Mit einer KI-nativen Plattform von PolyPerception rückt bei TOMRA Recycling die Datenanalyse näher an die physische Sortiertechnik der Recyclinganlage. Zugleich erweitert das Unternehmen sein GAINnext-Ökosystem um drei neue Deep-Learning-Anwendungen für schwierige Materialströme.
Die Ankündigung fällt mit der Aufstockung der TOMRA-Beteiligung an PolyPerception auf eine Mehrheit von 51 Prozent zusammen. Damit rücken die Auswertung der Abfallstromdaten und die physische Sortiertechnik der Recyclinganlage enger zusammen.
Wenn die Anlage auf Fragen in Alltagssprache antwortet
Kern der neuen Plattform von PolyPerception ist ein KI-Agent, der als Weiterentwicklung des Waste Analyzer die Sortierleistung durch lückenloses Material-Tracking verbessert. Anlagenbetreiber können ihre Anlagendaten nun in Alltagssprache abfragen, etwa mit der Frage, wie sich eine geänderte Einstellung auf der Aufbereitungslinie auf die Reinheit ausgewirkt hat. Die Plattform erfasst den Kontext und liefert verständliche Antworten mit datenbasierter Aufschlüsselung, sodass zwischen komplexen Tabellen und operativen Entscheidungen keine technische Hürde mehr steht.
Während herkömmliche KI-Werkzeuge in der Branche auf das Lesen und Berichten von Daten beschränkt sind, verfügt die Plattform auch über Schreibfähigkeiten. Auf Basis ihres Prozesswissens erstellt sie eigenständig benutzerdefinierte Qualitätsberichte und setzt in Sekunden operative Benachrichtigungen, statt Materialströme nur zu beobachten. Nicolas Braem, CEO und Mitgründer von PolyPerception, ordnet das so ein: „Mit der Einführung unserer neuen agentenbasierten Plattform erhalten Recyclinganlagen eine neue kognitive Schicht. Daten werden nicht mehr nur berichtet, sie werden interpretiert, erklärt und in wenigen Sekunden in relevante Erkenntnisse umgewandelt. Betreiber können auf natürliche Weise mit ihrer Anlage interagieren, Fragen stellen, Materialverhalten analysieren und in Echtzeit klare, umsetzbare Antworten erhalten.“
Über die Sprachschnittstelle hinaus lässt sich die Plattform direkt in bestehende Managementsysteme einbinden. Führungskräfte rufen Abfallstatistiken oder Reinheitsgrade über ihre eigenen Dashboards ab, ohne sich in ein separates System einloggen zu müssen. Zwei neue Suchmethoden helfen zusätzlich, auf veränderte Materialströme zu reagieren. Über eine Ähnlichkeitssuche lassen sich per Rechtsklick auf ein problematisches Objekt wie eine elektronische Zigarette alle visuell ähnlichen Elemente im Strom auffinden, was das Erkennen von Brandgefahren wie Batterien erleichtert, ohne dass dafür ein neues KI-Modell trainiert werden muss. Eine Text- und Markensuche erlaubt die gezielte Suche nach Marken oder Objekttypen wie gefüllten Müllsäcken oder Windeln, sodass in Echtzeit sichtbar wird, was gerade durch die Anlage läuft.
Drei Deep-Learning-Anwendungen für schwierige Materialströme
Ergänzend zur neuen Plattform erweitert TOMRA das GAINnext-Ökosystem und damit die eigene Sortiertechnik dort, wo herkömmliche sensorbasierte Verfahren an ihre Grenzen stoßen. Die erste der drei Deep-Learning-Anwendungen richtet sich auf lebensmitteltaugliche PET-Schalen, die neben Flaschen als Rohstoff an Bedeutung gewinnen. Nach dem Training auf Tausenden Bildern unterscheidet das System Takeaway- und Supermarktschalen von Verbraucher- und Medizinverpackungen anhand von Form und Verwendungszweck und erreicht dabei Reinheitsgrade von über 95 Prozent, womit die PET-Schalensortierung zu einem wirtschaftlich tragfähigen Geschäftsmodell wird.
Im Metallbereich adressiert eine hochpräzise Anwendung sogenannte Kupferknäuel, die den in die Dekarbonisierung startenden Stahlmarkt betreffen. GAINnext identifiziert komplexe Kupfer-Stahl-Verbundwerkstoffe wie Motoranker selbst in oxidierten oder verschmutzten Strömen und macht so aus Schrott einen hochwertigen Schmelzrohstoff. Die dritte Anwendung gewinnt Aluminium aus gebrauchten Getränkedosen in Verpackungsströmen zurück. Sie wurde zunächst in Nordamerika eingeführt und anschließend für den europäischen Markt adaptiert und erreicht bei einem bis zu 33-fach höheren Durchsatz als die manuelle Sortierung eine Reinheit von 98 Prozent oder mehr, was einen automatisierten Weg für das Dose-zu-Dose-Recycling eröffnet.
Von der Sortiertechnik zur zentralen Anlagenintelligenz
Die technologischen Neuerungen fallen mit der Aufstockung der TOMRA-Beteiligung an PolyPerception auf eine Mehrheit von 51 Prozent zusammen. Damit wird die Lücke zwischen den Echtzeitdaten der Abfallströme und der physischen Sortiertechnik geschlossen. Lars Enge, EVP und Head of TOMRA Recycling, beschreibt die Richtung: „KI war schon immer Teil der DNA von TOMRA, aber was wir jetzt betreten, ist eine völlig neue Phase. Mit dem Erwerb der Mehrheitsbeteiligung an PolyPerception gehen wir über KI als Sortierwerkzeug hinaus, hin zu KI als zentraler Intelligenz der Recyclinganlage. Durch die Kombination unserer fortschrittlichen Sortiersysteme und digitalen Lösungen mit der KI-Plattform von PolyPerception schaffen wir eine End-to-End-Lösung, die nicht nur Maschinen optimiert, sondern grundlegend neu definiert, wie Anlagen betrieben werden.“
Für den Anlagenbetrieb verbindet Deep Learning damit Erkenntnisse unmittelbar mit Handlungen über die gesamte Anlage hinweg. Enge fasst die Entwicklung zusammen: „Diese Launches markieren einen echten technologischen Wendepunkt für die Branche. Deep Learning verbessert nicht mehr nur einzelne Prozesse oder löst immer komplexere Sortieraufgaben, es verknüpft Erkenntnisse direkt mit Handlungen innerhalb der gesamten Anlage. Wir gehen über Hochgeschwindigkeitserkennung hinaus und treten in eine neue Ära intelligenten, vernetzten Sortierens ein, in der komplexe Herausforderungen gelöst und Daten verstanden, kontextualisiert und direkt an den Betreiber kommuniziert werden. Einmal mehr ist TOMRA an der Spitze der Innovation, und überführt modernste KI in echten, messbaren Mehrwert für unsere Kunden.“
