EnSort
Energieeffizienzerhöhung im Abfall- und Recyclingstoff-Sortierprozess durch Anwendung von Methoden der künstlichen Intelligenz
Motivation
Die steigende Bedeutung der stofflichen Verwertung von Abfällen in Deutschland und Europa erfordert eine drastische Verbesserung der Effizienz in der Abfallbehandlung. Mit einem Recyclinganteil von 81 % und einer steigenden Menge an Siedlungsabfällen von 411,5 Mio. Tonnen im Jahr 2016 ist die Optimierung der Sortierprozesse entscheidend. Derzeitige Anlagen sind oft nur manuell anpassbar und reagieren nur verzögert auf Änderungen in der Inputzusammensetzung. Dies führt zu ineffizienten Energieverbräuchen, Überlastungen und Qualitätsproblemen. Das Projekt EnSort adressiert diese Herausforderung, indem es die Automatisierung und intelligente Steuerung von Sortieranlagen durch KI-Technologien erhöht. Ziel ist es, die Energieeffizienz zu steigern, die Auslastung der Aggregate zu optimieren und die Qualität der recycelten Materialien zu verbessern – ein entscheidender Schritt zur Erreichung der Ziele des Kreislaufwirtschaftsgesetzes und des neuen Verpackungsgesetzes.
Ziel
Das übergeordnete Ziel des Projekts EnSort ist die Steigerung der Energieeffizienz im Abfall- und Recyclingstoff-Sortierprozess durch eine signifikante Erhöhung des Automatisierungsgrades. Dazu soll ein datenbasiertes Modell als digitaler Zwilling der Sortieranlage entwickelt werden, das den komplexen Prozess simuliert und optimiert. Dieses Modell ermöglicht eine intelligente, vollautomatisierte Regelung der Gesamtanlage, die sich dynamisch an wechselnde Input- und Output-Anforderungen anpasst. Durch die Optimierung der Auslastung der Aggregate, die Anpassung der Trennprozesse an die Materialzusammensetzung und die Verbesserung der Output-Qualitäten soll der spezifische Energieverbrauch um bis zu 20 % gesenkt werden. Zudem wird die Erzeugung ganzzahliger, optimal verdichteter Ballen gefördert, was die Logistik und Verwertung vereinfacht.
Vorgehen
Das Projekt verfolgt ein systematisches Vorgehen: Zunächst werden in bestehenden Anlagen (SL Recycling Vechta, Veolia Hamburg) umfangreiche Live-Daten gesammelt, insbesondere aus den bereits vorhandenen NIR-Trennern und ergänzenden Sensoren. Diese Daten bilden die Grundlage für die Entwicklung eines digitalen Zwillings, der als hybrides Modell aus rigorosen physikalischen und datengetriebenen KI-Modellen aufgebaut wird. Die Universität Bremen entwickelt künstliche neuronale Netze zur Interpretation der Daten und Ableitung von Optimierungsvorschlägen. In einer mehrmonatigen Testphase werden die Modelle im Praxisbetrieb validiert und kontinuierlich verbessert. Dabei werden die Einstellungen der Aggregate – wie Drehzahlen, Luftvolumenströme oder Paddelbewegungen – automatisch angepasst, um die Auslastung zu maximieren und Qualitätsziele zu erreichen. Die Ergebnisse werden in einer Cloud-Umgebung gespeichert und über eine RESTful API abgerufen. Abschließend erfolgt die großtechnische Validierung in der Praxis, wobei die Energieeinsparungen und Qualitätsverbesserungen quantifiziert werden. Die Ergebnisse werden in Form von Softwarekomponenten und Best-Practice-Leitfäden an die Industrie übergeben.
Ansprechpartner
M.Eng. Marcel Wiechmann
+49 421 218-64864
mwiechmannprotect me ?!uni-bremenprotect me ?!.de
Dr.-Ing. Jan-Hendrik Ohlendorf
+49 421 218-64871
johlendorfprotect me ?!uni-bremenprotect me ?!.de