Revolutionierung der Abfallwirtschaft: KI verbessert Sortiereffizienz und Materialreinheit
03.04.2024
Dank modernster Technologien wie künstlicher Intelligenz (KI) und maschinellem Lernen befindet sich die Abfallwirtschaft in einem nie dagewesenen Wandel. Unternehmen wie PolyPerception stehen an der Spitze dieser Revolution und definieren die Art und Weise, wie Abfall sortiert und verwaltet wird, neu, um den wachsenden Herausforderungen der Branche gerecht zu werden.
Im Interview mit dem K-Mag erklärt Parshva Mehta, wie er und seine Mitbegründer die Müllsortierung mit fortschrittlichen KI-Modellen revolutionieren wollen.
Können Sie die Aufgabe von PolyPerception beschreiben und wie das Unternehmen die Herausforderungen in der Abfallwirtschaft und der Recyclingbranche angeht?
Parshva Mehta: Die Motivation, PolyPerception zu gründen, ergab sich aus der Erkenntnis der wachsenden Herausforderungen in der Abfallwirtschaft, insbesondere im Hinblick auf die Erreichung einer hohen Materialreinheit und Sortiereffizienz bei zunehmend ehrgeizigen Recyclingzielen. Wir sahen eine Möglichkeit, Spitzentechnologien wie KI und Deep Learning zu nutzen, um diese Probleme direkt anzugehen.
Im Kern nutzt PolyPerception fortschrittliche KI-Modelle, die auf die Sortierung von leichten Verpackungsmaterialien zugeschnitten sind, die einen bedeutenden Teil der Abfallströme in Europa ausmachen. Durch die Anwendung von Deep Learning sind wir in der Lage, Abfallströme zu analysieren, Sortierprozesse zu optimieren und Anlagenbetreibern verwertbare Daten für eine bessere Entscheidungsfindung zu liefern.
Könnten Sie etwas näher auf die Technologie hinter PolyPerception eingehen und wie sie die Mülltrennung verbessert?
Mehta: Wir setzen Deep Learning und bildverarbeitungsbasierte Sensoren ein, um den Müllsortierprozess an kritischen Punkten zu analysieren und den Betreibern wertvolle Daten zu liefern. Zunächst konzentrieren wir uns auf die genaue Messung des Durchsatzes, der Rückgewinnungsraten und der Reinheit des Outputs. Diese Daten bilden die Grundlage für die Optimierung und schließlich die Automatisierung des Sortierprozesses. Unsere Zusammenarbeit mit TOMRA ist hier von entscheidender Bedeutung, da sie uns die Integration unserer Analysatoren in ihre Sortiermaschinen ermöglicht, um den Prozess effizienter zu gestalten.
Unsere KI-Modelle sind so konzipiert, dass sie sich an unterschiedliche Abfallströme in ganz Europa anpassen und eine zuverlässige Klassifizierung verschiedener Materialien wie Polyethylen, Polypropylen, PET und anderer gewährleisten. Wir stellen uns Herausforderungen wie der Anpassungsfähigkeit des Modells, der Aufrechterhaltung der Genauigkeit im Laufe der Zeit und der Automatisierung des Modelltrainings. Diese Bemühungen zielen darauf ab, eine konsistente und genaue Sortierung über verschiedene Regionen hinweg zu gewährleisten.
Aussteller & Produkte rund um Digitalisierung
- CAD-Systeme
- Simulationssoftware
- Qualitätssicherungssoftware (SPC/SQC)
- Wartungssoftware
- Geräte & Software für Produktionsleitsysteme (MES)
Anpassungsfähigkeit scheint ein entscheidender Aspekt Ihrer Technologie zu sein. Wie stellen Sie sicher, dass Ihre Modelle über verschiedene Regionen und Abfallzusammensetzungen hinweg effektiv bleiben?
Mehta: Unsere Deep-Learning-Modelle sind so konzipiert, dass sie sich an unterschiedliche Abfallströme anpassen und verallgemeinern lassen. Das bedeutet, dass sie Abfälle genau klassifizieren können, auch wenn sich die Arten von Materialien in den Abfallströmen verändern. Es geht darum, Konsistenz und Zuverlässigkeit in einem sich ständig verändernden Sortierprozess zu gewährleisten.
Diese Anpassungsfähigkeit sorgt für konsistente und genaue Datenmessungen, auch wenn neue Materialien auf den Markt kommen oder bestehende verändert werden, wodurch die Effizienz und Zuverlässigkeit des Sortierprozesses erhalten bleibt.
Wie funktioniert das genau? Haben Sie ein Beispiel?
Mehta: Unser System zielt auf zwei primäre Kundensegmente ab: Sortieranlagen und Recycler. Ein herausragendes Beispiel ist unsere Zusammenarbeit mit Indaver in Belgien, wo das PMD-System für leichte Verpackungsabfälle eingesetzt wird. Indaver setzt unsere Technologie für fünf sortierte Abfallströme ein, um die von der Organisation für Herstellerverantwortung Fost Plus festgelegten Reinheitsgrade zu erfüllen. Herkömmliche Audits waren sporadisch und nicht repräsentativ für einen kontinuierlichen Betrieb. Durch die Integration unserer Systeme erreicht Indaver eine Rund-um-die-Uhr-Überwachung der Reinheit des Outputstroms, was die Effizienz und die Einhaltung der Vorschriften erheblich verbessert.
Ihre Zusammenarbeit mit TOMRA wurde als wichtiger Meilenstein hervorgehoben. Können Sie die Bedeutung dieser Partnerschaft näher erläutern?
Mehta: Unsere Zusammenarbeit mit TOMRA begann Ende 2022 mit dem Ziel, Analysatoren in die Sortierprozesse der Kunden zu integrieren, um einen besseren Einblick in die Daten zu erhalten. Diese Partnerschaft entwickelte sich, als TOMRA einen Anteil von 25 % an PolyPerception erwarb und unsere Beziehung vertiefte, um Sortieranlagen umfassend zu verbessern und zu überwachen.
Dieser strategische Schritt ist eine Antwort auf die Herausforderungen der Branche, die sich aus der Kommunikation unterschiedlicher Maschinen ergeben, und zielt auf einen einheitlichen, automatisierten Sortierprozess ab. Eine solche Integration und strategische Partnerschaften sind entscheidend, um die Automatisierung und Effizienz von Recyclingprozessen voranzutreiben, und spiegeln unsere langfristige Vision einer engen Zusammenarbeit mit TOMRA wider.
Wie sehen Ihre Visionen für die Zukunft der Abfallwirtschaft aus und wie will Polyperception zu dieser Vision beitragen?
Mehta: Ich stelle mir eine Welt vor, in der die Abfallsortierung nicht nur ein statischer, einheitlicher Prozess ist, sondern einer, der sich in Echtzeit an die Art des Abfalls anpasst, auf den er trifft. Derzeit sind die Sortiersysteme ziemlich starr, aber stellen Sie sich vor, wir könnten die eingehenden Abfälle analysieren, aus den Sortierergebnissen lernen und dann die Maschinen in Echtzeit anpassen, um die Effizienz zu verbessern.
Das bedeutet, dass wir ausgefeiltere Analysegeräte einsetzen und das Deep Learning nutzen müssen, um nicht nur den Abfall besser zu verarbeiten, sondern auch eine Vielzahl von Abfallqualitäten aus verschiedenen Regionen zu verarbeiten. Es geht darum, den gesamten Sortierprozess intelligenter, anpassungsfähiger und letztlich effizienter zu machen.
Und abschließend: Was sind die nächsten Schritte für Polyperception in Bezug auf Produktentwicklung und Marktexpansion?
Mehta: Kurzfristig werden wir uns weiterhin auf die europäischen Märkte für Abfallsortierung und Recycling konzentrieren. Für die Zukunft prüfen wir die Expansion außerhalb Europas, insbesondere in den USA. Auf der Produktseite wollen wir unsere Integration mit den Sortiermaschinen von TOMRA vertiefen und unsere Daten für intelligentere Sortierprozesse nutzen.