Rezyklat-Qualität inline erkennen: NIR-Spektroskopie und KI

Das echte Ausmaß des Problems

Post-Consumer-Rezyklate (PCR) sind kein homogenes Produkt. Sie sind das Ergebnis eines Sammel- und Sortierprozesses, der in Qualität, Sortiertiefe und Ausgangsmaterialmix je nach Lieferant und Charge erheblich schwankt. Was auf dem Lieferschein als „PP-Mahlgut, Qualitätsstufe B” steht, kann je nach Herkunft zwischen 1 % und 9 % Fremdpolymeranteil enthalten — ein Unterschied, der im Extruder den Unterschied zwischen stabiler Produktion und Maschinenstopp bedeutet.

Das ist keine Spezialität schwarzer Schafe in der Recyclingbranche. Es ist eine physikalische Realität der mechanischen Aufbereitung von Post-Consumer-Materialien. Selbst zertifizierte Lieferanten mit konstanten Prozessen liefern Chargen, die innerhalb derselben Liefernummer variieren — oben im Sack anders als unten, Wochenbeginn anders als Wochenende.

Die Konsequenzen für Verarbeiter sind konkret:

• Ausschuss durch Fremdpolymere: Wenn PE-Anteile im PP-Strom über die Toleranzgrenze steigen, entstehen Schlieren, Delaminierungen und Festigkeitsprobleme im Endteil. Ausschussraten von 3–8 % werden in vielen Betrieben als „normales Rezyklat-Risiko” akzeptiert — obwohl sie direkt auf fehlerhafte Chargen zurückzuführen sind.
• Maschinenstopps durch Druckanstieg: Fremdpolymere mit höherer Viskosität als das Basispolymer können in der Entgasungszone oder an der Düse zu Druckspitzen führen, die automatische Sicherheitsabschaltungen auslösen. Typische Entstörungszeit: 60–120 Minuten. Typische Frequenz: mehrfach pro Monat bei Betrieben mit hohem Rezyklatanteil.
• Produkthaftungsrisiken: Wenn ein Rezyklat-haltiges Bauteil im Feld versagt und die Chargenzusammensetzung nicht dokumentiert ist, ist die Beweislage im Reklamationsfall schwierig. Automotive- und Elektrotechnik-Kunden fordern zunehmend Qualitätsnachweise auf Chargenebene.
• Regulatorische Compliance-Lücke: Die EU-Verpackungsverordnung (PPWR, seit Februar 2025 in Kraft, verbindlich ab August 2026) schreibt ab 2030 Mindestrezyklatanteile vor — 30–35 % für Kunststoffverpackungen, bis 65 % bis 2040. Wer diese Quoten nicht nachweisbar dokumentiert, riskiert regulatorische Sanktionen.

Das Projekt RecyQuant, das das Kunststoff-Zentrum SKZ gemeinsam mit ColVisTec AG von 2022 bis 2024 durchführte, hat gezeigt: Inline-NIR-Systeme können Fremdpolymer-Anteile (PE in PP) direkt in der Schmelze messen und den Extruder automatisch nachregeln — auch bei realitätsnah eingefärbtem Recyclingmaterial.

Mit vs. ohne KI — ein ehrlicher Vergleich

¹ Erfahrungswerte aus dem RecyQuant-Projekt (SKZ/ColVisTec, 2022–2024) und Praxisberichten aus der Polymer-Compoundierung; keine repräsentative Studie.

Der entscheidende Unterschied ist nicht die Messgenauigkeit — ein gutes Labor-NIR ist exakt. Es ist die Prüfabdeckung. Ein System, das 100 Kilogramm einer Tonne prüft, hat eine unbestimmte Aussage über die anderen 900 Kilogramm. Bei homogenen Primärrohstoffen ist das akzeptabel. Bei Post-Consumer-Rezyklaten, die innerhalb einer Charge variieren, ist es strukturell unzureichend.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5) Das System spart pro Schicht 30–60 Minuten manuelle Probennahme und Labormessung. Wichtiger ist der indirekte Zeitgewinn: Maschinenstopps zur Entstörung entfallen weitgehend, was auf Anlagen mit drei Schichten täglich 2–4 Stunden Produktionszeit pro Woche zurückgibt. Im Vergleich mit anderen Anwendungsfällen in dieser Kategorie ist der direkte Personalzeitgewinn moderat — die Hauptwirkung liegt auf der Maschinenverfügbarkeit, nicht auf Verwaltungseffizienz.

Kosteneinsparung — hoch (4/5) Die Investition von 20.000–80.000 EUR (Hardware + Integration + Modellentwicklung) amortisiert sich in der Regel innerhalb von 8–18 Monaten, wenn der Rezyklatanteil über 20 % liegt und die bisherige Ausschussrate im kritischen Bereich war. Ausschuss kostet in der Kunststoffverarbeitung 2–8 EUR pro Kilogramm Fertigteil (Material, Energie, Maschinenzeit) — und ein einziger Maschinenstopp durch eine Fehlcharge entspricht 60–120 Minuten Produktionsausfall. Bei 3–5 Stopps pro Monat summiert sich das schnell auf 15.000–40.000 EUR jährlich, nur in direkten Stillstandskosten.

Schnelle Umsetzung — gering (1/5) Das ist die schwächste Dimension: 20–32 Wochen bis zum produktiven Betrieb, ohne Abkürzung. Der Sensor muss physisch in die Anlage integriert werden — mit Prozessunterbrechung, Montage und Inbetriebnahme. Das Modell braucht Referenzchargen aus der eigenen Produktion mit bekannten Zusammensetzungen — das dauert, weil keine Referenzdaten von der Stange existieren. Und die Validierungsphase, in der Inline-System und Referenzanalytik parallel laufen, ist für den Produktionsbetrieb unumgehbar. Damit hat dieser Anwendungsfall die längste Anlaufzeit in dieser Kategorie.

ROI-Sicherheit — mittel (3/5) Der ROI ist grundsätzlich messbar — Ausschussrate vor und nach, Maschinenstandzeiten im Vergleich. Die Unsicherheit liegt in der Ausgangssituation: Wer seinen tatsächlichen Rezyklatfehler-Ausschuss noch nicht sauber dokumentiert hat, hat keine belastbare Baseline für den Vorher-Nachher-Vergleich. Außerdem hängt der ROI stark vom Rezyklatanteil und der Qualitätsvariabilität des spezifischen Lieferanten ab — beides kann sich im Laufe der Zeit ändern.

Skalierbarkeit — hoch (4/5) Für jede Extrusionslinie ist ein eigener Sensor erforderlich. Das ist ein linearer Kostenaufwand, kein Plattformmerkmal. Was gut skaliert: Das Chemometrie-Modell kann mit wenig Aufwand auf weitere Linien übertragen werden, wenn dasselbe Polymer-System verarbeitet wird. Unternehmen mit 4–6 Extrudern können nach einer erfolgreichen Pilotlinie den Roll-out erheblich schneller umsetzen als das initiale Projekt gedauert hat.

Richtwerte — stark abhängig von Anlagenkonfiguration, Polymertyp, Rezyklatlieferant und bisheriger Baseline-Qualität.

Was das System konkret macht

Der technische Ansatz verbindet zwei etablierte Methoden: Nahinfrarot-Spektroskopie (NIR) als Messtechnik und Machine Learning — konkret chemometrische Modelle — als Auswertungslogik.

Die Messtechnik: NIR-Inline-Sonde Eine NIR-Sonde wird direkt in den Materialstrom eingebaut — entweder an der Einzugszone des Extruders (Granulat-Messung), an der Schmelze (Messung nach der Plastifizierzone) oder an einer Dosierwaage vor dem Einzug. Die Sonde sendet Nahinfrarot-Licht auf das Material, das reflektierte Spektrum enthält charakteristische Absorptionsmuster für jedes Polymer. PP, PE, PET, PA6 und andere Thermoplaste haben im NIR-Bereich je eigene Fingerabdrücke — ebenso Feuchtegehalt und verschiedene Additive.

Das Modell: Chemometrie statt Black Box Aus dem Rohspektrum berechnet ein chemometrisches Modell — typischerweise Partial Least Squares (PLS) Regression oder ein Support Vector Classifier — den Fremdpolymeranteil, die Feuchte oder andere Qualitätsparameter. Das ist keine generative KI, sondern validierte statistische Mustererkennung: interpretierbar, kalibrierbar, nachvollziehbar. Das ist relevant für Dokumentationsanforderungen und Rückverfolgbarkeit.

Die Regelschleife: automatische Nachregelung Wenn das Modell einen Fremdpolymeranteil über dem Schwellenwert erkennt, gibt es ein Signal an die Anlagensteuerung (SPS). Abhängig von der Konfiguration kann das:

• einen Alarm auslösen und den Bediener informieren,
• die Zuführrate des Rezyklats automatisch reduzieren und den Anteil Frischmaterial erhöhen,
• die Charge sperren und in einen Quarantäne-Silo umleiten.

Was das System nicht kann: Chargen reparieren oder Fremdpolymere entfernen. Es ist ein Erkennungs- und Steuerungssystem, kein Reinigungssystem.

Eine wichtige Einschränkung: schwarze Kunststoffe NIR-Strahlung wird von Carbon-Black-Pigmenten absorbiert — das ist die physikalische Grenze dieser Messtechnik. Dunkel oder schwarz eingefärbte Rezyklate können mit Standard-NIR-Systemen nicht zuverlässig klassifiziert werden. Für diese Materialien sind alternative Messprinzipien (Raman-Spektroskopie, Fluoreszenz-Sensorik) erforderlich. Wer hauptsächlich schwarzes Recyclingmaterial verarbeitet, sollte das in der Konzeptionsphase explizit klären.

Was ihr hardware-seitig braucht

Die Sensorauswahl ist die kritischste Entscheidung — und hängt von der Applikation ab. Nicht jede Konfiguration passt zu jedem Prozess.

Granulat-Inline (vor dem Einzug) Messung am Schüttgut — an der Dosierwaage oder auf dem Förderband zum Extruder. Vorteil: keine thermische Belastung des Sensors, einfachere Zugänglichkeit. Nachteil: Granulat-Heterogenität kann Messung verfälschen, wenn Partikel unterschiedlich groß oder eingefärbt sind. Geeignet für: homogenere Rezyklatchargen, Granulatqualität-Screening vor dem Einzug.

Schmelze-Inline (am Extruder) Messung direkt in der Polymerschmelze — an einem Adaptersensor in der Schneckenzone oder vor der Düse. Vorteil: Das Material ist homogenisiert und gut durchmischt, die Messung ist repräsentativer für die tatsächliche Schmelzezusammensetzung. Nachteil: Höhere thermische und chemische Belastung des Sensors, invasivere Installation, Umbau der Anlage nötig. Geeignet für: Prozesse, in denen Chargen-Inhomogenität das Kernproblem ist.

Reflexionssonde vs. Transmissionssonde Reflexionssonden messen das reflektierte Licht — Standard für Granulat. Transmissionssonden messen durch das Material hindurch — besser für Schmelzen und dünne Ströme. Die Wahl hängt von Transparenz und Probendicke ab.

Was ihr außerdem braucht:

• Anlagensteuerung (SPS) mit freier Analogeingangskarte oder OPC-UA-Schnittstelle für die Sensor-Integration
• Einen Prozessrechner oder Industrie-PC für das Modell (kann auch cloudbasiert sein, wenn die Latenz unter 1 Sekunde bleibt)
• Referenzanalytik für die Modellentwicklung — Labor-NIR oder GC/MS für mindestens 30–80 Chargen mit bekannter Zusammensetzung

Typische Einstiegs-Hardware-Kosten:

• Einfacher Inline-NIR-Sensor (Reflexion, Granulat): 5.000–20.000 EUR
• Schmelzesensor mit thermischer Beständigkeit: 15.000–40.000 EUR
• Komplettes System inkl. Prozessrechner, Software, Modellentwicklung und Integration: 25.000–80.000 EUR

Konkrete Werkzeuge — was wann passt

Die Werkzeuglandschaft teilt sich in Sensoranbieter, Chemometrie-Software und offene Entwicklungsumgebungen auf. Kein einzelnes Tool deckt alle drei ab.

ColVisTec Inline Spectroscopy — der Spezialist für Polymerschmelzen ColVisTec AG (Berlin) hat im RecyQuant-Projekt (SKZ, 2022–2024) nachgewiesen, dass ihre Inline-Breitbandsonde PE-Anteile in PP-Schmelze bei realistisch eingefärbtem Recyclingmaterial zuverlässig erkennt. Sie liefern Hardware, Chemometrie-Software und Integration als Paket. Preise auf Anfrage; typisch 25.000–60.000 EUR für ein vollständiges Inline-System. Am stärksten, wenn das Kernproblem Fremdpolymer-Erkennung in der Schmelze ist.

Metrohm Vision Air + Mira-Handgeräte — für die Granulat-Wareneingangskontrolle Metrohm NIR-Systeme werden in der Kunststoffbranche für Granulat-Wareneingangskontrolle eingesetzt. Vision Air mit einem stationären DS2500 eignet sich gut für die Eingangsprüfung vor dem Einzug — als Ergänzung zu einem Inline-System oder als Einstieg, wenn noch kein Inline-Budget vorhanden ist. Ein Mira-Handgerät erlaubt mobile Schnellprüfung am Wareneingang. Einstieg: ab ca. 25.000 EUR für das Gerät, Vision Air-Lizenz im Paket.

Bruker OPUS — für Laborvalidierung und Modellentwicklung Bruker-NIR-Spektrometer mit OPUS-Software sind der Laborstandard für die Erstellung und Validierung chemometrischer Referenzmodelle. Wenn ein Inline-System eingeführt wird, braucht es eine Referenzanalytik-Grundlage — genau hier ist OPUS die etablierte Wahl. Nicht für die Inline-Messung selbst, aber als unverzichtbares Werkzeug für den Modellaufbau.

KNIME Analytics Platform — für eigene Modellentwicklung (kostenlos) KNIME bietet chemometrische Workflows (PLS-Regression, Klassifikation) als visuelle Drag-and-Drop-Prozesse — kostenlos in der Desktop-Version. Für Betriebe mit eigenem Prozessingenieur oder Laborpersonal mit Datenerfahrung ist das ein realer Einstieg in die Modellentwicklung, ohne Lizenzkosten. Einschränkung: KNIME übernimmt nicht die Sensorintegration — das bleibt eine IT/OT-Aufgabe.

Zusammenfassung: Wann welcher Ansatz

• Fremdpolymer in der Schmelze erkennen und Extruder nachregeln → ColVisTec Inline-System
• Granulat am Wareneingang prüfen (stationär oder mobil) → Metrohm Vision Air / Mira
• Labormodelle entwickeln und validieren → Bruker OPUS
• Eigene Chemometrie ohne Lizenzkosten entwickeln → KNIME

Datenschutz und Datenhaltung

Inline-NIR-Systeme in der Produktion erzeugen primär Prozess- und Spektraldaten — keine personenbezogenen Daten im Sinne der DSGVO. Das vereinfacht die datenschutzrechtliche Bewertung erheblich.

Wo die DSGVO dennoch relevant werden kann:

• Schichtprotokoll-Integration: Wenn Messzeiten mit Schichtplänen oder Bedienerprotokollen zusammengeführt werden, entsteht ein Bezug zu Personendaten. Hier gilt die normale Betriebsdaten-Logik (Betriebsvereinbarung, Interessenabwägung).
• Cloud-Anbindung: Wenn Spektraldaten für Modell-Updates oder Remote-Monitoring an externe Server übertragen werden, braucht es einen Auftragsverarbeitungsvertrag (AVV) mit dem Dienstleister. ColVisTec und Metrohm betreiben keine Pflicht-Cloud — lokale Verarbeitung ist der Standard.
• Lieferanten-Chargedaten: Wenn ihr Rezyklatlieferanten-Qualitätsdaten in ein gemeinsames System fließen lassen wollt, prüft vorher die Vertragskonstruktion — es können B2B-Datenschutzaspekte und Geheimhaltungsinteressen eine Rolle spielen.

Praktische Empfehlung: Verarbeitung lokal auf dem Anlagen-PC oder einem Industrie-PC im Produktionsnetz, keine Cloud-Pflicht. Datenhaltung in der eigenen IT-Infrastruktur, Zugriff nur für berechtigte Produktionsmitarbeitende. Die Spektraldaten sind in der Regel kein sensibles Asset — sofern die Modellparameter und Kalibrierdaten als vertraulich behandelt werden (Produktions-Know-how), sollten diese in einem geschützten Ordner mit Zugriffsprotokoll liegen.

Was es kostet — realistisch gerechnet

Einmalige Investition (System-Setup)

• Inline-Sensor-System (Hardware, Integration, Inbetriebnahme): 20.000–80.000 EUR
• Modellentwicklung mit Referenzchargen: 5.000–20.000 EUR (intern oder durch Dienstleister)
• SPS-Anpassung und OT-Integration: 5.000–15.000 EUR (abhängig von Anlage und Integrationsaufwand)
• Gesamt-Erstinvestition typisch: 30.000–115.000 EUR

Laufende Kosten (jährlich)

• Sensor-Wartung und Kalibrierung: 2.000–6.000 EUR/Jahr
• Modell-Updates bei Lieferantenwechsel oder neuem Rezyklat-Typ: 1.000–5.000 EUR je Update (intern oder extern)
• Software-Lizenzen (je nach System): 0–3.000 EUR/Jahr

Was du dagegenrechnen kannst — konservativ Ein typischer Kunststoffverarbeiter mit 30 % PCR-Anteil, 2 Tonnen täglich und einer ausschussbedingten Verlustrate von 4 % durch fehlerhafte Chargen:

• 4 % Ausschuss auf 2.000 kg/Tag × 250 Produktionstage × 3 EUR/kg Verlustkosten (Material + Energie + Maschine) = 60.000 EUR Ausschussverlust pro Jahr
• 4 Maschinenstopps/Monat à 90 Minuten × 800 EUR/Stunde Maschinenstundensatz = 57.600 EUR Stillstandskosten pro Jahr
• Summe vermeidbarer Verluste: ca. 117.600 EUR/Jahr

Selbst wenn das System nur 50 % dieser Verluste eliminiert: 58.800 EUR/Jahr Netto-Nutzen. Bei einer Investition von 65.000 EUR ist das ein Break-even in ca. 13 Monaten.

Wie du den ROI tatsächlich misst Nicht über eine Modellrechnung — sondern über eine Baseline-Messung: Dokumentiere 8 Wochen lang Ausschussraten, Chargenprotokolle und Maschinenstopps vor dem System-Rollout. Das gibt dir den echten Ausgangswert. Dann vergleiche monatlich. Wenn das System nach 6 Monaten keine messbare Verbesserung zeigt, gibt es ein Problem mit dem Modell oder dem Rezyklatprozess — und das ist ein Signal zum Handeln, keine Toleranz zum Weitermachen.

Modellkalibrierung: Wann das Modell nachtrainiert werden muss

Das ist die Dimension, die in Projekt-Pitches fast immer unterschätzt wird. Ein NIR-Chemometrie-Modell ist kein Set-and-Forget-System. Es wurde mit Referenzchargen aus einem bestimmten Lieferanten, einem bestimmten Jahrgang und einem bestimmten Materialtyp kalibriert. Wenn sich diese Rahmenbedingungen ändern, kann die Vorhersagegenauigkeit ohne Warnung sinken.

Wann ein Modell-Update zwingend ist:

• Lieferantenwechsel: Rezyklat vom neuen Lieferanten hat eine andere spektrale Signatur — auch wenn die Spezifikation dieselbe ist. Das Modell kennt diese Signatur noch nicht.
• Saisonale Variation im Sammelstrom: Post-Consumer-PP aus Frühjahrs-Sammlungen kann andere Additiv-Profile haben als Winterchargen (UV-Stabilisatoren, Weichmacher aus Outdoor-Produkten).
• Neue Polymertypen in der Charge: Wenn das Recyclat zunehmend Anteile von Materialkombinationen enthält, die das ursprüngliche Modell nicht kannte (z. B. neue Beipackzettel-Folien oder andere Verpackungstypen im Sammelstrom).
• Sensoralterung oder Reinigung: Ablagerungen auf der Sonde oder Drift durch thermische Zyklen können das Spektrum systematisch verschieben. Regelmäßige Referenzmessungen mit bekannten Proben (alle 4–8 Wochen) zeigen, ob der Sensor noch kalibriert ist.
• Rezepturanpassung: Wenn ihr selbst Additive oder Farbbatche ändert, muss das Modell neu trainiert werden — es lernt das neue Gesamtspektrum als Zielzustand.

Praktische Empfehlung:

• Wählt eine:n Prozessverantwortliche:n, die/der das Modell als ihr System versteht — nicht die IT, nicht der Sensorlieferant, sondern jemand aus der Produktion oder Qualitätssicherung.
• Legt Kontrollchargen mit bekannter Zusammensetzung als „Kalibrationsnormen” fest — vier bis sechs pro Polymertyp — und messt diese monatlich durch. Wenn die Vorhersage um mehr als 15 % vom Referenzwert abweicht, ist ein Update fällig.
• Dokumentiert jeden Lieferantenwechsel als Trigger für eine Pflicht-Rekalibrierung.

Drei typische Einstiegsfehler

1. Ohne Referenzdaten-Baseline in die Sensorinstallation starten. Der häufigste Fehler: Die Hardware wird bestellt und montiert, aber die Entwicklung des Chemometrie-Modells beginnt erst danach — ohne ausreichend Referenzchargen. Ein gutes PLS-Modell braucht 30–80 Chargen mit bekannten Zusammensetzungen, gemessen mit einer orthogonalen Methode (Labor-NIR, DSC, GC). Diese Chargen existieren am Anfang nicht und müssen über Monate gesammelt werden. Wer das nicht vorab plant, hat nach 12 Wochen Wartezeit ein Gerät stehen, das noch kein belastbares Modell hat.

Lösung: Startet mit der Referenzchargen-Sammlung 3 Monate vor der geplanten Hardware-Installation. Beauftragt parallel ein externes Labor (z. B. SKZ, Fraunhofer IFF oder einen akkreditierten Analysedienstleister) mit der Charakterisierung eurer häufigsten Rezyklatchargen.

2. Das Modell auf einen Lieferanten trainieren, dann auf alle anwenden. Wenn das Modell auf Chargen von Lieferant A kalibriert wurde und ihr damit auch Chargen von Lieferant B prüft, bekommt ihr Vorhersagen — aber keine zuverlässigen. Jeder Lieferant hat einen leicht unterschiedlichen Aufbereitungsprozess, unterschiedliche Quellmaterialien und damit unterschiedliche Spektralsignaturen. Das Modell weiß das nicht.

Lösung: Separate Modelle je Lieferant und Materialtyp, oder ein breiteres Modell, das explizit mit Chargen aller genutzten Lieferanten trainiert wurde. Das kostet mehr Kalibrieraufwand — ist aber der Unterschied zwischen einem Instrument und einem Produktionswerkzeug.

3. Das System wird eingeführt, aber das Retraining nicht geplant. Das ist der langsamste und gefährlichste Fehler. Das System liefert nach dem Go-Live drei Monate lang gute Ergebnisse — dann wechselt ein Lieferant seine Anlage, der Sammelstrom ändert sich leicht, und das Modell beginnt systematisch falsch zu liegen. Weil niemand die Modellleistung aktiv überwacht und die Ausgaben auf dem Display weiterhin Zahlen zeigen, fällt das nicht auf — bis der Ausschuss wieder steigt und niemand den Zusammenhang zum Inline-System herstellt.

Lösung: Definiert vor dem Go-Live: Wer überwacht die Modellqualität? Mit welchem Indikator? Und was ist das Limit, das ein Update triggert? Das ist organisatorische Planung, kein technisches Feature. Ähnlich wie beim Wartungsassistenten für Maschinen gilt: das System lernt aus Daten — aber ob die Daten aktuell und valide bleiben, liegt in eurer Verantwortung.

Was mit der Einführung wirklich passiert — und was nicht

Inline-NIR-Systeme sind keine Plug-and-Play-Lösungen. Die Inbetriebnahme berührt Produktion, Qualitätssicherung, IT und Instandhaltung gleichzeitig — und jede dieser Gruppen hat legitime Fragen, die vorab geklärt werden sollten.

Was die Produktion beschäftigt: Wenn das Inline-System einen Alarm gibt, was passiert mit der laufenden Charge? Wer entscheidet, ob abgebrochen oder weitergefahren wird? Diese Frage klingt trivial und ist es nicht. Die Antwort muss vor dem Go-Live in eine SOP geschrieben sein — sonst liegt die Entscheidung beim Schichtführer in der Nacht, ohne Kriterien.

Was die Qualitätssicherung beschäftigt: Wie wird das Inline-System in das bestehende QM-System integriert? Welche Messwerte gehen in die Chargendokumentation? Wer zeichnet die Messdaten ab, und mit welchem Qualitätsbeweis? Für die Chargendokumentation wird das Inline-System zur zentralen Datenquelle — das muss von Anfang an mitgedacht werden.

Was die Instandhaltung beschäftigt: Ein Inline-Sensor im Extruder ist ein weiteres Bauteil mit Wartungsbedarf. Wer reinigt die Sonde? Wann? Was passiert bei einer Sondenverunreinigung — und wie wird das erkannt? Wer hat die Kompetenz für die Kalibrierung? Diese Fragen müssen im Einführungsprojekt beantwortet werden, nicht drei Monate später.

Was die IT/OT beschäftigt: Die Anbindung des Sensors an die SPS und an ein übergeordnetes System (MES, ERP) ist häufig die unterschätzte Baustelle. OPC-UA-Integration klingt einfach — in einer heterogenen Produktionslandschaft mit verschiedenen Steuerungsgenerationen ist es ein echtes Projekt. Plant 4–8 Wochen reine IT/OT-Integrationsarbeit ein, separat von der Sensor-Inbetriebnahme.

Was das System in der Regel nicht tut: Es ersetzt keine menschliche Qualitätssicherung. Es automatisiert einen Messschritt — aber die Entscheidungslogik (Was tun wir mit einer Fehlcharge? Wie reklamieren wir beim Lieferanten?) bleibt menschlich. Wer das System als vollautomatischen Qualitätswächter versteht und die Prozesse um es herum nicht anpasst, erlebt nach drei Monaten eine Ernüchterung.

Realistischer Zeitplan mit Risikohinweisen

Planungshinweis: Die Referenzchargen-Sammlung läuft parallel zur Installations- und Modellphase — aber sie ist der kritische Pfad. Wer nicht früh genug startet, verschiebt automatisch den gesamten Zeitplan.

Die Sonderfrage: PPWR-Dokumentationspflicht

Die EU-Verpackungsverordnung (PPWR, Verordnung (EU) 2025/40) ist seit Februar 2025 in Kraft und wird ab August 2026 verbindlich. Die relevanten Rezyklat-Quoten — 30 % für kontaktempfindliche PET-Verpackungen, 35 % für nicht kontaktempfindliche Kunststoffverpackungen — gelten ab Januar 2030. Bis 2040 steigen diese Quoten auf bis zu 65 %.

Was das für die Inline-Qualitätserkennung bedeutet: Die PPWR verlangt nicht nur die Verwendung von Rezyklaten, sondern auch die nachweisbare Dokumentation des verwendeten Rezyklat-Anteils auf Produktebene. Ein Inline-NIR-System, das den Rezyklatanteil und die Qualitätsparameter jeder Charge lückenlos aufzeichnet, ist damit mehr als eine Qualitätssicherungsmaßnahme — es ist ein Compliance-Werkzeug.

Konkret: Wenn ihr als Verpackungshersteller ab 2030 35 % PCR-Anteil nachweisen müsst, braucht ihr eine Aufzeichnung, die zeigt:

1. Welche Chargen wurden verarbeitet?
2. Was war der dokumentierte Rezyklatanteil in diesen Chargen?
3. Wie wurde die Qualität sichergestellt?

Ein Lieferschein des Rezyklatlieferanten reicht dafür allein nicht aus — insbesondere wenn die Charge innerhalb der Toleranz, aber schwankend war. Das Inline-System liefert diese Daten automatisch, als Nebenprodukt des Produktionsprozesses.

Bitte lasst euch zu den konkreten Dokumentationspflichten für euren spezifischen Produkttyp von einem auf Verpackungsrecht spezialisierten Anwalt oder einem Verband wie dem IK Industrievereinigung Kunststoffverpackungen beraten — die Details variieren je nach Verpackungskategorie und Anwendungsbereich.

Häufige Einwände — und was dahintersteckt

„Wir prüfen die Chargen schon am Wareneingang mit NIR.” Das stimmt — aber eine Wareneingangsprüfung ist eine Stichprobenprüfung. Sie gibt eine statistische Aussage über einen kleinen Teil der Charge. Bei homogenen Primärrohstoffen reicht das aus. Bei Post-Consumer-Rezyklaten, die innerhalb einer Charge variieren, ist die Stichprobe strukturell unzureichend. Das RecyQuant-Projekt hat gezeigt, dass die Variabilität innerhalb einer PP-Rezyklatcharge (PE-Gehalt 0–10 %) so groß ist, dass Stichproben systematisch falsche Sicherheit geben. Der Unterschied ist nicht die Messgenauigkeit, sondern die Prüfabdeckung.

„Unsere Lieferanten haben Qualitätszertifikate.” Zertifikate bescheinigen den Produktionsprozess und die Methode — nicht die tatsächliche Zusammensetzung jeder einzelnen Charge, die eure Anlage verlässt. Zertifizierte Post-Consumer-Rezyklate können innerhalb der zugelassenen Spezifikation schwanken, und diese Schwankung ist genug, um Prozessprobleme zu verursachen. Betrachtet es als Ergänzung, nicht als Alternative: Zertifikat + Inline-Messung = zuverlässige Qualitätssicherung.

„Das ist zu teuer für unsere Anlage.” Das ist eine valide Frage — und für manche Betriebe stimmt sie. Wenn ihr weniger als 1 Tonne PCR-Rezyklat täglich verarbeitet und die bisherige Ausschussrate unter 2 % liegt, rechnet sich ein Inline-System wahrscheinlich nicht innerhalb von 3 Jahren. Für diese Betriebe ist der bessere erste Schritt: den Lieferanten-Qualifizierungsprozess schärfen (vgl. Granulatlieferanten bewerten) und gezielte Wareneingangsprüfungen intensivieren. Das Inline-System kommt, wenn der Rezyklat-Anteil und das Volumen das Investitionsniveau rechtfertigen.

Woran du merkst, dass das zu dir passt

Du bist in der richtigen Position für diesen Ansatz, wenn:

• Dein Rezyklatanteil liegt bei mindestens 20 % und soll weiter steigen — ob aus Kostengründen, Nachhaltigkeitszielen oder wegen PPWR-Quoten
• Ihr habt wiederkehrende Ausschuss-Peaks, die zufällig wirken, aber häufig nach Lieferantenwechsel oder nach dem Beginn einer neuen Charge auftreten
• Ihr habt Maschinenstopps, für die keine klare Ursache dokumentiert ist, und der Verdacht liegt auf Chargenqualität
• Kunden aus der Automotive- oder Elektrotechnikbranche fordern zunehmend Chargen-Qualitätsnachweise auf Material-Kompositionsebene
• Ihr plant, PPWR-Quoten zu erfüllen, und braucht eine lückenlose Dokumentation der verarbeiteten Rezyklatchargen
• Ihr habt mindestens 1–2 Tonnen PCR-Rezyklat täglich im Prozess und wollt die Qualitätsschwankungen aus dem Prozess nehmen

Wann es sich noch nicht lohnt — drei harte Ausschlusskriterien:

1. Weniger als 1 Tonne PCR-Rezyklat täglich im Einsatz. Bei diesem Volumen ist der ROI-Zeithorizont für ein vollständiges Inline-System typisch über 4 Jahre — zu lang für die meisten Investitionsentscheidungen. Beginnt stattdessen mit einer intensivierten Wareneingangs-Stichprobenkontrolle und einer besseren Lieferantenbewertung.

2. Euer Hauptmaterial ist dunkel oder schwarz pigmentiert. NIR-Sensorik scheitert an Carbon-Black-Pigmenten — das ist physikalisch begründet und kein Qualitätsproblem des Systems. Für schwarze Rezyklate braucht ihr andere Messprinzipien (Raman-Spektroskopie, elektrische Leitfähigkeit). Ein NIR-Inline-System für diesen Einsatz zu kaufen, wäre Fehlinvestition.

3. Kein stabiles Referenzchargen-Repository verfügbar und kein Labor-Partner für den Modellaufbau. Wenn ihr weder intern noch extern die Möglichkeit habt, 30–80 Referenzchargen mit unabhängiger Analytik zu charakterisieren, fehlt das Fundament für ein belastbares Chemometrie-Modell. Das System wird gebaut, aber nicht belastbar sein. Investiert zuerst in die analytische Infrastruktur — dann in das Inline-System.

Das kannst du heute noch tun

Bevor ihr eine Sensorinvestition startet, verschafft euch einen quantitativen Überblick über eure aktuelle Situation. Das dauert zwei bis drei Stunden und kostet nichts.

Nehmt euch die letzten 24 Monate Produktionsdaten vor:

• Wie viele Maschinenstopps hat es gegeben, und auf welchen Linien und zu welchen Zeiten?
• Wie entwickelt sich die Ausschussrate, und gibt es Chargen-Muster?
• Welche Rezyklatchargen wurden in den Wochen vor Ausschuss-Peaks eingesetzt?

Wenn ihr diese Daten nicht systematisch habt — dann ist das eure wichtigste Erkenntnis. Ohne Baseline gibt es keinen Beweis für einen ROI. Und ohne Beweis für einen ROI gibt es keine Investitionsentscheidung, die ihr intern verteidigen könnt.

Nutzt diesen Prompt, um eure vorhandenen Daten strukturiert auszuwerten:

Quellen & Methodik

• RecyQuant-Projekt (2022–2024): Verbundprojekt ColVisTec AG und Kunststoff-Zentrum SKZ zur Inline-Quantifizierung von Fremdpolymeren in Kunststoff-Rezyklaten. Ergebnis: Nachweis der PE-Erkennung in PP-Schmelze auch bei eingefärbtem PCR-Material, mit automatischer Dosierskalen-Korrektur. Veröffentlicht August 2024 (bvse.de / RECYCLING magazin). → bvse.de
• SpectralAIge-Projekt (gestartet Oktober 2024): BMBF-gefördertes Verbundprojekt (KMU-innovativ) unter Leitung von Silicann Systems GmbH mit Fraunhofer IFF und SKZ — Entwicklung von NIR-Messsystemen und KI-Modellen zur Beurteilung der Materialalterung in PET, PE, PP-Rezyklaten. → skz.de
• EU Verpackungsverordnung PPWR (Verordnung (EU) 2025/40): In Kraft seit Februar 2025, verbindlich ab August 2026. Rezyklatquoten ab 2030: 30–35 % für Kunststoffverpackungen, bis 65 % bis 2040. → industrie-fachwissen.de
• Sesotec GmbH: Informationen zu NIR-Sortiertechnik und Qualitätsanforderungen an Rezyklate. → sesotec.com
• TOMRA Autosort: Marktdaten zur sensorbasierten Sortierung und NIR-Systemkosten aus der Tool-Datenbank von KI-Syndikat (Mai 2026).
• Solidscanner.com / Avantes NIR in Recycling (2024): Technische Grenzen von NIR-Sensorik bei Carbon-Black-Pigmenten. → solidscanner.com, avantes.com
• Kosten- und ROI-Angaben: Eigene Schätzwerte auf Basis verfügbarer Systempreise (ColVisTec, Metrohm, Bruker) und Maschinenausfallkostenkalkulationen aus der kunststoffverarbeitenden Industrie (Stand Mai 2026).

Ihr wollt prüfen, ob sich Inline-NIR-Qualitätserkennung für euren spezifischen Rezyklatanteil und eure Anlage rechnet? Meldet euch — das klären wir gemeinsam in einem kurzen Gespräch.