Nachricht

Jan 31, 2024

So kombinieren Sie Sensortechnologien mit der richtigen Extraktionsmethode

Künstliche Intelligenz (KI) und Robotik haben in letzter Zeit viel Aufmerksamkeit erregt. Für manche Menschen sind Robotik und KI synonym. Allerdings ist Robotik keine KI, und KI ist keine Robotik. KI sucht

Künstliche Intelligenz (KI) und Robotik haben in letzter Zeit viel Aufmerksamkeit erregt. Für manche Menschen sind Robotik und KI synonym. Allerdings ist Robotik keine KI, und KI ist keine Robotik. KI sucht nach Lösungen für schwierige Probleme im Zusammenhang mit menschlichen Fähigkeiten, während Robotik darauf abzielt, physische, sich wiederholende Aufgaben zu automatisieren. Darüber hinaus sind Roboter nicht die einzige mechanische Technologie, mit der KI kombiniert werden kann. In manchen Fällen erfordert die Anwendung eine robustere Absaugung, beispielsweise die Luftdüsen, die häufig bei optischen Sortierern verwendet werden und sich in MRFs über Jahrzehnte bewährt haben.

Wir bei MSS sind der festen Überzeugung, dass die Sensortechnologie vollständig von der Extraktionstechnologie entkoppelt werden muss. Das eine hat wirklich nichts mit dem anderen zu tun. Ein MRF-Bediener muss die beste Sensortechnologie in Betracht ziehen, um die Zielobjekte in einem gemischten Materialstrom zu identifizieren, und sie dann mit der am besten geeigneten Extraktionsmethode kombinieren, die zum physischen Entfernen der Zielobjekte erforderlich ist.

Die am häufigsten in Massensortierungs-MRF-Anwendungen verwendeten Sensoren sind Nahinfrarot- (NIR), Farb- und Metallsensoren. Je nach Anwendung kann es erforderlich sein, nur eine oder möglicherweise eine Kombination dieser einzelnen Sensortechnologien zu verwenden, um das Sortierziel zu erreichen. Die Leistung dieser Sensoren kann durch die Hinzufügung anderer Sensortechnologien, wie beispielsweise KI, gesteigert werden.

NIR- und KI-Sensoren können MRF-Betreibern große Mengen an Daten und Statistiken zur Überwachung und betrieblichen Verbesserung zur Verfügung stellen. Die Deep-Learning-Fähigkeit von AI ergänzt NIR und die tieferen Ebenen der verfügbaren Granularität ermöglichen eine feinere Klassifizierung einzelner Produkt- und Materialkategorien.

Darüber hinaus bauen KI-Sensoren auf den Identifikationsfähigkeiten auf, über die NIR nicht verfügt, und sortieren vor allem Gegenstände wie Katzenfutterdosen und Kochfolie aus gebrauchten Getränkedosen (UBCs) und Polyethylenterephthalatflaschen (PET) aus PET-Thermoformen. NIR-Sensoren können Materialien tatsächlich anhand der Chemie identifizieren, KI-Sensoren hingegen nicht.

KI-Sensoren funktionieren wie das menschliche Auge und schließen anhand ihres Aussehens, was ein Gegenstand sein könnte; Es kann nicht festgestellt werden, ob eine Flasche aus PET oder hochdichtem Polyethylen (HDPE) besteht, sondern nur indirekt. KI-Sensoren können auch nicht zwischen einigen thermogeformten PET- und PP-Behältern oder UBCs mit PET-Schrumpfhüllen und solchen mit direkt aufgedruckten Grafiken unterscheiden. Für diese Aufgaben sind herkömmliche NIR-Sensoren in Kombination mit Metalldetektoren bestens geeignet.

Förder- und Entscheidungsgeschwindigkeiten sind weitere Überlegungen. NIR-Sensoren können bis zu 1.000 Fuß pro Minute erreichen, während bei KI Probleme auftreten, wenn sich das Band schneller als 300 Fuß pro Minute bewegt. Darüber hinaus ist die Entscheidungsgeschwindigkeit, also die Zeit zwischen Erkennung und Extraktion eines Gegenstands, bei NIR-Sensoren etwa zehnmal schneller als bei KI-Sensoren. Was die Arbeitsbreite betrifft, werden KI-Sensoren typischerweise an Bändern mit einer Breite von bis zu 60 Zoll eingesetzt. Wenn Sie also breiter werden möchten, müssen Sie die Anzahl der KI-Sensoren verdoppeln. Andererseits können NIR-Sensoren an optischen Sortierern auf Förderbändern mit einer Breite von bis zu 112 Zoll eingesetzt werden.

Die bei Robotern üblicherweise verwendeten Saugnäpfe sind eine Form der Absaugtechnik. Eine andere Form sind die bei optischen Sortierern verwendeten Luftdüsen. Aber die Optionen enden hier nicht; Absaugtechniken können beispielsweise auch Klammern oder Umlenker umfassen.

Berücksichtigen Sie bei der Bestimmung der besten Extraktionstechnologie für eine bestimmte Anwendung die effektiven Picks pro Minute. Wir definieren effektive Picks als solche, bei denen der Effektor den richtigen Zielgegenstand erfolgreich in den dafür vorgesehenen Schacht legt, und nicht nur die Anzahl der Bewegungen oder Auswürfe. Basierend auf den Daten, die uns von allen unseren Installationen vorliegen, können unsere optischen Luftstrahlsortierer über 1.000 effektive Picks pro Minute mit einem 112 Zoll breiten Beschleunigungsband erzielen, während ein Roboter möglicherweise etwa 60 effektive Picks pro Minute erzielen kann ( von 90 möglichen Bewegungen), wodurch es 15-mal langsamer wird.

Wenn das von einem Roboter anvisierte Material gut auf dem Förderband verteilt ist, können Roboter gute Leistungen erbringen. Wenn die Zielelemente jedoch gebündelt werden oder ihr Anteil im Eingabestrom zunimmt, stehen Roboter vor der Herausforderung, mitzuhalten. Dies führt dazu, dass der Durchgangsstrom unnötig verunreinigt wird oder die Rückgewinnungsrate der Zielgegenstände deutlich geringer ausfällt.

Auch die Geometrie des Effektors des Roboterarms spielt eine Rolle. Herkömmliche Balgsaugnäpfe eignen sich besser für zweidimensionales Material, während dreidimensionale Gegenstände mit diesen kleinen Saugnäpfen nur schwer aufzunehmen sind. Luftstrahlen hingegen können 3D-Gegenstände effektiv auswerfen.

Wenn es um die Kosten pro Aufnahme geht, sind Luftdüsen nachweislich etwa zehnmal günstiger als Saugnäpfe. Wenn wir davon ausgehen, dass 16.500 natürliche HDPE-Flaschen eine Tonne umfassen, würde ein MRF 19 US-Dollar pro Tonne ausgeben, die mithilfe eines Roboters mit Saugnapfeffektor sortiert werden. Mit Luftdüsen würden diese Kosten deutlich unter 2 US-Dollar pro Tonne liegen.

Ein Bereich, in dem Roboter sich auszeichnen können, ist ihre Fähigkeit, mehrere Ausgabefraktionen gleichzeitig zu sortieren. Während wir normalerweise die Verwendung von Einzelauswurfkonfigurationen für die meisten gängigen MRF-Anwendungen für Luftstrahlsortierer empfehlen, ermöglicht die Verwendung eines Roboterarms die gleichzeitige Sortierung von drei bis vier einzelnen Fraktionen.

Auf einer Aluminium-Qualitätskontrolllinie, deren Ziel darin besteht, Nicht-UBC-Metalle und Nichtmetalle aus den UBCs zu sortieren, übersteigt die Anzahl der erforderlichen Picks pro Minute die Kapazität jedes Roboters, selbst in kleineren MRFs. Daher wird die Entfernung der Nichtmetalle zu einer Priorität für die KI, wodurch die UBCs mit Nicht-UBC-Metallgegenständen kontaminiert werden.

Das Gleiche gilt für PET-Qualitätskontrolllinien, bei denen das Ziel darin besteht, Thermoformen und Nicht-PET aus den PET-Flaschen zu trennen. Da der Anteil von Thermoformen in der PET-Fraktion steigt, können Roboter einfach nicht mehr mithalten. Die Kombination von KI-Sensortechnologie und Luftauswerfer-Absaugung hat sich als effektiver erwiesen, um die erforderlichen echten Picks pro Minute zu erreichen.

Bei anderen neueren Installationen werden KI-Roboter-Kombinationen auf PE-QC-Linien eingesetzt, wo NIR-basierte konventionelle optische Sortierer „alles PE“ auswerfen. Zu PE zählen nicht nur Milchkännchen und Waschmittelflaschen, sondern auch alle Behälter und Deckel auf PE-Basis. Da die KI den Unterschied zwischen einem PE- oder einem Polypropylen (PP)-Deckel nicht kennt, identifiziert und wählt sie vollkommen akzeptable PE-Deckel aus, weil sie davon ausgeht, dass es sich um PP handelt (basierend auf der Annahme, dass alle Deckel aus PP sind). In diesem Szenario muss möglicherweise nicht nur der Roboter selbst seine Fähigkeiten einschränken, sondern auch die KI ist nicht der richtige Sensor für die Anwendung.

Wenn der Roboter außerdem gleichzeitig dazu eingesetzt wird, natürliches PE von farbigem PE zu trennen, werden durch diese falschen Picks die Picks weggenommen, die für die Farbsortierung des PE erforderlich sind. Dies führt dazu, dass das viel wertvollere natürliche PE im Farb-PE landet, was den Gesamtwarenwert im MRF verringert.

Ein MRF-Betreiber sollte eine Technologieplattform in Betracht ziehen, die den richtigen Sensortyp mit der geeigneten Extraktionsmethode für die jeweilige Aufgabe kombiniert. Die Entscheidung, ob KI oder NIR für eine Sortierfunktion in einem MRF verwendet werden soll, muss sorgfältig abgewogen werden, ebenso wie die Extraktionsmethode. Während sich diese Technologien ergänzen können, kann ein Roboter einen optischen Sortierer nicht ersetzen.

Felix Hottenstein ist Vertriebsleiter bei MSS, das als Teil der CP Group automatisierte Sensortechnologien für die Abfallwirtschaft und Recyclingindustrie entwickelt und einsetzt.

300 Oceanside Drive Nashville, TNUS, 37204

Website: magsep.com

Telefonnummer:615-781-2669