungen: wechselnde Trübung, Faseranhaftungen auf der Optik, pH-Schwankungen, Temperaturgradiente. Biofilme, die sich auf der Sondenfensteroberfläche bilden, streuen das Licht und verfälschen die Absorptionsmessung systematisch, das nennt man Sensordrift. Ein driftender Sensor gibt weiterhin plausible Werte aus, aber die Korrelation mit dem tatsächlichen CSB bricht schleichend ein.

Die drei bewährten Gegenmaßnahmen:

1. Automatische Reinigung, Hochwertige Sensoren (wie s::can spectro::lyser V3 oder Endress+Hauser CAS80E) haben integrierte Druckluft- oder Wasserstrahlreinigung, die in konfigurierbaren Intervallen ausgelöst wird. Das reduziert Biofilmaufbau, eliminiert ihn aber nicht vollständig.

2. Parallelspuranalyse, Das ML-Modell beobachtet nicht nur den Messwert, sondern auch die Spektralqualität: Ein Qualitätsindex (Spectral Quality Index, SQI) misst, ob das Spektrum noch dem erwarteten Muster entspricht. Fällt der SQI unter einen Schwellwert, setzt das System automatisch ein “Kalibrierungserforderlich”-Signal, bevor ein falscher Alarm oder ein übersehener Grenzwert entsteht.

3. Monatliche Laborabgleiche, Einmal im Monat werden mindestens drei manuell entnommene Einzelproben zeitgleich mit dem Online-Sensor gemessen und im Labor analysiert. Weicht die Sensorschätzung systematisch vom Laborwert ab, wird das ML-Modell mit den neuen Datenpunkten nachkalibriert (sogenanntes Inkrementelles Retraining). Die Frequenz hängt von der Abwasserstabilität ab: In Fabriken mit häufigen Sortenwechseln kann monatlicher Abgleich zu wenig sein.

Was passiert, wenn die Kalibrierung versäumt wird? Das Modell liefert weiterhin Zahlen, die plausibel aussehen, aber systematisch nach unten oder oben verschoben sind. Im schlechtesten Fall schlägt es nicht an, obwohl der CSB tatsächlich zu hoch ist. Das ist gefährlicher als ein ausgefallener Sensor, denn ein Systemausfall ist sofort sichtbar; eine falsch kalibrierte Sonde fühlt sich sicher an und ist es nicht.

Produktwechsel und spektrale Verwerfung

In integrierten Papierfabriken ist der Produktwechsel (Sortenwechsel) der häufigste unkontrollierte Einfluss auf die Abwasserzusammensetzung, und der größte blinde Fleck konventioneller Online-Überwachung.

Wenn eine Fabrik von Wellenstoff (hoher Ligningehalt, geringe Bleichchemikalien) auf gebleichte Tissue-Qualität (niedriger Ligningehalt, hoher Bleichmitteleinsatz) wechselt, verändert sich das Absorptionsspektrum des Abwassers fundamental. Die Ligninsulfonat-Peaks bei 280 nm brechen weg, Bleichmittelrückstände erscheinen bei anderen Wellenlängen. Ein ML-Modell, das ausschließlich auf einer Sorte trainiert wurde, extrapoliert in diesem Moment außerhalb seiner Trainingsdaten, die Vorhersagequalität bricht ein.

Die Lösung liegt in der Datenstrategie vor dem Training:

• Das Trainings-Dataset muss alle Sortenkombinationen und Übergangszustände abdecken, die in der Fabrik vorkommen. Mindestens 400–600 Labor-Online-Datenpunkte pro Hauptsorte sind sinnvoll; für integrierte Anlagen mit fünf und mehr Standardsorten bedeutet das 12–18 Monate Datensammlung vor dem ersten produktiven Modelleinsatz.
• Sortenwechsel-Ereignisse sollten als separate Merkmalsklasse im Modell behandelt werden. Das SCADA-System weiß, wann ein Sortenwechsel angeordnet wurde, dieser Zeitstempel kann als Eingang ins ML-Modell eingehen, damit es den Übergangsbereich entsprechend gewichtet.
• In den ersten 90 Minuten nach einem Sortenwechsel sollten Alarmschwellen konservativ reduziert (also früher ausgelöst) werden, weil die Modellvorhersage in diesem Fenster am unsichersten ist. Das ist eine einfache regelbasierte Ergänzung zur ML-Schätzung.

Der Zusammenhang mit dem use case Produktwechsel und Sortenreihenfolge ist hier direkt: Wer die Sortenwechsel-KI für die Produktionsplanung einsetzt, bekommt gleichzeitig bessere Vorhersagen für die Abwasserqualität, weil das System geplante Wechsel frühzeitig ankündigt.

Integrationsrealität: SCADA, DCS und SPS

Hier steckt ein Großteil des Projektaufwands, und der wird in Beschaffungsanträgen fast immer unterschätzt.

Ein UV/Vis-Sensor hat einen Analogausgang (4–20 mA) oder eine digitale Schnittstelle (Profibus, Modbus TCP, HART). Das ist der einfache Teil. Die eigentliche Arbeit beginnt danach:

Historisierung der Rohdaten: Spektraldaten fallen mit 1–4 Messpunkten pro Minute an. 256 Spektral-Kanäle × 2 Messpunkte/Minute × 525.600 Minuten/Jahr = ca. 270 Millionen Datenpunkte pro Sensor und Jahr. Ohne einen industriellen Zeitreihen-Historian (typischerweise AVEVA PI System in Papierfabriken dieser Größe) ist das nicht handhabbar. PI System ist in vielen integrierten Papierfabriken bereits als Backbone für SCADA-Daten vorhanden, dann ist die Anbindung einer Erweiterung, keine Neuinstallation.

Modell-Einsatz am Edge: Das ML-Modell muss dort rechnen, wo die Daten entstehen, am Edge, nicht in der Cloud. Warum? Weil die Latenz einer Cloud-Roundtrip von 200–800 ms für Echtzeitalarmierung zu lang ist, und weil viele Papierfabriken ihre OT-Netzwerke aus Sicherheitsgründen nicht direkt mit dem Internet verbinden. Das Modell läuft typischerweise auf einem industriellen Edge-Server oder in einem lokalen SCADA-Server als separater Prozess. Tools wie Siemens Industrial Edge oder eigene Industrie-PCs mit Python-Laufzeitumgebung kommen hier zum Einsatz.

SCADA-Alarmierung: Der berechnete CSB-Schätzwert muss als regulärer SCADA-Tag verfügbar sein, damit er auf Anzeigen im Leitstand erscheint, in Alarmgruppen eingebunden werden kann und in historische Auswertungen einfließt. Das erfordert eine Schnittstelle vom Modell-Server zurück ins SCADA/DCS-System, in der Praxis oft ein OPC-UA-Server, der den Schätzwert bereitstellt.

Was schiefgehen kann: Nicht das ML-Modell, sondern die SCADA-Integration ist in 80 % der Projekte der kritische Pfad. Typische Blockaden: veraltete SPS-Steuerungen ohne freie Kommunikationsschnittstellen, fehlende OT/IT-Netzwerksegmentierung, und Werk-IT-Teams, die ML-Prozesse auf SCADA-Servern aus Sicherheitsgründen ablehnen. Diese Fragen müssen in der Planungsphase, nicht in der Implementierungsphase, geklärt werden.

Konkrete Werkzeuge, was wann passt

Es gibt keine All-in-One-Lösung für diesen Use Case. Das System besteht aus drei Schichten, für die unterschiedliche Werkzeuge zuständig sind.

Schicht 1, Sensorik und Messung Die UV/Vis-Spektrometerhersteller für Abwasseranwendungen in Papierfabriken sind überschaubar: s::can (spectro::lyser V3), Endress+Hauser (Memosens Wave CAS80E), Xylem/WTW (CarboVis 700 IQ) und GIMAT (EcoMetrix_COD). Alle vier bieten Industriesensoren mit automatischer Reinigung, integrierten SQI-Qualitätsindizes und gängigen Feldbusschnittstellen. Die Auswahl hängt weniger vom Sensor selbst ab als von der Kompatibilität mit dem vorhandenen SCADA-System und dem lokalen Service-Netzwerk des Herstellers.

Hardware-Richtwert pro Messpunkt: 8.000–20.000 Euro für den Sensor inklusive Einbauarmatur und Erstinstallation. Nicht enthalten: Datenleitungen, SCADA-Anbindung, Engineering.

Schicht 2, Historisierung und Dateninfrastruktur AVEVA PI System ist in integrierten Papierfabriken häufig bereits vorhanden. Falls nicht: InfluxDB OSS ist eine kostenlose Open-Source-Alternative, die on-premises betrieben werden kann (EU-Datenhaltung ohne Cloud-Risiko). Für die Dashboards und Alarme empfiehlt sich Grafana (Open Source, selbst hostbar), das sich direkt an AVEVA PI und InfluxDB anbindet und fertige Alarm-Benachrichtigungen per E-Mail oder SMS ermöglicht.

Schicht 3, ML-Modellentwicklung und -betrieb Das Surrogatmodell selbst ist überschaubar in der Komplexität: Support Vector Regression oder Random Forest auf Spektral-Features ist ausreichend (wie die ACS-Engineering-Au-Studie 2025 an einem europäischen Papierwerk zeigt: SVM erreichte R²=0,85 für BSB). Für die Entwicklung eignet sich Azure Machine Learning (Hosting in der Region Germany West Central, EU-DSGVO-konform) oder lokal über eine Python-Entwicklungsumgebung. Wer eine Plattform mit automatischer Modellüberwachung und Retraining-Pipelines braucht, ist mit Databricks gut bedient, aber der Aufwand ist nur bei mehreren Einleitpunkten und laufendem Modellbetrieb gerechtfertigt.

Wann welcher Ansatz:

• Vorhandenes AVEVA PI, Siemens-SCADA → Schicht 2 aus Bestand, Fokus auf Sensor + ML-Einsatz am Edge
• Neue Infrastruktur, kleines OT-Team → InfluxDB + Grafana als leichter Stack, Python-Modell auf Edge-Server
• Konzernumgebung, mehrere Standorte → Azure ML + Databricks für zentrales Modellmanagement mit Standort-spezifischen Kalibrierungen

Datenschutz und Datenhaltung

Abwasserüberwachungsdaten sind Betriebs- und Umweltdaten, kein personenbezogener Datenschutz im DSGVO-Sinne, aber wasserrechtlich besonders sensibel. Einige Aspekte sind wichtig:

Behördliche Auflagen zur Datenverfügbarkeit: Viele Wasserrechtsbescheide verlangen eine bestimmte Datenvorhaltung (oft 3–5 Jahre) und eine revisionssichere Dokumentation. Das bedeutet: Die Zeitreihendaten aus dem Online-System müssen unveränderlich gespeichert und auf Behördenanfrage abrufbar sein. Systeme wie AVEVA PI System erfüllen diese Anforderungen out-of-the-box; eine einfache InfluxDB-Instanz ohne Audit-Log tut das nicht ohne zusätzliche Maßnahmen.

Cloud vs. On-Premises: Aus Sicherheits- und Betriebsgeheimniserwägungen (Rezepturen, Produktionsdaten) sollten Rohdaten aus dem OT-Netzwerk nicht in externe Cloud-Dienste übertragen werden. Das Modell trainiert man idealerweise auf einer isolierten Trainingsmaschine; der Produktivbetrieb läuft on-premises. Azure Machine Learning in der Region Germany West Central ist für die Trainingsphase akzeptabel, wenn die Daten für das Training ausschließlich anonymisiert oder aggregiert übertragen werden.

Werksrats- und Datenschutzfragen: Da die Sensordaten keine Personenbezüge enthalten, ist kein AVV nach Art. 28 DSGVO erforderlich. Allerdings kann ein Betriebsrat Fragen stellen, wenn Abwasserüberwachungsdaten mit Schichtprotokollen oder Mitarbeiterdaten kombiniert werden, z. B. um festzustellen, welche Schicht einen CSB-Peak verursacht hat. Hier klare Grenzen ziehen: Das System überwacht Wasser, nicht Personen.

Was es kostet, realistisch gerechnet

Investitionskosten (Einmalig)

Laufende Kosten (Jährlich)

• Reinigungschemikalien und Sondenwartung: 800–2.000 € je Messpunkt
• Jährlicher Kalibrierungsaufwand (intern, 1–2 Arbeitstage): 800–1.600 €
• Azure ML oder Cloud-Plattform für Retraining: 1.200–4.800 €
• Behördlich weiterhin vorgeschriebene Labor-Probenahmen (CSB täglich): unvermindert nötig

Wie du den ROI realistisch bewertest

Die ehrlichste Herangehensweise: Schau in deine Compliance-Historie der letzten drei Jahre. Wie viele Meldungen nach § 60 WHG? Wie viele Bußgeldverfahren? Wie viele behördliche Besprechungen wegen Grenzwertüberschreitungen? Multipliziere die Ereignisfrequenz mit dem durchschnittlichen Schadensbetrag (inkl. internem Aufwand, Rechtsberatung, Investitionsauflagen aus Folgebescheiden). Kommt man auf mehr als 50.000 Euro pro Jahr, hat das System eine Payback-Zeit unter drei Jahren. Liegt die Ereignisfrequenz bei null, was für vorbildlich geführte Anlagen gilt, ist der ROI schwer zu beziffern, das Risiko aber nicht abwesend.

Drei typische Einstiegsfehler

1. Das Sensor-First-Vorgehen: Hardware kaufen, Datenfrage ignorieren Viele Projekte starten mit der Auswahl des UV/Vis-Sensors, und stellen drei Monate später fest, dass keine historischen Labor-Daten vorhanden sind, um das ML-Modell zu trainieren. Die Laborbücher liegen in Excel-Tabellen, die Probenahmezeiten stimmen nicht mit den SCADA-Zeitstempeln überein, und niemand weiß, welcher Einleitpunkt welcher Probe zugeordnet war. Lösung: Datenverfügbarkeit und -qualität klären, bevor die Bestellung rausgeht. Mindestens 200–400 synchronisierte Labor-Online-Datenpunkte sind das absolute Minimum für ein brauchbares Modell.

2. Den Sensor als Ersatz für die Pflichtprobe verkaufen Intern wie extern. Behörden akzeptieren Online-Messungen in der Regel nur als ergänzendes Monitoring, nicht als Ersatz für die gesetzlich vorgeschriebenen 24h-Mischproben-Laborwerte. Wer das Projekt damit begründet, die Laborkosten einzusparen, ist auf dem falschen Weg. Das System ist ein Frühwarnsystem, und das sollte auch so kommuniziert werden, damit die Erwartungshaltung stimmt.

3. Das System nach der Inbetriebnahme nicht pflegen, der stille Fehlermodus Das ist der gefährlichste Fehler, weil er unsichtbar ist. Ein driftender Sensor mit schleichendem SQI-Abfall gibt weiterhin Zahlen aus, die plausibel wirken. Das Modell lernt daraus nichts Neues, weil kein Retraining stattfindet. Ein Jahr nach der Inbetriebnahme hat man ein System, das Sicherheit suggeriert und sie nicht mehr bietet. Wer diesen Fehler vermeiden will, definiert vor dem Launch: Wer ist jedes Quartal für den Kalibrierungsabgleich verantwortlich? Was löst einen außerplanmäßigen Abgleich aus (Prozessänderung, Sortenänderung, SQI-Alarm)?

Was mit der Einführung wirklich passiert, und was nicht

Die Technik ist das Beherrschbare. Das Schwerere ist die organisatorische Realität.

Das erste halbe Jahr: Das System ist im Parallelbetrieb mit der Pflichtprobenkette. Die Laborwerte kommen weiterhin, das Online-System schätzt parallel. In dieser Phase lernt das Team, den Vorhersagen zu vertrauen, oder auch nicht. Es wird Momente geben, in denen das System einen Alarm auslöst, der Labor-Wert danach aber unauffällig ist. Das ist kein Fehler des Systems; es ist die natürliche Varianz zwischen Echtzeitschätzung und 24h-Mischprobe. Diese Momente müssen als Lerngelegenheit behandelt werden, nicht als Beweis, dass das System nicht funktioniert.

Was konkret hilft:

• Eine gemeinsame Auswertungsrunde zwischen Umweltschutzbeauftragten und Schichtführung alle zwei Wochen in den ersten sechs Monaten, um False Positives und Missed Alarms gemeinsam zu analysieren
• Klare Eskalationskette: Wer bekommt den Alarm? Wer darf das Bypass-Becken öffnen? Wer informiert die Behörde bei tatsächlichem Verstoß?
• Einen Monat nach der Inbetriebnahme eine Begehung mit der Wasserbehörde, nicht weil es Pflicht ist, sondern weil es Vertrauen schafft und gelegentlich zu Vereinfachungen in der Berichtspflicht führt, wenn die Behörde das Online-System kennt

Was nicht passiert: Das System übernimmt keine Entscheidungen. Es gibt Schätzungen, Konfidenzwerte und Alarme, das Einleiten einer Gegenmaßnahme ist immer ein menschlicher Entscheid. Das ist keine Schwäche des Systems, sondern eine bewusste Designentscheidung, die regulatorisch sauber ist und das Haftungsrisiko klar verteilt.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„Wir brauchen das nicht, wir hatten noch nie einen Bußgeldbescheid.” Das kann stimmen. Und es kann bedeuten, dass die vorhandene Prozesskontrolle sehr gut ist. Es kann aber auch bedeuten, dass Grenzwertverstöße durch günstige Entnahme-Zeitpunkte oder saisonale Niedrigwasserphasen statistisch geglättet wurden. Eine ehrliche Prüfung: Schau dir die letzten drei Jahre monatlich an. Wie viele Wochen lagen die wöchentlichen BSB₅-Werte zwischen 20 und 25 mg/L, also im roten Puffer, aber noch knapp unter der Grenze? Wer regelmäßig im oberen Viertel des Erlaubnisrahmens liegt, hat ein Risiko, auch wenn noch kein Bescheid folgte.

„Das Modell wird falsche Alarme produzieren und die Schichtführung wird es ignorieren.” Ein berechtigter Einwand, und der wichtigste. Die Lösung liegt nicht im Modell, sondern im Alarmsystem-Design. Wer mit zu niedrigen Schwellwerten startet, produziert tatsächlich Fehlalarme und verliert die Akzeptanz in wenigen Wochen. Besser: In den ersten sechs Monaten konservative Schwellwerte (weniger sensitiv), dann basierend auf den echten False-Positive-Raten anpassen. Jeder Alarm, der zu einer Inspektion führt und sich als korrekt herausstellt, baut Vertrauen auf. Jeder falsche Alarm, der unkommentiert bleibt, zerstört es.

„Wir haben kein OT-Team, das das betreiben kann.” Dann ist das Projekt in seiner vollen Form tatsächlich noch nicht reif. Aber der erste Schritt ist beherrschbar: Mit einem Systemintegrator, der UV/Vis-Sensoren in Papierfabriken kennt und sowohl SCADA-Anbindung als auch ML-Modell als Turnkey-Projekt anbietet. Mehrere Hersteller (E+H, s::can) bieten Managed-Service-Modelle an, bei denen die Kalibrierung und Modellanpassung durch den Hersteller erfolgt. Das ist teurer, aber beherrschbarer für Werke ohne dedizierte OT/IT-Ressourcen.

Woran du merkst, dass das zu dir passt

Das spricht dafür:

• Ihr habt in den letzten drei Jahren mindestens eine Meldepflicht nach § 60 WHG oder einen Bußgeldbescheid ausgelöst
• Ihr produziert mehr als zwei Hauptsorten, was regelmäßige Sortenwechsel bedeutet
• Euer Einleitpunkt liegt in einem sensiblen Gewässer (Trinkwasserentnahmestrecke, Natura-2000-Gebiet), was die Behördenaufmerksamkeit erhöht
• Eure wasserrechtliche Erlaubnis endet in 1–3 Jahren und wird neu verhandelt, Online-Daten stärken die eigene Position erheblich
• Ihr habt bereits ein AVEVA PI oder ähnliches SCADA-Historisierungssystem im Einsatz

Wann es sich noch nicht lohnt, drei harte Ausschlusskriterien:

1. Unter 20 t/d Produktionskapazität oder nur ein Papiersortentyp. Dann ist die Abwasserzusammensetzung stabil genug, dass ein gut geführtes Probenahme-Regime ausreichend ist und das Investment (38.000–103.000 €) keinen sinnvollen ROI hat.

2. Weniger als 18 Monate synchronisierte Labor- und SCADA-Daten vorhanden. Ohne historische Daten mit ausreichenden Sortenübergängen lässt sich kein valides Surrogatmodell trainieren. Das erste Projekt-Jahr wäre ausschließlich Datensammlung, ohne Erkenntnisgewinn. In diesem Fall: Zunächst nur den Sensor installieren und Daten sammeln, das ML-Modell kommt danach.

3. Kein funktionierendes SCADA-System und kein OT-Team verfügbar. Ohne Automatisierungsinfrastruktur ist die Alarmierung auf manuelle Überwachung beschränkt, und damit ist der Geschwindigkeitsvorteil verloren. Dann wäre eine einfache digitale Probenahme-Verwaltung (Digitalisierung des Laborprozesses) der sinnvollere erste Schritt.

Das kannst du heute noch tun

Bevor du Budget anforderst oder Angebote einholst: Mach eine historische Risikoanalyse deiner Abwassermonitoringdaten der letzten drei Jahre. Du brauchst dafür keine KI, nur Excel oder einen Tabellenexport aus dem Laborinformationssystem.

Quellen & Methodik

• AbwV Anhang 28, CSB/BSB-Grenzwerte Papierindustrie: Verordnung über Anforderungen an das Einleiten von Abwasser in Gewässer (AbwV), Anhang 28 „Herstellung von Papier, Karton oder Pappe” in der geltenden Fassung. BSB₅ am Einleitpunkt: 25 mg/L als Stichprobe oder 2-Stunden-Mischprobe. CSB: jahresbezogene Produktionsgrenzwerte 1,4–6,0 kg/t je nach Sorte. Messhäufigkeit CSB: täglich als 24h-Mischprobe. Quelle: gesetze-im-internet.de/abwv/anhang_28.html

• §103 WHG, Bußgeldvorschriften: Wasserhaushaltsgesetz in der geltenden Fassung, § 103 Abs. 1: Ordnungswidrigkeiten mit Bußgeldern bis 50.000 Euro. gesetze-im-internet.de/whg_2009/__103.html

• ML-Benchmarking an europäischem Papierwerk: Odhiambo et al., „AI-Driven Deployable Water Quality Management: Benchmarking Effluent BOD Prediction at a European Pulp and Paper Mill”, ACS Engineering Au, 2025/2026. 1.033 Tages-Datenpunkte (Jan. 2020 – Okt. 2022), fünf ML-Modelle (SVM, ANN, GP, DT, RF) verglichen. Bestes Ergebnis: SVM mit R²=0,85, RMSE=5,5 mg/L für BSB₅. URL: pubs.acs.org/doi/10.1021/acsengineeringau.5c00088

• UV/VIS-Spektroskopie in Papierwerk-Kläranlagen: Bodik et al., „Monitoring of a paper mill wastewater treatment plant using UV/VIS spectroscopy”, PubMed NCBI (2004). Schlüsselerkenntnis: Einzelwellenlängen-UV-Sonden versagen bei Papiersorten-Wechseln (Ligninpeak bei 280 nm charakteristisch); vollständiges Spektrum 200–750 nm erforderlich. pubmed.ncbi.nlm.nih.gov/14979532/

• Sensordrift und Fehlerdiagnose: Song et al., „SBR-Extended Kalman Filter model-based fault diagnosis and signal reconstruction for the papermaking wastewater treatment process”, ScienceDirect, Journal of Water Process Engineering (2023). Typische Sensorfehlermodi in Papierwerk-WWTP: Fixed Bias, Drift Bias, Totalausfall, Präzisionsdegradation. sciencedirect.com/science/article/abs/pii/S2214714423009406

• Hardware-Preisangaben Sensorik: Herstellerpreislisten s::can, Endress+Hauser, Xylem/WTW und GIMAT (Stand Mai 2026, auf Anfrage; Richtwerte aus öffentlichen Projektberichten und Fachmessen).

• SCADA-Integrationsaufwände: Erfahrungswerte aus industriellen Automatisierungsprojekten in deutschen Papierfabriken (anonymisiert, Stand 2024–2026).

Willst du wissen, ob dein Werk die Datengrundlage für ein erstes ML-Pilotprojekt hat, und was die realistischen Kosten für euren spezifischen Einleitpunkt wären? Meld dich für ein kurzes Erstgespräch.