Der Übergang zur Kreislaufwirtschaft, die erneute Nutzung von Produkten, erfordert eine effiziente Sammlung und Identifikation von gebrauchten Produkten. Woraus bestehen sie? Was ist nutzbar? Jedes Produkt ist aufgrund seiner Vorgeschichte ein Unikat. Dennoch ist es seinen Nachfolgemodellen häufig ähnlich. Um die Identifikation zu erleichtern, bewertet im Projekt "EIBA" eine Künstliche Intelligenz (KI) das Produkt mit.
Teamwork mit Künstlicher Intelligenz
Am Ende einer Nutzungsphase existieren für ein Produkt verschiedene Entsorgungs- oder Aufbereitungsstrategien. Abhängig von Art und Zustand können Produkte beispielsweise dem Recycling oder der Aufbereitung und erneuten Nutzung zugeführt werden. Dafür müssen sie eindeutig identifiziert und bewertet werden. Die Heraus-forderung dabei ist, dass viele Produktmodelle sich nur geringfügig voneinander unterscheiden und aufgrund von Verschmutzung und Verschleiß schwer zu identifizieren sind. Zusätzlich stehen den Fachleuten für die Identifikation und Bewertung nur wenige Sekunden Zeit zur Verfügung.
Um sie bei ihrer Arbeit zu unterstützen, will „EIBA“ ihnen eine Maschine zur Seite stellen, welche das Produkt mit beurteilt. Sensorisch erfasste Daten werden mit Hilfe künstlicher Intelligenz in Verbindung mit weiteren Informationen ausgewertet und zu einer Entscheidungsempfehlung formuliert. Dank des Vier-Augen-Prinzips von Mensch und Maschine soll die Fehlerquote bei der Identifikation reduziert und die Menschen entlastet werden.
Selbstlernende Technologie
Das Ziel des Projektes „EIBA“ ist die Entwicklung eines Systems zur Identifikation und Zustandsbewertung von Altteilen. Damit wird ein wichtiger Beitrag zur Kreislaufschließung durch digitale Technologien geleistet. Mit dem Einsatz von Methoden der Künstlichen Intelligenz – wie Maschinellem Lernen und Deep Learning – sollen Produkte erkannt und mit weiteren Informationen verglichen werden. Eine kontinuierliche Erweiterung der Daten soll zudem eine Anpassung an neue Produkte und Anforderungen ermöglichen.
Die Innovation des Projekts besteht unter anderem darin, eine Zusammenarbeit zwischen Mensch und Maschine zu ermöglichen, um die Kompetenzen von beiden zu verbinden sowie die Hindernisse und Schwierigkeiten in der Sortierung und Bewertung zu überwinden. Das daraus resultierende System wird nach Aspekten der Nachhaltigkeit analysiert: Was hat sich für den Menschen geändert? Welche zusätzlichen Umweltlasten entstehen zunächst durch den Einsatz von Maschinen und wie groß sind die durch eine Effizienzsteigerung gewonnenen Umweltentlastungen?
Ergebnisse (Stand Juni 2022)
Die Entwicklung des Systems erfolgt am Beispiel von gebrauchten Fahrzeugteilen. Darüber hinaus wurden umfangreiche Interviews in unterschiedlichen Branchen von Textilien über Druckerpatronen
bis Halbleiterfertigung durchgeführt, damit die Entwicklung auch Anforderungen anderer Industrien berücksichtigt. Ein Schwerpunkt im Projekt ist die digitale Bildauswertung durch künstliche Intelligenz. In einem Proof-of-concept wurden basierend auf Bilddaten von circa 1.400 unterschiedlichen Altteilen bei Leistungstests über 98% der Altteile eindeutig richtig identifiziert. Hierbei handelt es sich um Ergebnisse unter Laborbedingungen, deren Validierung noch aussteht. Um dies zu ermöglichen, wurden an einem C-ECO Standort alle Arbeitsplätze mit Tiefenkameras und Waagen ausgerüstet und die Identifikationssoftware an die digitalen Sensoren angebunden. So wird die Datenverfügbarkeit für Bilder, Tiefenbilder und Gewichtsdaten fortlaufend im operativen Prozess vergrößert, um durch weitere Trainingsdaten die KI immer besser an die realen Begebenheiten anzupassen. Es wurden bereits 3.500 Automobil-Altteile mit 21.000 Datensätzen (124.000 Bilder) im Projekt digitalisiert.
Neben der Bild-Erkennung wurden statistische Auswertmethoden implementiert und getestet, die aus den historischen Lieferdaten, den Messungen der Waage und der Sendungsinformation Identifikationsvorschläge für die Werkenden genieren. Leistungstests der statistischen Modelle konnten dabei 66 % der Altteile aus 213.879 realen Verlesungen richtig identifizieren. Eine weitere Herausforderung liegt dabei in der effizienten Integration der Sensorik und KI in den Arbeitsprozess. Hierzu wurde der aktuelle Prozess genau untersucht und ein Konzept für dessen Umgestaltung sowie für die Präsentation der KI-Ergebnisse in der Mensch-Maschine-Schnittstelle erarbeitet. Diese Konzepte wurden in klickbaren digitalen Demonstratoren umgesetzt und für die Integration in den realen Betrieb in C-ECO Standorten vorbereitet. Die Ergebnisse der Sensordateninterpretation, der statistischen Methoden sowie der Eingaben des Werkers werden nun fusioniert, um deren spezifische Kompetenzen zur Erkennung der Altteile optimal zu kombinieren.
Auf Basis der Erkennungsraten wurde am Beispiel-Produkt Starter die Auswirkungen auf CO2-Emissionen der Sortierung berechnet. Hierbei hat sich gezeigt, dass die Einsparungen aufgrund von zusätzlichen Teilen, die dem Remanufacturing zugeführt werden, deutlich höher sind als die zusätzlichen Emissionen, welche durch den Einsatz der KI entstehen. Außerdem wurde der zusätzliche Energieaufwand untersucht, der durch den Einsatz der KI sowie der zusätzlichen Sensoren entsteht und ins Verhältnis zur besseren Sortierquote durch den Einsatz der KI gesetzt. Als Ergebnis zeigte sich für die Produktgruppe Starter, dass sich bereits nach einem Tag der Sortierung der zusätzliche Energieaufwand für Training und Einsatz der KI rechnet durch die Teile, welche mehr im Kreislauf gehalten werden können. Insgesamt bestand nur bei Betrachtung der verbesserten Sortierung von Startermotoren ein Potential der Einsparung von CO2-Äquivalenten Emissionen von 27,5 Tonnen.
Interdisziplinäre Zusammenarbeit
Die Herausforderungen im Projekt „EIBA“ resultieren aus der komplexen Kombination von modernster Informationsverarbeitungstechnologie, anwendungsorientierter Prozesskenntnis sowie den Markterfordernissen an eine effiziente Kreislaufwirtschaft, die global skalierbar ist. Um dem gerecht zu werden, arbeiten in „EIBA“ Ingenieure unterschiedlicher Fachrichtungen zusammen, um die Herausforderungen aus verschiedenen Perspektiven zu betrachten, Lösungen zu entwickeln und zu erproben, sowie die Potenziale bestmöglich zu nutzen.
Publikationen
Abschlussbericht (Kurzform, 2023)
Artikel im Magazin 320° Magazin (01.10.2020)
Projektflyer der Fördermaßnahme (deutsch / englisch) (März 2021)
Die Projektflyer bieten einen Einblick in die Inhalte und Ziele der ReziProK Projekte und stellen jeweils erste Ergebnisse vor.
Projektblätter der Fördermaßnahme (deutsch) (Dezember 2019)
Die Projektblätter bieten eine Kurzübersicht über die einzelnen Projekte und deren Ziele.
Beiträge zu der ReziProK Transferkonferenz im Juni 2022
Poster (Juni 2022)
Präsentation (Juni 2022)
Beiträge zu der ReziProK Kick-off Veranstaltung im Dezember 2019
Poster (Dezember 2019)
Präsentation (Dezember 2019)
Bildnachweis: BOSCH/C-ECO