Das Fraunhofer-Institut für Betriebsfestigkeit und Systemzuverlässigkeit LBF leitet im Projekt K3I-Cycling das Arbeitspaket „Recycling und Rezyklat-Herstellung“ und baut dort eine Toolbox zur Bewertung und Nachstabilisierung von Rezyklaten auf. Gemeinsam mit 16 Partnern soll damit das werkstoffliche Kunststoffrecycling von Post-Consumer-Verpackungen in quantitativer und qualitativer Hinsicht deutlich verbessert werden.
Verpackungshersteller, Recycler, Markenartikler und Kommunen erhalten dadurch erstmals belastbare Kennwerte für den Einsatz von Rezyklaten in anspruchsvollen Anwendungen. Grundlage sind eine offene KI-Schnittstelle für die gesamte Recyclingkette, eine multimodale Sensorstraße sowie Additivpakete, die die Materialeigenschaften verbessern. Gefördert wird das Vorhaben vom Bundesministerium für Forschung, Technologie und Raumfahrt BMFTR.
Machine Learning stuft Rezyklate im Kunststoffrecycling nach Qualität ein
Gemischte Leichtverpackungsabfälle sind eine anspruchsvolle Rohstoffquelle für das Kunststoffrecycling. Ihre Zusammensetzung schwankt, wobei Verunreinigungen und Alterungszustände die Qualität der daraus gewonnenen Rezyklate beeinflussen. Das Fraunhofer LBF entwickelt deshalb Methoden, mit denen sich aus diesem Materialstrom hochwertige Rezyklate herstellen lassen, und führt Herstellung wie Bewertung im Labor- und Pilotmaßstab durch.
Für die Bewertung verbindet das Institut reale Werkstoffanalytik mit Machine Learning. Polyolefin-Rezyklate werden nach Alterungszustand und Verunreinigungen klassifiziert und in Qualitätscluster eingeteilt. Daraus entstehen belastbare Materialqualitätslevel, die in neue Normen und digitale Produktpässe einfließen können. Die Toolbox des Instituts bündelt die Verfahren zur Bewertung und Nachstabilisierung.
Damit die Ergebnisse entlang der Kette anschlussfähig bleiben, hat das Projektkonsortium Workshops zur Harmonisierung der Datenweitergabe durchgeführt. Behandelt wurden Schnittstellen, Datenqualität und die Weiterentwicklung der DIN SPEC 91446 zur Materialklassifizierung von Kunststoffrezyklaten.
Im KI-Anwendungshub werden Störstoffe zusätzlich bereits auf Artikelebene erkannt und aussortiert, also vor der Zerkleinerung. Das Fraunhofer LBF steuert dazu analytische Daten zur Rezyklatqualität bei und schafft damit die Grundlage, Fortschritte in der Sortierung messbar zu machen.
Kompatibilisatoren und Stabilisatoren erweitern die Anwendungen für Rezyklate
Rezyklate entstehen aus recycelten Kunststoffen und werden meist als Regranulate weiterverarbeitet. Erst wenn Verunreinigungen entfernt und möglichst reine Kunststofffraktionen erzeugt sind, kann regranuliert werden. Geeignete Additive verbessern anschließend die Verarbeitbarkeit und die Langzeitstabilität der Rezyklate.
Besonders relevant sind geruchsreduzierende Additive sowie Kompatibilisatoren, welche die Mischbarkeit unterschiedlicher Kunststoffe erhöhen. Dazu kommen biobasierte Stabilisatoren, mit denen sich die Materialeigenschaften gezielt verbessern lassen. Das Ziel ist, Rezyklate trotz bestehender Fremdpolymergehalte für hochwertige Anwendungen wie Verpackungsfolien nutzbar zu machen.
Zusammen mit den Kennwerten aus der Werkstoffbewertung können Verpackungshersteller, Recycler und Markenartikler Rezyklate im Kunststoffrecycling genauer beurteilen und für Anwendungen einsetzen, die hohe Anforderungen an Materialqualität und Zuverlässigkeit stellen. Dazu zählen auch Verpackungen für Lebensmittelkontakt.
Der Artificial Neural Twin vernetzt die Sortierkette digital
Für die Vernetzung der Prozessschritte entwickelt das Konsortium den Artificial Neural Twin, kurz ANT, eine offene und standardisierbare KI-Schnittstelle. Sie lässt verteilte Prozessschritte miteinander kommunizieren und setzt Prozessüberwachung wie Prozessoptimierung dezentral um. Ausgetauscht werden dabei ausschließlich Daten zu den weitergegebenen Materialströmen, sodass die Hoheit über interne Daten gewahrt bleibt. Damit wird es erstmals möglich, alle Stakeholder entlang der Wertschöpfungskette digital zu vernetzen.
Technisch kombiniert der ANT Ansätze aus der Datenfusion, der modellprädiktiven Regelung und dem Deep Learning. Jeder Prozessschritt gilt als Knoten und damit als Neuron in einem neuronalen Prozessnetz. Ähnlich der aus dem Deep Learning bekannten Backpropagation tauschen die Knoten Trainingsstimuli in Form von Gradienten aus. Als Machbarkeitsnachweis werden bei einem Projektpartner zwei Anlagenkomponenten über den ANT verbunden und geregelt.
Demonstriert wird das Konzept zunächst an einem in Unity simulierten virtuellen Maschinenpark aus Schüttgutprozessen der Verpackungssortierung. Anschließend werden die ersten ANT-Knoten bei der Lobbe GmbH & Co. KG in Iserlohn installiert und in die Prozessüberwachung eingebunden. Aus dem überwachten Prozesszustand handeln die Knoten Optimierungsmaßnahmen automatisch dezentral untereinander aus und geben sie als Handlungsempfehlungen an das Personal weiter. In einer späteren Ausbaustufe sollen diese in eine vollautomatische Prozesssteuerung münden.
Über die gesamte Sortierkette von der Sammlung bis zum Endabnehmer des Rezyklats erlaubt der ANT, einzelne Parameter wie Reinheit, kurze Logistik oder einen niedrigen Preis gezielt zu optimieren. Er zeigt zudem, wo KI-gestützte Maßnahmen den Rezyklateinsatz weiter erhöhen können, etwa optimierte Logistik oder DangerSort-Systeme zur Batteriedetektion. Der DangerSort kann Lithium-Batterien sicher erkennen und ausschleusen, bevor sie Brände verursachen. Die Sortieranlagen bleiben dadurch geschützt.
Offene Sensordaten und sichere Anlagen stützen die Kreislaufwirtschaft
Die Datengrundlage liefert eine multimodale Sensorstraße, die im Projekt in Betrieb genommen wird. Mit Optik, NIR, Röntgentechnik, Terahertz und Thermographie sollen repräsentative Proben aus dem Leichtverpackungsabfall gemessen werden, im Projektverlauf rund 100.000 Objekte. Die einzelnen Objekte werden aufbereitet, gelabelt und als vollständiger Datensatz der Öffentlichkeit zur Verfügung gestellt, was Analysen von Verpackungsmaterialien wie PP, PET oder HDPE ermöglicht. An Sensorstraße und Datensatz wirken unter anderem die Fraunhofer-Institute IOSB, IIS, IZFP und FHR mit.
Weil der Datensatz allgemeingültig und übertragbar angelegt ist, kann er auch nach Projektende als Referenz dienen und Methoden wie Systeme vergleichbar machen. Er soll es zudem ermöglichen, neue Sortierfraktionen zu erschließen oder höhere Sortiergüten zu erzielen.
Industrie und Kommunen erhalten durch das KI-gestützte Kunststoffrecycling verlässlichere Entscheidungsgrundlagen und ausfallsichere Anlagen. Sie können Recyclingquoten wirtschaftlich erfüllen, CO₂-Emissionen messbar senken und die Versorgung mit Sekundärrohstoffen sichern, ein wichtiger Baustein für eine resiliente europäische Kreislaufwirtschaft. Das Fraunhofer LBF verbindet dafür seine Kompetenzen in Werkstoffbewertung, Systemzuverlässigkeit, Digitalisierung und Kreislauffähigkeit mit datengetriebener KI und führt virtuelle Entwicklung mit realer Validierung zusammen.
K3I-Cycling ist eines von zwei Innovationslaboren des KI-Anwendungshub Kunststoffverpackungen und deckt die Prozesse Sammlung, Logistik, Sortierung, Trennung und Aufbereitung ab. Das zweite Labor KIOptiPack befasst sich mit Material, Design und Produktion, sodass beide zusammen den gesamten Wertschöpfungskreislauf von Kunststoffverpackungen abbilden. Insgesamt arbeiten im Anwendungshub mehr als 50 Partner aus Wirtschaft, Wissenschaft und Gesellschaft eng zusammen.
