Metal Recycling 4.0 - Homogenous Metal Processing by Precise Quantitative Inline Analytic

Die Seite wird erstellt Aaron Richter
 
WEITER LESEN
Metal Recycling 4.0 - Homogenous Metal Processing by Precise Quantitative Inline Analytic
Abstract

                                      Metal Recycling 4.0 – Homogenous Metal Processing
                                             by Precise Quantitative Inline Analytic
                                                            Christian Bohling and Madlen Chao

                                In respect of a limited amount of raw material, costs, CO2 and waste reduction, high
                                precision metal recycling is getting more and more important these days. For example,
                                using secondary metal instead of primary reduces the required energy (saving 90 – 95 %
                                for aluminium and 15 % for steel) and the carbon dioxide production (saving 90 – 95 %
                                for aluminium and 55 % for steel) [1]. For the recirculation of recycled material into
                                the process chain the quality of the secondary material must be assured. Therefore,
                                downcycling like it is often common for aluminium alloys must be prevented which
                                can be achieved by using fast and precise sensor-based sorting systems e.g. laser-
                                induced breakdown spectroscopy (LIBS). With LIBS the waste material (scraps or
                                mixed alloys) are sorted in different classes like 1.xxx to 8.xxx for aluminium. In this
                                case the classification is realised with a combination of a principal component analysis
                                (PCA) and a neural network (NN) which were trained with LIBS spectra from various
                                samples from different aluminium alloy classes. The precise quantitative inline analytic
Metalle und Elektronikschrott

                                allows quality assurance and process efficiency. One fundament for metal recycling 4.0
                                is the digital intercommunication between different sensors and systems. It allows
                                the optimisation of processes, higher added value and development of new business
                                models. In this paper strategies for metal recycling 4.0 are presented and exemplarily
                                outlined by LIBS analysis.

                                444
Metal Recycling 4.0 - Homogenous Metal Processing by Precise Quantitative Inline Analytic
Metallrecycling 4.0 – Sortenreine Metallaufbereitung durch präzise quantitative Inline-Analyse

        Metallrecycling 4.0 – Sortenreine Metallaufbereitung
              durch präzise quantitative Inline-Analyse
                                         Christian Bohling und Madlen Chao

1.              Laserinduzierte Plasmaspektroskopie.......................................................446

2.              Der Weg zum Metallreycling 4.0................................................................449

3.              Zusammenfassung und Ausblick...............................................................453

4.              Quellen..........................................................................................................453

In Zeiten des Klimawandels, stagnierender oder rückläufiger Verfügbarkeit von Primär-
rohstoffquellen und der rasanten wirtschaftlichen Entwicklung von Schwellenländern,
insbesondere von China und Indien, erlangen geschlossene Rohstoffkreisläufe (Bild 1)
eine immer wichtigere Bedeutung. Insbesondere Deutschland profitiert vom Recycling,

                                                                                                                                       Metalle und Elektronikschrott
da es nur über wenige Bodenschätze verfügt und stark vom Import von Rohstoffen ab-
hängig ist. Durch das Recycling kann ein großer Anteil an Primärrohstoffen eingespart
werden. Durch den Einsatz von Sekundär- anstelle von Primärrohstoffen lassen sich
beispielweise bei der Stahlherstellung 15 % der eingesetzten Energie und 55 – 60 % CO2
einsparen. Bei der Aluminiumherstellung können 90 – 95 % des Energiebedarfs und
90 – 95 % CO2 eingespart werden [5]. Somit hat das Recycling sowohl ökonomische
als auch ökologische Vorteile.
Für die Rückführung der Rohstoffe in den Produktionsprozess muss die Qualität der
Sekundärrohstoffe gesichert sein. Ziel ist der Einsatz möglichst auf derselben Stufe der
Wertschöpfungskette, Downcycling ist zu vermeiden. Je nach Material wird dadurch
der Recyclingprozess komplexer und die Anforderungen an die sensorgestützte Sor-
tierung steigen. Bei einigen Metallen kann im Nachgang eine Aufreinigung erfolgen.
Beispielweise kann Stahlschrott geringerer Güte durch entsprechende sekundär-
metallische Behandlung in Stahl höherer Qualität überführt werden. Somit ist eine
Wiederverwertung ohne Qualitätsverlust prinzipiell realisierbar, verlangt jedoch einen
höheren Energieeinsatz.
Hingegen besteht beim Recycling von Aluminiumschrott die Gefahr des Downcyclings
durch minderwertige Legierungen. Daher ist hier eine sortenreine Sortierung in die
verschiedenen Legierungsklassen 1.xxx – 8.xxx und darüber hinaus in Unterklassen
mit sehr engen Konzentrationsgrenzen notwendig. Hierfür reichen die häufig im
Metallrecycling eingesetzten Röntgenfluoreszenzanalysatoren nicht aus, da zum einen
auf Grund der leichten Schlüsselelementen, wie Si und Mg, Mischungen aus 5.xxx- und
6.xxx-Legierungen nicht sauber getrennt werden können und zum anderen die Messung
nur semiquantitativ erfolgt. Insbesondere die Mischung aus 5.xxx und 6.xxx Legie-
rungen fällt zunehmend in der Automobilbranche an und nimmt durch Fortschritte

                                                                                                                               445
Metal Recycling 4.0 - Homogenous Metal Processing by Precise Quantitative Inline Analytic
Christian Bohling, Madlen Chao

                                im Leichtbau (CO2-Einsparung) einen immer größer werdenden Anteil im Aluminium-
                                schrott an. Für eine sortenreine Trennung aller Aluminiumlegierungsklassen eignet
                                sich die laserinduzierte Plasmaspektroskopie (engl. laser-induced breakdown spect-
                                roscopy, LIBS). Sie ermöglicht eine schnelle und simultane Multielementanalyse aller
                                im Material befindlichen Elemente [2].

                                                      sachgerechte
                                                       Entsorgung

                                                                                  Lebenszyklus

                                                              Recyceln                                     Produktion
                                          Rohstoffabbau
Metalle und Elektronikschrott

                                                                                  Sekundärrohstoff

                                          Primärrohstoff

                                Bild 1:       Schematische Darstellung der Wertschöpfungskette von Aluminium in einer funktionie-
                                              renden Kreislaufwirtschaft

                                1. Laserinduzierte Plasmaspektroskopie
                                Bei der LIBS wird ein hochenergetischer, kurz gepulster Laserstrahl auf die Proben-
                                oberfläche fokussiert. Durch den Energieeintrag des Lasers wird ein Teil des Proben-
                                materials ablatiert und in ein Plasma überführt. Während das Plasma abkühlt wird
                                elementspezifische Strahlung emittiert, welche Rückschlüsse auf die Zusammensetzung
                                der Probe gibt. Über eine optische Faser wird die Strahlung in ein Spektrometer gelei-
                                tet und als Atomemissionsspektrum aufgezeichnet (Bild 2). Jeder Peak im Spektrum
                                kann aufgrund seiner zugehörigen Wellenlänge einem Element zugeordnet werden.
                                Aus der Lage der Peaks ergeben sich also qualitative Informationen zur analysierten
                                Probe. Quantitative Informationen können aus der Peakhöhe oder Peakfläche er-
                                mittelt werden [1]. Hierzu muss zunächst eine matrixangepasste Kalibrierung mithilfe
                                von geeigneten Referenzmaterialien erstellt werden. Das Verfahren ist berührungslos,
                                erfordert bei geeigneter Laservorreinigung keine Probenvorbereitung und liefert
                                Ergebnisse innerhalb weniger Millisekunden. Bei Wahl geeigneter Strahlquellen sind
                                LIBS Systeme sehr wartungsarm und langzeitstabil.

                                446
Metal Recycling 4.0 - Homogenous Metal Processing by Precise Quantitative Inline Analytic
Metallrecycling 4.0 – Sortenreine Metallaufbereitung durch präzise quantitative Inline-Analyse

                                                 Intensität,
                                                 Counts
                                                 70.000                        Al
                                                                               Ca
               Laserpuls
                                                 60.000
                               Spektrometer                         Mg
                                                 50.000
     Linse                                                                          Na
                                                 40.000
                                                                          Cu    Fe         H
                                                 30.000                                               O

                                  Faseroptik                       Si
                                                 20.000
                                                                                                              N
     Plasma
                                                 10.000
                Probe
                                                         0
                                                             200        300    400 600     700         800        900
                                                                                Wellenlänge, nm

Bild 2:       Schematische Skizze der Funktionsweise von LIBS (links) und ein daraus resultierendes
              Atomemissionsspektrum (rechts)

                                                                                                                          Metalle und Elektronikschrott
In diesem Artikel wird der Ablauf einer sortenreinen Sortierung basierend auf einem
LIBS-Sensor am Beispiel von verschiedenen Aluminiumschrotten in die verschiedenen
Legierungsklassen 1.xxx – 8.xxx näher erläutert. Bild 3 zeigt, wie vielfältig die Formen
und Zusammensetzungen von Schrottteilen sein können.

            Aluminium           niedriglegierte Stähle       hochlegierte Stähle            Titanlegierungen
      (Si, Mg, Mn, Cr, Zn,…)        (Mn, Cr, Ti, Al,           (Mo, Cr, Ni, Si,          (Ti Al6 V4, Ti Al3 V2.5,
                                      Si, Cu,…)                 Mn, Cu, P, …)                    Ti 99, ...)

Bild 3:       Formen verschiedener Schrottteile aus unterschiedlichen Metalllegierungen

Aufgrund der verschiedenen Formen und Höhen der Schrotteile ergeben sich einige
Herausforderungen für eine präzise und sortenreine Sortierung in die verschiedenen
Legierungsklassen. Um eine robuste Spektrenaufnahme und Quantifizierung von
Nebenelementen zu gewährleisten, muss der Laserstrahl optimal auf die Probe fokus-
siert werden. In dem von der SECOPTA entwickelten LIBS-Sensor für Inline-Analytik,
dem sogenannten MOPA-LIBS, ist eine dynamische Fokussiereinheit für die Sortierung
auf dem Förderband integriert, bei der ein Laser die Oberfläche des Objekts konti-
nuierlich abfährt. Das von der Objektoberfläche reflektierte Licht wird anschließend in
einem speziellen Winkel, in Abhängigkeit zum Laserstrahl, vom kalibrierten Distanz-
sensor detektiert und anhand dessen ein Höhenprofil vom Objekt erstellt. Das dynami-
sche Fokussieren ermöglicht so eine Variation der Objekthöhe von etwa 140 mm [3].
Schrottteile weisen häufig Verschmutzungen, Beschichtungen oder Farbrückstände auf,

                                                                                                                    447
Metal Recycling 4.0 - Homogenous Metal Processing by Precise Quantitative Inline Analytic
Christian Bohling, Madlen Chao

                                die die LIBS-Analyse negativ beeinflussen. Um diesen Störfaktor zu eliminieren, wird
                                vor der eigentlichen Analyse mit dem LIBS-Laser ein zusätzlicher Vorablationslaser,
                                der die Oberfläche reinigt, vorgeschaltet. Der Vorablationslaser gräbt eine Spur von
                                einigen Mikrometern in die Oberfläche und ermöglicht so eine Analyse des reinen
                                Materials in tieferen Schichten mithilfe des LIBS-Lasers (Bild 5 und 6). Nach dem
                                Messen erfolgt eine automatisierte Auswertung der Spektren durch multivariate
                                Auswertemethoden. Im Fall von Aluminium wird zunächst mit einer Kombination
                                aus einer Hauptkomponentenanalyse (engl. principal component analysis, PCA) und
                                einem neuronalen Netz eine Klassifizierung der Proben in die Klassen Aluminium und
                                nicht-Aluminium durchgeführt. Anschließend erfolgt anhand der mit der Partial Least
                                Squares Regression (PLSR) erstellten Aluminiumkalibriermethode eine Einteilung in
                                die verschiedenen Aluminiumlegierungsklassen.
Metalle und Elektronikschrott

                                                                                           LIBS Laser
                                                               Vorablationslaser
                                 Distanzsensor

                                                               Bandlaufrichtung

                                Bild 4:     Sortierungen von Schrottteilen mithilfe des Mopa-LIBS auf einem Förderband mit
                                            Bandgeschwindigkeiten von bis zu 3 m/s

                                Das MOPA-System verfügt über verschiedenste Selbstdiagnosemechanismen, z.B. für
                                die Spektrometertemperatur und die Laserparameter, die direkt mit der Systemsoftware
                                gekoppelt sind und dem Anwender durch Fehlermeldungen helfen die Prozessabwei-
                                chungen oder Störung zu erkennen und zu beseitigen. Des Weiteren erfolgt eine Über-
                                prüfung der Analysenmethode durch das Messen von Kontrollproben in definierten
                                Abständen. Die Messergebnisse werden mit sogenannten Regelkarten abgeglichen.
                                Befinden sich die Werte innerhalb der festgelegten Grenzbereiche kann das System
                                weiter betrieben werden. Liegen die Werte außerhalb der festgelegten Grenzbereiche
                                muss das System auf Fehlerquellen (verschmutze Optiken, defektes Schutzglas) hin
                                geprüft werden und ggf. rekalibriert werden.

                                448
Metal Recycling 4.0 - Homogenous Metal Processing by Precise Quantitative Inline Analytic
Metallrecycling 4.0 – Sortenreine Metallaufbereitung durch präzise quantitative Inline-Analyse

           LIBS Messung
                                                                 LIBS Laser
                               Vorablation   Distanz-           Vorablationlaser
                                             sensor                                Band
                                                                                       laufr
                                                                                               ichtu
                                                                                                    ng

          Ba
            nd
               lau
                  fri
                     ch
                        tu
                          ng

Bild 5:        Schematische Darstellung der LIBS-Messung; zunächst erfolgt eine Vorreinigung der
               Materialoberfläche mithilfe eines Vorablationslasers und anschließend die Analyse des
               reinen Probenmaterials mit dem LIBS-Laser

                                                                                                             Metalle und Elektronikschrott

Bild 6:        Mikroskopaufnahme der vorablatierten Spur vom Vorablationslaser und dem Wirkungs-
               trichter vom LIBS-Laser für verschiedene Metallstücke

                                                        2. Der Weg zum Metallreycling 4.0
Die Prozesse in der Abfallwirtschaft und dem Recycling sind immer noch stark
analog ausgeprägt [4]. Die Digitalisierung bietet Chancen, bestehende Prozesse zu
optimieren, die Wertschöpfung zu erhöhen oder gar ganze neue Geschäftsmodelle
zu erschließen. Zukünftig werden die Daten der in der sensorbasierten Sortierung
eingesetzten Sensoren über den eigentlichen Sortiervorgang hinaus als Basis solcher
Digitalisierungsstrategien dienen.

                                                                                                       449
Metal Recycling 4.0 - Homogenous Metal Processing by Precise Quantitative Inline Analytic
Christian Bohling, Madlen Chao

                                Das beginnt im einfachsten Fall mit der Anzahl der in die unterschiedlichen Klassen
                                sortierten Schrottstücke. Entscheidend sind am Ende jedoch die sortierte Masse und die
                                Zusammensetzung der Zielfraktionen. Schon heute lässt sich durch die Verknüpfung
                                mit Bandwaagen oder Waagesystemen an den Austragungsbehältern eine Massenbilanz
                                erzeugen und auf Basis dieser Wirtschaftlichkeitsbetrachtungen anstellen. In vielen
                                Fällen ist aber auf Grund der Bandgeschwindigkeit und der parallelen Bandbelegung
                                der Einsatz von klassischen Waagen nur sehr eingeschränkt möglich.
                                Hier lassen sich die in automatisch fokussierenden LIBS-Systemen eingesetzten Form-
                                erfassungssysteme als Datenquellen nutzen. Die Daten enthalten Informationen über
                                die einzelnen sortierten Objekte. Die Formdaten liegen dabei entweder als Schnitt
                                durch das Objekt (punktuelle Abstandsmessung und lineare Bewegung des Objektes)
                                oder Oberflächenform (2D-Linien-Scan in Kombination mit linearer Bandbewegung
                                oder 3D-Kamerasystem) vor. Jedoch lassen die Daten aufgrund der nur teilflächigen
                                Beschreibung der Schrottobjekte nur begrenzt direkte Rückschlüsse auf das Objekt-
                                volumen und die Objektmasse zu. Es werden daher Algorithmen benötigt, die es
                                ermöglichen, aus sehr stark verrauschten Datenströmen möglichst in Echtzeit und
                                mit begrenzter Rechenleistung Zielgrößen abzuschätzen.
                                Im Bereich der chemometrischen Analyse von Spektraldaten werden seit vielen Jahre
Metalle und Elektronikschrott

                                Methoden der künstlichen Intelligenz und des maschinellen Lernens eingesetzt.

                                                                                           Bild 7:

                                       Gruppe 1: Stühle             Gruppe 2: Tische       Neuronale Netze sind in der Lage,
                                                                                           aus einer Vielzahl von Informa-
                                                                                           tionen die wesentlichen Faktoren
                                                                                           herauszuarbeiten und auf Basis
                                                                                           von Trainingsdaten Aussagen auf
                                                                                           unbekannte Daten zu extrapolie-
                                                                                           ren. In diesem Beispiel reicht
                                                                                           die alleinige Information über
                                                                                           Material, Anzahl der Beine, etc.
                                                                                           nicht für eine eindeutige Klassi-
                                                                                           fizierung aus. Erst das Muster
                                                                                           im Zusammenspiel aller Daten
                                                                                           ermöglicht die Klassifizierung.

                                Im Trainingsmodus (Bild 7) werden dem System repräsentative Mengen der zu unter-
                                scheidenden Gruppen präsentiert. Während des Lernprozesses erkennt das System im
                                Rahmen einer Feedbackschleife welche Anteile der Informationen jeweils charakte-
                                ristisch für eine einzelne Gruppe sind und welche lediglich die Streuung innerhalb
                                der Gruppen abbilden.
                                Die Erzeugung des neuronalen Netzes, das letztlich ein mathematisches Modell zur
                                Verknüpfung einer Eingangsgröße (z.B. eines Spektrums) mit einer Ausgangsgröße
                                (z.B. der Übereinstimmung mit einer bestimmten Klasse) darstellt, erfolgt anhand von
                                Trainingsdaten. Dabei wird das mathematische Modell innerhalb des neuronalen Netzes
                                in kleinen Schritten und vielen Milliarden Iterationsschritten solange optimiert, bis der

                                450
Metallrecycling 4.0 – Sortenreine Metallaufbereitung durch präzise quantitative Inline-Analyse

Trainingsdatensatz zu den gewünschten Zieldaten führt. Voraussetzung dafür, dass das
so entstandenen neuronale Netz später auch unbekannte Daten richtig klassifiziert, ist
die sorgfältige Auswahl des Sets an Lerndaten. Diese sollen möglichst alle zukünftig
zu erwartenden Störgrößen berücksichtigen. Zum Erstellen eines neuronalen Netzes
gehört daher auch immer ein unabhängiger Validierdatensatz, um das sogenannte Over-
fitting zu verhindern. Die genaue Vorgehensweise ist in Bild 8 grafisch veranschaulicht.
Im Fall von LIBS werden die aus den Messungen erhaltenen, vorgefilterten Spektren
in das neuronale Netz gegeben und durch dieses bewertet (Bild 9). Die Klassifizierung
von unbekannten Proben wird in der Sortierung, beim Vergleich von Proben und zur
Detektion von Abweichungen bei Standards eingesetzt.

                                        neuronales Netz
          Eingabe: 60 Einzelspektren                             Ausgabe: Werte hoher Signifikanz

                                                                            vollständige
                                                                          Übereinstimmung

          20 Spektren für jedes                                      Cu       Zn       AI
               Material von
          verschiedenen Proben               ?                        1
                                                                      0
                                                                      0
                                                                               0
                                                                               1
                                                                               0
                                                                                       0
                                                                                       0
                                                                                       1

                                                                                                            Metalle und Elektronikschrott
Bild 8:     Kalibrierung von neuronalen Netzen am Beispiel der Sortierung von Cu-Zn-Al-Legie-
            rungen gezeigt: Für das Training eines neuronalen Netzes werden die Eingangsdaten
            mit den Zielgrößen in Übereinstimmung gebracht. Im Fall von LIBS-Analysen handelt
            es sich bei den Eingabedaten um LIBS-Spektren von verschiedenen Proben, die sich
            aufgrund ihrer Materialzusammensetzung in verschiedene Gruppen einteilen lassen.
            Beim Kalibrierprozess wird nach der bestmöglichen Verbindung zwischen Eingabe- und
            Ausgabedaten gesucht und jede kalibrierte Klasse erhält für die signifikanten Parameter
            Werte zwischen 1 und 0.

     Spektrum          Eingabe         neuronales Netz        Ausgabe               Klassifizierung

                      145
                      289
                      507 Vektor-                           0,9 Vektor-               Klasse A
                      432 dimension                        0,06 dimension          Gemeinsamkeit:
                      420   2048                           0,04     3                  90 %
                      106
                       M

Bild 9:     Verwendung eines neuronalen Netzes (vorherige Kalibrierung notwendig) zur Klassi-
            fikation unbekannter Daten am Beispiel von LIBS-Spektren: Als Eingabedaten dienen
            Einzel- oder gemittelte LIBS-Spektren. Die Ausgabedaten ermitteln den Grad der
            Übereinstimmung der Eingabedaten mit den Kalibrierdaten. Dieser Erkennungsmodus
            benötigt extrem wenig Rechenleistung und ist daher schnell (< 1 ms) und effizient. Durch
            das Festlegen eines Schwellwertes (z.B. > 0,9) kann eine vollautomatische Entscheidungs-
            findung erfolgen.

                                                                                                      451
Christian Bohling, Madlen Chao

                                Neben der Spektralanalyse lassen sich solche selbstlernenden Algorithmen aber auch
                                einsetzen, um das Gewicht einzelner Objekte aus den Linien- oder Oberflächendaten
                                zu berechnen. Dazu werden in einem Lernschritt eine Vielzahl von Objekten mit dem
                                System vermessen und jeweils mit einer Waage das Gewicht der Objekte bestimmt. Auf
                                Basis dieser Daten wird ein neuronales Netz oder ein anderer selbstlernender Algorith-
                                mus trainiert. Mit diesem Datenmodell wird nun im Betrieb von jedem Objekt neben
                                der chemischen Analyse auch das Gewicht bestimmt. Aus diesen Daten lässt sich dann
                                das Gewicht und die Zusammensetzung jeder einzelnen sortierten Klasse (z.B. Inhalt
                                eines Containers) bestimmen.
                                Dies ermöglicht eine online-
                                •     Bestimmung von Menge, Zusammensetzung und (in Verknüpfung mit einer exter-
                                      nen Datenbank) eine Bestimmung des Wertes jeder einzelnen Sortierfraktion, und
                                •     Bewertung des Eingangsstromes bzgl. Zusammensetzung und (mit einer externen
                                      Datenbank) eine Bestimmung des Wertes.
                                Wozu lassen sich diese Daten darüber hinaus nutzen?
                                Im einfachsten Fall können die Werte zur betriebswissenschaftlichen Steuerung des
Metalle und Elektronikschrott

                                Sortierprozesses genutzt werden. Hier besteht zusätzlich die Möglichkeit die bei der
                                klassischen Sortierung fixen Sortierkriterien (etwa Si < 0,5 Gew.-% → Fraktion A,
                                Si > 0,5 Gew.-% → Fraktion B) flexibel zu gestalten und somit die einzelnen Boxen auf
                                genaue Zielzusammensetzungen einzustellen. Durch die zusätzlichen Informationen
                                kann der Prozess optimiert werden und das Recycling noch effizienter gestaltet werden.
                                (Advanced Circular Economy).
                                Entscheidendes Merkmal von Industrie-4.0-Ansätzen ist jedoch die Vernetzung unter-
                                schiedlicher Datenquellen. Zukünftig lassen sich z.B. folgende Datenströme miteinander
                                verknüpfen:
                                •     Masse und Zusammensetzung des Eingangsstromes,
                                •     Masse und Zusammensetzung aller Sortierfraktionen,
                                •     aktuelle Rohstoff- und Schrottpreise,
                                •     Wechselkurse,
                                •     Anforderungen der Kunden, z.B. von Remeltern in Echtzeit, und
                                •     Verfügbarkeit von verschiedenen Inputströmen und deren Preise.
                                Aus dieser Datenverbindung lassen sich betriebswirtschaftliche Modelle entwickeln, die
                                eine deutliche Erhöhung der Wertschöpfung des Recyclingprozesses ermöglichen. Zur
                                Erstellung solcher Modelle lassen sich nun wieder Verfahren der künstlichen Intelligenz
                                einsetzen, um aus Vergangenheitsdaten optimale Betriebsmodi abzuleiten.
                                Die beispielhaften Ausführungen bieten nur einen kleinen Einblick in die zukünftigen
                                Möglichkeiten, die in der Kombination von maschinellem Lernen und der Nutzung der
                                Daten von Sensoren der sensorbasierten Sortierung und vielen weiteren technischen
                                und betriebswirtschaftlichen Datenquellen liegen.

                                452
Metallrecycling 4.0 – Sortenreine Metallaufbereitung durch präzise quantitative Inline-Analyse

    spektrale Analyse         Gewichtsanalyse         Festlegen eines      neue
                                                      Schwellwertes        Geschäftsmodelle
    Eingabe:                  Eingabe:                Eingabe:             Eingabe:
    • Spektrum                • Form (3D Info)        • Daten jedes        • Sensordaten
                                                        Containers         • viele externe Quellen
                                                      • externe Quellen
    Ausgabe:                  Ausgabe:                Ausgabe:             Ausgabe:
    • Objektklassifizierung   • Objektgewicht         • Schwellwert        • Prozessoptimierung
    • Konzentration           • Gesamtmasse Objekte   • Sortierkriterium     in Echtzeit
                              • Gewicht und           • Optimierung
                                Zusammensetzung
                                jeder Fraktion

Bild 10:     Einsatzmöglichkeiten von maschinellem Lernen im Bereich der sensorbasierten Sortie-

                                                                                                           Metalle und Elektronikschrott
             rung: diese reichen von der einfachen Messdateninterpretation bis zu neuen Geschäfts-
             modellen.

                                                      3. Zusammenfassung und Ausblick
Die LIBS-Technik bietet eine präzise, schnelle und sortenreine Sortierung von Schrotten
in die verschiedenen Legierungsklassen. Die Möglichkeit innerhalb weniger Milli-
sekunden relativ genaue quantitative Analysen der Elementarzusammensetzung durch-
zuführen ist dabei ein entscheidender Mehrwert.
Durch Bestimmung der Schrottmasse aus bereits vorhandenen Sensordaten lassen sich
die Werte im Sortierstrom quantifizieren und Optimierungen durchführen.
Die Fusion vieler Daten (Sensordaten / betriebswirtschaftliche Daten / externe Daten)
wird zukünftig massive Erhöhungen der Wertschöpfung im Recyclingprozess ermögli-
chen und zudem zu neuen, heute erst ansatzweise zu erkennenden Geschäftsmodellen
führen.

                                                                                        4. Quellen
[1] Cremers, D. A.; Radziemski, L. J.: Handbook of Laser‐Induced Breakdown Spectroscopy. John
    Wiley & Sons. 2013
[2] Grimes, S.; Donaldson, J.; Gomez, G. C.; Brewster, R.: Report on the Environmental Benefits of
    Recycling. Bureau of International Recycling (BIR), 2008, S. 1–51
[3] Jochum, T.; Günther, J.-U.; Bohling, C.: Material Analysis in Fast Industrial Processes by LIBS.
    PhotonicsViews, 16. 2019, S. 56–59
[4] Klinken, M.: Wie aus analogen Ist-Prozessen digitale Soll-Prozesse werden. EU-Recycling, Sep-
    tember 2019, S. 10-12
[5] Miziolek, A.W.; Palleschi, V.; Schechter, I.: Laser-Induced Breakdown Spectroscopy. Fundamen-
    tals and Applications. Cambridge University Press, 2006

                                                                                                     453
Christian Bohling, Madlen Chao

                                                    Ansprechpartner
                                                   Dr. Christian Bohling
                                                   Secopta analytics GmbH
                                                   Geschäftsführer
                                                   Rheinstr. 15B
                                                   14513 Teltow, Deutschland
                                                   +49 3328 35403-11
                                                   +49 15129134582
                                                   christian.bohling@secopta.de

                                                   Madlen Chao
                                                   Secopta analytics GmbH
                                                   Applikationsingenieurin
                                                   Rheinstr. 15B
                                                   14513 Teltow, Deutschland
                                                   +49 15226301542
                                                   madlen.chao@secopta.de
Metalle und Elektronikschrott

                                454
Bibliografische Information der Deutschen Nationalbibliothek
         Die Deutsche Nationalbibliothek verzeichnet diese Publikation in der
         Deutschen Nationalbibliografie; detaillierte bibliografische Daten sind im
         Internet über http://dnb.dnb.de abrufbar

Olaf Holm • Elisabeth Thomé-Kozmiensky • Daniel Goldmann • Bernd Friedrich (Hrsg.):
                          Recycling und Sekundärrohstoffe – Band 13

ISBN 978-3-944310-51-0 Thomé-Kozmiensky Verlag GmbH

Copyright: Elisabeth Thomé-Kozmiensky, M.Sc., Dr.-Ing. Olaf Holm
Alle Rechte vorbehalten

Verlag: Thomé-Kozmiensky Verlag GmbH • Neuruppin 2020
Redaktion und Lektorat: Dr.-Ing. Olaf Holm
Erfassung und Layout:      Janin Burbott-Seidel, Martin Graß, Cordula Müller,
                           Claudia Naumann-Deppe, Sarah Pietsch, Roland Richter,
                           Gabi Spiegel, Ginette Teske, Elisabeth Thomé-Kozmiensky
Druck:                     Beltz Grafische Betriebe GmbH, Bad Langensalza

Dieses Werk ist urheberrechtlich geschützt. Die dadurch begründeten Rechte, insbesondere die der
Übersetzung, des Nachdrucks, des Vortrags, der Entnahme von Abbildungen und Tabellen, der Funk-
sendung, der Mikroverfilmung oder der Vervielfältigung auf anderen Wegen und der Speicherung
in Datenverarbeitungsanlagen, bleiben, auch bei nur auszugsweiser Verwertung, vorbehalten. Eine
Vervielfältigung dieses Werkes oder von Teilen dieses Werkes ist auch im Einzelfall nur in den Grenzen
der gesetzlichen Bestimmungen des Urheberrechtsgesetzes der Bundesrepublik Deutschland vom
9. September 1965 in der jeweils geltenden Fassung zulässig. Sie ist grundsätzlich vergütungspflichtig.
Zuwiderhandlungen unterliegen den Strafbestimmungen des Urheberrechtsgesetzes.
Die Wiedergabe von Gebrauchsnamen, Handelsnamen, Warenbezeichnungen usw. in diesem Werk
berechtigt auch ohne besondere Kennzeichnung nicht zu der Annahme, dass solche Namen im Sinne
der Warenzeichen- und Markenschutz-Gesetzgebung als frei zu betrachten wären und daher von
jedermann benutzt werden dürfen.
Sollte in diesem Werk direkt oder indirekt auf Gesetze, Vorschriften oder Richtlinien, z.B. DIN, VDI,
VDE, VGB Bezug genommen oder aus ihnen zitiert worden sein, so kann der Verlag keine Gewähr
für Richtigkeit, Vollständigkeit oder Aktualität übernehmen. Es empfiehlt sich, gegebenenfalls für
die eigenen Arbeiten die vollständigen Vorschriften oder Richtlinien in der jeweils gültigen Fassung
hinzuzuziehen.
Sie können auch lesen