Kurz gefragt
Welches Problem möchten Sie mit Ihrem Forschungsprojekt lösen?
Im Projekt geht es darum, die Sortierung feinkörniger metallischer Stoffströme aus Elektroschrott zu verbessern. Dafür wird ein Eddy-Current-Separator (Wirbelstromabscheider) eingesetzt. Ein Ziel ist es, Gefahren für die Maschine zu reduzieren, etwa durch die Erkennung scharfer oder großer Objekte und solcher, die Hitze erzeugen oder den Prozess stören können. Gleichzeitig soll die Maschine intelligenter werden, damit weniger manuelle Eingriffe nötig sind und sie selbstständig Risiken erkennt. Außerdem wird die Sortierqualität optimiert, da die vorherige Trennung besonders im Feinbereich ungenau war. Insgesamt geht es darum, den Prozess sicherer und effizienter zu machen. Zusammengefasst: Es ging darum, Gefahren zu verringern und die Trennfunktion der Maschine zu verbessern.
Wie nutzen Sie digitale Technologien in Ihrem Projekt?
Wir haben zwei KI-Modelle verwendet: Eines für den Bereich „Gefahrenvermeidung“ und eines für die Digitalisierung der gesamten Maschine. Für die Digitalisierung nutzen wir eine KI – genauer gesagt ein Mask R-CNN-Modell, das ist ein Modell zur Bildverarbeitung und Objekterkennung. Für die Gefahren-Erkennung verwenden wir eine Methode zur Form-Erkennung, damit die Maschine weiß, welche Formen die Objekte haben. Außerdem versuchen wir gerade, ein weiteres Modell zu verwenden, um die unterschiedlichen Geschwindigkeiten eines Maschinenbauteils zu analysieren. So können wir herausfinden, mit welcher Geschwindigkeit diese 3D-Teile optimal zusammenarbeiten, und wie sie dabei die beste Trennqualität erreichen. Im Moment sind wir an dem Punkt, an dem wir manuelle Messungen an der Maschine durchführen, um echte, verlässliche Daten zu bekommen. Diese Daten geben wir dann in die KI ein – damit die KI berechnen kann, wie schnell jede Komponente laufen soll.
Welchen Beitrag zu mehr Nachhaltigkeit in der Umwelttechnik leistet ihr Projekt?
Unser Projekt trägt zur Nachhaltigkeit bei, indem es die Wiederverwendung und den effizienteren Einsatz von Ressourcen ermöglicht. Auch der Energieverbrauch kann gesenkt werden – obwohl die Maschine rund um die Uhr arbeitet. Das gelingt vor allem durch eine Verbesserung der Trennqualität: Wenn Materialien nicht sauber getrennt werden, müssen sie erneut verarbeitet werden. Das bedeutet zusätzlichen Stromverbrauch, mehr Maschinenlaufzeit und mehr menschlichen Aufwand. Genau hier setzen wir an: Durch den Einsatz von künstlicher Intelligenz wollen wir die Maschine so optimieren, dass Fehltrennungen reduziert werden und Wiederholungen entfallen. So wird die gesamte Anlage energieeffizienter und die Ressourcennutzung nachhaltiger. Gleichzeitig verringern wir den Einsatz von Menschen in einem sehr staubigen und lauten Arbeitsumfeld, was auch den Arbeitsschutz verbessert. Die PLC-Steuerung und das KI-Modell zur Objekterkennung sind bereits installiert. Derzeit führen wir manuelle Messungen durch, um die optimalen Geschwindigkeiten der einzelnen Komponenten zu bestimmen und die Trennqualität weiter zu steigern. Das Projekt befindet sich nun in der Optimierungsphase, nachdem die Kernsysteme erfolgreich implementiert wurden.
SoRec
Im Videointerview: Kia Shohreh von der Technischen Universität Clausthal
Digi Kompost
Im Videointerview: Falko Windisch von der LAV Erdenwerke GmbH
Welches Problem möchten Sie mit Ihrem Forschungsprojekt lösen?
Wir möchten die Treibhausgasemissionen während der Kompostierung in Kompostmieten kontinuierlich messen. Ziel ist es, die Qualität des Komposts zu verbessern und gleichzeitig einen Überblick darüber zu gewinnen, wie viele Treibhausgase während des Prozesses in die Atmosphäre abgegeben werden. Zudem wollen wir prüfen, ob und in welchem Umfang sich diese Emissionen reduzieren lassen.
Wie nutzen Sie digitale Technologien in Ihrem Projekt?
Wir möchten zunächst mit einem neuen Sensorsystem eine kontinuierliche Messung in den Kompostmieten ermöglichen. Auf Grundlage der so gewonnenen Daten soll anschließend mithilfe Künstlicher Intelligenz eine Prognose erstellt werden, die zuverlässige Aussagen darüber trifft, zu welchen Zeitpunkten die Umsetzung des Komposts optimal ist und wann Maßnahmen zur Steuerung der Klimagasemissionen sinnvoll sind. Ziel ist es, diese Prognose als dauerhaftes Steuerungsinstrument nutzen zu können. Der Hintergrund ist, das bisher meist auf Erfahrungswerten basierende Wissen – ob allgemeines oder detailliertes – auf ein neues, datenbasiertes Niveau zu heben. So lassen sich qualifizierte Vorhersagen und fundierte Entscheidungen treffen: Wann muss eingegriffen werden? Wann sollte abgesiebt werden? Wann ist der Kompost wirklich fertig? Genau diese Fragen sollen auf Basis der Daten präzise beantwortet werden können.
Welchen Beitrag zu mehr Nachhaltigkeit in der Umwelttechnik leistet ihr Projekt?
Wenn alles gut verläuft und sich die Technologie als Standard etablieren lässt, könnten wir künftig bereits im Vorfeld – abhängig von den unterschiedlichen Mischungen organischer Materialien – bestimmen, wie diese optimal behandelt werden sollten, um die Treibhausgasemissionen so weit wie möglich zu reduzieren. Damit ließe sich ein bedeutender Beitrag zum Klimaschutz leisten. Kompostierung ist grundsätzlich nicht vollständig ohne Treibhausgasemissionen möglich. Kohlendioxid (CO₂) spielt dabei eine geringere Rolle – die kritischeren Gase sind Methan und Lachgas. Unser Ziel ist es, am Beispiel von Methan aufzuzeigen, wie eine datenbasierte Vorhersage funktionieren kann und welche Möglichkeiten zur Emissionsminderung bestehen. Ob sich das System künftig auch auf Lachgasemissionen anwenden lässt, werden die weiteren Entwicklungen zeigen.
Welches Problem möchten Sie mit Ihrem Forschungsprojekt lösen?
In unserem Projekt SoftSense geht es, wie man dem Namen auch schon entnehmen kann, um die Ermittlung des Trockensubstanzgehaltes (TS) im Abwasser. Hierbei ist es heutzutage üblich, dass der TS-Gehalt durch eine Probenahme des Betriebspersonals auf der Kläranlage überprüft wird. Eine andere Möglichkeit wäre, den TS-Gehalt mit einer Trübungssonde zu messen. Dabei bringen beide Verfahren deutliche Nachteile mit sich. Bei der Probenahme entsteht ein hoher Zeitaufwand, bei der Messung des TS-Gehalts kommt meist eine teure und wartungsintensive Sonde zum Einsatz. Genau an diesem Punkt wollen wir im Projekt ansetzen und schauen, wie wir diesen Prozess gezielt optimieren können.
Wie nutzen Sie digitale Technologien in Ihrem Projekt?
Digitale Technologien kommen in unserem Projekt so zum Einsatz, dass der TS-Gehalt nicht mehr direkt über eine physische Sonde gemessen werden muss. Stattdessen wollen wir ihn indirekt über intelligente Algorithmen ermitteln – basierend auf verschiedenen betriebsbegleitenden Daten. Dazu zählen zum Beispiel Druckpulsationen in einzelnen Förderkammern des Stators, Messwerte an der Pumpe oder die elektrische Leistungsaufnahme. Aus diesen Daten soll mithilfe sogenannter Soft Sensors der tatsächliche TS-Gehalt abgeleitet werden.
Welchen Beitrag zu mehr Nachhaltigkeit in der Umwelttechnik leistet ihr Projekt?
An erster Stelle steht für uns als Wasserwirtschaftsverband ganz klar das Ziel, die Ressource Wasser nachhaltig zu bewirtschaften und zu schützen. Ein weiterer zentraler Punkt sind die Energieeinsparpotenziale: Wenn sich die Pumpe am tatsächlichen TS-Gehalt orientieren kann, muss sie nicht dauerhaft im gleichen Betrieb laufen. Stattdessen passt sie ihre Leistung bedarfsgerecht an – je nachdem, wie viel Energie gerade wirklich notwendig ist oder eingespart werden kann. Hinzu kommt der Aspekt der Ressourcenschonung insgesamt: Sowohl personelle als auch finanzielle Aufwände – etwa für die aufwendige Probenahme oder die Anschaffung und Wartung teurer Sonden – lassen sich durch den digitalen Ansatz deutlich reduzieren. So leistet das System nicht nur einen Beitrag zur Effizienz, sondern auch zur Umweltentlastung.
sofTSense
Im Videointerview: Fabian Rovers von der Emschergenossenschaft / Lippeverband.
