Kunststoffsortieranlagen stehen 2026 vor einem Problem, das jede moderne Recyclinganlage kennt – der Strom polymerer Abfälle wird immer heterogener, und die klassischen NIR-Methoden sind an ihre Grenzen gestoßen. Dies betrifft insbesondere mit Ruß pigmentierte Kunststoffe sowie gemischte Fraktionen aus Elektro- und Elektronikaltgeräten (WEEE), bei denen die selektive Unterscheidung von PE, PP, PET, PS, ABS und Copolymeren Techniken mit höherer chemischer Spezifität erfordert.
Recycling polimerów ist nicht unser Kerngeschäft — die meisten Implementierungen haben wir im Bereich Harze, und eben Düngemitteln. Im AdBlue-Bereich arbeiten wir sowohl mit Rohstoffherstellern als auch mit Abfüllanlagen, die die 32,5 %-Lösung für den Einzelhandel konfektionieren. i Düngemitteln, — aber unsere Plattform Spectrally X1 INLINE, LAB i PORTABLE verfügt bereits über eine dokumentierte Machbarkeit in diesem Bereich: quantitative Bestimmung von Silikonverunreinigungen im PA66-Rezyklat (Kalibrierung 0,3–1,0 %) und Unterscheidung von Verunreinigungen in LDPE/HDPE-Rezyklaten. Jede neue Sortieranwendung bestätigen wir projektbezogen nach einer Machbarkeitsstudie an Kundenproben. Die vorliegende Übersicht ordnet das Bild spektroskopischer Techniken für das Polymerrecycling im Lichte der Publikationen 2025–2026.
Es steht viel auf dem Spiel: Die Erfüllung der Ziele der europäischen Vorschriften zu Einwegkunststoffen und der neuen Verpackungsverordnung (PPWR) sowie die Anforderungen des Marktes für rPET, rPE und rPP erzwingen eine immer höhere Reinheit der sortierten Fraktionen. Die Spektroskopie ist hier ein Werkzeug – die Wahl der konkreten Technik (Raman, NIR, MIR, MWIR, THz) hängt von der Chemie des Stroms und den Anforderungen an die Materialklasse ab.
Warum klassisches NIR in der modernen Sortieranlage an seine Grenzen stößt
Die hyperspektrale Bildgebung im nahen Infrarot (NIR-HSI, typischerweise 0,9–1,7 µm) ist heute Standard in großen Sortieranlagen der zweiten und dritten Generation. Die Identifizierung typischer Verpackungsfraktionen – PET, HDPE, LDPE, PP – funktioniert stabil, bei geeigneter Materialaufgabe auf dem Band und mit einer auf die Beleuchtung abgestimmten Messgeometrie. Das Problem beginnt dort, wo Industrieruß (Carbon Black) als Pigment auftritt: Die starke Absorption im NIR führt dazu, dass die Reflexion nahe null liegt und der Klassifikator kein Signal zum Arbeiten hat.
Der zweite für NIR schwierige Bereich sind WEEE-Gemische – Elektronikgehäuse enthalten meist ABS, HIPS, PC und PC/ABS-Blends, oft schwarz, mit flammhemmenden Zusätzen. Hier erfordert eine höhere Selektivität den Wechsel zu einer Technik mit höherer chemischer Spezifität – Raman, MIR, MWIR-HSI oder THz-TDS – oder den Einsatz eines NIR-Hybrids mit einem zusätzlichen Spektralkanal.
Deep-UV-Raman für schwarze Kunststoffe – Fortschritte 2026
Eines der interessantesten Ergebnisse des Jahres 2026 ist eine im Journal of Raman Spectroscopy, veröffentlichte Lösung, die Raman im tiefen Ultraviolett (DUV, NeCu-Laser 248,6 nm) zur Identifizierung schwarzer Kunststoffe direkt auf dem Sortierband nutzt. Der Schlüssel liegt darin, dass die Fluoreszenzemission der schwarzen Additive im nahen UV und im sichtbaren Bereich auftritt – also außerhalb des Bereichs der im DUV angeregten Raman-Spektren. Dadurch wird das Raman-Signal nicht vom Untergrund überdeckt, obwohl Ruß das dominierende Pigment ist.
Die Autoren demonstrierten die Unterscheidung von PE, PP und PET – also der kommerziell wichtigsten Klassen – aus einem Stand-off-Abstand, der der Geometrie eines Förderbands entspricht. Das ist ein erheblicher Zugewinn an Möglichkeiten gegenüber einem typischen NIR-HSI-Setup, das bei denselben Materialien in schwarzer Ausführung komplett versagen würde. Die Grenzen der aktuellen Demonstration sind die Kosten und die Wartbarkeit des DUV-Lasers sowie die Anforderungen an die optische Sicherheit – unter den Bedingungen einer produktiven Sortieranlage bleibt die Lösung im Demonstratorstadium.
Raman mit maschinellem Lernen bei der WEEE-Sortierung
Eine zweite Linie aktueller Publikationen kombiniert klassisches Raman bei 785 nm und 1064 nm mit Modellen des maschinellen Lernens – Diskriminanzanalyse (DA) und Support Vector Machine (SVM) – für WEEE-Fraktionen. Ziel: die Trennung von PS, ABS, PC und PC/ABS-Blends in Gegenwart von Pigmenten und Flammschutzmitteln. Die längere Wellenlänge (1064 nm) reduziert wirksam die für flammhemmende Zusätze und Farbstoffe typische Fluoreszenz, auf Kosten eines etwas geringeren Raman-Streuquerschnitts – ein in der Prozessspektroskopie gut bekannter Kompromiss.
Diesen Kompromiss 785 vs. 1064 nm kennt jede Konfigurationsentscheidung für einen Prozessanalysator – ausführlicher behandeln wir ihn in unserem Überblick zur Wahl der Raman-Wellenlänge. Unter den Bedingungen einer WEEE-Sortieranlage gewinnt typischerweise 1064 nm überall dort, wo die Fluoreszenz das Signal dominiert.
GAN-Netze und Datenaugmentierung – wenn es zu wenige Referenzspektren gibt
Eine dritte wichtige Publikation aus dem Jahr 2026 (Analyst, RSC) adressiert eine reale Einschränkung bei der Implementierung: Für viele Rezyklatklassen ist die Zahl der verfügbaren Referenzspektren gering und ungleich verteilt. Die Autoren schlagen vor, generative Netze (GAN) zur Augmentierung der Spektren einzusetzen – das Modell lernt die Verteilung realer Spektren und erzeugt synthetische Proben, die die Stabilität des Klassifikators bei Minderheitsklassen verbessern.
Diese Richtung ist besonders relevant für Betriebe, die eine Klassifikation „von null“ einführen – bei denen die Spektralbibliothek aus internen Proben und nicht aus vorgefertigten Referenzdatensätzen aufgebaut wird. Aus ingenieurtechnischer Sicht ersetzen GANs kein gutes Probenahmeprotokoll, ermöglichen aber, mit einer kleineren Datenbasis zu starten und diese schrittweise zu erweitern.
Hyperspektrale MWIR-Bildgebung als Ergänzung
Neben dem Raman-Pfad entwickelt sich ein zweiter Strang – MWIR-HSI (3–5 µm). Hier besteht das Problem der Rußabsorption nicht, da im mittleren Infrarot Transmission und Reflexion von den Schwingungen des Polymerkettenrückgrats abhängen und nicht von der äußeren Farbe. Unabhängige Implementierungen aus den Jahren 2025–2026 berichten über eine Trennreinheit bei schwarzem ABS von annähernd 99 % bei geeigneter Kamerageometrie. Grenzen sind die Kosten des MWIR-Detektors (typischerweise kryogen gekühltes InSb oder MCT) sowie die Notwendigkeit einer thermischen Kalibrierung.
In der Praxis bauen ausgereifte Sortieranlagen 2026 immer häufiger eine mehrkanalige Architektur auf: NIR-HSI als erste Linie, MWIR-HSI oder Raman als zweite Entscheidungsstufe für die Fraktion, die NIR nicht mit ausreichender Sicherheit klassifiziert hat. Dasselbe Denken kennen wir aus der Prozessanalytik in der Chemie: moderne Detektoren und mehrkanalige Messarchitekturen ermöglichen einen Kompromiss zwischen Kosten, Geschwindigkeit und Selektivität, den eine einzelne Technik nicht erreicht.
Spectrally X1 – Anpassungsmöglichkeiten für das Polymerrecycling
Die meisten Implementierungen haben wir in der Prozesschemie – bei Phenol-Formaldehyd- und Harnstoffharzen, Kosmetika, Düngemitteln, Klebstoffen und Kohlenwasserstoffen. In das Polymerrecycling steigen wir projektbezogen ein: An Kundenproben prüfen wir im Rahmen einer Machbarkeitsstudie, ob eine Raman-Konfiguration die richtige Methode für den jeweiligen Strom und die Analyten ist, bevor der Kunde CAPEX bindet. Was genau bieten wir für die Anpassung auf diesem Weg an?
- Spectrally X1 LAB – stationärer Analysator für Kalibrierarbeiten und den Aufbau von Spektralbibliotheken aus Proben, die an der Linie entnommen wurden. Mit einem Karussell für bis zu 25 Vials und Through-Package-Analyse beschleunigt er die Machbarkeitsphase und die Validierung chemometrischer Modelle vor der Inline-Implementierung.
- Spectrally X1 PORTABLE – tragbarer Analysator für die mobile Verifizierung der sortierten Fraktionen aus der Sortieranlage, IQC-Audits bei Regranulatlieferanten und Referenzmessungen vor Ort. SNR 547 und der Standalone-Modus mit Touchscreen ermöglichen eine PASS/FAIL-Entscheidung ohne Anschluss eines PCs.
- Spectrally X1 INLINE – in ausgewählten Kontrollanwendungen nach der Sortieranlage (z. B. Qualitätsüberwachung des Regranulats am Extruderauslass) ermöglichen die Eintauchsonde und die Kommunikation über Modbus die Integration der Messung in das übergeordnete System.
- Spectrally OS – gemeinsame Softwareschicht für die gesamte X1-Familie, mit einer Datenbank von ~28 000 Spektren und CNN/PLS/PCA-Modellen. Für das Recycling ist die Überwachung der Modelldrift besonders wichtig, da sich die Zusammensetzung des Stroms saisonal ändert.
Was Spectrally X1 nicht ist: kein Hyperspektral-Sortierer mit NIR- oder DUV-Kamera. Es ist ein punktuell messender Raman-Analysator, konzipiert für die chemische Analytik – und das ist seine Rolle in der Recyclingarchitektur. Hyperspektralkameras am Sortierband sind eine eigene Gerätekategorie unabhängiger Anbieter; wir kommen dort ins Spiel, wo die chemische Selektivität von Raman gefragt ist (Speziation von Copolymeren, Kontrolle von Additiven, Verifizierung von Regranulatchargen).
FAQ – Häufig gestellte Fragen
Wird Raman NIR-HSI in der Sortieranlage ersetzen?
Nein. NIR-HSI bleibt die Technik der ersten Wahl für typische Verpackungsfraktionen (PET, HDPE, LDPE, PP) – es ist schnell, kostengünstig pro Messung und bildgebend. Raman kommt dort zum Einsatz, wo NIR versagt: schwarze Kunststoffe, WEEE-Fraktionen, Speziation von Copolymeren, Verifizierung von Regranulat hinsichtlich Additiven. Die Architektur von Sortieranlagen im Jahr 2026 kombiniert beide Techniken immer häufiger in einer Kaskade.
Reichen 785 nm für das Recycling aus, oder werden 1064 nm benötigt?
Für reine technische Polymere reichen 785 nm in der Regel aus. Bei Kunststoffen mit Farbstoffen und Flammschutzmitteln (WEEE, schwarzes Hartmaterial) reduzieren 1064 nm die Fluoreszenz deutlich und verbessern die Qualität des Klassifikators – auf Kosten eines geringeren Raman-Streuquerschnitts. Die Entscheidung fällt anhand von Proben.
Wie viele Referenzspektren werden für den Start eines Klassifikators benötigt?
Das hängt von der Anzahl der Klassen und ihrer spektralen Ähnlichkeit ab. Für 4–6 Verpackungsklassen reichen typischerweise einige hundert Spektren pro Klasse mit guter Variation von Geometrie und Umgebungseinflüssen. Bei WEEE mit Blends und Farbstoffen steigt diese Zahl um ein Vielfaches – hier helfen Augmentierungstechniken (GANs, Perturbationen, Jittering der Spektren).
Hat Gekko Photonics Implementierungen im Polymerrecycling?
Die meisten Implementierungen haben wir in der Prozesschemie – bei Harzen, Kosmetika, Düngemitteln, Klebstoffen und Kohlenwasserstoffen. Im Polymer-Recycling gehen wir projektbezogen vor: Wir beginnen mit einer Machbarkeitsstudie an Kundenmustern, prüfen, ob Raman die geeignete Methode für den jeweiligen Analyten und die Matrix ist, und schlagen erst dann die Konfiguration X1 LAB / PORTABLE / INLINE sowie das Modell vor. Spectrally OS.
Wie lange dauert eine typische Machbarkeitsstudie an Rezyklatproben?
Typischerweise 2–4 Wochen ab Erhalt eines repräsentativen Probensatzes (referenzklassifiziert). Ergebnis ist ein Bericht mit einer Bewertung der Trennbarkeit der Klassen, einem Vorschlag für Wellenlänge und Akquisitionszeit sowie einem vorläufigen chemometrischen Modell zur weiteren Validierung.
Testmessung und technische Beratung
Bei Gekko Photonics beginnen wir mit einem Gespräch mit einem Applikationsingenieur – einem 30-minütigen Termin, in dem wir die typische Zusammensetzung Ihres Stoffstroms, die Materialklassen, die Sie unterscheiden möchten, und die KPI-Anforderungen an die Sortieranlage oder die Regranulatkontrolle besprechen. Eine Testmessung an Ihren Proben führen wir typischerweise innerhalb von 2 Wochen nach deren Erhalt durch. Nehmen Sie Kontakt mit uns auf – wir antworten mit konkreten Angaben, mit Testnummer und Richtbudget, statt mit einem ausweichenden Angebot. Die vollständige Liste unserer Prozessanalysatoren finden Sie in einem separaten Abschnitt.
Quellen
- Zada L. et al., Black Plastic Identification for Sorting and Recycling With Deep-UV Raman Spectroscopy, Journal of Raman Spectroscopy 2026 (Wiley): analyticalsciencejournals.onlinelibrary.wiley.com
- Raman spectroscopy integrated with machine learning techniques to improve industrial sorting of WEEE plastics, ScienceDirect / J. Environmental Management 2025: sciencedirect.com
- Classification of recycled plastics using sparse and imbalanced spectral data and data augmentation by GAN, Analyst (RSC) 2026: pubs.rsc.org
- New Raman Spectroscopy Breakthrough Boosts E-Waste Plastic Recycling Efficiency, Spectroscopy Online: spectroscopyonline.com