PCBcycle

Elektronische Leiterplatten (PCBs) aus Elektroaltgeräten sind ein wertvoller Stoffstrom, der wichtige Rohstoffe wie Gold, Kupfer, Palladium, Tantal und Silber enthält.

Unterhaltungselektronik, Informations- und Telekommunikationstechnik, sowie die wachsende Anzahl an smarten Geräten, stellen die Recyclingindustrie aber vor ein Problem:  Um bisher den Wert von PCBs zu bestimmen wird eine händische Vorsortierung und stichprobenartig Bewertung durchgeführt.
Dieses Vorgehen ist verhältnismäßig langsam und fehleranfällig. Es fehlt aktuell an geeigneten Methoden mit hoher Präzision und großem Durchsatz, um den genauen Wert von einer großen Menge Leiterplatten zu bestimmen. 

Ziel des Projekts PCBcycle ist eine vollständige Online-Bewertung der PCBs mit direkt anschließender Sortierung. 
Das Ergebnis ist ein Sortiersystem und -verfahren für die automatische Sortierung von WPCBs (waste printed circuit boards). Auf der Grundlage des vorhergesagten Wertes lässt sich entscheiden, ob eine manuelle Sortierung und Entnahme wertvoller Komponenten wirtschaftlich lohnenswert ist.

Funktionsweise

© Fraunhofer IIS
Das System ist dazu in der Lage, einzelne Komponenten einer Leiterplatte zu erkennen. Dies ermöglicht eine automatisierte Evaluation des Rohstoffwerts.

Das System nimmt Dual-Energy-Röntgenbilder (XRT) der PCBs auf einem Förderband auf. Diese Bilder werden vorverarbeitet und in ein tiefes neuronales Netzwerk eingespeist, das Komponenten wie ICs, BGA/PGAs, Tantalkondensatoren, Steckverbinder etc. erkennt. Das System berechnet den Wert jeder Komponente auf einer PCB anhand eines mathematischen Modells, das auf Merkmalen wie Typ und Größe der Komponenten der entsprechenden PCB basiert. Dieses Modell zur Wertbestimmung kann flexibel an die Anforderungen des Anwenders angepasst werden. 

Im Gegensatz zu anderen Ansätzen wie visueller oder NIR-Bildgebung, zeigen die Röntgenbilder die Komponenten auf der PCB unabhängig von der Ausrichtung der PCB, d.h. sie können die Komponenten auf Vorder- und Rückseite gleichzeitig erkennen. Darüber hinaus ist XRT eine robustere Bildgebungstechnik, wenn es um die Anwendung in schmutzigen oder staubigen Umgebungen geht.

© Fraunhofer IIS

Vollautomatisierte Wertstoffevaluation

Die Realisierung eines Systems zur automatischen Wertbestimmung von Leiterplatten besteht aus einer Vereinigung mehrerer in sich abgeschlossener Prozessschritte.

  1. Messung von Leiterplatten auf einem Fördersystem mittels Dual Energy Röntgensystem (XRT)
  2. Relevante Komponenten werden mithilfe von Maschinellem Lernen für die anschließende Wertbestimmung detektiert. 
  3. Korrelation des Gewichts der enthaltenen chemischen Elemente in den detektierten Komponenten an ein individualisierbares Preismodell / Marktmodell. Dies ermöglicht die Bewertung des finanziellen Gegenwertes der observierten PCBs.
© Fraunhofer IIS/EZRT
Aus umfassenden Daten können mittels intelligenter softwarebasierter Methoden gezielt Informationen extrahiert werden.

Für die Zwecke des Maschinellen Lernens ist eine repräsentative Datenbank für das Training und die Bewertung von Modellen unerlässlich. Daher besteht der erste Schritt darin, eine solche maschinenlesbare Daten- und Beschriftungsbasis aus realen PCB-Proben zu erstellen. Die nächsten Schritte umfassen die Aufnahme der Röntgenbilder, die Vorbereitung und die Entnahme von repräsentativen Proben der verschiedenen Komponentenklassen aus den PCBs. Diese Proben werden dann chemisch (z.B. ICP-OES, optische Emissionsspektrometrie mittels induktiv gekoppelten Plasmas) in ihrer elementaren Zusammensetzung analysiert, um die Konzentrationen der wertvollen Metalle zu ermitteln. Diese Informationen liefern die Grundlage für die Kalibrierung des Modells, das den tatsächlichen Recyclingwert der PCB vorhersagt.

    • Patent EP21202008.5 “Sorting of Waste Printed Circuit Boards (WPCB) for Recycling based on Material Value Estimation using a Machine-Learning-assisted Component Detection Method on X-Ray Images” 
    • Präsentation auf der Sensor Based Sorting and Control 2022: “Material Value Estimation for Recycling of Waste Printed Circuit Boards (WPCBs) by a Deep-Learning-assisted Approach on X-Ray Images."