Der thermische Fingerabdruck schwarzer Kunststoffe
Infrarot-Bildgebung klassifiziert schwarze Kunststoffe für den Recycling-Kreislauf
Recyclingfähigkeit ist längst kein freiwilliges Nachhaltigkeitsziel mehr, sondern eine regulatorische Pflicht. So gibt die Europäische Union ambitionierte Recyclingziele aus. Besonders schwarze Kunststoffe sind im Fokus der Forschung, da sie sich mit etablierten Sortiertechnologien nicht zufriedenstellend erfassen lassen. Ein neuer Ansatz aus dem Fraunhofer-Institut für Zerstörungsfreie Prüfverfahren IZFP liefert nun vielversprechende Ergebnisse. Forschende machen sich die unterschiedliche Wärmeleitfähigkeit schwarzer Kunststoffe zu Nutze.
Die Europäische Union hat mit der „Packaging and Packaging Waste Regulation“ (PPWR) ein klares Ziel definiert: Bis 2030 müssen alle Verpackungen so konzipiert sein, dass sie problemlos recycelbar sind. Auch die Automobilindustrie soll mit der „End-of-Life Vehicles Regulation“ (ELVR) bis Mitte 2030 mindestens 25 Prozent des in den Fahrzeugen verbauten Kunststoffs aus rezyklierten Kunststoffen beziehen. In der Praxis stößt man jedoch auf ein Hindernis: schwarze Kunststoffe. Sie sind in der Industrie allgegenwärtig und werden meist mit kostengünstigem, industriell hergestelltem Ruß eingefärbt. Genau diese Färbung macht sie für die heute gängigen Sortiertechnologien praktisch nicht unterscheidbar. Somit enden sie häufig in der thermischen Verwertung als Ersatzbrennstoff, wodurch wertvolle Rohstoffe verschwendet werden.
Der aktuelle Stand der Technik im industriellen Recycling beruht auf hyperspektralen Nah-Infrarotsystemen (NIR). Durch die Analyse des von einem Material reflektierten Lichts lassen sich transparente und farbige Kunststoffe sehr präzise in verschiedene Klassen unterscheiden. Schwarze Werkstoffe absorbieren jedoch fast das gesamte einfallende Licht, sodass im NIR-Spektrum nicht genügend Informationen detektiert werden. Teure Alternativen wie laserbasierte Raman-Spektroskopie oder hyperspektrale Infrarotsysteme im mittleren Wellenlängenbereich (MWIR) können das Problem zwar lösen, sind aber für den großflächigen Einsatz in Recyclinganlagen wirtschaftlich nicht rentabel.
Wärmeleitfähigkeit und Emissivität als Schlüsselparameter
Am Fraunhofer-Institut für zerstörungsfreie Prüfverfahren (IZFP) hat man ein Verfahren entwickelt, das nicht auf optische Reflexion, sondern auf die thermischen Eigenschaften der Kunststoffe setzt. Jedes Material besitzt eine eigene, charakteristische Wärmeleitfähigkeit. Offensichtlich ist das bei der Unterscheidung von beispielsweise Holz und Metall: Wer schon einmal Löffel aus diesen beiden Materialien beim Kochen verwendet hat, wird sich dessen bewusst sein. Während der Holzlöffel nur wenig Wärme leitet und daher lange in heißen Speisen stehen kann, verbrennt man sich an einem Metalllöffel schnell die Finger. Ähnlich verhält es sich bei den verschiedenen Kunststoffen – auch hier bestehen Unterschiede in der Wärmeleitfähigkeit. Diese sind jedoch so gering, dass eine Wärmebildkamera mit hoher Empfindlichkeit benötigt wird, um sie darzustellen. Ein weiterer physikalischer Effekt, der in dieser Problemstellung nutzbringend eingesetzt wird, ist die Emissivität, also die Wärmeabstrahlung eines Materials. Wird die Oberfläche eines Materials kurzzeitig erwärmt, kühlt diese anschließend direkt wieder ab, indem Wärmeenergie einerseits ins Materialvolumen diffundiert, andererseits aber auch emittiert wird. Im Falle schwarzer Materialien ist der Anteil der abgestrahlten Wärmeenergie vergleichsweise hoch. Durch die Messung der von charakteristischer Wärmeleitfähigkeit und Emissivität beeinflussten Oberflächen-Abkühlkurve lässt sich ein materialspezifischer thermischer Fingerabdruck erzeugen.
Das Messprinzip
Der am Fraunhofer IZFP entwickelte Ablauf ist einfach: Die zu sortierenden Kunststoffproben laufen über einen Fördergurt. Ein kurzer, kontrollierter Wärmeimpuls, in diesem Fall durch einen Infrarot-Heizstrahler, erwärmt die zu prüfenden Proben oberflächlich. Eine kostengünstige Wärmebildkamera im langwelligen Infrarotbereich (7 bis 12 µm) erfasst anschließend die Temperaturentwicklung jedes Pixels im Bild. Durch die kontinuierliche Bewegung des Fördergurtes und die synchronisierte Bildaufnahme können somit zeitliche Temperaturverläufe für jedes Pixel gewonnen werden. Da nur ein kleiner Wärmeimpuls nötig ist und die Messung ausschließlich an der Oberfläche erfolgt, spielt die Werkstückdicke kaum eine Rolle.
Die erfassten Temperaturkurven werden zunächst vorverarbeitet und anschließend einem Machine-Learning-Modell zugeführt. Im Laboraufbau wurden schwarze Proben von Polyamid 6 (PA6), Polyamid 66 (PA66) und Polypropylen (PP), jeweils mit 30 Prozent Glasfaseranteil, untersucht. Durch eine physikalisch sinnvolle Merkmalsextraktion konnten die drei Materialien sicher zugeordnet werden. Bemerkenswert ist dabei, dass das System zwischen den sehr ähnlichen Polyamiden PA6 und PA66 differenzieren kann. Um die industrielle Anwendbarkeit zu prüfen, wurde ein Demonstrator aufgebaut, der darauf trainiert ist, PA von PP zu unterscheiden. Der Demonstrator nutzt das beschriebene Messprinzip, ein darauf abgestimmtes ML-Modell und einen mechanischen Sortierer, durch den das erkannte Material in das entsprechende Sortierfach geleitet wird. Der geringe Kostenpunkt der Komponenten verspricht bei industrieller Umsetzung eine schnelle Amortisierung. Trotz der vielversprechenden Ergebnisse bestehen noch Herausforderungen für den industriellen Einsatz. Die derzeitige Messgeschwindigkeit reicht nicht aus, um mit den üblichen Förderbandgeschwindigkeiten großer Sortieranlagen mitzuhalten. Geplant ist eine mechanische und algorithmische Erweiterung, wodurch die Geschwindigkeit des Förderbandes auf bis zu 1 m/s erhöht werden soll. Ein weiteres Problem ist die Robustheit gegenüber realen Störeinflüssen: geschredderte Kunststoffe weisen eine Vielzahl von Farben, Formen und Verschmutzungen auf. Das Forschungsteam arbeitet daher an physikalisch informierten neuronalen Netzen (Pinns), die physikalisches Wissen über die Wärmeleitungsgleichungen in das Lernmodell integrieren und so eine fundierte Generalisierung ermöglichen.
Die nächsten Schritte
Der nächste Entwicklungsschritt besteht darin, das System für ein breiteres Materialspektrum zu trainieren. Neben PA und PP sollen künftig weitere gängige Kunststoffe in mehrstufigen Klassifikatoren unterschieden werden, wobei der Fokus zunächst auf einer sortenreinen Erkennung und Aussortierung von PA und PP aus Mischströmen liegt. Langfristig soll das Verfahren mit Convolutional Neural Networks (CNN) kombiniert werden, die automatisch relevante Merkmale aus den Temperaturkurven extrahieren und damit einen rein datengetriebenen Ansatz ermöglichen.
