KI-basierte Prozesssteuerung und automatisiertes Qualitätsmanagement im Recycling von Bau- und Abbruchabfällen durch sensorbasiertes Inline-Monitoring von Korngrößenverteilungen

Laufzeit

Beschreibung

Die Baubranche gehört mit 587,4 Mio. t/a eingesetzten Gesteinskörnungen zu den ressourcenintensivsten Branchen Deutschlands. Durch Substitution von primären Gesteinskörnungen mit rezyklierten (RC) Gesteinskörnungen werden natürliche Ressourcen geschont und negative Umweltauswirkungen reduziert. Ein zentrales Qualitätskriterium für RC-Baustoffe ist die Korngrößenverteilung (KGV), die im Stand der Technik durch manuelle Probennahmen und Siebanalysen bestimmt wird. Diese sind zeit- und kostenaufwändig, haben häufig eine begrenzte Aussagekraft und Analyseergebnisse sind nur mit Zeitverzug verfügbar. Folglich ist es weder möglich, frühzeitig auf Qualitätsveränderungen zu reagieren, noch können Aufbereitungsprozesse unmittelbar auf veränderte Stoffstromeigenschaften parametriert werden. Anstelle der manuellen Probenahmen und Siebanalysen soll durch das Projekt KIMBA die KGV-Analyse in Bauschuttaufbereitungsanlagen zukünftig automatisiert durch ein Inline-Monitoring erfolgen. Das produzierte RC-Material soll im Aufbereitungsprozess mittels bildgebender Sensortechnik vermessen werden. Anschließend segmentieren Deep-Learning-Algorithmen das vermessene Haufwerk in Einzelpartikel, deren Korngröße vorhergesagt und zu einer digitalen KGV aggregiert wird. Die erfassten KGVs sollen genutzt werden, um Qualität und somit Akzeptanz der RC-Baustoffe zu steigern. Ausgehend vom Machbarkeitsnachweis sollen zwei Anwendungen entwickelt und großtechnisch demonstriert werden: Ein automatisiertes Qualitätsmanagement erfasst die KGV des RC-Produkts, um diese gegenüber den Abnehmern zu dokumentieren und bei Abweichungen in den Prozess eingreifen zu können. Ein KI basiertes Assistenzsystem soll eine adaptive Steuerung des Prozesses ermöglichen, um auch bei schwankenden Input-Qualitäten konstant hohe Produktqualitäten erzeugen zu können.