Das Ziel dieser Doktorarbeit ist die Validierung neuer Methoden, die zu Effizienzsteigerung in der sensorgestützten Sortierung von kunststoffhaltigen Abfällen führen. Die Abgrenzung dieser Arbeit ist die Aggregatebene, die Anlagenebene wird nicht berücksichtigt. Bei dem verwendeten Aggregat handelt es sich um den Versuchstand für sensorgestützte Sortierung am Lehrstuhl für Abfallverwertungstechnik und Abfallwirtschaft der Montanuniversität Leoben. Die verwendete Sensortechnologie ist Nahinfrarotspektroskopie.
Eine Steigerung der Sortiereffizienz kann entweder durch eine Optimierung der Erkennung oder des mechanischen Partikelaustrags erfolgen. Als eine Lösung wird die Datenanalytik aufgezeigt, daher liegt ein Schwerpunkt auf der Verwendung statistischer Methoden.
Zur Optimierung der Identifizierung von Partikeln werden Forschungsarbeiten in den folgenden Bereichen durchgeführt:
•Einfluss der Oberflächenrauheit
•Einfluss von Reflektoren als Hintergrundmaterial
•Einsatz maschineller Lernansätze
Zur Optimierung des mechanischen Austrags von Partikeln werden Forschungsarbeiten in den folgenden Bereichen durchgeführt:
•Korrelationen zwischen den Input-Parametern (Input-Zusammensetzung, Durchsatzrate) und den Output-Parametern (Reinheit, Ausbringung, Wertstoffausbringung, fehlerhaft ausgeschleuste Partikel) eines sensorgestützten Sortierprozesses
•Mathematische Ansätze zur Beschreibung des optimalen Betriebspunkts einer sensorgestützten Sortiermaschine zur Erzielung eines bestimmten Sortierergebnisses
Als zentrales Ergebnis lässt sich festhalten, dass es einer Sortieranlage möglich ist, die Reinheit zu erhöhen, indem sie Ansätze des maschinellen Lernens zur Optimierung der Erkennung nutzt oder die Anlage im optimalen Betriebspunkt betreibt - Beides ohne wesentliche Modifikationen der Anlage. Diese Lösungen tragen dazu bei, die Menge an recyceltem Kunststoff zu erhöhen, sodass weniger Kunststoffabfälle thermisch behandelt werden müssen.