AI 分拣技术推动混合塑料废料生产工业级再生料

AI 分拣技术提升再生料价值链质量

弗劳恩霍夫 LBF 研究所正将人工智能定位为实用工具，使混合消费后塑料废料不仅能用于低等级回收路线，还可用于要求苛刻的工业应用。

K3I-Cycling 项目试图解决的问题

回收商和配混商面临的核心挑战众所周知：混合轻质包装废料成分不断变化，伴随污染和老化效应，导致输出质量难以稳定。在 K3I-Cycling 项目中，弗劳恩霍夫 LBF 研究所正与 16 个合作伙伴共同开发消费后塑料的 AI 支持分拣方法，包括黄色袋子流中的材料。

根据项目描述，目标是从混合轻质包装废料中生产工业可用的塑料再生料。这意味着项目不止步于分拣本身。它将实验室和中试规模的再生料生产与材料性能评估以及添加剂包开发相结合，包括生物基稳定剂，从而使回收材料能够针对更苛刻的应用进行定制。

对加工商而言，这一点很重要，因为再生料的质量往往在颗粒到达挤出机之前很久就已被评判。老化或污染的变化可能导致加工行为不稳定、机械性能不一致，以及品牌所有者信心不足。K3I-Cycling 方法正试图通过在上游创建更稳健的质量组来减少这种不确定性。

机器学习与材料分析相结合

弗劳恩霍夫 LBF 研究所表示，它正将现实世界的材料分析与机器学习相结合，根据老化状态和杂质对聚烯烃再生料进行分类。结果是形成可用于定义材料质量水平质量簇。

这些水平并非仅作为学术练习呈现。项目表示，它们可作为新标准和数字产品护照的基础，这将为转化商和买家提供更透明的方式来指定再生原料。对于下游用户而言，这种可追溯的分级可以减少更广泛使用再生料的最大障碍之一：再加工商能承诺的内容与买家在成品或包装形式中所需内容之间的差距。

弗劳恩霍夫 LBF 研究所还表示，其工作包正在开发用于评估和后稳定再生料的工具箱。这在工业回收中是关键步骤，因为输出质量不仅取决于分拣纯度，还取决于聚合器在收集、再加工和再使用后的表现。

”

“达姆施塔特的研究人员正在领导回收与再生料生产工作包，并开发用于评估和后稳定再生料的工具箱。”——弗劳恩霍夫 LBF 研究所表示

人工神经孪生连接整个链条

项目的第二个要素是人工神经孪生（ANT），它映射从收集到再生材料最终用户的分拣链。其目的是在整个价值链中优化纯度、短物流和低价格等参数。

这种框架对回收商和品牌所有者都意义重大。如果物流漫长或成本过高，单纯的纯度并不能保证商业成功。通过对整个链条建模，项目将再生料质量视为系统问题，而非单一机器问题。

消防安全与分拣可靠性

该项目还将人工智能扩展到工厂保护。弗劳恩霍夫 LBF 研究所表示，其 DangerSort 系统可在锂电池引发火灾前检测并弹出它们。这提醒人们，分拣技术不仅以输出纯度评判，还以如何保护工厂正常运行时间和降低运营风险来衡量。

对分拣运营商而言，这具有直接商业价值。火灾事故可能中断生产、损坏设备并污染原料流，而更好的检测可以同时保留吞吐量和材料价值。从这个意义上说，同一 AI 逻辑在提升再生料质量的同时，也被用于使分拣生产线本身更具韧性。

K3I-Cycling 发出的更广泛信号是，工业再生料质量正日益成为数据问题，同时也是材料问题。通过将 AI 分拣、材料分析、后稳定和全链优化联系起来，弗劳恩霍夫 LBF 研究所正推动再生塑料朝着转化商已从原生聚合物中期待的那种过程控制方向发展。