Intelligente LVP-Sortierung: Kooperation schafft Innovation
In der Leichtverpackungs-Sortieranlage der ALBA Group in Leipzig entfernt das Deep-Learning-System „GAIN“ mit hoher Präzision Silikonkartuschen aus dem Strom der Verpackungsabfälle. Ein weiterer Schritt in Richtung Automatisierung, den ALBA gemeinsam mit dem langjährigen Technologiepartner TOMRA erprobt und umgesetzt hat. Im Interview beschreiben Werksleiter René Ottlinger (ALBA) und Thomas Heder, Senior Technical Manager Waste Europe bei TOMRA Recycling, welche Vorteile der Einsatz künstlicher Intelligenz und Sensorik heute und in Zukunft bietet.
Herr Ottlinger, in Ihrer Anlage arbeiten Sie seit vielen Jahren mit Nahinfrarot-Trennern (NIR) – bis heute die maßgebliche Technologie in der LVP-Sortierung. Warum haben Sie sich zusätzlich für den Einsatz des Deep-Learning-Systems GAIN entschieden?
René Ottlinger: Es gibt einige Aufgaben, die sich mit der konventionellen Technik nicht zufriedenstellend lösen lassen. Dazu gehört das Aussortieren von Kartuschen, die oft noch Reste von Silikon oder Klebstoff enthalten und in der Verwertung Probleme verursachen können. Herkömmliche NIR-Trenner erkennen die Kunststoffart, nicht aber die Form. Und da die Kartuschen genau wie viele andere Verpackungen aus Polyethylen bestehen, lassen sie sich über das klassische NIR-Spektrum nicht von anderen länglichen PE-Objekten unterscheiden. In der Vergangenheit wurden sie deshalb von Hand aussortiert. Um diesen Schritt zu automatisieren, haben wir verschiedene technische Ansätze getestet und uns schließlich für das GAIN-System entschieden.
GAIN steht im Englischen für Gewinn – AI für Künstliche Intelligenz (KI). Wie funktioniert das System? Was leistet die „intelligente“ Sortierung?
Thomas Heder: Einfach erklärt wird mit Deep Learning menschliches Lernen nachgeahmt; die KI-Methode imitiert die Aktivität einer großen Anzahl von Neuronenschichten im menschlichen Gehirn. Wenn Menschen Objekte oder Materialien identifizieren, stellen Sie Verbindungen zwischen dem her, was sie kennen, und dem, was sie gerade sehen. Genau das bringt man auch dem Computer bei. Im Fall der PE-Silikonkartuschen haben wir die Maschine mithilfe von Tausenden von Bildern darauf trainiert, diese spezifischen Objekte anhand der Kameradaten aus einem Polyethylen-Strom auszusortieren. Auch verformte, gebündelte oder teilweise zerstörte Kartuschen werden erkannt und mit Luftdruckdüsen ausgeschossen.
Gab es bei der Umrüstung auf die neue Technologie besondere Herausforderungen zu bewältigen?
René Ottlinger: Wir haben den Innovations-Schritt gemeinsam mit unserem langjährigen Technologiepartner TOMRA umgesetzt – dadurch ergaben sich einige Vorteile. So konnten wir die auf Deep Learning basierende Erweiterung an unsere bestehenden AUTOSORT NIR-Trenner anschließen und die erforderlichen Umbaumaßnahmen hielten sich in Grenzen. 2020 haben wir GAIN im laufenden Betrieb erprobt. Dabei kam es zunächst zu einer Übersortierung, das heißt, es wurden neben den Silikonkartuschen zum Teil auch „gute“ längliche PE-Objekte aussortiert. Durch das gezielte „Training“ des Systems wurde jedoch schnell die gewünschte Leistung erreicht; dabei konnten viele technische Einstellungen per Fern-Support vorgenommen werden. Seit 2021 läuft GAIN bei uns erfolgreich im Regelbetrieb.
Thomas Heder: Von der Kunststoffartentrennung über die Sortierung von Folien über NIR: Gemeinsam haben wir in den vergangenen Jahren bereits zahlreiche Projekte umgesetzt, um die Sortierung immer weiter zu optimieren. Wir sind also ein eingespieltes Team – davon profitieren beide Seiten.
Welche Verbesserungen konnten Sie erzielen?
René Ottlinger: Grundsätzlich ist es unser Ziel, Material in durchgängig hoher Qualität für unsere Verwertungspartner bereitzustellen. Für die PE-Fraktion bedeutet das nicht zuletzt „null Kartuschen“. Mit zwei hintereinander geschalteten GAIN-Maschinen schaffen wir es, nahezu 100 Prozent der störenden Kartuschen auszusortieren. Wichtig ist uns dabei vor allem auch die Sicherheit und Stabilität der Leistung. Die Automatisierung trägt dazu bei, Fehler zu minimieren und die Prozesseffizienz insgesamt zu erhöhen.
Welche Rolle spielen künstliche Intelligenz und Sensorik in der Recyclingwirtschaft der Zukunft? Wo sehen Sie weitere Potenziale?
Thomas Heder: Für Deep Learning gilt: Alles, was wir als Menschen gut sehen und erkennen, kann prinzipiell über die Technologie automatisiert werden. Aktuell kommt GAIN auch schon in der Altholzsortierung zum Einsatz. Grundsätzlich wird der Grad der Automatisierung in der Recyclingwirtschaft sicherlich noch weiter voranschreiten. Wenn eine Anlage zum Beispiel nicht auf dem optimalen Betriebspunkt läuft, können KI-gestützte Systeme diese sogenannten Anomalien erkennen und gegensteuern.
René Ottlinger: Dies ist besonders interessant im Hinblick auf die stark schwankende Zusammensetzung des Inputs. In der Anlage der Zukunft könnte KI eine permanente Analyse des Input-Materials unterstützen, so dass die Aggregate sich selbstständig auf den Input einstellen und die Anlage damit ständig ein Maximum an Qualität, Effizienz und Quantität erreicht. Ich bin überzeugt, dass sich die LVP-Sortierung Schritt für Schritt in diese Richtung weiterentwickelt. Wir hier in Leipzig sind jedenfalls immer offen für technologische Innovationen. (Karin Thissen)
Weitere Informationen:
Mit dem Laden des Tweets akzeptieren Sie die Datenschutzerklärung von Twitter.
Mehr erfahren
Verwandte Artikel
- Künstliche Intelligenz im Praxistest
- Wie lässt sich der Rezyklateinsatz steigern?
- Die Wertstoffwende: Von Industrie 4.0 zu Recycling 4.0
(Foto: TOMRA)
Artikel drucken
