Skip to main content Skip to main navigation

Projekt | KIMBA

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

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

Die Baubranche gehört mit 587,4 Mio. t/a eingesetzten Gesteinskoernungen zu den ressourcenintensivsten Branchen Deutschlands. Durch Substitution von primären Gesteinskörnungen durch rezyklierte (RC) Gesteinskoernungen werden natuerliche Ressourcen geschont und negative Umweltauswirkungen wie bspw. Treibhausgasemissionen um bis zu 85% reduziert. Bisher decken RC-Baustoffe mit 73,3 Mio. t/a lediglich 12,5 Ma.-% des Gesteinskörnungsbedarfs ab. Ihr Einsatz beschraenkt sich mit 53,9 Mio. t/a (73,5 Ma.-%) bisher ueberwiegend auf Tiefbauanwendungen. Zur Sicherung und zum Ausbau der ökologischen Vorteile von RC-Baustoffen ist es daher zwingend notwendig, dass zukuenftig auch anspruchsvollere Hochbauanwendungen durch RC-Baustoffe erschlossen werden koennen. Hier ist einerseits eine ausreichende Qualitaet der RC-Baustoffe zu garantieren, andererseits muss die Akzeptanz der Abnehmer durch eine garantierte Einhaltung geltender Normen für Hochbauanwendungen sichergestellt werden. Ein wesentliches Qualitaetskriterium fuer RC-Baustoffe ist die Korngroessenverteilung (KGV) nach DIN 66165-1, die im Stand der Technik durch manuelle Probennahmen und Siebanalysen bestimmt wird, was zeit- und kostenaufwändig ist. Ausserdem sind Analyseergebnisse nur mit erheblichem Zeitverzug verfuegbar. Folglich ist es weder moeglich fruehzeitig auf Qualitaetsveraenderungen zu reagieren, noch koennen Aufbereitungsprozesse unmittelbar auf veraederte Stoffstromeigenschaften parametriert werden. Hier kommt das Projekt KIMBA ins Spiel: Anstelle zeit- und kostenaufwendiger Probenahmen und Siebanalysen soll die KGV-Analyse in Bauschuttaufbereitungsanlagen zukuenftig automatisiert durch ein sensorbasiertes Inline-Monitoring erfolgen. Hierbei soll das produzierte RC-Material bereits im Aufbereitungsprozess inline mittels bildgebender Sensortechnik vermessen werden. Anschliessend segmentieren Deep-Learning-Algorithmen das vermessene Haufwerk in einzelne Partikel, deren Korngroesse vorhergesagt und zu einer digitalen KGV aggregiert wird. Die sensorbasiert erfassten KGVs sollen anschliessend intelligent genutzt werden, um Qualitaet und somit Akzeptanz der RC-Baustoffe zu steigern und damit den Uebergang in eine nachhaltige Kreislaufwirtschaft zu beschleunigen. Ausgehend vom erbrachten Machbarkeitsnachweis sollen zwei Anwendungen entwickelt und grosstechnisch demonstriert werden: Ein automatisiertes Qualitätsmanagement erfasst kontinuierlich die KGV des produzierten RC-Produkts, um diese gegenueber den Abnehmern zu dokumentieren und bei Abweichungen fruehzeitig in den Prozess eingreifen zu koennen. Ein KI-basiertes Assistenzsystem soll auf Basis sensorbasiert erfasster KGVs und Maschinenparameter eine adaptive Steuerung des Aufbereitungsprozesses ermöglichen, um auch bei schwankenden Input-Qualitäten konstant hohe Produktqualitaeten erzeugen zu koennen.

Partner

MAV Krefeld GmbH Institut für Anthropogene Stoffkreisläufe (ANTS) Deutsche Forschungszentrum für Künstliche Intelligenz (DFKI) KLEEMANN GmbH Lehrstuhl für International Production Engineering and Management (IPEM) der Universität Siegen Point 8 GmbH vero - Verband der Bau- und Rohstoffindustrie e.V Verband Deutscher Maschinen- und Anlagenbau e.V. (VDMA)

Fördergeber

BMBF - Bundesministerium für Bildung und Forschung

02WDG1693D

BMBF - Bundesministerium für Bildung und Forschung