KI für Sägewerke: Schnittbild 15% optimieren

TL;DR

KI-gestützte Schnittbildoptimierung analysiert jeden Stamm per 3D-Scanner und berechnet das ertragreichste Schnittmuster in unter 2 Sekunden. Sägewerke steigern ihre Holzausbeute um 12–18 %, reduzieren Verschnitt um 15 % und erkennen Holzfehler wie Äste und Harzgallen automatisch. Der ROI liegt typisch bei 8–14 Monaten.

3.200 Stämme pro Schicht — jeder anders

Dienstagmorgen, ein mittelständisches Sägewerk im Schwarzwald. 3.200 Fichtenstämme liegen auf dem Rundholzplatz, Durchmesser von 18 bis 52 cm, krumm, oval, mit Ästen und Rissen. Der Einschneider muss für jeden Stamm in Sekunden entscheiden: Welches Schnittbild bringt den höchsten Wert?

Die klassische Methode: Der erfahrene Säger schätzt visuell. Bei einem guten Tag trifft er 70–75 % der optimalen Lösung. Bei 3.200 Stämmen bedeutet das: Bei 800 bis 960 Stämmen bleibt Wertschöpfung liegen. Bei einem Stammwert von durchschnittlich 85 € summiert sich das auf 40.000–60.000 € pro Monat an entgangenem Ertrag.

Der Grund: Ein erfahrener Säger berücksichtigt 3–5 Parameter. Die optimale Schnittbildberechnung erfordert 15–20 — Stammform, Ovalität, Krümmung, Astvorkommen, Holzdichte, aktuelle Marktpreise je Sortiment und die Auftragslage.

Warum klassische Optimierer nicht reichen

Lineare Schnittbildoptimierer existieren seit den 1990er Jahren. Sie berechnen das geometrisch beste Schnittmuster für einen idealisierten Zylinder. Das Problem: Kein Stamm ist ein Zylinder.

Die zusätzlichen 9–13 Prozentpunkte resultieren aus der Fähigkeit der KI, Holzfehler zu lokalisieren und das Schnittbild so zu drehen, dass fehlerfreie Bereiche in hochwertige Sortimente fallen.

Wie KI-basierte Qualitätskontrolle in der Produktion generell funktioniert, erklärt unser Grundlagenartikel.

Systemarchitektur: Vom Scanner zum Schnittbild

Die KI-Schnittbildoptimierung besteht aus vier Stufen:

1. 3D-Stammvermessung

Laserscanner oder Kamerasysteme erfassen den Stamm beim Durchlauf mit 0,5 mm Auflösung. Die Punktwolke liefert:

• Länge, Durchmesser alle 10 cm
• Ovalität und Krümmungsradius
• Oberflächentextur (Astnarben, Rinde, Risse)

2. Fehlererkennung per Computer Vision

Ein Convolutional Neural Network (CNN) klassifiziert Holzfehler aus den Scandaten:

• Äste: Position, Durchmesser, gesund/faul
• Risse: Frost-, Kern- und Schwindrisse
• Verfärbungen: Bläue, Rotkern, Nasskern
• Harzgallen: Position und Größe

Das Modell erreicht Erkennungsraten von 94–97 % bei einer Fehlalarmrate unter 3 %.

3. Optimierungsberechnung

Ein Reinforcement-Learning-Agent berechnet das wertmaximale Schnittbild unter Berücksichtigung von:

• 3D-Stammgeometrie mit Fehlerkarierung
• Aktuelle Sortimentspreise (BSH-Lamellen vs. Palette vs. Hackschnitzel)
• Auftragsbestand und Mindestmengen
• Sägeblattbreite und Maschinenbeschränkungen

4. Maschinensteuerung

Die berechneten Schnittparameter gehen per OPC UA direkt an die Steuerung:

# schnittbild-config.yaml
scanner:
  type: "laser_3d"
  resolution_mm: 0.5
  scan_speed_m_s: 2.0

fehlererkennung:
  modell: "holzfehler_cnn_v3.onnx"
  confidence_threshold: 0.85
  klassen:
    - ast_gesund
    - ast_faul
    - riss_kern
    - riss_frost
    - bläue
    - harzgalle

optimierung:
  algorithmus: "reinforcement_learning"
  sortimente:
    - name: "BSH-Lamelle"
      preis_m3: 320
      min_breite_mm: 40
      max_ast_mm: 15
    - name: "Bauholz S10"
      preis_m3: 180
      min_breite_mm: 60
    - name: "Palette"
      preis_m3: 95
  saegeblatt_breite_mm: 3.2
  max_berechnungszeit_ms: 2000

Holzfehler erkennen: Trainingsdaten und Modellaufbau

Das Herzstück der KI-Schnittoptimierung ist die Fehlererkennung. Für ein praxistaugliches Modell benötigen Sägewerke 8.000–15.000 gelabelte Bilder. Der Aufwand klingt hoch, lässt sich aber durch einen cleveren Ansatz reduzieren:

Woche 1–2: Kamerasystem installieren, Rohdaten sammeln. Jeder Stamm wird automatisch fotografiert — 3.200 Bilder pro Schicht.

Woche 3–4: Sortierexperten labeln 200 Bilder pro Tag. Transfer Learning auf einem vortrainierten ResNet-50 starten. Bereits nach 2.000 gelabelten Bildern erreicht das Modell 85 % Genauigkeit.

Woche 5–8: Active Learning — die KI markiert unsichere Fälle, die Experten labeln gezielt nach. Mit 8.000 gelabelten Bildern steigt die Genauigkeit auf 94 %.

Die Implementierung von KI-Projekten folgt auch hier dem bewährten Stufenmodell: erst Pilotphase, dann schrittweise Skalierung.

Praxis-Ergebnisse: Fallbeispiel Fichtensägewerk

Ein Sägewerk mit 120.000 fm/Jahr Einschnitt hat KI-Schnittoptimierung im Pilotbetrieb getestet:

Die leicht geringere Geschwindigkeit wird durch den massiv höheren Warenwert mehr als kompensiert. Hochgerechnet ergibt sich ein Mehrertrag von 312.000 € pro Jahr bei Investitionskosten von 185.000 € (Scanner, Kamerasystem, Software, Integration).

Wer den ROI von KI-Projekten berechnen möchte, findet dafür unsere Excel-Vorlage.

Kosten und ROI-Berechnung

Die Investitionskosten staffeln sich nach Sägewerksgröße:

Kleines Sägewerk (< 30.000 fm/Jahr):

• 3D-Scanner und Kameras: 45.000–65.000 €
• Software-Lizenz: 18.000 €/Jahr
• Integration und Schulung: 25.000 €
• Erwarteter Mehrertrag: 80.000–120.000 €/Jahr
• ROI: 10–14 Monate

Mittleres Sägewerk (30.000–100.000 fm/Jahr):

• Gesamtinvestition: 130.000–185.000 €
• Erwarteter Mehrertrag: 200.000–350.000 €/Jahr
• ROI: 6–10 Monate

Die genaue Wirtschaftlichkeitsberechnung hängt vom Sortimentsmix ab. Sägewerke mit hohem Anteil hochwertiger Sortimente (BSH, KVH) profitieren überproportional.

Marktpreise einbeziehen: Dynamische Sortimentssteuerung

Ein oft unterschätzter Vorteil der KI-Schnittoptimierung: Sie kann aktuelle Marktpreise in die Berechnung einbeziehen. Wenn BSH-Lamellen gerade 340 €/m³ bringen statt der üblichen 290 €/m³, verschiebt die KI das Schnittbild zugunsten lamellierfähiger Bretter — auch wenn die Volumenausbeute dabei leicht sinkt.

In der Praxis bedeutet das: Das Sägewerk reagiert tagesgenau auf Preissignale. Statt eines festen Schnittplans pro Woche entsteht ein flexibles, wertoptimiertes Schnittmuster. Betriebe, die dieses Feature nutzen, berichten von 5–8 % höherer Wertausbeute gegenüber rein volumenoptimierter Schnittbildberechnung.

Die Preisdaten können manuell eingepflegt oder über Schnittstellen zu Holzbörsen (z. B. EUWID, Fordaq) automatisch bezogen werden. Die KI gewichtet dabei den Auftragsbestand: Wenn 200 m³ BSH-Lamellen im Auftragsbuch stehen, priorisiert sie dieses Sortiment unabhängig vom Spotmarktpreis.

5-Schritte-Plan zur Einführung

1. Datenerhebung (Monat 1): Aktuelle Holzausbeute und Wertausbeute dokumentieren. Sortimentsmix und Preise erfassen.

2. Scannertechnik installieren (Monat 2–3): 3D-Scanner in der Zuführung montieren. Kamerasystem für Fehlererkennung einrichten.

3. Modelltraining (Monat 3–5): Holzfehler labeln, Modell trainieren, Genauigkeit validieren. Parallel Schnittbildoptimierer mit historischen Daten kalibrieren.

4. Parallelbetrieb (Monat 5–6): KI-Empfehlungen neben manuellem Betrieb anzeigen. Säger validieren die Vorschläge. Modell nachtrainieren.

5. Produktivbetrieb (ab Monat 7): Automatische Übergabe an Maschinensteuerung. Monitoring der Ausbeute-KPIs. Kontinuierliche Modellverbesserung.

Einen umfassenden Überblick über KI-Projekte im Mittelstand gibt unser Komplettleitfaden.

Häufige Fragen

Funktioniert KI-Schnittoptimierung auch bei Laubholz?

Ja, grundsätzlich funktioniert das Verfahren bei allen Holzarten. Laubholz ist wegen höherer Variabilität und mehr Fehlertypen (Drehwuchs, Spannungsrisse) anspruchsvoller. Das Modell benötigt 30–50 % mehr Trainingsdaten, erreicht aber ähnliche Verbesserungen von 10–15 %.

Wie viele Stämme braucht die KI zum Lernen?

Für ein praxistaugliches Modell benötigen Sie 8.000–15.000 gelabelte Stammbilder. Bei 3.200 Stämmen pro Schicht und 200 Labels pro Tag erreichen Sie diese Menge in 6–8 Wochen. Transfer Learning beschleunigt den Prozess: Bereits nach 2.000 Labels liefert das Modell erste brauchbare Ergebnisse.

Muss ich meine Sägelinie umbauen?

Nein, die Nachrüstung erfolgt minimalinvasiv. Der 3D-Scanner wird in der Zuführung montiert, die Kameras an der Einlaufrollenbahn. Die Anbindung an die Maschinensteuerung erfolgt per OPC UA oder serielle Schnittstelle. Die Einbauzeit beträgt 2–3 Tage, davon 4–6 Stunden Stillstand.

Was passiert bei Stämmen, die die KI nicht einordnen kann?

Stämme mit niedriger Konfidenz (unter 85 %) werden dem Einschneider zur manuellen Entscheidung vorgelegt. Typisch betrifft das 3–5 % der Stämme. Diese Grenzfälle werden gleichzeitig als Trainingsdaten für die nächste Modellversion gespeichert.

Wie integriert sich die KI in bestehende ERP-Systeme?

Die Schnittbildoptimierung liefert Daten per REST-API oder CSV-Export an ERP-Systeme wie SAP, TimberOffice oder Holzwerk. Sortimentsmengen, Ausbeute-KPIs und Qualitätsverteilungen fließen automatisch in die Auftragsverwaltung. Die Integration dauert typisch 3–5 Tage.