K3I-Cycling: Mit KI zu besser sortierten Kunststoffabfällen und verlässlicher bewerteten Rezyklatqualitäten
13.10.2026
Vom versteckten Lithium-Akku bis zur digitalen Abbildung ganzer Recyclingketten: K3I-Cycling zeigt, wie breit Künstliche Intelligenz im Kunststoffrecycling eingesetzt werden kann. Dabei geht es nicht nur um bessere Sortierung, sondern auch um die Frage, wie Rezyklate verlässlicher bewertet und gezielter eingesetzt werden können.
Auf einen Blick
- K3I-Cycling entwickelt KI-gestützte Lösungen für Sortierung, Recycling und Rezyklatbewertung.
- Ein KI-Tool hilft dabei, Materialdaten auszuwerten und Entscheidungen für die weitere Verarbeitung abzuleiten.
- Der Artificial Neural Twin (ANT) bildet die gesamte Recyclingkette digital ab und zeigt, wie einzelne Prozessschritte zusammenwirken und die spätere Rezyklatqualität beeinflussen.
- DangerSort erkennt mithilfe von Röntgentechnik und KI unter anderem verdeckte Lithium-Batterien im Materialstrom.
Vor 20 Jahren endete die Sortierung oft dort, wo sich Materialien nicht eindeutig unterscheiden ließen. Heute können Verpackungsabfälle mit Kameras, Sensoren und weiteren Messverfahren deutlich genauer erfasst werden. Systeme erkennen Materialarten, Fremdstoffe und Qualitätsmerkmale und spielen diese Informationen direkt in den laufenden Prozess zurück.
Wie weit diese Entwicklung inzwischen geht, zeigt ein Blick in eine moderne Sortieranlage: Auf einem Förderband ziehen Folien, Becher, Verpackungsreste und Verbundmaterialien vorbei. Dazwischen liegt ein Lithium-Akku, fast vollständig von anderem Material verdeckt. Ein Röntgensystem erfasst ihn trotzdem, eine KI wertet das Bild aus, kurz darauf wird das Objekt mit einem Luftstoß ausgeschleust.
Dass solche Systeme heute möglich sind, ist das Ergebnis eines grundlegenden Wandels. Höhere Anforderungen an Rezyklate, regulatorische Vorgaben und Fortschritte bei Sensorik, Datenverarbeitung und Maschinensteuerung haben das Kunststoffrecycling in den vergangenen Jahren deutlich verändert.
Genau an diesem Punkt setzt das Projekt K3I-Cycling an. Es verbindet Materialanalytik, Sensortechnik und Künstliche Intelligenz mit einer zentralen Frage: Wie lässt sich aus einem heterogenen Abfallstrom ein Rezyklat gewinnen, dessen Qualität möglichst verlässlich eingeschätzt und gezielt für eine Anwendung genutzt werden kann?
Wenn Materialdaten zu Entscheidungen werden
Gerade bei Post-Consumer-Kunststoffen schwanken Zusammensetzung und Zustand stark: Alterung, Verunreinigungen oder Produktreste können die weitere Verarbeitung beeinflussen. „Post-Consumer-Abfälle sind immer komplexe Gemische“, sagt Dr. Simon Gölden vom Fraunhofer-Institut für Betriebsfestigkeit und Systemzuverlässigkeit LBF.
K3I-Cycling verbindet Werkstoffanalytik mit Machine Learning. Ein KI-gestütztes Tool führt Messdaten zusammen und kann daraus konkrete Handlungsempfehlungen ableiten – etwa, ob ein Rezyklat direkt wiederverarbeitet werden kann, ein Antioxidans benötigt oder werkstofflich nicht mehr sinnvoll nutzbar ist.
Dabei zählt nicht automatisch die höchstmögliche Qualität. Entscheidend ist, ob das Material zur jeweiligen Anwendung passt. Oder, wie Dr. Gölden es formuliert: „Was für einen Nutzer zu schlechte Eigenschaftsprofile sind, reicht dem anderen aus.“
ANT: Nicht eine Maschine, sondern die ganze Recyclingkette
Die Qualität eines Rezyklats entsteht nicht erst ganz am Ende. Schon vorher passiert viel: Das Material wird gesammelt, sortiert, gewaschen und aufbereitet. Jeder dieser Schritte kann beeinflussen, was später dabei herauskommt.
Genau hier setzt der Artificial Neural Twin (ANT) an. Vereinfacht gesagt bildet er die gesamte Recyclingkette digital ab und bringt Daten aus den einzelnen Stationen zusammen. So lässt sich besser nachvollziehen, was passiert, wenn an einer Stelle etwas verändert wird.
Ein Beispiel: Ein Abnehmer braucht für seine Anwendung gar nicht die höchstmögliche Reinheit. Dann kann der ANT zeigen, ob sich an anderer Stelle Aufwand sparen lässt – beispielsweise beim Waschen oder bei der Sortiergenauigkeit.
Auch Daten aus Sammlung oder Logistik können einfließen, wenn sie verfügbar sind. So wird nicht nur eine einzelne Maschine betrachtet, sondern das Zusammenspiel der gesamten Recyclingkette.
Die Idee dahinter ist einfach: Nicht jeder Schritt muss für sich das Maximum leisten. Entscheidend ist, dass am Ende genau die Materialqualität herauskommt, die auch wirklich gebraucht wird.
DangerSort: Wenn KI versteckte Akkus erkennt
Während der ANT die gesamte Recyclingkette in den Blick nimmt, setzt DangerSort an einer ganz konkreten Stelle an: bei gefährlichen Fremdkörpern im Materialstrom.
Damit zurück zum Lithium-Akku vom Anfang. Das System kombiniert ein hochdurchsatzfähiges Röntgensystem mit KI-gestützter Bildauswertung. So erkennt es auch Akkus, die zwischen anderen Abfällen teilweise oder vollständig verdeckt oder fest in Produkten verbaut sind. Anschließend werden sie mit einem Luftstoß aus dem Materialstrom ausgeschleust.
Für Sortierbetriebe ist das mehr als eine Frage sauberer Stoffströme. Gelangt ein Akku in einen industriellen Schredder und wird dort beschädigt, kann er einen Brand auslösen. „Das Hauptinteresse in der Sortierung besteht darin, Akkus auszuschleusen“, erklärt Dr. Gölden.
DangerSort kann auch andere problematische Fremdkörper erkennen, etwa Silikonkartuschen. Im Mittelpunkt stehen jedoch Lithium-Batterien – und damit ein sehr konkreter Beitrag zur Sicherheit in Sortieranlagen.
Was davon in der Praxis ankommt
Am Ende geht es um praktische Entscheidungen: Welches Material lässt sich noch gut weiterverarbeiten? Welche Aufbereitung braucht es? Und für welche Anwendung reicht seine Qualität aus?
Genau dabei sollen die Ansätze aus K3I-Cycling helfen:
- Recycler können Materialströme genauer einschätzen und Aufbereitungsschritte gezielter steuern.
- Kunststoffverarbeiter und Verpackungshersteller können besser beurteilen, ob ein Rezyklat zu den Anforderungen ihrer Anwendung passt.
- Sortierbetriebe profitieren von Lösungen wie DangerSort, die problematische Fremdkörper frühzeitig erkennen und ausschleusen können.
Damit das funktioniert, müssen Anbieter und Abnehmer allerdings dasselbe unter einer bestimmten Rezyklatqualität verstehen. Hier setzt die DIN SPEC 91446 an. Sie legt Kriterien fest, nach denen Kunststoffrezyklate beschrieben und miteinander verglichen werden können. Nach Angaben von Dr. Simon Gölden sind Erkenntnisse aus der Analyse und Bewertung von Rezyklaten aus K3I-Cycling in diese Spezifikation eingeflossen.
Mit ANT und DangerSort zeigt das Projekt zugleich, wie Daten und digitale Werkzeuge direkt in Sortierung und Recycling genutzt werden können.
Damit schließt sich der Kreis: Kunststoffabfälle bleiben unterschiedlich. KI kann diese Unterschiede nicht verschwinden lassen – aber sie kann helfen, sie besser zu verstehen und daraus passendere Entscheidungen für den nächsten Verarbeitungsschritt abzuleiten.
Wussten Sie schon?
Auch der Geruch eines Rezyklats lässt sich mithilfe messbarer Marker untersuchen. Im Projektumfeld wurden Methoden entwickelt, die bestimmte chemische Verbindungen erfassen und daraus Hinweise auf Geruchseigenschaften ableiten können – ein Faktor, der für den späteren Einsatz von Rezyklaten relevant sein kann.
