Fragen
Sensoren, Roboter und LIBS, einfach erklärt.
Was Recycler uns am häufigsten zur sensorgestützten Sortierung, zum robotischen Greifen und zur Laserspektroskopie bei Metallströmen fragen.
Sensorgestützte Sortierung
Wann sollte im Recycling sensorgestützt sortiert werden?
Sensorgestützte Sortierung wird besonders relevant, wenn die klassische mechanische Trennung an ihre Grenzen stößt.
Mechanische Verfahren trennen Materialien wirksam nach Größe, Form, Dichte oder magnetischem Verhalten. Teilen sich jedoch unterschiedlich wertvolle Materialien ähnliche physikalische Eigenschaften, liefern diese Verfahren nicht mehr die Trennschärfe, die hochwertige Fraktionen verlangen.
Die sensorgestützte Sortierung fügt eine weitere Informationsebene hinzu: Sie erkennt jedes Objekt anhand seiner optischen, physikalischen oder chemischen Merkmale. Sie ist besonders sinnvoll, wenn:
- die mechanische Trennung die geforderte Reinheit nicht erreicht;
- Materialien mit ähnlichen physikalischen Eigenschaften unterschieden werden müssen;
- eine manuelle Sortierung automatisiert werden soll;
- Personalverfügbarkeit oder Arbeitsbedingungen die Handsortierung auf Dauer schwer tragbar machen;
- mehrere unterschiedliche Wertfraktionen zurückgewonnen werden sollen;
- der Platz begrenzt ist und mehrere aufeinanderfolgende Trennstufen unpraktikabel wären.
Ziel ist nicht, eine funktionierende mechanische Trennung zu ersetzen, sondern die sensorgestützte Sortierung dort zu ergänzen, wo zusätzliche Information zusätzlichen Wert schafft.
Warum Metalle sensorgestützt sortieren?
Eine Shredderlinie trennt bereits viel: Der Magnet nimmt die Eisenmetalle, der Wirbelstromscheider wirft die Nichteisenmetalle aus, der Windsichter entfernt die Leichtfraktion. Jede dieser Maschinen trennt nach einer einzigen physikalischen Eigenschaft. Am Ende bleibt ein Strom, bei dem diese Logik nicht mehr hilft, und nur eine Messung dessen, woraus jedes Stück besteht, trennt ihn weiter.
Warum reicht eine Farbkamera nicht aus?
Eine Farbkamera liest das Licht, das von einer Oberfläche zurückkommt. Sie sagt weder, wie dick ein Stück ist, noch was unter Lack oder Oxid liegt, noch aus welchen Elementen es besteht. Zwei Metalle können unter Industriebeleuchtung gleich aussehen, und ein Stahlgehäuse und ein Elektromotor sind zwei graue Stahlteile, bis die Röntgentransmission die Kupferwicklung im Inneren sieht.
KI-Sortierung oder sensorgestützte Sortierung: Wo liegt der Unterschied?
Das sind keine konkurrierenden Technologien.
Die Recyclingbranche spricht oft von KI-Sortierung, wenn klassische RGB-Kameras mit Bildverarbeitung und Deep-Learning-Algorithmen kombiniert werden, und von sensorgestützter Sortierung bei Technologien wie Röntgen, Infrarot, Hyperspektral, LIBS oder RFA, die bestimmte physikalische oder chemische Eigenschaften des Materials messen.
In der Praxis wird diese Unterscheidung immer künstlicher. Bei Matvision interpretiert die KI Daten mehrerer Sensortypen. Statt Deep Learning nur auf Farbbilder anzuwenden, nutzen unsere Modelle Aussehen, Geometrie, Dichte, spektrale Antwort oder elementare Zusammensetzung eines Objekts.
Diese Kombination lässt die KI aus reicherer Information lernen und für jede Sortieraufgabe die passende Messtechnik wählen. Die Frage lautet also nicht „KI oder Sensoren“, sondern: Welche Sensoren liefern die nützliche Information, und wie holt die KI den größten Wert daraus?
Warum mehrere Sensoren und mehrere Sortierausgänge kombinieren?
Weil eine feine Materialerkennung ihren vollen Wert erst entfaltet, wenn die Sortieranlage auf diese Information auch reagieren kann.
Jeder Sensor liefert andere Information. RGB-Bildgebung beschreibt das Aussehen, die 3D-Messung die Geometrie, Röntgentechniken geben Auskunft über Dichte oder elementare Zusammensetzung, und LIBS erkennt Elemente und Legierungselemente. Die Kombination dieser Signale erlaubt eine deutlich feinere Klassifizierung als eine einzelne Messung.
Erkennung ist aber nur die halbe Aufgabe. Ein LIBS-System unterscheidet viele Legierungsfamilien anhand ihrer elementaren Zusammensetzung. Erzeugt die nachgelagerte Trennung nur wenige Fraktionen, bleibt ein großer Teil dieser Klassifizierungsfähigkeit ungenutzt.
Hier entfaltet die robotische Mehrfachausgang-Sortierung ihre Stärke. Statt ein reiches Klassifizierungsergebnis auf eine binäre Entscheidung zu reduzieren, geht jedes Stück in eine von mehreren Fraktionen, in einer einzigen Sortierstufe.
Matvision verbindet daher Multisensor-Erkennung mit Mehrfachausgang-Sortierung, damit mehr Intelligenz auf der Messseite unmittelbar in mehr zurückgewonnenes Material und mehr Wert auf der Sortierseite übergeht.
Ist Hyperspektralbildgebung für die Metallsortierung nützlich?
Ja, aber ihr Nutzen hängt stark vom Material und vom Sortierziel ab.
Hyperspektralbildgebung ist bei Materialien wie Kunststoffen besonders wirksam. Polymere zeigen charakteristische Absorptionsbanden, die zu bestimmten Molekülbindungen gehören. Ihre spektrale Antwort ist damit ein echter chemischer Fingerabdruck und trennt Materialien, die für eine klassische Farbkamera fast gleich aussehen.
Metalle verhalten sich anders. Ihre optischen Spektren enthalten in der Regel keine solchen charakteristischen molekularen Absorptionen, sodass Hyperspektralbildgebung nicht automatisch direkte Auskunft über die Legierungszusammensetzung gibt.
Damit ist Spektralbildgebung für Metalle nicht bedeutungslos. Oberflächenzustand, Oxidation, Beschichtungen und weitere optische Merkmale bleiben für bestimmte Trennaufgaben wertvolle Information. In solchen Fällen wird multispektrale Bildgebung interessant: Sie erfasst ausgewählte Bänder jenseits von RGB, mit einer einfacheren und industrietauglicheren Architektur als ein vollständiges Hyperspektralsystem.
Wird direkte Element- oder Dichteinformation benötigt, trennen Techniken wie LIBS, RFA oder XRT besser.
Bei Matvision gehen wir deshalb nicht von einer bevorzugten Sensortechnik aus. Wir gehen vom Trennproblem aus und wählen die Sensorkombination, die tatsächlich nützliche Information über das Material liefert.
Robotik
Warum Roboter zum Sortieren von Metallen?
Weil die Zahl der Ausgänge die Klassifizierung nicht begrenzen soll. Ein Luftdüsensortierer trennt ein Ziel aus dem Strom oder einige Fraktionen im Rahmen seiner Mechanik. Ein Roboter legt jedes erkannte Stück in den Ausgang, in dem es am meisten wert ist, und so verlassen mehrere Güten einen gemischten Strom in einem einzigen Durchgang.
Roboter oder Luftdüsen: Muss ich wählen?
Nein. Beide können auf derselben Linie arbeiten: Roboter für die Stücke, die platziert werden müssen, Luft für jene, die nur entfernt werden müssen, oder die klein, schnell oder zu zahlreich für einen Arm sind. Die Aufteilung wird in der Leistungsstudie an Ihrem Material entschieden.
Wie viele Roboter braucht eine Linie?
Das folgt dem Strom, nicht einem Katalog. Matvision Refine nutzt einen bis vier Roboter, bemessen nach dem zu entfernenden Störstoff; Matvision Grade nutzt fünf bis zwölf, einen Ausgang je Kategorie, die sich zu trennen lohnt. Eine Linie kann mit weniger Armen starten und mit dem Strom wachsen.
LIBS
Was ist LIBS?
Laserinduzierte Plasmaspektroskopie. Ein fokussierter Laserpuls verdampft eine winzige Menge Material, der Dampf wird zu einem Plasma, und ein Spektrometer zerlegt das vom Plasma ausgesandte Licht in Linien, die die Elemente am Auftreffpunkt benennen.
Warum ist LIBS für das Sortieren von Metallen relevant?
Weil es leichte Elemente wie Magnesium, Silizium, Aluminium, Lithium und Kohlenstoff erreicht, und dort liegt oft der Wert einer Fraktion: 5xxx gegen 6xxx Aluminium ist eine Frage von Magnesium und Silizium, Guss gegen Knetaluminium eine Frage der Zusammensetzung, Edelstahl 304 gegen 316 eine Frage der Legierungselemente. Die ersten Pulse entfernen zudem Beschichtung oder Oxid, die folgenden lesen das Material darunter.
LIBS oder RFA: Welches ist besser?
Keines von beiden, denn sie beantworten nicht dieselbe Frage. RFA ist stark bei schwereren Legierungselementen wie Kupfer, Zink, Nickel oder Chrom, aber ihr Signal ist die Summe von allem, was sie durchdringt, Beschichtung inbegriffen. LIBS entfernt die Oberfläche und erreicht die leichten Elemente, beschreibt aber einen Krater von wenigen hundert Mikrometern und braucht mehr Kalibrieraufwand, um reproduzierbar zu bleiben. Ihre blinden Flecken sind gegensätzlich, daher hängt die Wahl von der Trennung ab.
Wohin auf dem Stück schießt der Laser?
Dorthin, wo die Kamera es vorgibt. Die Bildgebung erfasst jedes Stück, seine Ränder und seine optisch unterschiedlichen Bereiche, und die Schüsse werden auf diese Bereiche gesetzt statt nach einem festen Muster. Ein einzelner Krater auf dem Kupfereinsatz eines Stahlkörpers läge beim Stück selbstsicher falsch; von der Kamera gewählte Schüsse machen aus einer lokalen Messung einen Beleg über das Objekt.
KI und Leistung
Kann das KI-Modell mit hoher Sicherheit falsch liegen?
Ja, und genau das ist das zu lösende technische Problem. Ein Konfidenzwert ist keine Wahrscheinlichkeit: Ein Klassifikator ordnet immer die Klassen, die er kennt, auch für ein Stück, das er nie gesehen hat. Die Kalibrierung, also wie gut die angegebene Sicherheit zur beobachteten Genauigkeit passt, lässt sich messen und korrigieren, und ein System, das weiß, wann es nicht antworten soll, ist mehr wert als eines, das immer antwortet.
Woher weiß ich, dass es mit meinem Material funktioniert?
Wir messen es, bevor etwas in ein Angebot geschrieben wird. Eine Leistungsstudie beginnt mit zwei Big Bags Ihres Materials: Wir messen seine Zusammensetzung Stück für Stück, legen die Reinheit fest, die wir gegenüber dem mit den Störstoffen verlorenen Material halten können, und schreiben beides als verbindliche Zahlen ins Angebot.
Projekte und Budget
Bauen Sie auch eine Linie für einen Strom, der nicht auf Ihrer Website steht?
Ja. Die sechs Familien auf der Anwendungsseite sind die, die uns am häufigsten begegnen, nicht die Grenze dessen, was die Maschinen können. Ein Strom außerhalb davon wird zum Projekt: Wir messen Ihr Material, legen Sensorkombination und Ausgänge fest und bauen die Linie darum herum.
Die Methode bleibt gleich: zwei Big Bags Material, eine Leistungsstudie, an Ihrem eigenen Strom gemessene Zahlen und dann eine wirtschaftlich sinnvolle Konfiguration. Neu ist nur, dass das Ergebnis Ihnen gehört statt einem Katalog zu entstammen.
Arbeiten Sie an Forschungs- und Pilotprojekten?
Ja, und so bleibt die Technik in Bewegung. Matvision ist aus dem GeMMe-Labor der Universität Lüttich hervorgegangen, beteiligt sich an europäischen F&E-Verbundprojekten und arbeitet mit Forschungsteams und Industriegruppen an Trennungen, die noch nicht gezeigt wurden.
In der Praxis kann das eine Matvision-Sense-Einheit auf einer Pilotlinie oder im Labor sein, um echte Daten zu sammeln, eine Charakterisierungskampagne an eingesandtem Material oder eine ganze Linie für einen einzigen Prozess. Konsortialpartner, die den Mess- und Sortierteil eines Projekts suchen, dürfen sich melden.
Was kostet eine Sortiermaschine?
Der Preis einer Sortiermaschine hängt unmittelbar von der Konfiguration ab, die die Anwendung verlangt. Wesentliche Kostentreiber sind Art und Zahl der Sensoren, die Zahl der Roboter, der geforderte Durchsatz und die Frage, ob ein eigener Förderer oder eine besondere mechanische Integration nötig ist.
Deshalb beginnen wir nicht mit einer Maschinenkonfiguration, die wir der Anwendung anzupassen versuchen. Wir bewerten zuerst das Material, das Sortierziel und die erwartete Wertschöpfung und legen dann die Konfiguration fest, die wirtschaftlich sinnvoll ist.
Bevor wir eine Investition empfehlen, prüfen wir den Business Case und die erwartete Rentabilität. Die auf dieser Website gezeigten Anwendungen entsprechen Sortierproblemen, für die ein tragfähiger wirtschaftlicher Fall festgestellt wurde. Die Rentabilität kann aus mehreren Quellen kommen:
- Automatisierung der Handarbeit: weniger Abhängigkeit vom Handklauben und von den damit verbundenen Personalkosten.
- Gleichbleibende Qualität: stabile Sortierleistung und weniger Risiko von Qualitätsabzügen oder herabgestuftem Material, gerade bei Personalmangel.
- Höhere Produktionskapazität: längere Betriebszeiten und weniger Einschränkungen durch die Handsortierung.
- Höherer Materialwert: Trennung nach Kriterien, die eine Bedienperson kaum gleichbleibend beurteilen kann, und damit sauberere, konzentriertere Fraktionen mit höherem Marktwert.
- Bessere Rückgewinnung: Wertstoffe werden erkannt und zurückgewonnen, die sonst in einer geringerwertigen Fraktion blieben.
Letztlich lautet die Frage nicht nur „Was kostet die Maschine?“, sondern „Wie viel zusätzlichen Wert kann die Sortierung erzeugen?“. Deshalb prüft Matvision den Business Case, bevor die endgültige Maschinenkonfiguration feststeht.
Sie sind unsicher, ob sensorgestützte Sortierung für Ihr Material oder Ihren Prozess wirtschaftlich sinnvoll ist? Sprechen Sie unser Team an, um Ihre Anwendung mit unseren Sortierfachleuten zu prüfen und technische Machbarkeit, erwartete Wertschöpfung und mögliche Rentabilität zu bewerten.
Arbeiten bei Matvision
Kann ich bei Matvision arbeiten?
Matvision vereint Robotik, künstliche Intelligenz, Elektronik, Maschinenbau und Materialwissenschaft in einem Team, das klein genug ist, dass jede Person sieht, was die Maschine aus ihrer Arbeit macht. Leidenschaft, Kreativität und Freude an ungelösten Problemen zählen so viel wie eine Zeile im Zeugnis, und die Arbeit soll Spaß machen.
Unsere aktuellen Stellen ansehen ↗
Passt keine davon und möchten Sie Ihre Fähigkeiten für eine Sache einsetzen, die den Einsatz wert ist, schreiben Sie uns mit Ihrem Lebenslauf. Ein gutes Profil, das eintrifft, bevor die Stelle existiert: So wurde der größte Teil dieses Teams eingestellt.