Das von der EU finanzierte Projekt MultiCycle zielt auf die Entwicklung einer Pilotanlage für das industrielle Recycling und die Behandlung von mehrschichtigen Kunststoffen ab. Diese Anlage konzentriert sich auf zwei wichtige Industriesegmente, die für Recycler eine Herausforderung darstellen: mehrschichtige Verpackungen/flexible Folien und faserverstärkte thermoplastische Verbundwerkstoffe, wie sie im Automobilsektor verwendet werden.

NIR und HSI-NIR sind die Techniken, die üblicherweise für die Behältersortierung verwendet werden. Ersteres eignet sich für einzelne Verpackungsstücke vor der Zerkleinerung und kann auch eine erste Bewertung der Eignung liefern, bevor man zum zweiten Verfahren übergeht, das eine Art der Bildgebung bietet. Im Rahmen des MultiCycle-Projekts wurden die Verpackungsmaterialien in Form von bis zu 5 cm großen Flocken auf ein Förderband aufgegeben, und daher war HSI die Zieltechnik für die endgültige Implementierung in den Prototyp des Eingangskontrollsystems. Für die Überwachung der gelösten und zurückgewonnenen Kunststoffe während und nach dem CreaSolv®-Prozess wurde jedoch die punktuelle NIR-Spektroskopie eingesetzt, für die keine Bildgebungsfunktion erforderlich ist. Ergänzende Techniken wie LIBS und FTIR wurden ebenfalls vorläufig getestet, um andere Fraktionen wie AlOx zu erkennen oder um die Erkennung von schwarzen Behältern zu ermöglichen, was die Genauigkeit der Überwachung verbessern könnte, wenn ein vollständiges System implementiert wird.

Die NIR-Spektroskopie ist eine schwingungsspektroskopische Technik. In diesem Bereich setzen sich die Absorptionsspektren aus Obertönen und Kombinationsbanden in Bezug auf die Grundmoden der Moleküle im mittleren Infrarotbereich zusammen. NIR-Strahlung hat einen Wellenlängenbereich von 900 bis 2500 nm. Die Absorptionsbanden in diesem Bereich sind aufgrund des hohen Grades an Bandenüberlappung breit. Darüber hinaus ist die Signalintensität aufgrund der Selektionsregeln der Phänomene zehn- bis tausendmal schwächer als die Signale im mittleren Infrarotbereich. Dieser Mangel an Intensität und die starke Bandenüberlappung wird jedoch durch die hohe Spezifität kompensiert. Die Spezifität der NIR-Spektroskopie beruht auf der Tatsache, dass NH-, OH- und CH-Bindungen die Strahlung bei diesen Wellenlängen stark absorbieren, was sie zu einem optimalen Instrument für die Untersuchung organischer Verbindungen und Polymere macht. Durch den Einsatz multivariater Methoden für die Analyse von Spektraldaten konnte das volle Potenzial der Technik für die Identifizierung, Unterscheidung, Klassifizierung und Quantifizierung ausgeschöpft werden.

Aktuelle Technologien für die Überwachung und Klassifizierung von festen Kunststoffabfällen im nahen Infrarotbereich haben Hyperspektralkameras in ihre Konfiguration aufgenommen. Sie ermöglichen es, anstelle eines einzelnen Spektrums ein hyperspektrales Bild (HSI) der Probe (hyperspektraler Würfel) aufzunehmen, das nicht nur die räumliche Lage der Probe, sondern auch ihre chemische Zusammensetzung und Verteilung enthält. In diesem Zusammenhang gibt es mehrere Veröffentlichungen und technologische Entwicklungen, die HSI-SWIR für die Klassifizierung und Identifizierung von Kunststoffen nutzen.

Ein grundlegendes hyperspektrales Bildgebungssystem, das in Abb. 3 dargestellt ist, umfasst in seiner Konfiguration einen empfindlichen Sensor (CCD-Kamera), eine breitbandige Beleuchtungsquelle, ein Spektrometer, das das rückgestreute/transmittierte Licht in seine verschiedenen Wellenlängen aufteilt, und bei Bedarf ein Förderband für die Probenahme. In diesem Fall ist zu beachten, dass das Förderband mit der Aufnahmegeschwindigkeit des CCD-Sensors synchronisiert werden muss, um eine korrekte Bildaufnahme zu ermöglichen. Ein Hyperspektralsystem liefert als Ausgabe einen Hyperwürfel. Ein Hyperwürfel ist ein Satz von Daten, die in drei Dimensionen angeordnet sind, zwei räumliche (eine XY-Ebene) und eine spektrale (𝜆, Wellenlänge), wie unten dargestellt.

Die wichtigsten Parameter für hyperspektrale Würfelaufnahmen lassen sich wie folgt zusammenfassen:

• Bildrate der Kamera (fps)
• Geschwindigkeit des Transporters (m/s)
• Kamera-Transporter-Abstand (cm) und Aufnahmezeit (µs). Diese Parameter sind miteinander verknüpft und müssen optimiert werden, um eine gute Qualität der aufgenommenen Spektren zu erhalten.

Die Hyperspektralbilder wurden mit einer SWIR-Kamera aufgenommen, die im Bereich ∼900-1700 nm arbeitet, mit einer Bildrate von 214 fps, einer Integrationszeit von 350𝜇s und einer Transportergeschwindigkeit von 25m/min.

^{Abbildung 1: (Links) Mustersatz Nr. 1. Enthält flexible Kunststofffolien aus PE, PP, PA und PET. Es wurden Einzel- und Doppelkombinationen dieser Polymere (d. h. Polymer A/Polymer B) einbezogen. (Rechts) Klassifizierungsbild, erstellt mit einem PLSDA-Modell.}

Das HSI-Überwachungssystem konnte eine gute Annäherung an den prozentualen Anteil des Polymergehalts in einer mehrschichtigen Polymerprobe liefern. Im schlimmsten Fall wird das in der Probe am häufigsten vorkommende Polymer vorhergesagt, so dass bei großen Chargen die endgültigen Prozentsätze ziemlich genau sein dürften. Für die Überwachung des Auflösungsprozesses wurden nur 1 Polymer und 1 Lösungsmittel für die Tests in IRIS bereitgestellt. Die mit Visum Palm™ erzielten Ergebnisse entsprachen den Erwartungen, aber es wurden keine Prozessmodelle im Zeitverlauf getestet. Die Auflösungskontrolle wurde aufgrund von Problemen mit dem im LOEMI installierten Viskosimeter nicht durchgeführt. Aus diesem Grund gibt es in diesem Abschnitt keine weiteren Ergebnisse.

Für die Überwachung der Automobilproben wurde die LIBS-Technik gewählt. Die Optimierung von LIBS war kompliziert, da es zum ersten Mal eingesetzt wurde. Es wurden Modelle durchgeführt, indem verschiedene Parameter geändert wurden, um die besten Bedingungen zu finden. Das PATbox-Tool für LIBS ermöglichte keine Datenerfassung mit der gleichen Geschwindigkeit wie die LIBS-Software, so dass die Modelle geändert werden mussten. Schließlich wurden die Modelle kalibriert und getestet, um die Art der Fasern in den schwarzen Kunststoffen PP und PA vorherzusagen. Die in den drei Chargen erzielten Ergebnisse waren zufriedenstellend, da die Vorhersagen der Modelle (Chemometrie und maschinelles Lernen) nahe an den tatsächlichen Gehalten lagen. Es wurden einige Tests durchgeführt, um zwischen PP und PA zu unterscheiden, aber die Klassifizierungsrate lag bei etwa 80 % der guten Vorhersagen. Im Allgemeinen waren Fehlmarkierungen und Verschmutzungen der Proben nicht schwerwiegend.