Ausgangslage:
Steigende Mengen an Elektroaltgeräten enthalten wertvolle und kritische Materialien und stellen eine Herausforderung für die Kreislaufwirtschaft dar. Wiederaufarbeitung scheitert oft an aufwändiger manueller
Inspektion und fehlender Datenintegration. Aktuell werden in der Inspektion von Elektronikprodukten meist einzelne Messtechniken isoliert eingesetzt, deren Auswahl stark vom Erfahrungswissen der Fachkräfte abhängt. Dadurch fehlt eine systematische Kombination und Bewertung verschiedener Verfahren, was die Fehlerdiagnose aufwendig und uneinheitlich macht. Im Teilvorhaben wird daher eine Inspektionssystematik auf Basis kombinierter Messtechniken entwickelt, die deren gemeinsames Potenzial nutzbar macht. An Test- und Realprodukten werden die Verfahren validiert und hinsichtlich ihrer Aussagekraft, Automatisierbarkeit und Robustheit bewertet.

Ziel:
Ziel des Projekts ist daher eine digitale, teilautomatisierte Inspektions- und Entscheidungsplattform, die Produktions-, Design- und Lebenszyklusdaten mit adaptiven Messmethoden verknüpft und mithilfe von Causal AI fundierte Fehlerhypothesen generiert.

Vorgehen:
Im Teilprojekt wird eine intelligente Inspektionssystematik für Elektronikprodukte entwickelt, die kombinierte Messverfahren nutzt. Nach einer Analyse relevanter Produkte, Fehlerbilder und Prüfmethoden entsteht ein allgemeingültiges Vorgehen zur Auswahl geeigneter Messtechnik. Prüfverfahren werden dokumentiert, nach Automatisierbarkeit bewertet und durch synthetische Daten ergänzt. In Experimenten werden
Testboards gezielt manipuliert und mit Verfahren wie Thermografie, optischer Inspektion und CT untersucht, um Defekte systematisch zu erfassen und die Eignung der Verfahren zu bewerten. Darauf
aufbauend entsteht ein simulationsgestütztes Konzept zur Entscheidungsunterstützung, das passende RStrategien (Reparatur, Wiederaufbereitung, Recycling) ableitet.